Interactive Learning of Dynamic Systems

A Cognitive Modeling Approach to Mental Model Building and Updating

Technische Universität Berlin

Josh Hild/Unsplash

Schlagworte

kognitive Modellierung, mentale Modelle, dynamisches Entscheiden

Zusammenfassung

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.

Zitiervorschlag

Prezenski, Sabine. Interactive Learning of Dynamic Systems: A Cognitive Modeling Approach to Mental Model Building and Updating. Technische Universität Berlin, 2019, doi:10.14279/depositonce-7951.

Repository

depositonce.tu-berlin.de

Identifikatoren

urn: urn:nbn:de:101:1-2019040302040857733369

doi: 10.14279/depositonce-7951 coisas

Veröffentliche

deine Dissertation

auf OpenD und steigere

deine Online-Sichtbarkeit

Jetzt registrieren