Change search
ReferencesLink to record
Permanent link

Direct link
Investigating user behavior by analysis of gaze data: Evaluation of machine learning methods for user behavior analysis in web applications
KTH, School of Computer Science and Communication (CSC).
2016 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Undersöka användarbeteende via analys av blickdata (Swedish)
Abstract [en]

User behavior analysis in web applications is currently mainly performed by analysis of statistical measurements based on user interactions or by creation of personas to better understand users. Both of these methods give great insights in how the users utilize a web site, but do not give any additional information about what they are actually doing.

This thesis attempts to use eye tracking data for analysis of user activities in web applications. Eye tracking data has been recorded, labeled and analyzed for 25 test participants. No data source except eye tracking data has been used and two different approaches are attempted where the first relies on a gaze map representation of the data and the second relies on sequences of features.

The results indicate that it is possible to distinguish user activities in web applications, but only at a high error-rate. Improvement are possible by implementing a less subjective labeling process and by including features from other data sources.

Abstract [sv]

I nuläget utförs analys av användarbeteende i webbapplikationer primärt med hjälp av statistiska mått över användares beteenden på hemsidor tillsammans med personas förökad förståelse av olika typer av användare. Dessa metoder ger stor insikt i hur användare använder hemsidor men ger ingen information om vilka typer av aktiviteter användare har utfört på hemsidan.

Denna rapport försöker skapa metoder för analys av användaraktiviter på hemsidor endast baserat på blickdata fångade med eye trackers. Blick data från 25 personer har samlats in under tiden de utför olika uppgifter på olika hemsidor. Två olika tekniker har utvärderats där den ena analyserar blick kartor som fångat ögonens rörelser under 10 sekunder och den andra tekniken använder sig av sekvenser av händelser för att klassificera aktiviteter.

Resultaten indikerar att det går att urskilja olika typer av vanligt förekommande användaraktiviteter genom analys av blick data. Resultatet visar också att det är stor osäkerhet i prediktionerna och ytterligare arbete är nödvändigt för att finna användbara modeller.

Place, publisher, year, edition, pages
2016.
Keyword [en]
Eye tracking, User behavior, Web applications, Machine learning, Hidden Markov model, Restricted Boltzmann machine
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-190906OAI: oai:DiVA.org:kth-190906DiVA: diva2:953677
External cooperation
Tobii AB
Subject / course
Computer Science
Educational program
Master of Science - Computer Science
Supervisors
Examiners
Available from: 2016-08-25 Created: 2016-08-18 Last updated: 2016-08-25Bibliographically approved

Open Access in DiVA

fulltext(1627 kB)7 downloads
File information
File name FULLTEXT01.pdfFile size 1627 kBChecksum SHA-512
e2ff84f7ee3fd9542d941c4881488546f7317787d3910924e1a22bfcedd6047b4a6489063a43ef895459b78924c45fb2b8321ceaa2d9907b180a671d4ebab9e7
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 7 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

Total: 11 hits
ReferencesLink to record
Permanent link

Direct link