第 4 章 推定結果 34
4.3 全体結果
最後に，機械学習アプローチにおいて得られた，各属性に対して最も高い推定精度を出した窓サイズの推定 精度を1つの図にまとめた（図4.13）．
図4.13 全体結果
T: Task N: Neuroticism E:Extraversion O:Openness A:Agreeableness C:Conscientiousness
第 5 章
結論
本研究ではWeb情報探索行動中の視線情報からタスクとユーザー属性という2つのユーザー属性の推定を 行った．その際，これまで多くの先行研究でなされているような単一，あるいは検索結果画面のみの視線情報 ではなく，より我々が日常行うような自然な事態での一連のWeb情報探索行動全体の視線データを用いて分 析を行った．探索行動全体を対象とした注視回数などの基本的な統計量から，多項ロジスティック回帰分析を 用いて分析を行った結果，Neuroticismパーソナリティ以外のBIG5パーソナリティにおいてχ2値が有意と なり，基本的な情報探索行動全体における視線データから，ユーザーのパーソナリティに対する一定の予測力 を持つと思われるモデルが構築されたことが確認された．機械学習アプローチでは，Bullinget al.（2011）お
よびHoppeet al.（2018）の方法に倣い視線データを分析窓で設定し，特定の時間で細かく分割した視線デー
タから多数の特徴量を生成し，Random Forest識別器を用いて属性の推定を行った．結果，タスクに対する
micro-Fスコアがベースラインを大幅に上回り，視線データからタスクの推定が可能であることが示された．
情報探索行動の全体情報探索行動において，その探索背景となるタスクが大きな影響を与えているというこ とは多くの研究で指摘されてきたことであるが，本研究での結果からそうした影響は探索行動全体に及んでい るのではなく，探索中のある特定の時間において作用している可能性が示唆された．そのため，タスクを予測 する上ではそうした細かい時間でのみ見られるような視線行動を考慮する必要があり，反対に，BIG5パーソ ナリティには特定の時間やタスクに依存しない，探索行動全体を対象とした視線データでの推定が適している と考えられる．
以上より，Web情報探索行動時の視線情報のみからタスクやパーソナリティといったユーザー属性を推定 することは可能であることが示された．
一方，分析において，各被験者のデータは訓練データ，検証データ，テストデータのどれか一つにのみ属す るようにしてデータ分割を行った上での推定であった．一般に，同一サンプルのデータを訓練データとテスト データ両方に加えた状態で識別器の学習を行うと，テストデータの精度が向上することが言われている．そこ で，例えばユーザーの視線ログをあらかじめとっておくなどして，訓練データに含ませておくことができれ ば，より精度の高い識別器を作成することが可能となるかもしれない．また，本研究においては分析窓サイズ に対して明確な仮説がなかったため，5secから135secまでの窓サイズを順に投入していき，精度の変化を観 測した．その結果，タスクを推定する上で窓サイズが大きくなるにつれて徐々に推定精度が上がっているた め，もしかすると135sec以上の窓を設定すれば，さらなる精度の向上が見られるのかもしれない．より細か く窓を分割し，最も予測に適した時間窓を明らかにする必要があるだろう．
ユーザーの属性はWeb情報探索行動において，情報要求や方略を規定する重要な要因である．序論でも述 べたとおり，ユーザーの属性を推定することが可能となれば，ユーザーがどういった情報を求めているのか，
どのような方略で情報を探索するのかがわかり，適切な情報探索や評価の支援に繋がる．そうした情報支援 は，情報化が急速に進む今後の社会において非常に重要なものとなる．その際，Webページに豊富なリッチ コンテンツを埋め込むことができるJavaScript言語の昨今の隆盛をはじめ，目まぐるしく変化し続けるWeb 技術に対し，特定のWebページにやコンテンツに依存しない，汎用的かつ簡便な方法でユーザー属性を推定 する手法を開発する必要があるだろう．視線行動計測は，ユーザーに大きな負担を強いることはなく，特別な 技術を必要としない．また，カメラの高性能化や視線トラッキング技術の進展に伴って，視線情報は今後ます ます身近なものとなっていくことが予想され，誰でも簡単に視線の計測が可能となっていくだろう．そうした 点でも，本研究の結果は，今後のWeb情報探索行動研究，ならびに属性推定研究のコンテクストに対しても 一つの可能性を示したと言える．最近ではヘッドマウントディスプレイやスマートゴーグルなどの視聴覚デバ イステクノロジーの進化も目覚しく，より簡易に視線データを蓄積することが可能となるだろう．将来的に は，視線情報を利用した属性推定技術により，Web情報探索行動だけに限らず，よりパーソナライズされた 広告や商品の提案ができるようになることが期待される．
引用文献
[1] Al-Samarraie, H., Eldenfria, A., & Dawoud, H. (2017). The impact of personality traits on users information-seeking behavior. Information Processing and Management, 53(1), 237–247.
