Medición de respuestas a notificaciones en Smartphones según carga cognitiva y perfil de adición del usuario

Abstract

El presente trabajo de título tiene como objetivo la medición cuantitativa de los tiempos de respuesta a notificaciones según el nivel teórico de carga cognitiva y el perfil de uso de una persona con su Smartphone. Esto se calcula gracias a la instalación de una aplicación dedicada a recolectar datos de contexto en las que se encuentra un usuario y la información entregada por un cuestionario diseñado especialmente para medir posibles casos de sobreuso de Smartphone de un usuario. El proyecto toma en consideración una desagregación de la forma en que se interactúa con una notificación junto con el perfil de uso del Smartphone, consideraciones que no han sido estudiadas en profundidad en el estado del arte. Esta memoria está dentro del marco del proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez. El problema tipo de estudio de este proyecto es cuando un usuario debe dividir su atención entre una actividad primaria física por ejemplo, caminar, hablar e interacciones del usuario con un computador, ya sea de escritorio, Tablet o Smartphone. La aplicación mide el nivel teórico de carga cognitiva del usuario, tomando en consideración el nivel de ruido, la actividad física y el nivel de luminosidad. La investigación se desarrolla en terreno, solicitando al usuario instalar la aplicación y para luego como interactúa con esta y su Smartphone en el día a día. Se realizó el experimento en 2 ocasiones distintas debido a problemas con el instrumento de medición. Un total de 88 entregaron datos útiles que fueron estudiados y 150 personas completaron el cuestionario sobre el perfil de uso de Smartphone. Se usaron análisis estadísticos para ver si existen diferencias significativas entre los tiempos de respuesta para las distintas variables recolectadas y se aplicó el proceso de Knowledge Discovery in Databases para obtener una correcta aplicación de los algoritmos de minería de datos. Son usados los algoritmos de Support Vector Machine, Regresiones Logísticas y un algoritmo de Deep Learning para hacer clasificaciones sobre el tipo de interacción con una notificación enviada y el perfil del usuario. Los resultados indican que existen diferencias significativas en los tiempos de respuesta a una notificación según el nivel de carga cognitiva y el perfil de uso. Los mejores resultados para las clasificaciones son obtenidas por el algoritmo de Deep Learning, obteniendo un poder predictivo cercano al 90%.