4 / 14
В.П. Корвяков
64
ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение. 2016. № 5
Метод оценки направлений переходов между виджетами возможно реали-
зовать на основе машинного обучения, которое нередко применяют для оценки
качества интерфейсов. Примером такого исследования являются работы [6, 7], в
которых описан метод UseLearn. В этом методе на основании данных, получен-
ных от опросов конечных пользователей, проводится обучение системы оценки
и выявления проблем юзабилити веб-сайтов. Сравнив различные методы ма-
шинного обучения, авторы указанных работ приходят к выводу, что много-
слойный перцептрон лучше всего справляется с поставленной задачей. Близкий
подход к оценке юзабилити, с тем различием, что вместо обучения на данных
опросов конечных пользователей применяют обучение на структуре графа
навигации веб-сайта, автоматически сгенерированного специально разработан-
ной программой, использован в работе [8].
По сравнению с перечисленными работами машинной оценки пригодности
использования, оценка направления перехода между виджетами является более
простой задачей. В качестве входных данных для системы машинного обучения
достаточно базы пар (угол перехода, оценка эксперта). С помощью разработан-
ной программы QTrainer (рис. 2) была собрана база данных экспертных оценок
по различным направлениям переходов. На этих данных обучена искусственная
нейронная сеть (ИНС), которая далее выполняла оценку всех переходов между
виджетами. Базовой моделью ИНС выбран однослойный перцептрон.
Рис. 2.
Интерфейс программы для создания базы данных экспертных оценок
по направлениям переходов между элементами интерфейса
В качестве передаточной функции для всех нейронов была принята сигмои-
дальная функция
1 .
1
x
f x
e
На вход перцептрона подают значение угла
между горизонтальной осью и отрезком, соединяющим центры первого и