Interactive learning of dynamic systems
| dc.contributor.advisor | Rußwinkel, Nele | |
| dc.contributor.author | Prezenski, Sabine | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Rußwinkel, Nele | |
| dc.contributor.referee | West, Robert | |
| dc.date.accepted | 2018-11-29 | |
| dc.date.accessioned | 2019-03-27T11:38:03Z | |
| dc.date.available | 2019-03-27T11:38:03Z | |
| dc.date.issued | 2019 | |
| dc.description.abstract | People who want to achieve a goal with a previously unknown technical system simply try it out and learn through feedback from the system how to use it. This is referred to as interactive Learning. To investigate the usability of such systems, elaborate user studies are carried out. Additionally, changes in the system require new studies. Cognitive models simulate the cognitive processes of users and could be used as a substitute or as a supplement to user testing. However, interactive learning of systems, requires that these cognitive models depict elaborate cognitive processes, such as building and modification of mental models. Such aspects can best be modeled with the ACT-R cognitive architecture. However, there is no generally accepted theory on mental model building and updating. There are different views on how a representation is built-up and changes. Cognitive models which depict mental model building in interactive learning of technical systems are unknown of. This dissertation closes this gap; based on the theory of mental models of Li and Maani (2011), ACT-R mechanism are developed and validated. To investigate interactive learning in technical systems, a smartphone app and a task were developed, with which empirical data was collected. The app is a shopping list app, with a hierarchical-linear structure in which items can be selected. The task of the participants was to repeatedly search for the same items. After two blocks, an update that partially changed the menu structure of the app occurred. Afterwards, the subjects were required search for the same items again. The empirical data showed that participants learned how to use the app quickly and an update interrupted this learning effect. Based on the study, ACT-R modeling mechanisms for building and updating mental model were implemented. To make sure this model, was not too specific to the shopping list app, a new empirical study was conducted with another hierarchical-linear app with a similar look and task. This app is a real-estate app with which subjects should repeatedly enter the same search criteria. After two blocks, the menu structure and position of some entries in the app changed. To test how well the model can describe the empirical data, the model parameters were adjusted to one part of the empirical data of the Real Estate App study. A high match in terms of trends and absolute values was found. The predictive validity of the model was tested by comparing the model data with the other part of the empirical data of the real estate app study and with the data of the shopping-list app study. The model can predict these data very well. To ensure that the developed ACT-R mechanisms for building and updating mental models are generally useful to depict interactive learning, another interactive task had to be found. Here for, the data from an auditory categorization experiment was used. The auditory stimuli are composed of several features, a certain feature combination was the target stimulus. This had to be identified using button-presses and subsequent feedback. In the middle of the experiment, the assignment of features combination and target tones changed. The ACT-R model based on the previously developed model mechanisms was capable to map the empirical data. In summary, it can be stated that ACT-R can simulate the usage of technical systems thus usability questions can be answered. In this work, a model for interactive learning of hierarchical linear apps was created. The model can map learning and relearning. To predict the usability related aspects of other apps with ACT-R models, however, new ACT-R models need to be created. Hereby, the developed mechanism for mental model building and updating should be adapted to adequately address the structure of the specific app. These ACT-R mechanisms for mental model building and updating can describe and predict empirical data from various interactive tasks. Furthermore, the mechanisms can be transferred to other different scenarios. For this, however, a task must be newly modeled. For the assignment of the mechanisms, a task analysis must be carried out, and the new model may also need additional assumptions. | en |
| dc.description.abstract | Wenn Personen ein Ziel mit einem Ihnen bisher unbekannten technischen System erreichen wollen, dann probieren sie das System einfach aus und lernen durch die Rückmeldung vom Systems den Umgang damit. Man spricht von Interaktivem Lernen. Um die Usability eines solchen Systems zu untersuchen, werden aufwendige Nutzerstudien durchgeführt. Zudem erfordern Änderungen im System neue Studien. Kognitive Modelle simulieren die kognitiven Prozesse von Nutzern und könnten als Ersatz oder auch Ergänzung zu Nutzertests eingesetzt werden. Interaktives Lernen von Systemen, erfordert allerdings, dass diese kognitiven Modelle elaborierte kognitive Prozesse abbilden. Das sind z.B. der Aufbau und Umbau von mentalen Modellen. Solche Aspekte kann man am besten mit der kognitiven Architektur ACT-R modellieren. Allerdings gibt es keine allgemein anerkannte Theorie zu Aufbau und Umbau von