Métricas predictivas de la usabilidad: un nuevo enfoque para su

ponderación cualitativa.

María Paula González Toni Granollers Jesus Lorés

Grup de Recerca GRIHO Grup de Recerca GRIHO Grup de Recerca GRIHO
Universitat de Lleida Universitat de Lleida Universitat de Lleida
Campus Cappont Campus Cappont Campus Cappont
25001 - Lleida 25001 - Lleida 25001 - Lleida
mpg@griho.net toni@griho.net jesus@griho.net

Resumen ponderación cualitativa del grado de usabilidad

El Modelo de Proceso de Ingeniería de la
Usabilidad y la Accesibilidad MPIu+a propone
una metodología de desarrollo de sistemas que
integra la Ingeniería de Software, la Interacción
Persona Ordenador y la Accesibilidad en contextos
de equipos de desarrollo multidisciplinares. Se
apoya fuertemente en las actividades de
prototipado y evaluación y plantea como desafío
la búsqueda de mecanismos que aseguren altos
índices de objetividad en la métrica predictiva de
la usabilidad (y en particular en la ponderación
cualitativa de la misma).
El presente trabajo propone incluir nuevas
líneas conceptuales dentro del modelo MPIu+a
orientadas a resolver el desafío anterior. Se
presenta el Descubrimiento de Conocimiento en
Base de Datos como marco teórico a utilizar
ilustrándose su aplicación al MPIu+a a través de
dos de sus acercamientos formales: las reglas de
asociación para expresar relaciones no triviales de
tipo causa-efecto entre los datos, y los árboles de
decisión para predecir perfiles y comportamientos
de nuevos usuarios.
1. Introducción
Hoy en día nadie discute que los enfoques de la
Ingeniería de la Usabilidad (IU) y el Diseño
Centrado en el Usuario (DCU) son fundamentales
para desarrollar sistemas interactivos de calidad en
los que atributos como la usabilidad constituyen
objetivos de primer orden. No obstante, uno de los
problemas a los cuales se enfrentan estos enfoques
es lograr altos índices de objetividad en la
alcanzado en etapas tempranas del desarrollo de
un sistema informático. En relación a este
problema, Constantine y Lockwood [3] presentan
las métricas predictivas de la usabilidad, también
llamadas métricas del diseño, que “posibilitan
comparar y evaluar diseños rápida y
económicamente sin requerir la previa
construcción de un sistema real, una simulación o
un prototipo que funcione”. Si bien existen
métodos que permiten resumir la evaluación de la
usabilidad en una sola métrica [7,14], “estas
mediciones no pueden y no deberían reemplazar
el diagnóstico de la usabilidad cualitativa que
normalmente acompaña a evaluaciones
formativas” [14]. Es por ello que el Modelo de
Proceso de Ingeniería de Usabilidad y la
Accesibilidad MPIu+a [8] plantea como desafío la
búsqueda de mecanismos que aseguren altos
índices de objetividad en la métrica predictiva de
la usabilidad (y en particular en la ponderación
cualitativa de la misma) que puedan ser aplicados
sin incrementar excesivamente los costes
asociados a la etapa de evaluación.
El presente trabajo propone incluir nuevas
líneas conceptuales dentro del modelo MPIu+a
orientadas a resolver el desafío anterior.
Siguiendo los principios del DCU, se pretende
partir de datos aportados por usuarios y expertos
durante las distintas etapas de cada ciclo de vida
de un desarrollo de software. El objetivo
perseguido es extraer de manera automática y no
trivial información implícita, desconocida y
potencialmente útil presente en esos datos. Se
presenta el Descubrimiento de Conocimiento en
Base de Datos (Knowledge Discovering in
Databases o KDD por sus siglas en inglés) [5]
como marco teórico a utilizar, ilustrándose dos de
sus acercamientos formales: las reglas de
asociación para describir relaciones de tipo causa-
efecto entre datos y los árboles de decisión para
predecir el comportamiento de nuevos usuarios a