https://doi.org/10.1016/j.ipm.2016.08.004
[2] Baranes, A., Oudeyer, P. Y., & Gottlieb, J. (2015). Eye movements reveal epistemic curiosity in human observers.Vision Research,117, 81–90. https://doi.org/10.1016/j.visres.2015.10.009
[3] Bulling, A., Ward, J. A., Gellersen, H., & Tr¨oster, G. (2011). Eye movement analysis for activity recognition using electrooculography.IEEE Transactions on Pattern Analysis and Machine Intelli-gence,33(4), 741–753. https://doi.org/10.1109/TPAMI.2010.86
[4] Brieman, L. (2001). Random forests. Machine Learning, 45(1), 5-32, 2001.
https://doi.org/10.1007/978-3-662-56776-0 10.
[5] Buscher, G., White, R. W., Dumais, S., & Huang, J. (2012). Large-scale analysis of in-dividual and task differences in search result page examination strategies. Proceedings of the Fifth ACM International Conference on Web Search and Data Mining - WSDM 12, 373.
https://doi.org/10.1145/2124295.2124341
[6] Dumais, S. T., Buscher, G., & Cutrell, E. (2010). Individual differences in gaze patterns for web search.Proceeding of the Third Symposium on Information Interaction in Context - IIiX 10, 185.
https://doi.org/10.1145/1840784.1840812
[7] Goldberg, L. R. (1992). The development of markers for the big-five factor structure. Psychology Assessment, 4, 26-42.
[8] Graham, L., & Metaxas, P. T. (2003). Of course it s true; i saw it on the internet! Critical thinking in the internet era.Communications of the ACM,46(5), 70–75. https://doi.org/10.1145/769800.769804 [9] Granka, L. A., Joachims, T., & Gay, G. (2004). Eye-tracking analysis of user behavior in WWW search.Proceedings of the 27th Annual International Conference on Research and Development in Information Retrieval - SIGIR 04, 478. https://doi.org/10.1145/1008992.1009079
[10] Guan, Zhiwei. & Cutrell, Edward. (2007). An eye tracking study of the effect of target rank on web search.Proceedings of the SIGCHI conference on Human fac- tors in computing systems, 417–420.
[11] Halder, S., Roy, A., & Chakraborty, P. K. (2010). The influence of personality traits on information seeking behaviour of students.Malaysian of Library & Information Science,15(1), 41–53.
[12] Heinstr¨om, J. (2003). Five personality dimensions and their influence on information behaviour.
Information Research,9(1), 1–24.
[13] Hoppe, S., Loetscher, T., Morey, S. A., & Bulling, A. (2018). Eye Movements During
Everyday Behavior Predict Personality Traits. Frontiers in Human Neuroscience, 12, 1–8.
https://doi.org/10.3389/fnhum.2018.00105
[14] H¨olscher, C., & Strube, G. (2000). Web search behavior of internet experts and newbies.Computer Networks, 33(1), 337–346. https://doi.org/10.1016/S1389-1286(00)00031-1.
[15] Inoue, H., Hirayama, T., Doman, K., Kawanishi, Y., Ide, I., Deguchi, D., & Murase, H. (2016).
