Mining eyetracking data to characterise users and their patterns of use

Abstract

Göz izleme çalışmalarında toplanan veriler, kullanıcıların web üzerindeki davranışları ve karakterleri hakkında bol miktarda bilgi içermesine rağmen bu verileri işleyerek kullanıcı profillerini tahmin etmeye çalışan çok fazla çalışma bulunmamaktadır. Bu çalışmanın ana amacı, göz izleme verilerini makine öğrenmesi yöntemleriyle işleyerek kullanıcı özelliklerini karakterize eden veri modelleri çıkarmak ve özellikle kullanıcıların web sayfasına aşinalığını ve cinsiyetlerini tahmin etmeye çalışmaktır. Kullanıcı özelliklerini tahmin etmek, adaptif web sayfaları tasarlayarak kullanım kolaylığı sağlamaya yarayabilir. Göz izleme çalışması sırasında, kullanıcıların eğitim geçmişleri, cinsiyetleri, yaşları ve çalışma sırasında kullanılan web sayfalarına aşinalık düzeyleri (kullanıcı beyanına göre) sorulmuştur. Bu çalışma sırasında, öncelikle var olan veri seti kullanılarak veri modelleri çıkartıldı ve tekrardan göz izleme çalışması yapılarak, veri modelleri doğrulandı. Çalışmanın, göz izleme verilerini makine öğrenme yöntemleriyle işleyerek, kullanıcıların web sayfalarına aşinalığını ve cinsiyetlerini karakterize etmesi ve eğitilecek veri setini hazırlayan bir araç geliştirmiş olması literatüre sağladığı katkılardır.

Eye tracking studies typically collect an enormous amount of data that encodes a lot of information about the users' behavior and characteristics on the web. However, there are not many studies that mine such data to learn and discover user characteristics and profiles. The main goal of this study is to mine eye tracking data by machine learning methods to create data models which characterise users and predict their characteristics, in particular, familiarity and gender. Detecting users' characteristics can be used in creating adaptive user interfaces to improve user experience and interaction efficiency. In a typical eye tracking study, collected demographics data have participants' educational backgrounds, gender, age, and familiarity degree to a web page (subjectively). In this thesis, a model focusing on the users' familiarity degree and gender is first created based on an existing eye-tracking dataset, and then a new eye-tracking study is conducted to validate this model. The main contribution of this thesis is a machine learning approach that can be used to characterise users, in particular, familiarity and gender, based on eye-tracking data and also a tool that can be used to extract features and metrics from an eye-tracking dataset.