mentalen Modellen. Es gibt unterschiedliche Ansichten darüber, wie eine Repräsentation aufgebaut wird und sich verändert. Kognitive Modelle, die den Aufbau eines mentalen Modells beim interaktives Lernen von technischen Systemen abbilden sind nicht bekannt. Diese Dissertation schließt diese Lücke, in dem aufbauend auf der Theorie zum mentalen Modellen von Li und Maani (2011), ACT-R Mechanismen entwickelt und überprüft werden. Um interaktives Lernen bei technischen Systemen zu untersuchen, wurde zunächst eine Smartphone App und eine Aufgabe entwickelt, mit der empirische Daten erhoben wurden. Bei der App handelt es sich um eine Einkaufslisten App, mit einem hierarchisch-linearen Aufbau, bei der Produkte selektiert werden können. Aufgabe der Probanden war es, wiederholt dieselben Produkte zu suchen. Nach zwei Durchgängen gab es ein Update, dass die Menüstruktur der App teilweise veränderte. Im Anschluss sollten die Probanden erneut dieselben Produkte suchen. Die empirischen Daten zeigen, dass Probanden den Umgang mit der App zügig erlernen und dass ein Update den Lerneffekt unterbricht. Basierend auf der Studie wurden ACT-R Modelmechanismen für den Aufbau und die Änderung vom mentalen Modell implementiert. Um sicherzustellen, dass dieses Modell nicht zu spezifisch für die Einkaufslisten App konstruiert ist, wurde eine neue empirische Studie mit einer anderen hierarchisch-linearen App mit einem ähnlichen Aussehen und einer ähnlichen Aufgabe durchgeführt. Bei der App handelt es sich um eine Immobilien App, in der die Probanden wiederholt dieselben Suchkriterien eingeben sollten. Nach zwei Durchläufen veränderte sich für manche Einträge die Menü-Struktur und die Position in der App. Um zu überprüfen, wie gut das Modell empirische Daten abbilden kann, wurden die Modellparameter an einen Teil der empirischen Daten aus der Immobilien-App Studie angepasst. Es zeigte sich eine sehr hohe Übereinstimmung in Bezug auf Trends und auch auf absolute Werte. Die prädiktive Güte des Modells wurde überprüft, indem die Modelldaten mit dem anderen Teil der empirischen Daten aus der Immobilien-App Studie und mit den Daten aus der Einkaufslisten App Studie verglichen wurden. Das Modell kann diese Daten sehr gut vorhersagen. Um sicherzustellen, dass die entwickelten ACT-R Mechanismen zum Aufbau und Umbau von mentalen Modellen generell nützlich sind, um interaktives Lernen abzubilden, musste eine andere interaktive Aufgabe gefunden werden. Dazu wurden die Daten eines auditorischen Kategorisierungsexperiments verwendet. Die auditorischen Stimuli setzten sich aus mehreren Eigenschaften zusammen; eine bestimmte Eigenschaftskombination war der Zielstimulus. Dieser musste mittels Tastendruck und anschließendem Feedback identifiziert werden. In der Mitte des Experiments änderte sich die Zuordnung von Zieltönen. Das auf den zuvor entwickelten Modellmechanismen basierte ACT-R Modell konnte die empirischen Daten gut abbilden. Zusammenfassend lässt sich feststellen, dass sich die Benutzung von technischen Systemen mit ACT-R Modellen simulieren lässt und somit Usability Fragen beantwortet werden können. In dieser Arbeit wurde ein Modell zum interaktiven Lernen von hierarchischen linearen Apps erstellt. Das Modell kann Lernen und Umlernen abbilden. Um auch für andere Apps die Benutzbarkeit mit ACT-R Modellen vorauszusagen, sollten allerdings die in dieser Dissertation entwickelten Mechanismen zum Aufbau und Umbau von mentalen Modellen in Bezug auf die Struktur dieser App angepasst werden. Mit den entwickelten ACT-R Mechanismen zum Aufbau und Umbau von mentalen Modellen können empirischen Daten aus verschiedenen interaktiven Tasks beschrieben und vorhergesagt werden. Ferner lassen sich die Mechanismen auf komplett andere Szenarien übertragen. Hierfür, muss allerdings eine Aufgabe neu modelliert werden. Dabei muss für das Zuordnen der Mechanismen eine Aufgabenanalyse durchgeführt werden und das neue Modelle benötigt eventuell noch zusätzlichen Annahmen. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/8822 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-7951 | |
| dc.language.iso | en | en |
| dc.relation.issupplementedby | http://dx.doi.org/10.14279/depositonce-7953 | |
| dc.relation.issupplementedby | http://dx.doi.org/10.14279/depositonce-5177 | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | en |
| dc.subject.ddc | 005 Computerprogrammierung, Programme, Daten | de |
| dc.subject.ddc | 153 Kognitive Prozesse, Intelligenz | de |
| dc.subject.other | cognitive modeling | en |
| dc.subject.other | ACT-R | en |
| dc.subject.other | mental model | en |
| dc.subject.other | usability | en |
| dc.subject.other | dynamic decision-making | en |
| dc.subject.other | kognitive Modellierung | de |
| dc.subject.other | mentale Modelle | de |
| dc.subject.other | dynamisches Entscheiden | de |
| dc.title | Interactive learning of dynamic systems | en |
| dc.title.subtitle | a cognitive modeling approach to mental model building and updating | en |
| dc.title.translated | Interaktives Lernen dynamischer Systeme | de |
| dc.title.translatedsubtitle | ein kognitiver Modellierungsansatz zum Aufbau und zur Aktualisierung von mentalen Modellen. | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | domain | en |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Psychologie und Arbeitswissenschaft | de |
| tub.affiliation.faculty | Fak. 5 Verkehrs- und Maschinensysteme | de |
| tub.affiliation.institute | Inst. Psychologie und Arbeitswissenschaft | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |