Measuring User Fatigue Based On User Input Behavior
Magistro darbo metu atlikta naudotojo nuovargio analizė, remiantis duomenimis kurie buvo surinkti su sukurtu įrankiu. Buvo sukurtas įrankis, sugebantis surinkti reikalingus duomenis. Surinkti duomenys buvo panaudoti suskaičiuojant pasirinktus parametrus kurie naudojami bandant nustatyti naudotojo nuovargį. Parametrai kurie buvo pasirinkti: Aukštyn-Žemyn, Žemyn - Žemyn, Paspaudimo Laikymo laikai, Vidutinis Paspaudimų Kiekis Per Minutę klaviatūrai, o pelei buvo skaičiuojami tokie parametrai kaip Greitis ir Paspaudimo Laikymo laikas. Naudotojo nuovargio nustatymui buvo naudojamas sprendimo medis su CART algoritmu. Buvo atliktas tyrimas ant skirtingų duomenų rinkinių, iš kurių buvo nustatytos koreliacijos tarp parametrų ir vartotojo nuovargio. Apmokius nuovargio nustatymo metodus, jie buvo įvertinti su eksperimentais kur kiekvienam modeliui buvo paduoti duomenų rinkiniai ant kurių modeliai nebuvo apmokami ir sulygintas tikslumas tarp tikros ir prognozuojamos vertės. Pabaigus eksperimentus, buvo rasta kad Klaviatūros sukurtas modelis turėjo 37% tikslumą, pelės modelis turėjo 70% tikslumą o kombinuotas modelis turėjo 44% tikslumą. Darbo apimtis: 72 p. teksto be priedų, 34 iliustr., 35 bibliografiniai šaltiniai
In this work the investigation of user fatigue is performed by analyzing data gathered from user behavior with the created tool. A tool for gathering user input data has been created. The data is later used to calculate such metrics like Up-Down, Down-Down, Hold times and Characters per minute for keyboard, as well as Speed and hold time for the mouse. CART Decision Tree is used for user fatigue prediction. Investigation on different datasets was performed and correlation between keyboard and mouse metrics was calculated. After teaching the prediction model with the gathered data, the model was evaluated by preforming an experiment where a separate set of input behavior data was submitted to the prediction algorithm, which resulted in the mouse fatigue prediction model being 70% accurate. Keyboard fatigue prediction model with tested dataset has yielded 37% accuracy at best, while the mixed fatigue prediction model yielded 44% accuracy. Thesis consists of: 72 p. text without appendixes, 34 pictures, 35 bibliographical entries.