Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης
Οι ειδοποιήσεις στα κινητά τηλέφωνα αποτελούν μέρος της καθημερινής αλληλεπίδρασης με τις συσκευές μας και τις υπηρεσίες που αναμένουμε να λάβουμε από αυτές. Οι εφαρμογές χρησιμοποιούν τις ειδοποιήσεις για να ενημερώσουν τον χρήστη σχετικά με νέα μηνύματα, επερχόμενα συμβάντα ή διαθέσιμες ενημερώσει...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/14474 |
| id |
nemertes-10889-14474 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Κινητές συσκευές Ειδοποιήσεις Αθόρυβη λειτουργία Διακοπές Αποκριτικότητα Μηχανική μάθηση Smartphones Notifications Ringer mode Android Interruption Responsiveness Machine learning |
| spellingShingle |
Κινητές συσκευές Ειδοποιήσεις Αθόρυβη λειτουργία Διακοπές Αποκριτικότητα Μηχανική μάθηση Smartphones Notifications Ringer mode Android Interruption Responsiveness Machine learning Φρένγκου, Έλτον Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| description |
Οι ειδοποιήσεις στα κινητά τηλέφωνα αποτελούν μέρος της καθημερινής αλληλεπίδρασης με τις συσκευές μας και τις υπηρεσίες που αναμένουμε να λάβουμε από αυτές. Οι εφαρμογές χρησιμοποιούν τις ειδοποιήσεις για να ενημερώσουν τον χρήστη σχετικά με νέα μηνύματα, επερχόμενα συμβάντα ή διαθέσιμες ενημερώσεις. Οι χρήστες λαμβάνουν πολλές ειδοποιήσεις στις κινητές συσκευές τους σε καθημερινή βάση, κάτι το οποίο δεν σημαίνει ότι απαραίτητα οι χρήστες έχουν και επίγνωση του περιεχομένου των πληροφοριών που λαμβάνουν, επειδή αυτές τις ειδοποιήσεις ενδέχεται να τις λαμβάνουν σε ακατάλληλες χρονικές στιγμές και καταστάσεις. Προηγούμενες έρευνες έδειξαν ότι οι άμεσες ειδοποιήσεις είναι πιο πιθανό να έχουν δυσμενείς επιπτώσεις και να αποτελέσουν αιτία πιθανής διακοπής, προκαλώντας άγχος και στρες, παρά να αποδειχθούν ευεργετικές για τους χρήστες. Για να αντιμετωπιστούν αυτές οι προκλήσεις είναι εξαιρετικά σημαντικό να κατανοήσουμε το μηχανισμό με τον οποίο οι άνθρωποι αντιλαμβάνονται τις ειδοποιήσεις και αποφασίζουν το πώς θα ενεργήσουν με βάση αυτές (π.χ. απόρριψη, αποδοχή, αναβολή).
Τα smartphones είναι πραγματικά σημαντικά σήμερα, καθώς έχουν εξελιχθεί σε κύριο εργαλείο επικοινωνίας και οι περισσότεροι άνθρωποι τα έχουν μαζί τους, σχεδόν, πάντα και παντού. Εντούτοις, σε ορισμένες περιπτώσεις ο ήχος ειδοποίησης των κινητών συσκευών μπορεί να είναι ενοχλητικός, όπως κατά τη διάρκεια μιας σημαντικής συνάντησης ή μέσα σε χώρους που απαιτείται ησυχία, όπως βιβλιοθήκες, νοσοκομεία, πανεπιστήμια, κινηματογράφους ή εκκλησίες (γενικότερα χώρους προσευχής). Αυτό συμβαίνει επειδή οι περισσότεροι χρήστες ξεχνούν να θέσουν τα smartphones τους σε σιωπηλή λειτουργία. Για να αντιμετωπιστεί αυτό, πρέπει να καταγράψουμε τις ακριβείς τοποθεσίες όπου οι χρήστες θέτουν το κινητό σε αθόρυβη λειτουργία.
