ЧЕЛОВЕЧЕСКИЙ ФАКТОР

Способы представления знаний

Для качественного проектирования адаптивных интерфейсов и применения методов эффективной организации диалога, рас­смотренных в предыдущем разделе, требуются способы точ­ного представления всей имеющейся информации о пользова­телях, решаемых ими задачах и вычислительных системах. Не-

Таблица 2.6. Способы представления информации для адаптивных интерфейсов человек — ЭВМ

Представление информации по типу модели «классная доска» [45] Разработка систем логического вывода, основанных иа продукционных пра­вилах [24, 87, 130]

Использование семантических сетей [62] •Составление сценариев [31, 125] Планирование действий [32, 152] Дифференциальные способы представления [19] Проведение дискримннантного анализа [115] Построение функциональных разрезов [41, 42, 56, 84]

Обходимость этого еще более возрастает, когда речь идет о проектировании систем для опытных пользователей, так как последние должны быть обеспечены удобным информацион­ным интерфейсом. Решение данной задачи в настоящее время значительно упрощено благодаря наличию множества различ­ных способов представления знаний, многие из которых уже реализованы в конкретных системах. В табл. 2.6 приводится неполный перечень способов представления информации, кото­рые наилучшим образом подходят для построения адаптивных диалогов, обучающих систем и автоматизированных консуль­тативных систем. За основу этих моделей, как правило, прини­маются образцы, разработанные для решения проблем искус­ственного интеллекта [9], а также системы, используемые в различных технических дисциплинах [120]. (Более подробное описание методов построения систем искусственного интеллек­та изложено в гл. 2 тома 3.)

Подмножество методов, представленных в табл. 2.6, объ­единяют некоторые общие черты. Анализируя способы пред­ставления информации, можно выделить пять направлений, по которым определяются модели для адаптивных интерфейсов. Все они условно отображены в табл. 2.7 как множество, со­стоящее из пяти пар методик. Такой способ их представления рассматривается соответственно с их фактическими моделями, указанными в табл. 2.6, и коммуникационными методами адап­тивных систем, перечисленными в табл. 2.5. Авторы надеются, что представленный на рассмотрение читателя анализ ряда ос­новных положений, связанных с данной проблемой, позволит проектировщику лучше реализовать системный подход к вы­бору способа представления информации.

Символические и количественные модели представления ин­формации

Прежде всего необходимо отметить, что в некоторых случаях бывает практически невозможно отличить символическую мо-

Таблица 2.7. Пространство моделей способов представления информации

Символические модели Функциональные разрезы «Профессиональные» модели Статические модели Одноуровневые модели

Количественные модели Когнитивные модели «Непрофессиональные» модели Динамические модели Многоаспектные модели

Дель от количественной. Очевидно, что любая количественная модель одновременно является и символической. Поэтому про­ведем следующее разграничение этих понятий: будем считать модель количественной, если она основана главным образом на числовых данных (например, частотах, статистическом ма­териале и разного рода математических построениях). В про­тивоположность этому термин «символическая модель» будем употреблять по отношению к системам, обрабатывающим ин­формацию, представленную символами более высокого порядка (например, текстовыми, пространственными и речевыми конст­рукциями). Если пользоваться этими определениями, то мож­но считать, что символические модели в табл. 2.6 представле­ны системами логического вывода, основанными на продукци­онных правилах, семантическими сетями, сценариями и плана­ми, а количественные — дискриминантным анализом и обра­боткой протоколов выполнения. Что же касается моделей ти­па «классной доски» и дифференциальных моделей представ­ления информации, то они могут быть как символическими, так и количественными или же совмещать в себе свойства обо­их классов.

