IPSJ SIG Technical Report Vol.2015-DPS-163 No.9 Vol.2015-MBL-75 No /5/ LINE 1. Crowd Sourcing [1], [2], [3] [4] LED Veljko Interru

Size: px

Start display at page:

Download "IPSJ SIG Technical Report Vol.2015-DPS-163 No.9 Vol.2015-MBL-75 No /5/ LINE 1. Crowd Sourcing [1], [2], [3] [4] LED Veljko Interru"

ゆずさひろなが
4 years ago
Views:

1 LINE 1. Crowd Sourcing [1], [2], [3] [4] LED Veljko InterruptMe [5] Okoshi Attelia [6] 1 Nara Institute of Science and Technology [7], [8] 1

2 1 9 LINE *2 LINE 3 Moves *3 259 *2 *3 SVM RandomForest J48 [9] 46.3 F Veljko Happy Sad Bored [5] Okoshi Attelia [6] Hammer [10] 2

情報処理学会研究報告レベル１ Yes or No で答えられる内容レベル２自身で考え答えられる内容レベル３確認することで答えられる内容実験実施者 2

５段階の応答時間５分以内１０分以内１時間以内２時間以内それ以上覆面調査 Moves による行動記録事後アンケートによる行動調査 - 何をしていたか

調査実験についてメッセージ内容の定義具体例レベル 1 被験者が Yes or No で明日学校に来ますか? 答えられるであろう内容外は晴れていますか?

答時間や受信者の忙しさに関するデータを収集し両者がどのような関係性を持つかについて考察するその後同表 1 レベル毎の送信メッセージの具体例難易度

レベル 3 じデータを用いて応答時間と受信者の忙しさを推定する被験者が確認することでさんは研究室に居ますか?

モデルを機械学習により構築する図 2 に本実験の全体構成を示すタスク遂行者に当たる実験対象者はすべて大学院生の 9 名であり年齢は 23 24 歳

実験対象者に対してタスクとなるメッセージを送りそのタスクに対する応答時間を記録する通知には代表的なインスタントメッセンジャーサービスであり 1

験条件は予め被験者には伝えず実験期間を終えた後に実験説明を行いそれまでに取得したログを本研究に使用する承諾を得るという方法を用いる 3.

通知されるタスクのレベルは被験者による個人差を考慮し各被験者に均等な量が割り当てられたまた順序効果を考慮し各被験者に対し同じレベルのタスクが連

２つの手法を用いてコンテキスト情報を取得しているひとつはスマートフォンアプリケーションである Moves もうひとつは事後のアンケート調査である前者は

といった情報をバックグラウンドで自動的に収集し可視化してくれる無料のアプリケーションであるこのアプリケーションで収集されたデータはクラウド上にアップされ

3 情報処理学会研究報告レベル１ Yes or No で答えられる内容レベル２自身で考え答えられる内容レベル３確認することで答えられる内容実験実施者 2 名タスク依頼主実験対象者９名タスク遂行者メッセージタスクの送信メッセージ結果の返信メッセージタスクの考案定期的な送信送受信時刻の記録５段階の応答時間５分以内１０分以内１時間以内２時間以内それ以上覆面調査 Moves による行動記録事後アンケートによる行動調査 - 何をしていたか - 5 段階の忙しさレベル図 2 本実験の全体構成 3. 調査実験についてメッセージ内容の定義具体例レベル 1 被験者が Yes or No で明日学校に来ますか? 答えられるであろう内容外は晴れていますか? 本研究ではスマートフォンにて取得できる受信者のコンテキストデータから応答時間と忙しさを求めることに着目するため受信者のコンテキストデータとその際の応答時間や受信者の忙しさに関するデータを収集し両者がどのような関係性を持つかについて考察するその後同表 1 レベル毎の送信メッセージの具体例難易度もうご飯は食べましたか? レベル 2 被験者が自身の考えで具合はいかがですか? 答えられるであろう内容今何をしていますか? 正月は何日に帰省しますか? レベル 3 じデータを用いて応答時間と受信者の忙しさを推定する被験者が確認することでさんは研究室に居ますか? 答えられるであろう内容日の予定は空いていますか修論の提出日はいつですか? モデルを機械学習により構築する図 2 に本実験の全体構成を示すタスク遂行者に当たる実験対象者はすべて大学院生の 9 名であり年齢は歳性別は男 7 名女 2 名であるタスク依頼者に相当する実験実施者は男女 1 名ずつ計 2 名の大学院生であり年齢は歳であり２週間に渡り実験対象者に対してタスクとなるメッセージを送りそのタスクに対する応答時間を記録する通知には代表的なインスタントメッセンジャーサービスであり 1 日あたりのユーザから得ることができるメッセージ量が顕著に多く取得できる時間帯が広いという特徴を持つ LINE を使用するまた実験条件は予め被験者には伝えず実験期間を終えた後に実験説明を行いそれまでに取得したログを本研究に使用する承諾を得るという方法を用いる 3.1 タスクの内容と依頼時刻通知されるタスクの内容は難易度を考慮し 3 つのレベルに分類し設定した具体的なメッセージ内容を表 1 に示すまた通知されるタスクのレベルは被験者による個人差を考慮し各被験者に均等な量が割り当てられたまた順序効果を考慮し各被験者に対し同じレベルのタスクが連続して送信されないようにした上で朝午前 9:00 午前 11:59 昼午後 12:00 午後 14:59 夕午前 15:00 午後 17:59 の各時間帯に被験者毎に 1 日 1 回ずつ行った 3.2 コンテキスト情報の取得本実験ではタスクを受信した際に受信者がどういう状態であったかというコンテキスト情報が必要である調査を覆面で行うため２つの手法を用いてコンテキスト情報を取得しているひとつはスマートフォンアプリケーションである Moves もうひとつは事後のアンケート調査である前者は iphone と Android の両プラットフォームに対して対応したライフログアプリでありユーザの位置情報移動手段移動時間歩数といった情報をバックグラウンドで自動的に収集し可視化してくれる無料のアプリケーションであるこのアプリケーションで収集されたデータはクラウド上にアップされ API Application Programming Interface を通じて実験実施者が確認することもできることからこのアプリケーションを用いて被験者が通知の受信時に移動中であったか否かどの場所に居たかどういった手段で移動していたかにという情報を収集した本アプリケーションの導入にあたっては別の実験を装い事前に対象者候補に Moves をインストールしてもらい日頃アプリケーションを起動させログの記録を行うことを薦めておき候補群の中で実際に期間中 Moves アプリケーションを利用していたユーザ 2015 Information Processing Society of Japan 3

