[论文解读] Analysis of the Human-Computer Interaction on the Example of Image-based CAPTCHA by Association Rule Mining

Darko Brodić, Alessia Amelio|arXiv (Cornell University)|Dec 1, 2016

User Authentication and Security Systems参考文献 7被引用 4

一句话总结

本研究通过关联规则挖掘分析了用户在解答基于图像的CAPTCHA（含面部表情）时的反应时间，以揭示心理与人口统计因素对可用性的影响。研究发现，35岁以下用户反应更快，其中动画角色最易识别，而担忧表情最难以辨识；此外，受教育程度和互联网使用经验对年长用户反应时间具有调节作用。

ABSTRACT

The paper analyzes the interaction between humans and computers in terms of response time in solving the image-based CAPTCHA. In particular, the analysis focuses on the attitude of the different Internet users in easily solving four different types of image-based CAPTCHAs which include facial expressions like: animated character, old woman, surprised face, worried face. To pursue this goal, an experiment is realized involving 100 Internet users in solving the four types of CAPTCHAs, differentiated by age, Internet experience, and education level. The response times are collected for each user. Then, association rules are extracted from user data, for evaluating the dependence of the response time in solving the CAPTCHA from age, education level and experience in internet usage by statistical analysis. The results implicitly capture the users' psychological states showing in what states the users are more sensible. It reveals to be a novelty and a meaningful analysis in the state-of-the-art.

研究动机与目标

• 调查人口统计与行为因素（年龄、教育程度、互联网使用经验）如何影响解答基于图像的CAPTCHA的反应时间。
• 探讨面部表情（动画角色、老年女性、惊讶表情、担忧表情）对人类识别速度的心理影响。
• 应用关联规则挖掘检测用户属性与反应时间类别（低、中）之间的自然依赖关系，以优化CAPTCHA设计。
• 通过识别与更快或更慢CAPTCHA解答相关的用户状态，为认知心理学与人机交互（HCI）领域做出贡献。
• 基于实证数据与统计模式，支持开发更具可用性与用户自适应的CAPTCHA系统。

提出的方法

• 对100名互联网用户开展实验，收集其对四种具有不同面部表情的基于图像CAPTCHA的反应时间数据。
• 根据年龄（35岁以下、35岁以上）、教育程度（中学、高等教育）和互联网使用频率（低、中、高）对用户进行分类。
• 应用关联规则挖掘，识别用户属性与反应时间类别（低、中）之间的频繁模式与依赖关系。
• 计算支持度、置信度与提升度，以评估提取规则的强度与显著性。
• 使用统计分析评估人口统计变量与解答速度之间关联的可靠性。
• 优先筛选高提升度与高置信度的规则，以识别影响反应时间变化的最关键因素。

实验结果

研究问题

• RQ1 年龄如何影响解答含面部表情的基于图像CAPTCHA的反应时间？
• RQ2 教育程度与互联网使用经验对解答不同类型基于图像CAPTCHA的速度有何影响？
• RQ3 在基于图像的CAPTCHA中，哪种面部表情最容易识别，哪种最难辨识？
• RQ4 哪些关键的人口统计与行为模式与低或中等反应时间相关？
• RQ5 关联规则挖掘如何揭示用户特征与CAPTCHA解答表现之间隐藏的关系？

主要发现

• 35岁以下用户在所有CAPTCHA类型中均表现出一致的低反应时间，表明其对面部表情的识别速度更快。
• 动画角色CAPTCHA最易解答，其中76%的35岁以下用户达到低反应时间；其次是老年女性表情，35岁以上、中学教育水平用户中有67%达到低反应时间。
• 担忧表情CAPTCHA最难解答，仅55%的35岁以上、中学教育水平用户达到低反应时间，而具有高等教育与中等互联网使用频率的用户中有94%达到中等反应时间。
• 更高的互联网使用频率与更高的教育程度是反应时间更快的强预测因子，尤其在识别复杂面部表情（如担忧表情）时更为显著。
• 高提升度的关联规则（如“35岁以上、高等教育、中等互联网使用频率 → 中等反应时间”，提升度为2.14）揭示了用户特征与解答速度之间的显著依赖关系。
• 惊讶表情CAPTCHA未与低反应时间形成强关联，表明其对用户而言不够直观或更具歧义性。