Ο στόχος αυτής της διπλωματικής είναι διττός. Πρώτον, να συμβάλει στην πληρέστερη κατανόηση της διαδικασίας λήψης αποφάσεων του χρήστη σε σχέση με τις εισερχόμενες ειδοποιήσεις και, δεύτερον, να εντοπίσουμε τις ακριβείς τοποθεσίες όπου οι χρήστες θέτουν το κινητό τους σε αθόρυβη λειτουργία. Για το λόγο αυτό, αναπτύξαμε μια εφαρμογή καταγραφής των ειδοποιήσεων στο κινητό του χρήστη και του πλαισίου κάτω από το οποίο αλληλεπιδρά με αυτές (π.χ. τρόπος έκδοσης της ειδοποίησης, σημασία ειδοποίησης, τρέχουσα τοποθεσία, δραστηριότητα, παρουσία τρίτων), καθώς και των τοποθεσιών όπου βάζει το κινητό του σε αθόρυβη λειτουργία. Στη συνέχεια, μελετήσαμε τη δυνατότητα πρόγνωσης και υποστήριξης της συμπεριφοράς του χρήστη σχετικά με τις ειδοποιήσεις, χρησιμοποιώντας τεχνικές μηχανικής μάθησης. |
| author2 |
Frengkou, Elton |
| author_facet |
Frengkou, Elton Φρένγκου, Έλτον |
| author |
Φρένγκου, Έλτον |
| author_sort |
Φρένγκου, Έλτον |
| title |
Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| title_short |
Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| title_full |
Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| title_fullStr |
Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| title_full_unstemmed |
Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| title_sort |
υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης |
| publishDate |
2021 |
| url |
http://hdl.handle.net/10889/14474 |
| work_keys_str_mv |
AT phrennkouelton ypostērixēeuchrēstiaseidopoiēseōnsekinētessyskeuesmetechnikesmēchanikēsmathēsēs AT phrennkouelton usabilitysupportonsmartphonenotificationsusingmachinelearningtechniques |
| _version_ |
1771297251812966400 |
| spelling |
nemertes-10889-144742022-09-05T13:59:17Z Υποστήριξη ευχρηστίας ειδοποιήσεων σε κινητές συσκευές με τεχνικές μηχανικής μάθησης Usability support on smartphone notifications using machine learning techniques Φρένγκου, Έλτον Frengkou, Elton Κινητές συσκευές Ειδοποιήσεις Αθόρυβη λειτουργία Διακοπές Αποκριτικότητα Μηχανική μάθηση Smartphones Notifications Ringer mode Android Interruption Responsiveness Machine learning Οι ειδοποιήσεις στα κινητά τηλέφωνα αποτελούν μέρος της καθημερινής αλληλεπίδρασης με τις συσκευές μας και τις υπηρεσίες που αναμένουμε να λάβουμε από αυτές. Οι εφαρμογές χρησιμοποιούν τις ειδοποιήσεις για να ενημερώσουν τον χρήστη σχετικά με νέα μηνύματα, επερχόμενα συμβάντα ή διαθέσιμες ενημερώσεις. Οι χρήστες λαμβάνουν πολλές ειδοποιήσεις στις κινητές συσκευές τους σε καθημερινή βάση, κάτι το οποίο δεν σημαίνει ότι απαραίτητα οι χρήστες έχουν και επίγνωση του περιεχομένου των πληροφοριών που λαμβάνουν, επειδή αυτές τις ειδοποιήσεις ενδέχεται να τις λαμβάνουν σε ακατάλληλες χρονικές στιγμές και καταστάσεις. Προηγούμενες έρευνες έδειξαν ότι οι άμεσες ειδοποιήσεις είναι πιο πιθανό να έχουν δυσμενείς επιπτώσεις και να αποτελέσουν αιτία πιθανής διακοπής, προκαλώντας άγχος και στρες, παρά να αποδειχθούν ευεργετικές για τους χρήστες. Για να αντιμετωπιστούν αυτές οι προκλήσεις είναι εξαιρετικά σημαντικό να κατανοήσουμε το μηχανισμό με τον οποίο οι άνθρωποι αντιλαμβάνονται τις ειδοποιήσεις και αποφασίζουν το πώς θα ενεργήσουν με βάση αυτές (π.