4 2 Moves Moves Moves Moves Moves ( ) 3( )

5 Yes/No 5

9 4.3 8 9 5. F 6 3 4 (18 ) 8 Moves 2 259 1 199 SVM RandomForest J48 4.3.1 9 2 4 53 2 1 2 1 2 1 2 4 5 1 5.

6 F (18 ) 8 Moves SVM RandomForest J % % % 71.8% % 3 13% %

7 precision 35.7% 47.3% 41.6% 63.8% 50.7% J48 recall 41.3% 47.1% 64.5% 65.1% 50.5% F-measure 37.4% 46.3% 50.6% 63.3% 50.0% precision 31.9% 32.1% 41.6% 65.7% 53.9% SVM recall 43.6% 43.6 % 64.5% 54.1% 53.4% F-measure 36.9% 36.9 % 50.6% 42.2% 53.3% precision 36.2% 43.0 % 64.5% 71.4% 48.9% Random forest recall 38.4% 43.0% 65.7% 72.7% 49.0% F-measure 37.0% 43.0% 64.8% 71.8% 49.0% 35.5% 35.5% 35.5% 22.1% 35.5% % LINE, Gmail SCOPE [1] Burke, J. A., Estrin, D., Hansen, M., Parker, A., Ramanathan, N., Reddy, S. and Srivastava, M. B.: Participatory sensing, Center for Embedded Network Sensing (2006). [2] Lane, N. D., Eisenman, S. B., Musolesi, M., Miluzzo, E. and Campbell, A. T.: Urban sensing systems: opportunistic or participatory?, Proceedings of the 9th workshop on Mobile computing systems and applications, ACM, pp (2008). 7

8 [3] Dutta, P., Aoki, P. M., Kumar, N., Mainwaring, A., Myers, C., Willett, W. and Woodruff, A.: Common sense: participatory urban sensing using a network of handheld air quality monitors, Proceedings of the 7th ACM conference on embedded networked sensor systems, ACM, pp (2009). [4] Ueyama, Y., Tamai, M., Arakawa, Y. and Yasumoto, K.: Gamification-based incentive mechanism for participatory sensing, Pervasive Computing and Communications Workshops (PERCOM Workshops), 2014 IEEE International Conference on, IEEE, pp (2014). [5] Pejovic, V. and Musolesi, M.: InterruptMe: designing intelligent prompting mechanisms for pervasive applications, Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing, ACM, pp (2014). [6] T. Okoshi, J. Ramos, H. N. J. N. A. D. and Tokuda, H.: Attelia: Reducing User s Cognitive Load due to Interruptive Notifications on Smart Phones, Proceedings of IEEE International Conference on Pervasive Computing and Communications 2015 (PerCom 15), ACM, pp (2015). [7] Perlow, L. A.: Administrative science quarterly, Vol. 44, No. 1, pp (1999). [8] Cutrell, E., Czerwinski, M. and Horvitz, E.: Notification, disruption, and memory: Effects of messaging interruptions on memory and performance (2001). [9] Berry, M. J. and Linoff, G.: Data mining techniques: for marketing, sales, and customer support, John Wiley & Sons, Inc. (1997). [10] Hammer, J. C. and Yan, T.: Exploiting usage statistics for energy-efficient logical status inference on mobile phones, Proceedings of the 2014 ACM International Symposium on Wearable Computers, ACM, pp (2014). 8

( )

( ) NAIST-IS-MT1351001 2015 3 12 ( ) LINE Twitter Web, NAIST-IS-MT1351001, 2015 3 12. i LINE 9 5 1 1 3 50 % 20 % 5 72 %,,,, ii A Method for Estimating Appropriate Interruption Timings using Recipient s Context