Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Item-Based Ranking Creation: A Human-Centered Approach Combining Visual Analytics with Active Learning |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2022 |
| Abstract Text | With the ever-increasing amount of and widely spread access to data, decision-making is becoming a complex task. Decision-making tasks can often be supported by utilizing rankings to help decision-makers to understand their different options. Existing solutions for the creation of rankings are often time-consuming, targeted towards experts only, unintuitive to use, or attributebased and therefore need mathematical understanding for their interpretation. We propose Ranking Companion, a human-centered approach combining visual analytics with active learning to create item-based ranking. Ranking Companion makes rankings intuitively and interactively available to end users, while reducing the necessary amount of input provided by users to create meaningful rankings. Our novel approach allows users to create rankings iteratively and remain in full control of the input provided to the machine learning model. Moreover, Ranking Companion provides explainability for the underlying machine learning model. In this work, we apply Ranking Companion in a decision task in the musical domain: finding new artists to listen to. Our approach is evaluated using feedback on design iterations by visual analytics experts, a usage scenario, as well as a case study. The evaluations show that the approach indeed decreases time necessary for providing model input, while increasing user acceptance of the provided rankings for certain user groups. |
| Zusammenfassung | Mit der ständig wachsenden Menge an Daten und dem weit verbreiteten Zugang wird die Entscheidungsfindung zu einer komplexen Aufgabe. Die Entscheidungsfindung kann häufig durch die Verwendung von Rankings unterstützt werden, die den Entscheidungsträgern dabie helfen, ihre verschiedenen Optionen besser zu verstehen. Bestehende Lösungen für die Erstellung von Rankings sind oft zeitaufwändig, nur für Experten gedacht, nicht intuitiv zu bedienen oder attributbasiert und erfordern daher ein mathematisches Verständnis für ihre Interpretation. Wir führen Ranking Companion ein, einen menschenzentrierten Ansatz, der visuelle Analytik mit aktivem Lernen kombiniert, um objektfokussierte Rankings zu erstellen. Ranking Companion macht Rankings intuitiv und interaktiv für Endnutzer verfügbar und reduziert gleichzeitig die Menge an Eingaben, die von den Nutzern gemacht werden müssen, um zufriedenstellende Rankings zu erhalten. Unser neuartiger Ansatz ermöglicht es den Nutzern, iterativ Rankings zu erstellen und dabei die volle Kontrolle über die Eingaben für das maschinelle Lernmodell zu behalten. Darüber hinaus bietet Ranking Companion Erklärungsmöglichkeiten für das zugrunde liegende maschinelle Lernmodell. In dieser Arbeit wenden wir Ranking Companion auf eine Entscheidungsaufgabe im Musikbereich an: die Suche nach neuen Künstlern, welche man sich anhören möchte. Unser Ansatz wird anhand des Feedbacks von Visual-Analytics-Experten zu den Entwurfsiterationen, einem Anwendungsszenario und einer Fallstudie evaluiert. Die Auswertungen zeigen, dass der Ansatz tatsächlich den Zeitaufwand für die Bereitstellung von Modelleingaben verringert und gleichzeitig die Akzeptanz der erstellten Rankings für bestimmte Nutzergruppen erhöht. |
| PDF File |
Download
|
| Export |
BibTeX
|