A classification method of cooking operations based on eye movement patterns. ETRA ’16: Pro-ceedings of the Ninth Biennial ACM Symposium on Eye Tracking Research & Applications, 205–208.
https://doi.org/10.1145/2857491.2857500
[16] Jansen, B. J., & Pooch, U. (2001). A Review of Web Searching Studies and a Framework for Future Research.Journal of the American Society for Information Science and Technology,52(3), 235–246.
https://doi.org/10.1002/1097-4571(2000)9999:9999¡::AID-ASI1607¿3.0.CO;2-F
[17] Kar, A., & Corcoran, P. (2017). A review and analysis of eye-gaze estimation systems, algo-rithms and performance evaluation methods in consumer platforms.IEEE Access, 5, 16495–16519.
https://doi.org/10.1109/ACCESS.2017.2735633
[18] Kellar, M., Watters, C., & Shepherd, M. (2007). A field study characterizing Web‐based infor-mation‐seeking tasks. Journal of the American Society for Information Science and Technology, 58(7), 999-1018. https://doi.org/10.1002/asi.20590
[19] Kim, K. S., & Allen, B. (2002). Cognitive and task influences on Web searching behav-ior. Journal of the American Society for Information Science and Technology, 53(2), 109–119.
https://doi.org/10.1002/asi.10014
[20] Kim, J. (2008). Task as a context of information seeking: an investigation of daily life tasks on the web.Libri,58, 172–181. https://doi.org/10.1515/libr.2008.018
[21] Lall´e, S., Conati, C., & Carenini, G. (2016). Predicting confusion in information visualization from eye tracking and interaction data. IJCAI International Joint Conference on Artificial Intelligence, 2016-January, 2529–2535.
[22] Marchionini, G. (2006). From finding to understanding.Communications of the ACM,49(4), 41–46.
[23] Martzoukou, K. (2005). A review of Web information seeking research: Considerations of method and foci of interst.Information Research, 10(2).
[24] Mori, T., & Kougo, M. (2017). Frailty detection by MIMAMORI monitoring sensors. Journal of Nursing Science and Engineering,4(1), 2–14. https://doi.org/10.24462/jnse.4.1 2
[25] Satoshi, Nishiguchi., Kazuhide, Higashi., Yoshinari, Kameda., Koh, Kakusho., & Michihiko, Minoh.
(2009). Audio and Visual Information Integration for Speaker’s Localization in Automatic Shooting of Lecture.IEEJ Transactions on Electronics Information and SystemsIEEJ Transactions on Electronics Information and Systems.124(3), 729-739.
[26] Papoutsaki, A., Laskey, J., & Huang, J. (2017). SearchGazer: Webcam eye tracking for remote stud-ies of web search.CHIIR 2017 - Proceedings of the 2017 Conference Human Information Interaction and Retrieval, 17–26. https://doi.org/10.1145/3020165.3020170
[28] Rao, D., Yarowsky, D., Shreevats, A., & Gupta, M. (2010). Classifying latent user at-tributes in Twitter.International Conference on Information and Knowledge Management, 37–44.
https://doi.org/10.1145/1871985.1871993
[29] Rew, J., Hwang, E., Choi, Y. H., & Rho, S. (2018). Monitoring skin condition using life activities on the SNS user documents. Multimedia Tools and Applications, 77(8), 9827–9847.
https://doi.org/10.1007/s11042-017-4623-z
[30] Seo, Y. W., & Zhang, B. T. (2000). Learning user s preferences by analyzing Web-browsing be-haviors. Proceedings of the International Conference on Autonomous Agents, (January), 381–387.
https://doi.org/10.1145/336595.337546
[31] Steinhauer, S. R., Condray, R., & Kasparek, A. (2000). Cognitive modulation of midbrain function:
task-induced reduction of the pupillary light reflex.International Journal of Psychophysiology, 39, 21-30.
[32] Takaku, M., Egusa, Y., Terai, H., Saito, H., Miwa, M., & Kando, N. (2010). Influence of Task Type and User Group on Web-based Information Seeking Behavior.Joho Chishiki Gakkaishi, 3, 249–276.
https://doi.org/10.2964/jsik.20-026
[33] Terai, Hitoshi., & Miwa, Kazuhisa. (2006). Sudden and Gradual Processes of Insight Problem Solv-ing: Investigation by Combination of Experiments and Simulations.Proceedings of the Annual Meet-ing of the Cognitive Science Society,28. Retrieved from https://escholarship.org/uc/item/8sx0w2k2 [34] van Gog, T., Paas, F., van Merri¨enboer, J. J. G., & Witte, P. (2005). Uncovering the problem-solving process: cued retrospective reporting versus concurrent and retrospective reporting.Journal of Experimental Psychology.11(4), 237–244. https://doi.org/10.1037/1076-898X.11.4.237
[35] You, Q., Bhatia, S., & Luo, J. (2016). A picture tells a thousand words - About you!