partir de los datos que ellos mismos han
producido.
Este trabajo se estructura como sigue. La
Sección 2 introduce al modelo MPIu+a y describe
con un ejemplo el alcance expresivo del tipo
herramientas formales que se utilizan para
sustentar evaluaciones cualitativas de la usabilidad
de prototipos. Seguidamente, la Sección 3 presenta
los fundamentos del KDD especificando los
conceptos de reglas de asociación y árboles de
decisión. A continuación, las Secciones 4 y 5
exploran la factibilidad y los resultados obtenidos
al integrar el KDD dentro del MPIu+a. Una serie
de trabajos relacionados son presentados en la
Sección 6. Finalmente, la Sección 7 muestra las
conclusiones obtenidas y plantea las líneas de
trabajos futuros.
2. MPIu+a y ponderación cualitativa de la
usabilidad de prototipos
El Modelo de Proceso de Ingeniería de Usabilidad
y la Accesibilidad MPIu+a propone una
metodología práctica de desarrollo de sistemas
interactivos que integra la Ingeniería de Software
(IS), la Interacción Persona Ordenador (IPO) y la
Accesibilidad en contextos de equipos de
desarrollo multidisciplinares [8]. Su estructura
básica puede observarse en la Figura 1.
Figura 1. Esquema del modelo MPIu+a.
El modelo MPIu+a se apoya fuertemente en
las actividades básicas del DCU y utiliza
mecanismos de IS para garantizar la calidad del
proceso global de desarrollo de software. Si bien
propone una nueva metodología para resumir la
evaluación de la usabilidad de sistemas
desarrollados ya implantados en una sola métrica
[7], lograr altos índices de objetividad en las
métricas predictivas de la usabilidad sin
incrementar excesivamente los costes asociados a
la etapa de evaluación persiste como uno de los
desafíos que el MPIu+a pretende abordar. Esto se
ilustra en el siguiente ejemplo.
Ejemplo 1: Se está desarrollando un sitio web
destinado a contener información relevante sobre el
modelo MPIu+a y el DCU en general. Se desea incluir
en el sitio un foro de discusión, un conjunto amplio de
recursos (artículos, noticias, presentaciones, bibliografía
relacionada, etc.) y la posibilidad de que un usuario se
registre. Se centrará el presente ejemplo en el desarrollo
del primer prototipo.
Como parte de las actividades iniciales del la fase
de Análisis de Requisitos se ha efectuado una encuesta1
través de Internet para recoger el perfil y las
necesidades de los posibles futuros usuarios a través de
un estudio estadístico. También se efectuó un Card
Sorting [13] para determinar la arquitectura de la
información. La Figura 2 muestra parte de los
resultados obtenidos, en particular la relación existente
entre profesión y recursos solicitados explicitada a
través del estudio estadístico2.
Profesor
Notícias
18% 20%
Alumno
1%
20%
Professsional
desarrollo
41% sistemas
Otros
Figura 2. Relación e/profesión e inclusión del recurso
“noticias”. Resultados de la estadística.
Durante la ponderación cualitativa de la métrica
predictiva de la usabilidad no fue posible corroborar las
conclusiones obtenidas a partir de la estadística y el
Card Sorting sin incurrir en la necesidad de aplicar
alguna otra técnica que implique volver a involucrar
activamente a usuarios o evaluadores.
Tabla 1.
1
La encuesta puede observarse en
http://griho.udl.es/ castella/recerca/mpcu.html.
2
Un informe de los resultados puede observase en
http://www.alzado.org/aticulo.php?id_art=417.
 Si bien existen técnicas que permiten
determinar la arquitectura de la información (como
p. ej. el Card Sorting [13]) o predecir el
comportamiento de nuevos usuarios (como p.
ej. la estadística), el enfoque actual del MPIu+a
solo permite justificar objetivamente las métricas
predictivas de la usabilidad a través del análisis de
relaciones entre datos que hayan sido previamente
