[论文解读] A Contextual Framework for Adaptive User Interfaces: Modelling the Interaction Environment

Mateusz Dubiel, Bereket Abera Yilma+2 more|arXiv (Cornell University)|Mar 31, 2022

Innovative Teaching and Learning Methods被引用 4

一句话总结

本文提出了一种自适应用户界面（AUIs）的形式化情境框架，将交互环境建模为系统体系（Systems-of-Systems），并采用强化学习（RL）实现情境感知的用户界面自适应。通过将用户、设备和环境因素整合进可学习的强化学习架构，该框架支持动态、环境响应式的个性化，其在学习管理系统案例研究中得到验证，采用可扩展的深度Q-learning实现真实世界适用性。

ABSTRACT

The interaction context (or environment) is key to any HCI task and especially to adaptive user interfaces (AUIs), since it represents the conditions under which users interact with computers. Unfortunately, there are currently no formal representations to model said interaction context. In order to address this gap, we propose a contextual framework for AUIs and illustrate a practical applica- tion using learning management systems as a case study. We also discuss limitations of our framework and offer discussion points about the realisation of truly context-aware AUIs.

研究动机与目标

• 为解决当前自适应用户界面（AUIs）中仅关注用户信号而缺乏对交互环境的正式建模的问题。
• 将交互情境正式化为系统体系（SoS），整合用户、设备和环境实体，并具备系统性属性。
• 通过将用户界面自适应建模为强化学习（RL）问题，使环境影响动作选择，从而实现情境感知的自适应。
• 通过学习管理系统案例研究展示实际适用性，说明环境信号如何驱动用户界面自适应。
• 识别未来研究的关键挑战，如奖励函数设计、信号解释和训练可扩展性。

提出的方法

• 该框架将交互环境建模为系统体系（SoS），为用户、设备和环境实体定义组件、目标、关系和行为。
• 将用户界面自适应形式化为函数 p = f(u, d, e)，其中 u 代表用户，d 代表设备，e 代表环境，以捕捉环境对自适应的影响。
• 将问题建模为使用Q-learning架构的强化学习（RL）任务，其中状态 s 代表观测到的环境配置，动作 x 代表用户界面配置。
• 采用深度Q网络（DQN）来近似动作价值函数 Q(s, x; θ)，通过神经网络训练从经验中学习，实现可扩展性。
• 使用贝尔曼损失更新Q函数：L_i(θ_i) = E[(y_i - Q(s, x; θ_i))²]，其中 y_i 是基于未来奖励和最大Q值推导出的目标Q值。
• 该框架支持多智能体和多用户扩展，实现超越单用户场景的群体自适应。

实验结果

研究问题

• RQ1 如何将交互环境正式建模为系统体系（SoS），以支持情境感知的AUIs？
• RQ2 环境因素（超越用户信号）在AUI自适应过程中可通过何种方式整合？
• RQ3 如何应用强化学习来建模实时、环境驱动的动态用户界面自适应？
• RQ4 在复杂、多模态环境中，设计反映用户满意度的奖励函数的关键挑战是什么？
• RQ5 如何利用深度学习近似器缓解基于强化学习的AUIs中的可扩展性问题？

主要发现

• 所提出的框架为交互环境提供了正式的、基于系统理论的建模，使情境因素能够系统性地融入AUI设计。
• 案例研究表明，环境信号（如环境噪声或用户接近度）可用于在学习管理系统中触发自适应用户界面变化。
• 深度Q学习（DQN）实现了对Q函数的可扩展近似，克服了对所有状态-动作对计算 Q(s, x) 的不可行性。
• 该框架通过可学习的、探索性的自适应过程，支持机器学习、认知科学和心理学的跨学科整合。
• 尽管存在可扩展性和奖励函数设计的挑战，该框架仍能通过经验与探索学习复杂的用户-环境交互模式。
• 该架构可扩展至多用户和群体自适应场景，表明其在单用户情境之外具有更广泛的应用潜力。