Система интеллектуализации для тестирования юзабилити информационных ресурсов
Аннотация
В статье рассматриваются возможности прогнозирования состояния юзабилити веб-ресурсов. Далее предлагается система моделирования и прогнозирования временного ряда количества посетителей страниц сайта. Процедура юзабилити-тестирования достаточно затратна как с финансовой, так и с временной точек зрения. Поэтому система, которая позволит сократить эти затраты, полезна для современных организаций. Рассмотрены различные варианты прогнозирования количества посетителей страниц сайта с помощью модели ARIMA и нейронный сетей. Важным свойством временного ряда для использования модели ARIMA является стационарность ряда. Выявлено, что для нашего временного ряда данная модель недостаточно подходит, некоторые виды нейронных сетей также не подходят по разным причинам. В итоге выбраны сети NARX, которые успешно применяется для прогнозирования временных рядов, предоставляют возможность использовать экзогенную переменную. Предложена модель с использованием нейронной сети NARX. Разработанное приложение позволяет оценивать удобство использования информационных ресурсов по следующим параметрам: функциональность страницы, доступность (удобство расположения) основных кнопок на странице, цветовая гамма, тип и размер заголовков и основного текста. Приложение помогает прогнозировать посещаемость веб-ресурса на основе временного ряда посещений сайта без юзабилити-тестирования экспертами, сравнивая результаты моделирования с результатами полноценного юзабилити-теста.
Литература
2. Khajouei R., Zahiri Esfahani M., Jahani Y. Comparison of heuristic and cognitive walkthrough usability evaluation methods for evaluating health information systems. Journal of the American Medical Informatics Association. 2017;24(e1):e55-e60. https://doi.org/10.1093/jamia/ocw100
3. Roscoe R.D., Craig S.D. A Heuristic Assessment Framework for the Design of Self-Regulated Learning Technologies. Journal of Formative Design in Learning. 2022;6:77-94. https://doi.org/10.1007/s41686-022-00070-4
4. Astachova I.F., Makoviy K.A., Khitskova Y.V. Possibilities for predicting the state of usability web resources. Journal of Physics: Conference Series. 2021;1902(1):012029. https://doi.org/10.1088/1742-6596/1902/1/012029
5. Hussain A., Mkpojiogu E.O., Kamal F.M. A systematic review on usability evaluation methods for m-commerce apps. Journal of Telecommunication, Electronic and Computer Engineering. 2016;8(10):29-34. Available at: https://jtec.utem.edu.my/jtec/article/view/1361 (accessed 09.12.2023).
6. Fleifel R.T., Soliman S.S., Hamouda W., Badawi A. LTE Primary User Modeling Using a Hybrid ARIMA/NARX Neural Network Model in CR. In: 2017 IEEE Wireless Communications and Networking Conference (WCNC). San Francisco, CA: IEEE Computer Society; 2017. p. 1-6. https://doi.org/10.1109/WCNC.2017.7925756
7. Kavasseri R., Seetharaman K. Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy. 2009;34(5):1388-1393. https://doi.org/10.1016/j.renene.2008.09.006
8. Cadenas E., Rivera W., Campos-Amezcua R., Heard C. Wind Speed Prediction Using a Univariate ARIMA Model and a Multivariate NARX Model. Energies. 2016;9(2):109. https://doi.org/10.3390/en9020109
9. Domingos P. A Few Useful Things to Know About Machine Learning. Communications of the ACM. 2012;55(10):78-87. https://doi.org/10.1145/2347736.2347755
10. Tun C.C., Majid N.O.R.I.Z.A. Comparison between artificial neural network and autoregressive integrated moving average model in bitcoin price forecasting. Journal of Quality Measurement and Analysis. 2018;14(2):45-53. Available at: https://www.ukm.my/jqma/v14_2/jqma-14-2-paper5.pdf (accessed 09.12.2023).
11. Mitrea C.A., Lee C.K.M., Wu Z. A Comparison between Neural Networks and Traditional Forecasting Methods: A Case Study. International journal of engineering business management. 2009;1(2):67-72.
