Predicting whether Users View Dynamic Content on the World Wide Web

CAROLINE JAY, ANDY BROWN, and SIMON HARPER, University of Manchester

Abstrak

Dynamic micro-content—interactive or updating widgets and features—is now widely used on the Web, but there is little understanding of how people allocate attention to it. In this article we present the results of an eye-tracking investigation examining how the nature of dynamic micro-content influences whether or not the user views it. We propose and validate the Dynamic Update Viewing-likelihood (DUV) model, a CHi-squared Automatic Interaction Detector (CHAID) model that predicts with around 80% accuracy whether users view dynamic updates as a function of how they are initiated, their size, and their duration. The model is constructed with data from live Web sites and does not rely on knowledge of the user’s task to make its predictions, giving it a high level of external validity. We discuss one example of its application: informing how dynamic content should be presented in audio via assistive technology for people with visual impairments. Categories and Subject Descriptors: H.1.2 [Models and Principles]: User/Machine Systems—Human factors, human information processing; H.5.4 [Information Interfaces and Presentation]: Hypertext/ Hypermedia—User issues, navigation; K.4.2 [Computers and Society]: Social Issues—Assistive technologies for persons with disabilities General Terms: Human Factors, Experimentation Additional Key Words and Phrases: Web 2.0, AJAX, visual disability, eye tracking, visual attention ACM Reference Format: Jay, C., Brown, A., and Harper, S. 2013. Predicting whether users view dynamic content on the world wide web. ACM Trans. Comput.-Hum. Interact. 20, 2, Article 9 (May 2013), 33 pages.

DOI: http://dx.doi.org/10.1145/2463579.2463580

Pengkaji

Eri Addharu A14120076

Ulasan Kajian

Memprediksi apakah Pengguna Lihat Konten Dinamis di World Wide Web

                Dalam artikel ini disajikan hasil investigasi mata-pelacakan bagaimana sifat pengaruh mikro-konten dinamis apakah pengguna pandangan itu. Kami mengusulkan dan memvalidasi perbaruan secara dinamis dengan  Melihat-kemungkinan (DUV) model, CHi-squared Interaksi Otomatis Detector (CHAID) model mampu memprediksi sekitar 80% akurat. apakah pengguna melihat update dinamis sebagai fungsi dari bagaimana mereka memulai, ukuran, dan durasi . Model ini dibangun dengan data dari situs web langsung dan tidak bergantung pada pengetahuan tentang tugas pengguna untuk membuat prediksi, memberikan tingkat tinggi validitas eksternal.artikel ini membahas salah satu contoh penerapannya yaitu menginformasikan bagaimana konten dinamis harus disajikan dalam audio melalui teknologi bantu untuk orang tunanetra

                Latar belakang dalam perubahan teknologi “web 2.0” adalah AJAX , yang memungkinkan bagian dari halaman Web untuk mengubah dalam isolasi tanpa perlu me-refresh seluruh halaman. mikro-konten dinamis sekarang digunakan sangat luas: dari 500 situs web paling populer di seluruh dunia, lebih dari 90% memanfaatkan teknologi Web yang dapat menghasilkan update. Artikel ini menyajikan konten Dinamis yang dapat memperbarui dengan Melihat-kemungkinan (DUV) apakah pengguna melihat pembaruan dinamis dengan tingkat akurasi yang tinggi. kedua penampilan objek baru dan gerakan yang sudah ada pandai menangkap perhatian, tapi sejauh mana pengamat mengalokasikan perhatian mereka ke sumber data dinamis tergantung pada banyak faktor, termasuk warna dan gerakan arah serta adanya peristiwa dinamis yang bersaing dalam tampilan.

                Percobaan 1 dilakukan dalam lingkungan yang sangat dikontrol . Percobaan ini memiliki tujuan untuk memastikan apakah mungkin untuk memprediksi likeli- hood yang update yang akan dilihat dalam interaksi Web dunia nyata. Sasaran daripenelitian ini adalah untuk mengembangkan model prediksi dengan melihat tingkat perilaku validitas eksternal yang tinggi, jadi daripada sistematis mengendalikan pembaruan yang muncul, pengguna mengatur serangkaian tugas di Web langsung dengan situs yang luas dan dirancang untuk mendorong mereka dalam berinteraksi dengan microcontent dinamis.

