WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 32 | 33 || 35 | 36 |   ...   | 82 |

To detect these defects a knowledge base of interface defects has been made. Every element of this knowledge base is linked to elements of the GUI ontology model. It should be noted that since the GUI ontology model is expandable, when a new element is added to this ontology model, description of a defect in the knowledge base could be modified or a new description of a defect could be added.

There can be two ways to detect defects in the interface model. The first one is detecting a defect in designing an interface element, e.g., when the developer forms a string (a component of an interface element). If the length of this string exceeds a maximal length, the developer can be informed immediately. The second one is checking a set of properties in different interface elements. It is possible only after a fragment of an interface has been designed. For example, to detect a defect of an interface element arrangement in a window it is necessary to design this window first and then to check it. Therefore, the system of automated detection of usability defects is to work in two modes. Fig. 2 shows the basic architecture of the system.

Fig. 2 The basic architecture of the system of automated detection of usability defects.

Ontology of Defects A defect (fault) is detected in software when the developer makes a mistake due to a typo, poor understanding of some processes, principles, and so on. A defect is a coded mistake of the developer. To detect defects in software it is necessary to accurately classify them. The following ontology of defects is proposed.

1. Name of a defect.

2 Type of a defect. There may be two defect types, namely, presentation element defects or composition defects. The former occurs in designing an interface element; the latter is found after designing a set of different interface elements.

3. Name of a class. It is a metaterm of the GUI ontology model. It indicates a class name of the interface element whose defect is described. This item can contain some classes. On the one hand, an interface element can consist of some classes; on the other hand, when a composition defect is described we must include all classes involved in detecting a defect.

4. Superclass. It is also a metaterm of the GUI ontology model indicating a name of a parent class.

Ontologies 5. Parameters. There are the parameters that are used for detecting a defect. They correspond to parameters of a class from the GUI ontology model.

6. Method of detecting. It is an algorithm of detecting a defect.

7. Advice. It is a message to the developer on eliminating a defect.

To illustrate the above, let’s consider the following descriptions of defects from the knowledge base based on the ontology of defects.

Name of the defect: too many menu elements.

Type of the defect: a presentation element defect.

Name of the class: a top-level menu.

Superclass: menus.

Parameters: the number of menu elements.

Method of detecting: the number of menu elements>Advice. This menu consists of more than 9 elements. It will be difficult for the user to perceive. The number of menu elements should be decreased.

Name of the defect: the window has no name.

Type of the defect: a presentation element defect.

Name of the class: a window.

Superclass: an element of the GUI ontology model.

Parameters: the name (type: Boolean).

Method of detecting: the name=Advice. The window has no name.

Summary In this article an approach to automated detection of usability defects is proposed. The basic idea of the approach is to add a system of automated detection of usability defects to the tool for user interface development operated by a knowledge base of interface defects. The main task of the system is to detect defects in a user interface model within the design phase and to give advice to the developer on their elimination.

At present a prototype of the system has been developed at the Intellectual Systems Department of the Institute for Automation and Control Processes, the Far Eastern Branch, the Russian Academy of Science.

The GUI ontology model and a knowledge base of interface defects corresponding with this ontology are used at the Mathematics and Computer Science Institute of the Far Eastern National University within the course “User Interfaces”.

Acknowledgements The research was supported by the Far Eastern Branch of Russian Academy of Science, the grant «An Expandable System for Quality Monitoring».

Bibliography 1. Ivory, M.Y., Hearst, M.A.: State of the Art in Automating Usability Evaluation of User Interfaces. ACM Computing Surveys, 33 (December 2001) 1–47. Accessible at http://webtango.berkeley.edu/papers/ue-survey/ue-survey.pdf.

2. Gribova V., Kleshchev A. From an Ontology-oriented Approach Conception to User Interface Development.

International Journal “Information Theories & Applications”. 2003. vol. 10, num.1, p. 87-Author's Information Gribova Valeriya – Ph.D. Senior Researcher of the Intellectual System Department, Institute for Automation & Control Processes, Far Eastern Branch of the Russian Academy of the Sciences: Vladivostok, +7 (4323) 314001;

e-mail: gribova@iacp.dvo.ru; http://www.iacp.dvo.ru/es Decision Making СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ КАК ПЕРСОНАЛЬНЫЙ ИНТЕЛЛЕКТУАЛЬНЫЙ ИНСТРУМЕНТАРИЙ ЛИЦА, ПРИНИМАЮЩЕГО РЕШЕНИЕ Алексей Ф. Волошин Аннотация: Тезисно обсуждаются проблемы развития познания «познающего» субъекта – от изучения объекта и способа действия до единой системы «субъект – способ действия – объект».