establecidas por el equipo de desarrolladores. La
inclusión de técnicas que intenten ir más allá de
estas relaciones preestablecidas (como p. ej. la
inclusión del Focus Group o del Brainstorming
[3]) suelen implicar un aumento considerable en
los costes asociados a la etapa de evaluación pues
implican la presenciad de evaluadores expertos o
usuarios. Como se verá posteriormente, estas
limitaciones pueden superarse aplicando técnicas
del KDD dentro del modelo MPIu+a.
3. KDD, reglas de asociación y árboles de
decisión
El Descubrimiento de Conocimiento en Base de
Datos o KDD es una disciplina3 cuya finalidad es
“la extracción no trivial desde un conjunto de
datos de información implícita, desconocida y
potencialmente útil” [9]. El KDD propone un
proceso en el cual los datos provenientes de
distintas fuentes son normalizados y combinados
en una Base de Datos sobre la cual se aplican
técnicas de Minería de Datos (MD).
Posteriormente se evalúan los resultados de la MD
para establecer patrones relevantes de
comportamiento. Por último, el KDD propone
distintas herramientas para visualizar los
resultados finales [9].
En el contexto del KDD, la información
extraída a partir de la Base de Datos D se conoce
como patrón. Un patrón es una expresión E
expresada en un cierto lenguaje formal L que
describe los hechos (p. ej. casos o tuplas) de un
conjunto DE ⊂ D. La expresión E es llamada un
patrón si es más simple que enumerar todos los
hechos de DE. La MD es un paso en el proceso de
Tabla 1.
3
El KDD incluye aspectos de la Estadística, de la Teoría
de Bases de Datos, del Aprendizaje Automatizado, y de
las Ciencias de la Información y a la Visualización entre
otras [9].
KDD en el cual se aplica un conjunto de
algoritmos que (bajo ciertas restricciones
computacionales) produce una enumeración
particular de patrones relevantes Ej a partir de D.
De acuerdo al tipo de procesamiento
efectuado, la MD puede ser descriptiva o
predictiva. Mientras que la MD Descriptiva
busca identificar las propiedades generales de los
datos analizados, la MD Predictiva utiliza a los
datos para construir modelos que describen y
distinguen clases entre los mismos. Seguidamente
se presentan dos acercamientos formales del
KDD que resultan relevantes: las llamadas reglas
de asociación –propias la MD Descriptiva– que
permiten descubrir dependencias entre conjunto
de valores discretos, y los árboles de decisión
–propios de la MD Predictiva– que brindan un
modelo de inferencia inductiva altamente
expresivo.
3.1. Reglas de asociación
Una regla de asociación (RA) A→B representa
una relación entre dos conjuntos de valores de
atributos A y B en una Base de Datos D. La RA
A→B refleja la existencia de tuplas en D en la
cual todos los valores V∈(A∪B) están presentes.
Las reglas de asociación poseen dos medidas: el
soporte y la confianza. El soporte de una regla
A→B dentro de la Base de Datos D representa la
probabilidad P(B∪A), mientras que la confianza
representa la probabilidad condicional P(B|A). El
algoritmo más común utilizado para detectar RAs
en una Base de Datos es el Apriori [9].
Ejemplo 2: En el contexto del Ejemplo 1, la obtención
de la regla de asociación
articulos=si bibliografia=si 100 ⇒ ejemplos=si 100
conf(1)
indica que en el 53,76% (100/186) de las tuplas de D se
observa una relación causa-efecto entre el deseo del
usuario de incluir a los recursos “artículos” y
“bibliografía” dentro de la web y el deseo del usuario de
incluir el recurso “ejemplos” con un 100% de certeza.
Cabe señalar que la obtención de RAs es
computacionalmente costosa, y la cantidad de
reglas crece exponencialmente con la cantidad de
atributos considerados. Para paliar este
inconveniente existen dos tipos de métricas que
permiten determinar el grado de interés de una
