Machinaal leren voor het modelleren van interactief gedrag in HCI

Het gebruik van computationele methoden om interactief gedrag te modelleren speelt een centrale rol in mens-computerinteractie (HCI), omdat het nieuwe inzichten biedt in hoe gebruikers omgaan met digitale systemen. Deze inzichten zijn cruciaal voor het verder verbeteren van de gebruikerservaring en de ontwikkeling van meer mensgerichte systemen. In de afgelopen decennia heeft HCI-onderzoek diverse technieken voor gedragsmodellering geïntroduceerd. De recente ontwikkelingen in deep learning en de toenemende beschikbaarheid van openbare datasets hebben de vooruitgang op dit gebied versneld, van het detecteren van gebruikersgedrag in de praktijk tot generatieve methoden die gebruikersgedrag kunnen nabootsen.

Dit PhD-project ontwikkelt datagestuurde methoden voor het modelleren van gebruikersgedrag in praktijkscenario's, met de focus op toepassingen in mobiele interactie of extended reality (XR). Een belangrijke doelstelling is het creëren van een nieuw leerkader en methoden die zijn ontworpen om diverse invoerstromen van gebruikers (bijv. aanraakinteracties en gebruikersinterfacecontext op mobiele apparaten) effectief vast te leggen en te integreren in een uniforme representatie. Dit kader vereist zowel modaliteitsspecifieke als multimodale modellering. De promovendus kan zich verdiepen in machine learning-methoden die specifieke uitdagingen kunnen oplossen voor datagestuurde methoden in HCI-onderzoek, zoals de schaarste of heterogeniteit van hoogwaardige (en gelabelde) menselijke gedragsdata. Een andere uitdaging betreft robuustheid en generaliseerbaarheid, inclusief het vermogen om zeldzaam maar relevant of atypisch gebruikersgedrag vast te leggen.