Анализируются проблемы повышения адекватности моделей «живой» природы. Обсуждается концепция развития систем поддержки принятия решений как экспертных систем до систем поддержки принятия решений как персонального инструментария лица, принимающего решение.

Анализируется опыт развития систем качественного прогнозирования на основе многопараметрических зависимостей, представляемых деревом решений, реализующих концепцию «множественного субъективного детерминизма». Приводятся примеры прикладных систем прогнозирования эколого-экономических и социальных процессов и обсуждаются пути их развития.

Ключевые слова: Практическое знание; способ действия; искусственный интеллект; системы поддержки принятия решений; дерево решений; экспертные системы; лицо, принимающее решение.

Введение во введение Автор солидарен с мыслью Нильса Бора, что «трудно что-либо предвидеть, особенно будущее». Почему Потому, отвечают представители большинства теорий, учений и верований, что все зависит от неподконтрольных человеку сил внешнего мира. И не играет особой роли, как эти силы «проявляются» человеку.

Представители «стохастической неопределенности» считают, что влияние причины на следствие определяется «объективной вероятностью», которая является человеку в частоте появления событий, имеющей смысл при бесконечном числе испытаний. Им возражает А.Эйнштейн (и мы вместе с ним):

«Я никогда не поверю, что Господь Бог играет в кости».

Детерминисты, наоборот, утверждают, что следствие однозначно определяется причиной, «написанной на небесах», однако – «пути Господни неисповедимы».

Христианское мировоззрение допускает «локальную» свободу сознательного выбора - «делай, что должен».

Атеистическая доктрина предполагает полную зависимость будущего от действий человека в прошлом и настоящем, главное – действовать в соответствии с «объективными законами», которые «открываются» человеку в процессе практической деятельности.

Многие восточные изотерические учения утверждают, что будущее формируется желаниями и волей человека, которые, в свою очередь, определяют принятие или не принятие тех или иных решений, на основе которых формируются те ситуации, в которых человек оказывается. Однако, в отличие от предыдущего, «практическое знание» не есть знание «управления деятельностью», а «знание управления личной волей».

Decision Making Введение Какова же роль «ученых» в структуре современного человечества, познающего мир и себя в этом мире В частности, тех, кто занимается проблемами «искусственного интеллекта» Для ответа на этот вопрос прежде всего необходимо уточнить понятия. Согласно определению Дж.Люгера [Люгер, 2003, с.781], искусственный интеллект (ИИ) в меньшей степени представляет собой теорию закономерностей, лежащих в основе разумного поведения («интеллекта»), и в большей – эмпирическую методологию создания и исследования моделей, на которые эта теория опирается. «Исследователи постепенно поняли, что интеллектуальные программы необходимо помещать прямо в предметную область, а не лелеять в лаборатории» [Люгер, 2003, с.802]. Задача ученых – создавать инструменты и «практическое знание», причем это «знание не объекта и не субъекта», а «способа действия» [Люгер, 2003, с.806].

Сужая понятия «объект», «субъект» и «способ действия» до их узкого, естественнонаучного понимания, можно утверждать, что развитие науки «нового времени» (от Декарта, Ньютона, Лейбница) как раз и шло от изолированного изучения объекта (в первую очередь, на основе моделей механики) и субъекта (психология, социология) и в какой-то мере их взаимозависимости (математическая биология, математическая экономика) до их взаимодействия (способа действия субъекта при изучении объекта, в частности, самого себя). По мнению автора, человечеству (во всяком случае, его «интеллектуальным» представителям) необходимо сделать еще один шаг, который заключается в переходе к созданию единой системы «субъект-способ действия-объект».