regla de asociación: las métricas objetivas
(independientes de la aplicación) y las métricas
subjetivas (que condicionan el grado de interés a
un contexto específico). Diversos acercamientos
pueden encontrarse en [2, 12].
3.2. Árboles de decisión
El modelo de árbol de decisión (AD) es altamente
expresivo para representar inferencia inductiva
[10]. Un AD es una estructura arbórea obtenida a
partir de la exploración de un conjunto de
instancias I pertenecientes a una Base de Datos D
inicial: cada nodo interno especifica una prueba o
testeo sobre algún atributo A∈I, cada rama
descendente desde ese nodo corresponde a un
posible valor Ai para el atributo A, y cada hoja
expresa una clasificación para la instancia I
previamente desconocida. El algoritmo clásico
para generar ADs es el Id3 [10].
A modo de ejemplo, la Figura 3 muestra un
AD para el concepto “buys_computer”4 que
modela el concepto de “posible cliente para la
compra de un ordenador” a partir de la
información sobre ventas realizadas por una
empresa. Puede observarse que cada nodo interno
representa un testeo sobre un atributo y que cada
hoja representa una clase (buys_computer=yes o
buys_computer=no).
Figura 3. AD para el concepto “buys_computer”.
En general, los ADs representan disyunciones
de conjunciones sobre restricciones de los valores
de atributos de la Base de Datos del KDD. Cada
camino desde la raíz hasta una hoja representa una
Tabla 1.
4 información producida por las técnicas del
Extraído de [9]
conjunción de atributos testeados y el AD
representa la disyunción entre esas conjunciones.
Ejemplo 3: la Figura 3 corresponde a la expresión
(Age<=30 = true ∧ Student = yes) v (Age=31..40) v
(Age>40 = true ∧ Credit_rating = fair)
Una vez que el AD ha sido construido (por
ejemplo, utilizando el algoritmo Id3), puede
predecirse la clasificación de una nueva instancia
I cuya clase es desconocida: se determina un
camino desde la raíz del árbol hasta alguna hoja a
partir de los valores Ai de los atributos A de I que
se conocen. La hoja alcanzada representa la clase
predecida para esa instancia I. Cabe señalar que el
conocimiento expresado en un AD puede ser
representado por un conjunto de implicaciones
del tipo “si-entonces-sino”, a partir de los
caminos existentes en el árbol.
Ejemplo 4: algunas implicaciones que pueden obtenerse
a partir del AD de la Figura 3 son:
• Si (Age<=30) v (Student = false) entonces
buys_computer = no
• Si (Age<=30 = true ∧ Student = yes) entonces
buys_computer = sí
Los ADs pueden construirse a partir de un
conjunto relativamente pequeño de instancias de
entrenamiento. La presencia de “ruido” (ejemplos
con información incorrecta o incompleta) y la
sobreabundancia de ejemplos (sobreajuste) son
también elementos importantes de análisis en su
construcción [9,10].
4. KDD y su aportación al MPIu+a
Para poder incluir al KDD como una nueva línea
conceptual dentro del modelo MPIu+a se han
tenido en cuenta los siguientes aspectos:
• La fuente de datos necesaria para el KDD
solo se sustenta en la participación activa de
usuarios y de evaluadores expertos. En
consecuencia, la aplicación del KDD al
MPIu+a es totalmente independiente de la
técnica particular utilizada.
• La riqueza e imparcialidad presente en la
 KDD facilitará la comunicación entre
miembros de un equipo de desarrollo de
software interdisciplinario.
• Las RA alcanzan mayor efectividad si se
obtienen a partir de grandes Bases de Datos
[9]. Esta situación puede asegurarse para la
presente propuesta, ya que la inclusión de los
usuarios en todas las etapas de desarrollo de
MPIu+a aumenta la cantidad de información
proveniente de su participación. Cuando no
existan gran cantidad de datos a procesar
podrán utilizarse los ADs (por ej. con datos de