В качестве примера, позволяющего наглядно представить себе проведенное выше разграничение двух типов моделей, рассмотрим символическую модель семантических сетей [62]. Данная модель создавалась с целью оснащения системы тек­стового редактирования NLS-SCHOLAR программами предо­ставления пользователям консультативной помощи и демонст­рации конкретных примеров. Используемая системой инфор­мация включает в себя определения понятий, описания команд и указания относительно последовательности их вы­полнения. В отличие от семантических сетей информационная система на основе модели «функционального разреза» [41, 42] содержит только данные о частоте употребления команд, что позволяет выдавать пользователю советы по выбору оптималь­ного способа поиска. Очевидно, что каждая из двух предло­женных моделей имеет как сильные, так и слабые стороны. Результаты работы с системами NLS-SCHOLAR и CADHELP [31] показывают, что преимуществом символических моделей является возможность предоставления с их помощью разного рода пояснений. В то же время сила количественных моделей состоит в их предсказательной способности. Например, проек­тирование диалога с неявной формой взаимодействия [115] основывалось на предсказаниях машиной действий оператора при решении контрольной задачи.

Таким образом, выбор между символическими и количест­венными моделями определяется «степенью профессионализма» модели. В экспертных системах, реализующих достаточно по­нятный принцип «прозрачного ящика», часто используются сим­волические модели; наоборот, экспертная система, с менее явным алгоритмом типа «черного ящика», часто работает с ко­личественными моделями. Системы первого типа в основном базируются на методике решения задач, сходной с применяемой человеком, а в системах с более эффективным методом «черно­го ящика» этого ограничения нет [19]. Таким образом, при ис­пользовании количественной модели типа «черного ящика» мо­жет потребоваться тщательная разработка специальных стра­тегий ведения диалога, подобных графическим методикам, используемым в системе STEAMER [71], для разъяснения пред­ставляемой информации неопытным пользователям. Короче говоря, для построения высококачественных адаптивных интер­фейсов необходимо взвешивать преимущества как символиче­ских, так и количественных моделей, заключающиеся для пер­вых в возможности предоставления с их помощью разного рода пояснений, а для вторых — наделения системы предсказатель­ной способностью.

Модели функционального разреза и когнитивные модели

Вторая сторона моделирования систем представления инфор­мации, отмеченная в табл. 2.7, свидетельствует о большом зна­чении, которое при проектировании адаптивных интерфейсов придается выбору источников знаний. Для целей проектирова­ния возможно использование двух таких источников: во-первых, разного рода протоколов фактического выполнения пользова­телями заданий и, во-вторых, результатов подробных опросов - и анкетирования пользователей.

Метод анализа выполняемых операций был использован ав­торами работ [84, 40—42] совместно с разработанной ими же моделью типа функционального разреза. Результаты исследо­вания показывают, что применения этой модели более чем до­статочно для представления информации неопытному пользо­вателю. Более того, конструируются такие модели достаточно быстро и эффективно, и для построения требуются лишь дан­ные, получаемые путем регистрации действий пользователя и их статистической обработки. Поэтому разработка моделей подоб­ной стратегии представления информации может проводиться во время сеансов работы пользователя с ЭВМ; при этом не требуется обязательное участие высококвалифицированных специалистов по системам.

Тем не менее модели, основанные на анализе выполняемых операций, не всегда в состоянии достаточно полно представить и описать все разнообразие сложных задач и многочисленных аспектов поведения человека. Так, в работах [56, 41] отмечено, что неопытные пользователи, как правило, испытывают затруд­нения, применяя рекомендации, полученные от систем, в основе которых лежит подобная модель представления, и вероятная причина тому — количественный характер получаемой пользо­вателем информации. Поэтому при разработке адаптивных ин­терфейсов, ориентированных, на неопытных пользователей, в некоторых случаях может оказаться необходимым предостав­ление пользователю подробных пояснений относительно полу­ченной логическим путем новой информации, поскольку такие объяснения не могут быть выявлены в рамках модели типа функционального разреза. В подобных ситуациях часто целесо­образно привлекать к разработке адаптивных систем высоко­квалифицированных специалистов в той области знаний, для которой предназначается система. Этим обеспечиваются более глубокое понимание разработчиками когнитивных процессов, сопровождающих решение задач, и требуемая детализация со­ответствующих процедур.

