Некоторые формализованные подходы к оценке удобства интерфейса пользователя веб-приложений

Предлагается подход, основанный на применении математических методов моделирования поведения проектируемого веб-приложения и поведения пользователя. Данный подход позволяет оценить удобство применения приложения. Рассматриваются модели интерфейсов пользователей (ИП), применяемые для оценки удобства навигации по сайту. Показывается возможность использования двух классов моделей ИП: структурно-логических (онтологических) и вероятностных. Модели первого класса используются для оценки степени понятности предлагаемой ИП навигации по поисковому веб-ресурсу в принятых терминах. Для этого используются математически-определенные меры сходства между элементами ИП и их связями и элементами гипотетической (но правдоподобной) модели представлений пользователя об области поиска в заданной предметной области.

В частности, в работе обосновывается возможность использования в качестве таких мер сходства лексикографических метрик расстояния Жаккара и Левенштейна. Вероятностные модели основаны на цепях Маркова. С помощью данных моделей при наличии надежных статистических данных, собранных при опытной эксплуатации веб-приложения или его прототипа, предлагается оценить среднее число шагов пользователя, необходимое для решения конкретной задачи поиска информации об объекте предметной области. В работе приводятся некоторые рекомендации по использованию мер подобия для улучшения удобства использования ИП веб-приложений. Кроме того, приводятся данные о технике оценки вероятностей переходов цепей Маркова и семантических связей. Для пояснения особенностей предлагаемых в статье моделей анализа ИП приводится сайт Приемной комиссии РТУ МИРЭА (https://priem.mirea.ru/) с довольно простой организацией, обеспечивающей поиск информации о поступлении и обучении в Университете. Применение описанного в статье подхода наряду с традиционными методами тестирования удобства использования ИП позволит повысить общий уровень юзабилити приложений и тем самым сократить затраты на выявление и исправление связанных с этим ошибок.

1. Басок Б.М., Рожанская А.Н., Френкель С.Л. О тестировании удобства использования веб-приложений. Российский технологический журнал. 2019;7(6):9−24. https://doi.org/10.32362/2500-316X-2019-7-6-9-24

2. Kirajima A., Kariya N., Takagi H. and Zhang Y.Evaluation of Website Usability Using Markov Chains and Latent Semantic Analysis. IEICE Trans., Com.2005;E88–B(4):1467−1475. https://doi.org/10.1093/ietcom/e88-b.4.1467

3. Shahzad S., Ontology-based User Interface Development: User Experience Elements Pattern. Journal of Universal Computer Science. 2011;17(7):1078−1088. https://doi.org/10.3217/jucs-017-07-1078

4. Antoniou G., Franconia E., van Harmelen F. Introduction to semantic web ontology languages. In: Reasoning Web. Lecture Notes in Computer Science, Eisinger N., Maluszynski J. (Eds.) Vol. 3564. Berlin: Heidelberg, Springer; 2005, p. 1−21. https://doi.org/10.1007/11526988_1

5. Islam M., Islam A. Ontology mapping and semantics of web interface signs. Cent. Comput. Inf. Sci.2016;6:20. https://doi.org/10.1186/s13673-016-0077-y

6. Gan M., Dou X., Jiang R. From ontology to semantic similarity: calculation of ontology-based semantic similarity. The Scientific World Journal. 2013;2013: Article ID 793091. http://dx.doi.org/10.1155/2013/793091

7. Leskovec J., Rajaraman A., Ullman J.D. Mining of massive datasets. California: Cambridge University Press; 2014. ISBN: 978-1-107-07723-2

8. Levenshtein V.I. Binary codes capable of correcting deletions, insertions, and reversals. Dokl. Akad. Nauk SSSR.1965;163(4):845–848.

9. Liu V., Lang B., Zepeng G. Calculating semantic similarity between academic articles using topic event and ontology. URL: https://arxiv.org/abs/1711.11508

10. Kapoor B., Sharma S. A comparative study ontology building tools for semantic web applications. International journal of Web & Semantic Technology. 2010;1(3). http://dx.doi.org/10.5121/ijwest.2010.1301

11. Strsim 0.0.3. A library implementing different string similarity and distance measures. URL: https://pypi.org/project/strsim/

12. Mitrofanova A. Absorbing states in Markov chains. Mean time to absorption. Wright-Fisher Model. Moran Model. URL: https://cs.nyu.edu/mishra/COURSES/09.HPGP/scribe2

13. Yang Liu, Xiangji Huang, Aijun An. Personalized recommendation with adaptive mixture of Markov models. J. of The American SOC. for Inf, Sc, and Tech. 2007;58(12):1851−1870. http://dx.doi.org/10.1002/asi.20631