evaluadores expertos).
• La búsqueda de patrones con técnicas del
KDD no complica la recogida de los datos de
cada ciclo de vida del software del MPIu+a, ya
que se utilizan las mismas fuentes de datos
existentes previamente en el modelo
(encuestas, tests, etc.).
• Las etapas previas a la MD dentro del KDD
no añaden costes excesivos a la evaluación de
prototipos del MPIu+a. Pueden re-utilizarse
Bases de Datos generadas con otros propósitos
(p. ej. estadísticos) como fuentes del KDD.
• El volumen de conocimiento descubierto con
las técnicas del KDD puede acotarse a través
de mecanismos que permiten establecer grados
de interés de los patrones obtenidos (p. ej. las
métricas objetivas y subjetivas para las RAs).
• La inclusión de modelos predictivos (ADs) y
descriptivos (RAs) brindan alternativas
complementarias para interpretar la
información producida por el KDD.
• Las herramientas gráficas provistas por el
KDD facilitan el posterior análisis de los
resultados.
La aplicación reiterada de la propuesta podrá
utilizarse como un indicador objetivo que permita
estimar la incidencia de los cambios que se han
introducido en un prototipo a partir de la
evaluación cualitativa de su usabilidad. Por
ejemplo, si RAi⊂Ei y RAi+1⊂Ei+1 entonces
(RAi∩RAi+1)≠∅ indicará la persistencia de
problemas de usabilidad de Pi ∈ Ci en Pi+1 ∈ Ci+1,
siendo Ci y Ci+1 dos ciclos consecutivos en el
desarrollo de un sistema informático según el
MPIu+a, Pi y Pi+1 los prototipos de software de
los ciclos Ci y Ci+1 respectivamente, RAi y RAi+1
los conjuntos de reglas de asociación que justifican
problemas de usabilidad de Pi y Pi+1, Ei la etapa de
evaluación de Ci y Ei+1 la etapa de evaluación de
Ci+1.
En síntesis, puede afirmarse que la inclusión
del KDD como nuevo modelo formal que ayude a
justificar objetivamente la métrica predictiva de la
usabilidad dentro del modelo MPIu+a (y en
particular la ponderación cualitativa de la misma)
es altamente factible y deseable. Además, puede
asegurarse que esta inclusión no implicará
incrementar excesivamente los costes asociados a
la etapa de evaluación del MPIu+a.
5. Experimentación
Para validar la potencialidad del KDD como
herramienta capaz de mejorar la justificación de
la métrica predictiva de la usabilidad dentro de
MPIu+a se ha llevado a cabo una serie de
experimentaciones. A modo de ejemplo, se
resumirán los resultados obtenidos tras incluir las
herramientas del KDD en la evaluación
predictiva de la usabilidad del primer prototipo de
software del Ejemplo 1. En este caso, las
herramientas del KDD fueron utilizadas para
procesar las respuestas a las 186 encuestas
presentadas.
Pre-Procesamiento de datos: A partir las 186
respuestas obtenidas se han seguido los pasos del
pre-procesamiento del KDD descriptos en la
Sección 3 y se ha generado una Base de Datos de
100 registros diferentes (ver Figura 4). Se ha
adecuado el formato de la Base de Datos para
adecuarlo a la plataforma de software WEKA
[16], utilizada para efectuar los pasos siguientes
del KDD.
Figura 4. Base de Datos del KDD expresada a través
de una hoja de cálculo
Minería de datos: se eligió al algoritmo
Apriori para generar RAs. Tras minar los datos
se obtuvieron más de 100. Las 10 mejores pueden
observarse en la Figura 5. Posteriormente se
eligieron 30 instancias de la Base de Datos al azar
y se aplicó al algoritmo Id3 para generar distintos
ADs. La Figura 6 muestra el AD obtenido para el
atributo “ser registrado como usuario”.
confianza superior al 95 %. De esta manera se
acotó la cantidad de reglas producidas. Las
mejores 10 reglas obtenidas se observan en la
Figura 7.
Visualización de resultados: se utilizaron
gráficos basados en el sistema de ejes cartesianos
provistos por WEKA, como el que puede
observase en la Figura 8.

