Введение 3
Постановка задачи 4
Актуальность
Исследование удобства использования 7
Экономический эффект от повышения юзабилити 11
Методы оценки результатов и Математический аппарат 15
Оптимизация сайта и машинное обучение
Методологическая основа и архитектура нейронных сетей 21
Процесс юзабилити тестирования 43
Процесс анализа данных и построения нейронной сети 46
Выводы 56
Заключение 57
Список литературы 58
Приложение
Пользовательские интерфейсы при правильном и грамотном подходе строятся так, чтобы они были как можно более удобными и привлекательными. Создание дружественного интерфейса не такая простая задача, и требует не мало опыта проектирования. Однако главное требования не изменяются с течением времени - удобство, интуитивная понятность и практичность. Здесь мы сталкиваемся с многими понятиями, которые не раз произносятся в контексте проектирования интерфейсов, UI, UX, юзабилити.
Качественный анализ и эксперименты с прогнозированием предположения пользовательского поведения на основе доступной информации уже начали применятся, однако теория формальных методов технического анализа стоит в стадии возникновения и необходимы дальнейшие исследования.
В данной работе, в качестве метода технического анализа пользовательского интерфейса, повергается класс математических моделей - искусственные нейронные сети.
Основной задачей этого исследования является проведения своего анализа эффективности использования моделей, базирующихся на нейронных сетях.
Деятельные исследования нейронных сетей, как самоорганизующихся глубоких динамических систем, наступили в середине двадцатого века. База последующих научных поисков были положены в известной работе МакКаллока и Питтса, в которых в первый раз была формально изложена модель искусственной нейронной сети.
Нейронные сети, в отличие от других инструментов технического анализа, были выбраны по следующим причинам:
Во-первых, искусственные нейронные сети на природу входных данных не имеют ограничений. Эта особенность привлекает. Различные метрики о поведении пользователей - это все можно подать на вход информации для нейросети.
Во-вторых, нейросетевое моделирование помогает найти более эффективное решение для всякого определенного инструмента, что есть отличительная черта от общих положений технического анализа. Более того, в силу своей адаптивности, нейронки просто подстраиваются под поведение пользователей.
В-третьих, нейронные сети основываются на наблюдениях об окружающей действительности. Этот характер расценивается как достоинство, так и недостаток. Так, нейросетевое моделирование нужно осматривать в рамках базового технического подхода.
В данной работе были рассмотрены основные принципы оценки и тестирования веб-приложений. Затем были проведены количественный и качественный методы исследования юзабилити. Тестирование удобства использования интерфейсов было весьма широким и охватывающим популярные ресурсы и инструменты.
Благодаря построенной нейронной сети, данные полученные при тестировании, прошли обработку и подтвердили выдвинутую гипотезу.
В результате обнаружена корреляция между автоматом, описывающим интерфейс и удобством его использования. Вопрос о причине и следствии все еще остается открытым. Однако, между этими качествами была установлена связь.