12. Zhang H., Wang Z., Liu D. A Comprehensive Review of Stability Analysis of Continuous-Time Recurrent Neural Networks. IEEE Transactions on Neural Networks and Learning Systems. 2014;25(7):1229-1262. https://doi.org/10.1109/TNNLS.2014.2317880
13. Dorogov A.Yu. Deep Learning Neural Networks with Controlled Switching of Neural Planes. CEUR Workshop Proceedings. 2019. Vol. 2834. p. 111-124. Available at: https://ceur-ws.org/Vol-2834/Paper10.pdf (accessed 09.12.2023).
14. Zhang Y.-D., Pan C., Chen X., Wang F. Abnormal breast identification by nine-layer convolutional neural network with parametric rectified linear unit and rank-based stochastic pooling. Journal of Computational Science. 2018;27:57-68. https://doi.org/10.1016/j.jocs.2018.05.005
15. Dong G., Liao G., Liu H., Kuang G. A Review of the Autoencoder and Its Variants: A Comparative Perspective from Target Recognition in Synthetic-Aperture Radar Images. IEEE Geoscience and Remote Sensing Magazine. 2018;6(3):44-68. https://doi.org/10.1109/MGRS.2018.2853555
16. Heuillet A., Nasser A., Arioui H., Tabia H. Efficient Automation of Neural Network Design: A Survey on Differentiable Neural Architecture Search. ACM Computing Surveys. 2024;56(11):270. https://doi.org/10.1145/3665138
17. Serikov T., Zhetpisbayeva A., Mirzakulova S., Zhetpisbayev K., Ibrayeva Z., Tolegenova A., Soboleva L., Zhumazhanov B. Application of the NARX Neural Network for Predicting a One-Dimensional Time Series. Eastern-European Journal of Enterprise Technologies. 2021;5(4(113)):12-19. https://doi.org/10.15587/1729-4061.2021.242442
18. Ashok Kumar D., Murugan S. Performance analysis of NARX neural network backpropagation algorithm by various training functions for time series data. International Journal of Data Science. 2018;3(4):308-325. https://doi.org/10.1504/IJDS.2018.096265
19. Haviluddin, Dengen N. Comparison of SARIMA, NARX and BPNN models in forecasting time series data of network traffic. In: 2016 2nd International Conference on Science in Information Technology (ICSITech). Balikpapan, Indonesia: IEEE Computer Society; 2016. p. 264-269. https://doi.org/10.1109/ICSITech.2016.7852645
20. Yu X., Chen Z., Qi L. Comparative study of SARIMA and NARX models in predicting the incidence of schistosomiasis in China. Mathematical Biosciences and Engineering. 2019;16(4):2266-2276. https://doi.org/10.3934/mbe.2019112
21. Chen A., Law J., Aibin M. A Survey on Traffic Prediction Techniques Using Artificial Intelligence for Communication Networks. Telecom. 2021;2(4):518-535. https://doi.org/10.3390/telecom2040029
22. Bilski J., Galushkin A.I. A New Proposition of the Activation Function for Significant Improvement of Neural Networks Performance. In: Rutkowski L., Korytkowski M., Scherer R., Tadeusiewicz R., Zadeh L., Zurada J. (eds.) Artificial Intelligence and Soft Computing. ICAISC 2016. Lecture Notes in Computer Science. Vol. 9692. Cham: Springer; 2016. p. 35-45. https://doi.org/10.1007/978-3-319-39378-0_4
23. Konstantinidis S., Karampiperis P., Sicilia M.-A. Enhancing the Levenberg-Marquardt Method in Neural Network training using the direct computation of the Error Cost Function Hessian. In: Proceedings of the 16th International Conference on Engineering Applications of Neural Networks (INNS) (EANN '15). New York, NY, USA: Association for Computing Machinery; 2015. Article number: 2. https://doi.org/10.1145/2797143.2797162
24. Zhang S., Huang H., Han Z. A Levenberg-Marquardt Algorithm Based Incremental Scheme for Complex-Valued Neural Networks. In: 2019 IEEE Symposium Series on Computational Intelligence (SSCI). Xiamen, China: IEEE Computer Society; 2019. p. 1479-1485. https://doi.org/10.1109/SSCI44817.2019.9003091
25. Boussaada Z., Curea O., Remaci A., Camblong H., Mrabet Bellaaj N. A Nonlinear Autoregressive Exogenous (NARX) Neural Network Model for the Prediction of the Daily Direct Solar Radiation. Energies. 2018;11(3):620. https://doi.org/10.3390/en11030620
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
