Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Dissertation |
| Scope | Discipline-based scholarship |
| Title | Sensing and indicating interruptibility in office workplaces |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Number of Pages | 149 |
| Date | 2018 |
| Abstract Text | In office workplaces, interruptions by co-workers, emails or instant messages are common. Many of these interruptions are useful as they might help resolve questions quickly and increase the productivity of the team. However, knowledge workers interrupted at inopportune moments experience longer task resumption times, lower overall performance, more negative emotions, and make more errors than if they were to be interrupted at more appropriate moments. To reduce the cost of interruptions, several approaches have been suggested, ranging from simply closing office doors to automatically measuring and indicating a knowledge worker’s interruptibility - the availability for interruptions - to co-workers. When it comes to computer-based interruptions, such as emails and instant messages, several studies have shown that they can be deferred to automatically detected breakpoints during task execution, which reduces their interruption cost. For in-person interruptions, one of the most disruptive and time-consuming types of interruptions in office workplaces, the predominant approaches are still manual strategies to physically indicate interruptibility, such as wearing headphones or using manual busy lights. However, manual approaches are cumbersome to maintain and thus are not updated regularly, which reduces their usefulness. To automate the measurement and indication of interruptibility, researchers have looked at a variety of data that can be leveraged, ranging from contextual data, such as audio and video streams, keyboard and mouse interaction data, or task characteristics all the way to biometric data, such as heart rate data or eye traces. While studies have shown promise for the use of such sensors, they were predominantly conducted on small and controlled tasks over short periods of time and mostly limited to either contextual or biometric sensors. Little is known about their accuracy and applicability for long-term usage in the field, in particular in office workplaces. In this work, we developed an approach to automatically measure interruptibility in office workplaces, using computer interaction sensors, which is one type of contextual sensors, and biometric sensors. In particular, we conducted one lab and two field studies with a total of 33 software developers. Using the collected computer interaction and biometric data, we used machine learning to train interruptibility models. Overall, the results of our studies show that we can automatically predict interruptibility with high accuracy of 75.3%, improving on a baseline majority classifier by 26.6%. An automatic measure of interruptibility can consequently be used to indicate the status to others, allowing them to make a well-informed decision on when to interrupt. While there are some automatic approaches to indicate interruptibility on a computer in the form of contact list applications, they do not help to reduce in-person interruptions. Only very few researchers combined the benefits of an automatic measurement with a physical indicator, but their effect in office workplaces over longer periods of time is unknown. In our research, we developed the FlowLight, an automatic interruptibility indicator in the form of a traffic-light like LED placed on a knowledge worker's desk. We evaluated the FlowLight in a large-scale field study with 449 participants from 12 countries. The evaluation revealed that after the introduction of the FlowLight, the number of in-person interruptions decreased by 46% (based on 36 interruption logs), the awareness on the potential harm of interruptions was elevated and participants felt more productive (based on 183 survey responses and 23 interview transcripts), and 86% remained active users even after the two-month study period ended (based on 449 online usage logs). Overall, our research shows that we can successfully reduce in-person interruption cost in office workplaces by sensing and indicating interruptibility. In addition, our research can be extended and opens up new opportunities to further support interruption management, for example, by the integration of other more accurate biometric sensors to improve the interruptibility model, or the use of the model to reduce self-interruptions. |