Рассмотрение нескольких вариантов моделей представления информации, указанных в табл. 2.6, позволяет лучше понять когнитивный подход к моделированию. При создании системы автоматического проектирования, описанной Каллингфордом и др. [31], был использован метод сценариев (описания дейст­вий пользователя) с несколькими уровнями наглядного объяс­нения. Полученные результаты позволяют продемонстрировать, насколько детально должна быть представлена информация, предназначенная для использования в адаптивных интерфейсах. Составление сценариев можно даже назвать идеальным спосо­бом представления информации, так как они дают наиболее полное описание последовательности процедур, выполнение ко­торых необходимо для решения поставленных задач [125]. Дру­гими примерами использования когнитивного подхода являются экспертная система MYCIN, основанная на продукционных правилах [130], и интеллектуальные интерфейсы обучающих систем [24]. Экспертные системы позволяют имитировать про­цессы и процедуры логического вывода на определенном уровне абстрагирования, что облегчает работу с системой мало знако­мых с вычислительной техникой специалистов. Подобным обра­зом и разработка интеллектуальных автоматизированных обу­чающих систем должна обеспечивать полное понимание поль­зователем используемых экспертных процедур, что является обязательным условием эффективности обучения.

Однако при создании когнитивных моделей разработчики сталкиваются с определенными проблемами. Во-первых, пост­роение таких моделей, как правило, основывается на анализе протоколов устных опросов пользователей [44]. Проведение анализа таких данных представляет собой достаточно сложную и емкую по времени операцию; кроме того, может оказаться, что его результаты непригодны к использованию. Во-вторых, адаптивные интерфейсы на основе когнитивных моделей пред­ставления информации не могут рассматриваться как достаточ­но надежные, так как не могут работать лучше, чем участво­вавшие в их создании эксперты.

«гПрофессиональные» и «непрофессиональные» модели

При разработке адаптивных интерфейсов часто используются протоколы выполнения и решения различных задач квалифици­рованными пользователями. Исследования Клэнси [24] по ав­томатизированному обучению с применением систем продукци­онных правил, работы Дарлингтона и др. [32], связанные с моделями планирования активной помощи пользователю, и да­же принцип функционального разреза (84, 41, 42] основаны на предположении, что поведение неопытных пользователей может быть спрогнозировано с помощью моделей, в основе которых лежат механизмы поведения высококвалифицированных поль­зователей. По существу это дифференциальные модели [19], в которых возможности неопытных пользователей оцениваются в сравнении с результатами моделирования поведения квалифи­цированных пользователей.

Между тем дифференциальные модели, позволяя без особо­го труда описывать наличие или отсутствие требуемой квали­фикации, могут не принимать во внимание ошибочные или не­корректные действия пользователя-новичка, являющиеся след­ствием недостаточного знакомства с системой, что весьма характерно для человеко-машинных систем. Модели неквали­фицированных действий пользователей присутствуют в системе CADHELP [31] для объяснения допускаемых ошибок; эти мо­дели предложены как расширение планирующих моделей пред­ставления информации в системе UNIX Consultant [152].

Принцип использования «непрофессиональных» моделей мо­жет быть полезным при разработке адаптивных интерфейсов, ориентированных на неопытных пользователей, так как позво­ляют быстро и конкретно выявлять трудности, возникающие при работе с интерфейсом, а не объяснять их просто отсутствием должной квалификации. С применением этих методов может быть создан, например, каталог альтернативных или «неквали­фицированных» способов ведения диалога. Если машина обна­ружит, что пользователь выбрал «неквалифицированный» путь решения проблемы, то по такому каталогу она сможет отыскать избранный человеком метод, проанализировать его и затем при необходимости прервать работу пользователя для выдачи ему инструкции или справочной информации. Однако представление всего перечня альтернативных или «неквалифицированных» приемов ведения диалога обычно является сложной и трудоем­кой операцией, занимающей много времени.