User interest profiling from user generated visual content. Signal Processing, 124, 45–53.
https://doi.org/10.1016/j.sigpro.2015.10.032
[36] Wathen, C. N., & Burkell, J. (2002). Believe it or not: Factors influencing credibility on the Web. Journal of the American Society for Information Science and Technology, 53(2), 134–144.
https://doi.org/10.1002/asi.10016
[37] Zemblys, R., Niehorster, D. C., Komogortsev, O., & Holmqvist, K. (2018). Using machine learning to detect events in eye-tracking data. Behavior Research Methods, 50(1), 160–181.
https://doi.org/10.3758/s13428-017-0860-3
[38] Zhou, M. (2017). Do Online Search Processes Vary by Task Complexity ? An Eye-Tracking Study. International Journal of Social Science and Humanity, 7(11), 698–701.
https://doi.org/10.18178/ijssh.2017.7.11.910
[39] Zhuang, C., Ma, Q., & Yoshikawa, M. (2017). SNS user classification and its ap-plication to obscure POI discovery. Multimedia Tools and Applications, 76(4), 5461–5487.
https://doi.org/10.1007/s11042-016-4034-6
[40] 天野恵美子. (2018).インターネット上の広告とマーケティングをめぐる課題 ―米国のsnsを活用した広 告とマーケティングの違反事例からの示唆―.社会科学論集, 154, 45–60.
[41] 市川裕介., 小林透. (2011). ユーザーのWebアクセス履歴のべき乗分布に着目した属性推定手法の提案. 情報処理学会論文誌, 52(3), 1195-1203.
[42] 小塩真司.,阿部晋吾., カトロー二 ピノ. (2012).日本語版Ten Item Personality Inventory (TIPI-J)作 成の試み,パーソナリティ研究，21，40-52.
[43] 斎藤ひとみ., 江草由佳.,高久雅生., 寺井仁., 三輪眞木子.,神門典子. (2008). 課題の志向性の違いによる 情報探索行動の比較.日本認知科学会. 13. pp37-42.
[44] 佐伯圭介., 遠藤雅樹.,廣田雅春., 倉田陽平.,横山昌平. (2015). DEIM Forum 2015, C4-3.
[45] 杉田賢治., 福原知宏.,増田英孝., 山田剛一. (2011).ブラウザ操作ログ収集ツールを用いたWebページ閲 覧行動分析.情報処理学会研究報告, 153(1), 1–9.
[46] 高久雅夫.,江草由佳.,寺井仁.,齋藤ひとみ.,三輪眞木子.,神門典子. (2009).サーチエンジン検索結果ペー ジにおける視線情報の分析. 情報知識学会誌, 19(2), 224-235.
[47] 松尾豊., 岡崎直観.,中村嘉志., 西村拓一., 橋田浩一.,中島秀之. (2007). 位置履歴からのユーザ属性の推 定. 情報処理学会論文誌, 48(6), 2106-2117.
[48] 松延拓生. (2014).ウェブサイトのユーザビリティ評価のための視線分析方法.ヒューマンインタフェース
学会論文誌，Vol.16, No.4, pp293-302. https://doi.org/10.11184/his.16.4 293
[49] 三輪眞木子.,江草由佳.,齊藤ひとみ.,高久雅生.,寺井仁.,神門典子. (2009). Web上のexploratory search の特徴 ： 発話プロトコルと事後インタビュー分析結果より.情報処理学会研究報告, 2009-FI-96(2), 1–8.
[50] 山本祐輔., 山本岳洋.,大島裕明., 川上浩司. (2018). DEIM Forum 2018 D5-5.
[51] 和久井秀樹., 平田豊. (2014).眼球・瞳孔運動に現れる覚醒状態とその神経機構. The Brain & Neural Networks, 21(1), 20–31. https://doi.org/10.3902/jnns.21.20