Figura 5. Visualización de las 10 mejores RAs generadas

para el Ejemplo 1.

Figura 7. Los 10 mejores patrones interesantes

generados para el Ejemplo 1.

Interesante: ∆ Nada Interesante: ¿

Poco Interesante: ♦

Psicología ♦

Diseño Web ∆ ∆ ♦
¿
∆ ♦
Documentac. ∆ ¿

Dis. Gráfico ♦
¿
Ingeniería ∆ ∆
∆
♦ ∆¿
Informática ♦ ∆∆
   
Figura 6. AD generado para el atributo “ser registrado si no puede ser no se
como usuario” del Ejemplo 1 (con 30 instancias
aleatorias de la Base de Datos). Figura 8 Gráfico obtenido para patrones interesantes del
Ejemplo 1. Eje x: atributo “registrarse como usuario”,
eje y: atributo “área de conocimiento”, figuras: atributo
Búsqueda de patrones interesantes: se “espacio de discusión”
utilizaron métricas objetivas, buscándose una
 Aplicación del nuevo conocimiento a la
evaluación predictiva del primer prototipo
(evaluación formativa): La ejecución de los
distintos pasos del KDD consumió
aproximadamente un 20% del tiempo previamente
estimado para la evaluación. El conjunto final de
RAs, las representaciones gráficas y los ADs
obtenidos fueron añadidos a los documentos
generados tradicionalmente durante la evaluación
de la usabilidad como justificantes de las
observaciones en cuanto a la ponderación
cualitativa.
Las RA se utilizaron para sustentar
objetivamente parte de la lista de
recomendaciones. Permitieron evidenciar la
existencia de relaciones entre los datos aportados
por los usuarios que no habían sido considerados a
priori por el equipo de desarrolladores, como p. ej.
la siguiente relación expresada por la RA de la
Figura 7
Regla 9: sexo=varón, bilbliografía=si ejemplos=si 13 ⇒
articulos=si 13 conf: (1)
la cual explicita formalmente un patrón de
comportamiento observado en el 43% de los casos
(13/30) que establece una relación de causa-efecto
entre el sexo y los recursos preferidos por los
usuarios con un 100% de certeza.
Los ADs se utilizaron para contrastar la
arquitectura de la información del prototipo y las
clasificaciones obtenidas a partir del Card Sorting,
ya que evidenciaron relaciones jerárquicas
existentes entre los datos y permitieron predecir
del comportamiento de futuros usuarios de
acuerdo a los distintos perfiles considerados (p. ej.
edad y profesión).
6. Trabajos relacionados
El concepto de métricas predictivas de la
usabilidad o métricas de diseño es explicado en
[3]. Se focaliza el estudio sobre la interfaz y se
presentan funciones matemáticas como métricas
objetivas (p. ej. la Concordancia de Tareas, que
evalúa eficiencia y simplicidad). Los objetivos
presentados se asemejan al de esta propuesta, pero
el acercamiento utilizado es diferente. Mientras
que en [3] se busca producir valores numéricos
concretos y cuantitativos, el presente trabajo
intenta alcanzar justificaciones cualitativas que
sin dejar de ser objetivas sean altamente
descriptivas.
En cuanto al uso de las RAs para la
ponderación de la usabilidad, cabe destacar que
las propuestas encontradas focalizan el estudio
sobre sistemas de software ya implantados y en
funcionamiento real. Por ejemplo, el marco
formal AWUSA [15] propone la creación de una
herramienta automática para evaluar usabilidad en
sitios web que combina técnicas de logging [11],
minería de datos y análisis de la estructura
estática del sitio. Se utilizan RAs para detectar
patrones problemáticos en los atributos de los
recursos solicitados por los usuarios.
Otro ejemplo se describe en [1]. En este caso,
la información utilizada proviene de aplicar la
técnica de logging a partir de la navegación que
los usuarios efectúan sobre el sitio que esta siendo
evaluado. Resultan de relevante interés las
definiciones de categorías para cada uno de los
atributos de las RAs y la descripción del proceso
de preparación de los datos.
La potencialidad de los ADs como
herramienta para mejorar la evaluación de la
usabilidad de un sistema ya desarrollado ha sido
estudiada en [4]. En ese trabajo se ilustra el uso
de los ADs (particularmente del algoritmo Id3)
para modelar perfiles de usuarios a través de su
interacción con el sistema y predecir
características de la interfaz a partir de esa
interacción.
7. Trabajo futuro y conclusiones
En el presente trabajo se proponen nuevas líneas
conceptuales para extender el modelo Modelo de
Proceso de la Ingeniería de la Usabilidad y de la
Accesibilidad (MPIu+a) a través del uso de