| Zusammenfassung | Unterbrechungen von Mitarbeitern, E-Mails oder Chatnachrichten sind an heutigen Büroarbeitsplätzen alltäglich. Viele dieser Unterbrechungen sind hilfreich und erhöhen die Produktivität des Teams, da so manche Probleme schneller gelöst werden können. Jedoch können Unterbrechungen auch zu ungünstigen Zeitpunkten auftreten, wie etwa wenn eine Person sehr fokussiert ist. Dies resultiert in einer geringeren Arbeitsleistung, langen Wiedereinarbeitungszeiten, negativen Emotionen und mehr Fehlern, was in Summe hohe Kosten verursachen kann. Es wurden verschiedene Ansätze entwickelt, um die hohen Kosten von Unterbrechungen zu reduzieren. Diese spannen den Bogen von einfachen Strategien wie die Bürotüre zu schliessen, bis zur automatischen Messung und Anzeige der Unterbrechbarkeit - der Verfügbarkeit für Unterbrechungen. Für Unterbrechungen am Computer haben Forscher bereits gezeigt, dass diese als weniger störend empfunden werden, wenn sie automatisch erst am Ende der Aufgabe angezeigt werden. Für persönliche Unterbrechungen, welche zu den störendsten und zeitintensivsten Arten von Unterbrechungen im Büro gehören, sind die vorherrschenden Optimierungsstrategien manuelle Ansätze, wie beispielsweise Kopfhörer aufzusetzen oder ein von Hand gesteuertes Ampellicht. Solche manuellen Ansätze sind jedoch wartungsaufwändig und werden nur selten aktualisiert, was sie weniger nützlich macht. Um die aktuelle Unterbrechbarkeit automatisch messen und anzeigen zu können, haben Forscher bisher verschiedene Datenquellen untersucht. Dazu gehören hauptsächlich kontextuelle Sensordaten wie Audio- und Video-Streams, Tastatur- und Mausinteraktionsdaten oder Charakteristika der aktuellen Aufgabe. Einige wenige Studien haben ausserdem biometrische Sensoren wie Pulsmonitoren oder Eye Tracker verwendet. Die existierenden Studien haben gezeigt, dass diese Sensoren Potential für die Messung von Unterbrechbarkeit haben. Jedoch wurden die zumeist kurzen Studien oft in einer kontrollierten Umgebung durchgeführt, und fokussierten sich entweder auf kontextuelle oder biometrische Sensoren. Somit ist nur wenig über die Anwendbarkeit und Genauigkeit dieser Sensoren bei längerfristigem Einsatz an Büroarbeitsplätzen bekannt. In dieser Arbeit entwickelten wir eine Methode, um Unterbrechbarkeit an Büroarbeitsplätzen automatisch zu messen und verwendeten dafür eine Kombination aus Computerinteraktionsdaten, welche eine Art von kontextuellen Sensordaten darstellen, und biometrischen Daten. Um diese Daten zu gewinnen, haben wir eine Labor- und zwei Feldstudien mit insgesamt 33 Softwareentwicklern durchgeführt. Mit den gesammelten Computerinteraktions- und biometrischen Daten trainierten wir Machine Learning Modelle für Unterbrechbarkeit. Die Resultate unserer Studien zeigen, dass wir Unterbrechbarkeit automatisch und mit einer hohen Genauigkeit von 75.3% vorhersagen können, was 26.6% besser als der Referenzwert eines Majority Classifiers ist. Ein automatisches Mass für Unterbrechbarkeit kann dann anderen Mitarbeitern angezeigt werden, wodurch diese eine besser informierte Entscheidung treffen können, wann Sie ihre Arbeitskollegen unterbrechen können. Existierende Ansätze zur automatischen Anzeige der Unterbrechbarkeit am Computer helfen nicht, um persönliche Unterbrechungen zu reduzieren. Nur sehr wenige Forscher haben den Vorteil einer automatischen Messung mit einer physischen Anzeige kombiniert, jedoch ist deren längerfristiger Einfluss an Büroarbeitsplätzen nicht bekannt. In unserem Ansatz zeigen wir die Unterbrechbarkeit mit dem FlowLight an, einer automatischen Unterbrechbarkeits-Anzeige in Form einer physischen Ampel-ähnlichen Lampe, welche am Arbeitsplatz befestigt wird. Wir haben das FlowLight in einer grossen Feldstudie mit 449 Teilnehmern aus 12 Ländern evaluiert. Die Evaluation hat ergeben, dass die Anzahl der persönlichen Unterbrechungen nach der Einführung von FlowLight um 46% sank (basierend auf 36 Unterbrechungsaufzeichnungen). Ausserdem wurde den Teilnehmern die potentiellen Unterbrechungskosten zunehmend bewusst und sie fühlten sich produktiver (basierend auf 183 Umfrageantworten und 23 Interviewtranskripten) und ein Grossteil von ihnen (86%) nutzen das FlowLight nach dem Ende der zweimonatigen Studie weiter (basierend auf 449 Online Nutzungs-Aufzeichnungen). Zusammenfassend zeigen unsere Ergebnisse, dass wir durch die automatische Messung und Anzeige der individuellen Unterbrechbarkeit die Kosten von persönlichen Unterbrechungen an Büroarbeitsplätzen erfolgreich verringern können. Zusätzlich kann unsere Forschung erweitert werden und eröffnet neue Möglichkeiten, um den Umgang mit Unterbrechungen noch besser zu unterstützen, beispielsweise durch die Integration weiterer oder genauerer biometrischen Sensoren, oder durch die Nutzung des Modells zur Reduktion von Selbst-Unter-brechungen. |
| Other Identification Number | merlin-id:17492 |
| PDF File |
Download from ZORA
|
| Export |
BibTeX
EP3 XML (ZORA)
|