TY  - THES
A1  - Boubekki, Ahcène
T1  - Analysis of User Behavior
N2  - Online behaviors analysis consists of extracting patterns from server-logs. The works presented here were carried out within the "mBook" project which aimed to develop indicators of the quantity and quality of the learning process of pupils from their usage of an eponymous electronic textbook for History. In this thesis, the research group investigates several models that adopt different points of view on the data. The studied methods are either well established in the field of pattern mining or transferred from other fields of machine learning and data mining. The authors improve the performance of archetypal analysis in large dimensions and apply it to unveil correlations between visibility time of particular objects in the e-textbook and pupils' motivation. They present next two models based on mixtures of Markov chains. The first extracts users' weekly browsing patterns. The second is designed to process essions at a fine resolution, which is sine qua non to reveal the significance of scrolling behaviors. The authors also propose a new paradigm for online behaviors analysis that interprets sessions as trajectories within the page-graph. In this respect, they establish a general framework for the study of similarity measures between spatio-temporal trajectories, for which the study of sessions is a particular case. Finally, they construct two centroid-based clustering methods using neural networks and thus lay the foundations for unsupervised behaviors analysis using neural networks.
N2  - Die Online-Verhaltensanalyse beschäftigt sich mit der Extraktion von Mustern aus Server-Logs. Die hier vorgestellten Arbeiten wurden im Kontext des "mBook"-Projekts durchgeführt, das zum Ziel hat, Indikatoren für Qualität und Quantität von Lernprozessen von Schülern zu entwickeln, die auf deren Nutzung eines elektronischen Lehrbuchs für das Fach Geschichte basieren. Das Forscherteam untersucht mehrere Modelle, die unterschiedliche Sichtweisen auf die Daten einnehmen. Die verwendeten Methoden sind entweder bereits im Gebiet des Pattern Mining etabliert oder wurden aus anderen Bereichen des maschinellen Lernens und des Data Mining übertragen. Die Autoren verbessern die Leistungsfähigkeit der Archetypenanalyse für hochdimensionale Daten und decken mit ihrer Hilfe Zusammenhänge zwischen der Sichtbarkeitszeit von bestimmten Objekten im elektronischen Lehrbuch und Lernmotivation der Nutzer auf. Sie stellen außerdem zwei Mixturmodelle auf der Basis von Markow-Ketten vor. Das erste dient zur Extraktion von Mustern im wöchentlichen Browsing-Verhalten der Nutzer. Das zweite verarbeitet Sessions auf eine feiner-granularen Ebene, und erlaubt so, bedeutsame Verhaltensweisen im Scrolling aufzuzeigen. Die Autoren stellen des Weiteren ein neues Paradigma der Online-Verhaltensanalyse vor, das Sessions als Trajektorien von Nutzern im Seitengraph interpretiert. In dieser Hinsicht schaffen sie einen Rahmen für die Untersuchung von Maßen für die Ähnlichkeit von räumlich-zeitlichen Trajektorien, in welchem die Analyse von Sessions einen Spezialfall darstellt. Schlussendlich demonstrieren sie zwei Clusteringverfahren mittels entroidbasierter neuronaler Netze und legen damit die Grundlagen für unüberwachte Mustererkennung unter Verwendung neuronaler Netze.
KW  - Nutzerverhalten
KW  - Schüler
KW  - Lernprozess
KW  - Onlineverhalten
KW  - User Behaviour
KW  - Pupils
KW  - Learning Process
KW  - Online Behaviour
Y1  - 2020
UR  - http://pub-data.leuphana.de/frontdoor/index/index/docId/1048
UR  - https://nbn-resolving.org/urn:nbn:de:gbv:luen4-opus4-10488
N1  - Die Kumulative Dissertation enthält sieben Beiträge.
ER  -