técnicas del Descubrimiento de Conocimientos en
Base de Datos (KDD). En particular, se presentan
las reglas de asociación para describir relaciones
de tipo causa-efecto entre datos, y los árboles de
decisión para predecir el comportamiento de
nuevos usuarios. A diferencia de otros trabajos
similares que utilizan el KDD para evaluar la
usabilidad de sistemas informáticos interactivos
ya implantados (ver Sección 6), en este trabajo se
ha utilizado el KDD como herramienta capaz de
mejorar la justificación de las métricas predictivas
de la usabilidad, en particular la ponderación
cualitativa de la misma.
La experimentación efectuada (ver Sección 5)
permite afirmar que la inclusión del KDD dentro
del modelo MPIu+a posibilita:
• documentar formalmente relaciones ocultas
entre los atributos del sistema evaluado que
no fueron previamente explicitadas por el
grupo de desarrolladores.
• explicitar formalmente “intuiciones” del
grupo de desarrolladores que solo pueden ser
planteadas muy informalmente.
• minimizar el grado de subjetividad de las
decisiones del grupo de desarrolladores
basadas en información cualitativa.
• corroborar la superación o persistencia de
problemas de usabilidad medidos
cualitativamente entre los prototipos
pertenecientes a ciclos consecutivos del
desarrollo de un sistema bajo las premisas del
MPIu+a.
Se evidencia la necesidad de profundizar en la
aplicación de las etapas posteriores a la minería de
los datos del KDD para facilitar la visualización de
la información obtenida de acuerdo a criterios
subjetivos preestablecidos por el equipo de
desarrolladores del MIPu+a. En este sentido se
estudia la posible aplicación de herramientas como
las descriptas en [6]. Asimismo, se estudia la
utilización de clasificadores basados en medidas
de similitud (instance-based classifiers) como
posible técnica de minería de datos a incorporar.
Finalmente, cabe destacar la posibilidad de
extender la propuesta más allá de los límites del
modelo MPIu+a. Incluir técnicas propias del KDD
dentro del marco de la Ingeniería de la Usabilidad
y el Diseño Centrado en el Usuario se perfila
como un nuevo camino prometedor y altamente
factible.
Referencias
[1] Alipio, J.; Poças, J.; Azevedo, P.
Recommendation with Association Rules: a
web mining application. Data Mining and
Warehouses Conf. IS-2002, Eslovenia, 2002.
[2] Bastide, Y. et all. Mining minimal non-
redundant association rules using frequent
closed itemsets. In CL 2000.
[3] Constantine, L; Lockwood, L. Software for
Use. A practical Guide to the Models an
Methods of Usage-Centered Design. ACM
Press and Addison-Wesley, 1999.
[4] Finlay J. Machine learning: a tool to support
improved usability?. En Applied Artificial
Intelligence, volumen 11, 1997, pp. 633-65.
[5] Frawley, W.J.; Piatetsky-Shapiro, G.; and
Matheus, C. Knowledge Discovery In
Databases: An Overview. AAAI Press/MIT
Press, Cambridge, MA., 1991, pp. 1-30.
[6] Teoh Soon Tee; Ma Kwan-Liu. PaintingClass:
Interactive Construction, Visualization and
Exploration of Decision Trees. In 9th ACM
SIGKDD. Usa, 2003. pp. 667 - 672
[7] Granollers, T; Lorés J. Esfuerzo de
Usabilidad: un nuevo concepto para medir la
usabilidad en un sistema interactivo basada en
el DCU. V Cong. IPO. España, 2004.
[8] Granollers, T.; Lorés J., Perdrix F. Usability
Engineering Process Model. Integration with
Software Engineering. HCI 2003.
[9] Han, J. and Kamber, M. Datamining:
Concepts and Techniques. Morgan
Kaufmann, 2000.
[10] Mitchell, T. Machine Learning. McGraw
Hill, 1997.
[11] Nielsen, J. Usability Engineering. Academic
Press Professional, Boston, MA, 1993
[12] Piatetsky-Shapiro, G. Discovery, analysis,
and presentation of strong rules. In
Knowledge Discovery in Databases.
AAAI/MIT Press, Cambridge, MA, 1991.
[13] Roberston, J. Intranet Design Series:
Information design using card sorting.
Information & Design, 2001.
[14] Sauro, J; Kindlund, E. A Method to
Standardize Usability Metrics Into a Single
Score. CHI 2005, Portalnd USA, 2005.
[15] Tiedtke, T; Märtin, C; Gerth, N. AWUSA. A
tool for automated website usability anlaysis.
9th Int. Workshop DSVIS. Alemania, 2002.
[16] WEKA 3.4.2. Waikato Environment for
Knowledge Análsys. Copyright (C) 1998-
2004. University of Waikato, New Zealand.
[17] Zaki, M.; Hsiao, Ch-J. Charm: An e_cient
algorithm for closed itemset mining. In Proc
2nd SIAM Int. Conf. on Data Mining,
Arlington, 2002.