χ. απόρριψη, αποδοχή, αναβολή). Τα smartphones είναι πραγματικά σημαντικά σήμερα, καθώς έχουν εξελιχθεί σε κύριο εργαλείο επικοινωνίας και οι περισσότεροι άνθρωποι τα έχουν μαζί τους, σχεδόν, πάντα και παντού. Εντούτοις, σε ορισμένες περιπτώσεις ο ήχος ειδοποίησης των κινητών συσκευών μπορεί να είναι ενοχλητικός, όπως κατά τη διάρκεια μιας σημαντικής συνάντησης ή μέσα σε χώρους που απαιτείται ησυχία, όπως βιβλιοθήκες, νοσοκομεία, πανεπιστήμια, κινηματογράφους ή εκκλησίες (γενικότερα χώρους προσευχής). Αυτό συμβαίνει επειδή οι περισσότεροι χρήστες ξεχνούν να θέσουν τα smartphones τους σε σιωπηλή λειτουργία. Για να αντιμετωπιστεί αυτό, πρέπει να καταγράψουμε τις ακριβείς τοποθεσίες όπου οι χρήστες θέτουν το κινητό σε αθόρυβη λειτουργία. Ο στόχος αυτής της διπλωματικής είναι διττός. Πρώτον, να συμβάλει στην πληρέστερη κατανόηση της διαδικασίας λήψης αποφάσεων του χρήστη σε σχέση με τις εισερχόμενες ειδοποιήσεις και, δεύτερον, να εντοπίσουμε τις ακριβείς τοποθεσίες όπου οι χρήστες θέτουν το κινητό τους σε αθόρυβη λειτουργία. Για το λόγο αυτό, αναπτύξαμε μια εφαρμογή καταγραφής των ειδοποιήσεων στο κινητό του χρήστη και του πλαισίου κάτω από το οποίο αλληλεπιδρά με αυτές (π.χ. τρόπος έκδοσης της ειδοποίησης, σημασία ειδοποίησης, τρέχουσα τοποθεσία, δραστηριότητα, παρουσία τρίτων), καθώς και των τοποθεσιών όπου βάζει το κινητό του σε αθόρυβη λειτουργία. Στη συνέχεια, μελετήσαμε τη δυνατότητα πρόγνωσης και υποστήριξης της συμπεριφοράς του χρήστη σχετικά με τις ειδοποιήσεις, χρησιμοποιώντας τεχνικές μηχανικής μάθησης. Smartphone notifications are part-and-parcel of everyday interaction with our devices and the services we expect to receive from them. Apps can use notifications to inform the user about new text messages, upcoming events or available updates. Users receive a lot of notifications on their mobile devices in a daily basis, which does not always translate into users' awareness about the delivered information because these notifications might arrive at inappropriate times and situations. Previous work showed that real-time notification delivery is more likely to have adverse effects and become a cause of potential disruption, inducing stress and anxiety, rather than proving beneficial to users. In order to address these challenges it is of paramount importance to understand the mechanism by which people perceive the notifications and decides how to act on them (e.g., rejection, acceptance, postponement). Smartphones have become really important nowadays because they are the main tool for communications and most of people carry them wherever they go. However, sometimes the ringing sound of mobile devices can be annoying in certain circumstances such as during an important meeting or inside places that require silence such as libraries, hospitals, universities, cinemas or prayer areas, because most users forget switching their smartphones into silent mode. Therefore, we need to record the exact locations where users switched ringer mode to silent. The objective of this dissertation is dual. Firstly, contribute to a fuller understanding of the user's decision-making process with respect to incoming notifications. Secondly, to locate the locations where users put their mobile phone in silent mode. For that reason, we developed a simple logging application which works silently as UI-less background process recording notifications on the users’ mobile and the conditions under which they has interfered with the notification (e.g. notification modality, ringer mode, notification importance, current location, activity, third party presence), as well as the locations where they switched ringer mode to silent. We then studied the ability to predict and support user behavior to smartphone notifications using machine learning techniques. 2021-02-15T07:22:25Z 2021-02-15T07:22:25Z 2019-03 http://hdl.handle.net/10889/14474 gr application/pdf |