Статические и динамические модели

Большинство моделей, представленных в табл. 2.6, являются ста­тическими. Модели, основанные на продукционных правилах, семантические сети, сценарии, дифференциальные модели и мо­дели типа функционального разреза в основном представляют информацию о поведении человека в статической форме. Инте­ресно, что способность интерфейса, основанного на статических представлениях, подстраиваться к пользователю может быть достигнута только при наличии большой и всеобъемлющей ба­зы знаний. Отсюда следует, что экспертные системы [130] мож­но считать адаптивными, так как они обеспечивают пользова­телю при его работе с интерфейсом доступ к большим объемам информации. И вообще во многих диалоговых системах средст­вом обеспечения их статической настройки может служить имеющийся в них значительный запас информации.

Тем не менее мнение о достаточности статических моделей нельзя считать обоснованным. Разработка динамических моде­лей для адаптивных интерфейсов вызвана желанием избавиться от присущих статическим системам ограничений и позволит учесть тот факт, что само поведение пользователя при работе на ЭВМ изменяется по мере освоения им системы. Вполне оче­видно, что в разных методах обучения могут браться за основу как количественные, так и символические модели представле­ния информации. Для построения динамических моделей реко­мендуется [41, 42] использование методов, основанных на ана­лизе функционального разреза, а также предлагается [32] применение разного рода механизмов планирования. К сожале­нию, разработка обучающих программ сталкивается со значи­тельными трудностями и требует широких исследований. В частности, для проектирования программ динамической на­стройки интерфейса на пользователя необходимы соответствую­щие модели представления информации, способные к быстрой подстройке к каждому конкретному человеку. В то же время медленно реагирующие на происходящие изменения или, на­оборот, неустойчивые динамические модели мало пригодны для применения.

Одноуровневые и многоаспектные модели

Все модели, представленные в табл. 2.6, позволяют рассматри­вать имеющуюся информацию о пользователе, решаемой им задаче и используемой для этого ЭВМ только в каком-либо одном аспекте. Исключение составляет лишь модель, условно называемая «классная доска» [45]. Модели типа «классной дос­ки» прежде не описывались в литературе по проектированию, однако потребность в их разработке появилась в связи с не­обходимостью оснащения систем с естественноязыковым интер­фейсом и автоматическим распознаванием речи большими ба­зами данных, в которых используется многоуровневое представ­ление необходимых знаний (например, на акустическом, фонемном, морфемном, просодическом, синтаксическом, семан­тическом и прагматическом уровнях).

Представление информации, основанное на принципе класс­ной доски в системе автоматического распознавания речи HEARSAY-II, позволяет обеспечить работу этой системы с не­сколькими «независимыми» источниками информации. Схема­тично функционирование HEARSAY-II сводится к следующему: іипотеза о воспринимаемом речевом сигнале заносится в базу данных, представленную в виде «классной доски», на которую записывается поступающая информация. После этого для из­влечения дополнительных сведений о сигнале «выписанные на доске» сведения могут обрабатываться другими источниками знаний. А это означает, что информационная структура типа «классной доски» позволяет системе анализировать речевой сигнал одновременно на нескольких уровнях.

При использовании этого метода для систем автоматическо­го распознавания речи разработчикам далеко не всегда удава­лось достичь всех поставленных при проектировании целей. Тем не менее такой подход к представлению информации ока­зывается наиболее подходящим для построения адаптивных интерфейсов человек — ЭВМ, которым требуются самые разно­образные сведения о пользователях. По существу применение этого метода может способствовать автоматическому формиро­ванию согласованной структурированной системной модели для пользователя, работающего с адаптивным интерфейсом, т. е. заключение, сделанное на основе некоторого конкретного источ­ника информации, либо подтверждается на материале рассмот­рения других ее аспектов, либо соответственно видоизменяется. Требуется продолжать и дальше исследования в области много - аспектного представления информации как для систем автома­тического распознавания речи, так и для других адаптивных диалоговых систем.