                Hipotesis dari percobaan 1 ada lima yaitu, H1: Pengguna akan melihat updatenya telah dimulai, H2 : Pengguna tidak akan melihat update otomatis, H3 : Pengguna sama cenderung terpaku konten yang telah ditambahkan ke halaman dan konten yang menggantikan informasi yang ada pada halaman, H4 : Semakin besar sebuah wilayah update, semakin besar kemungkinan itu dapat dilihat, H5 : Semakin lama update berlangsung, semakin besar kemungkinan itu adalah untuk dilihat.

                Metode yang digunakan dalam percobaan 1 berupa rangsangan,Tasks,partisipasi dan prosedur. Model dari percobaan 1 mampu memberikan hasil yang baik , namun masih diperlukannya data data tambahan untuk memvalidkan model ini.Untuk memastikan model ini memiliki validitas eksternal participant perlu diberkan tugas tugas tertentu. Namun model ini tidak dapat di asumiskan akan berlaku untuk jenis lain. Sehingga perlu mengumpulkan data lebih lanjut dari orang yang berbeda agar hasilnya lebih representative.

                Percobaan kedua dilakukan 2 tahun setelah percobaan 1. Percobaan 2 secara khusus dilakukan untuk mengumpulkan data yang dapat digunakan untuk memvalidasi model. Metode Percobaan 2 dirancang untuk menentukan validitas eksternal model. Data dikumpulkan dan kemudian dianalisis. Metode yang digunakan berupa partisipasi dan prosedur. Percobaan kedua mendapatkan dua partisipan yang tidak valid dikarenakan mereka menggunakan kacamata sehingga hasil yang dijelaskan dari 10 peserta ( 4perempuan dan 6 laki laki).

                Model ini memberikan hasil yang sangat baik untuk data validasi, keakuratan memprediksi mencapai 83%. Karena lebih cenderung untuk benar memprediksi kapan update tidak terlihat daripada saat terlihat, dan data validasi yang didapat memiliki proporsi yang lebih besar dari update otomatis. Peserta dari kelompok demografis yang sama dalam kedua studi dan data dari peserta lain dapat menghasilkan hasil yg berbeda.

                . Hasil dari dua percobaan yang telah dilakukan menghasilkan,H2 didukung oleh data, karena hanya 20% dari pembaruan otomatis yang terfiksasi. H1 hanya sebagian didukung ,namun. orang melihat 77% dari update diprakarsai oleh klik, mereka hanya melihat 41% dari mereka diaktifkan oleh mouse hover atau keystroke. H3 didukung oleh data, apakah update diganti atau ditambahkan dengan konten pada halaman tidak memprediksi apakah itu diperbaiki. H4 dan H5 hanya didukung sebagian, namun, seperti durasi bukan prediktor signifikan dari apakah update klik-diaktifkan, dan ukuran tidak mempengaruhi kemungkinan bahwa automatic-, hover-, enterkey-, atau update keystroke-diaktifkan yang diperbaiki. Alasan bahwa durasi update aktivasi klik tidak mempengaruhi kemungkinan mereka melihat karena mereka umumnya relevan dengan kegiatan saat dalam pekerjaan pengguna flow oleh karena itu dapat dihadiri dengan cepat.

                Model The DUV memiliki aplikasi potensial di sejumlah domain. Memiliki nilai dari perspektif desain. Model ini juga menggambarkan bagaimana seseorang bisa berharap pengguna untuk berperilaku di halaman "rata-rata" Web yang berisi konten dinamis. Ini akan berguna dalam konteks kegunaan sebagai tanda bangku untuk menentukan apakah orang sedang melihat update lebih atau kurang sering dari yang diharapkan. Model DUV menyediakan sarana memprediksi seberapa besar kemungkinan update untuk dilihat, dan mencerahkan bagaimana pengguna berinteraksi dengan berbagai kategori mikro-konten dinamis. Ada sejumlah model yang ada yang menjelaskan dan memprediksi bagaimana pengguna berinteraksi dengan Web, dengan fokus pada bagaimana mereka membuat pilihan tentang navigasi.

                Kesimpulan dari DUV model, The DUV merupakan keberhasilan pertama dalam upaya untuk kemungkinan model bahwa pengguna akan melihat konten mikro dinamis di Web. Hal ini dapat memprediksi, sekitar 80% secara akurat, apakah seseorang akan melihat update dinamis sebagai fungsi dari tindakan yang digunakan untuk memicu durasi, dan ukurannya. Salah satu kontribusi fi paling signifikan dari penyelidikan ini adalah bahwa hal itu menunjukkan bahwa data yang menggambarkan bagaimana pengguna berinteraksi dengan halaman web dapat berfungsi sebagai proxy untuk tugas, sehingga perilaku dapat diprediksi tanpa pengetahuan tentang rincian semantik pengguna.