Особенности моделей «живой природы» При моделировании процесса «неживой природы» принципы, как детерминизма, так и стохастической неопределенности, себя вполне оправдали. Так, можно «с высокой степенью точности» (с «большой вероятностью») на основе законов механики и учета случайных возмущений определять координаты ракеты через «часы – дни – годы». Степень же адекватности моделей социально-экономических процессов, в которых субъект является «активной компонентой», несравнимо более низкая. Они имеют очень высокую степень неопределенности результата, более того, этот результат, зачастую, является бессмысленным (т.е. в принципе непроверяемым). Причем это относится, как к нормативным моделям (которые отвечают на вопрос «что нужно делать, чтобы достичь желаемого»), так и позитивным («что будет»). В [Волошин, 2005] приводится анализ проблем принятия решений и обсуждаются пути их преодоления. В частности, при построении математических и информационных моделей социальноэкономических процессов выделяются две основные проблемы – «субъективизация объективности» (непосредственный учет влияния субъекта на процесс принятия решения) и «объективизация субъективности» (компенсации влияния индивидуальных характеристик познающего субъекта – учет его «объективных» особенностей познания действительности).

В данной работе акцент делается именно на «способе действия» при познании объекта субъектом.

Вместе с тем, автор попытается проиллюстрировать все подходы «борьбы с неопределенностью», упоминаемые во «Введении во введение».

Система поддержки принятия решений как экспертная система В работах [Волошин, Пихотник, 1999], [Voloshin, Panchenko, 2001], [Волошин, Панченко, 2002], [Voloshin, Panchenko, 2003], [Волошин, 2005], [Волошин, Головня, 2005], большинство которых представлялось на конференциях KDS, развивается концепция «качественного прогнозирования на основе многопараметрических зависимостей, представляемых деревом решений» [Волошин, Панченко, 2002].

Идейная основа этой концепции – «множественный субъективный детерминизм». Считается, что следствие определяется множеством взаимозависимых причин, степень влияния которых на следствие определяется «субъективно» (экспертным измерением). Чем больше параметров, которые «формируют» причину, тем лучше (для адекватности модели), однако это приводит к сложностям в анализе модели (возникает «проклятие размерности», с которым необходимо бороться [Волошин, Панченко, 2002], в частности, и методами искусственного интеллекта).

В работах [Voloshin, Panchenko, 2003] и [Волошин, Головня, 2005] описывается инструментальная система («задача ученых – разрабатывать инструменты», см. выше) создания прикладных систем поддержки XII-th International Conference "Knowledge - Dialogue - Solution" принятия решений (СППР) в различных областях. Построение прикладной СППР сводится к выделению экспертами проблем и подпроблем (вершин дерева) и связей между ними (дуг дерева). Экспертами далее определяются веса (вероятности) переходов между вершинами. Допускаются нечеткие оценки экспертов с помощью логических переменных, описываемых значениями функции принадлежности (векторами действительных чисел от 0 до 1). Каждый эксперт задает три оценки – оптимистическую, реалистическую и пессимистическую, скаляризация которых осуществляется с учетом психологического типа эксперта.

Тип определяется на основании психологических тестов, заложенных в систему. На основе психологических тестов определяются также коэффициенты «правдивости», «независимости», «осторожности» и т.д.

Дерево строится на основе коллективных оценок экспертов с применением метода попарных сравнений.

Для построения результирующего дерева применяются алгебраические методы обработки экспертной информации, в качестве расстояния между ранжировками применяется метрика Хемминга и мера несовпадений рангов объектов. Результирующее дерево определяется как медиана Кемени-Снелла:

n Arg min d(A, Ai ) или как компромисс: Arg min max d(A, Ai ), A A i i=где Ai - матрица, задаваемая i-м экспертом, в которой элемент а =1 тогда и только тогда, когда i-я ij вершина предпочтительнее для эксперта j-ой, а = -1, для равноценных объектов а =0, а =0.

ji ij ii В случае задания преимущества в нечеткой форме элементы матрицы задаются через функции принадлежности.

Для определения оптимальных путей в дереве предлагаются алгоритмы последовательного анализа вариантов [Волошин, Панченко, 2002], позволяющие обрабатывать деревья с сотнями вершин.

Pages:     | 1 |   ...   | 32 | 33 || 35 | 36 |   ...   | 82 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.