Autres approches d’adaptation

En plus des approches d’adaptation basées sur les modèles, certains travaux d’adaptation des IHM se sont penchés sur d’autres types d’approches, telles que l’utilisation de patrons de conception [Retalis et al. 2006 ; Peissner et al. 2012 ; Märtin et al. 2016] ou encore l’utilisation de l’apprentissage automatique [Byun et al. 2004 ; Genaro Motti et al. 2012 ; Appriou et al. 2018]. Dans cette section, nous présentons le travail de [Peissner et al. 2012] basé sur les patrons de conception qui a la particularité de prendre en compte un nombre particulièrement important de caractéristiques utilisateurs. Dans un second temps, nous décrivons l’approche de [Genaro Motti et al. 2012] utilisant l’apprentissage automatique, et qui nous semble être la plus avancée au regard de nos problématiques.

II. Etat de l’Art

63

MyUI [Peissner et al. 2012] est une infrastructure de développement d’IHM visant à améliorer l’accessibilité par le biais d’une adaptation à l’utilisateur. Le processus d’adaptation de MyUI se déroule en 3 phases (voir Figure 14) : 1) le paramétrage de l’IHM, 2) la préparation de l’IHM, et 3) la génération et l’adaptation de l’IHM.

La première étape, le paramétrage de l’IHM, se base sur un « profil utilisateur » comprenant des informations sur l’utilisateur ainsi que son environnement actuel ; un « profil de plate-forme » comprenant des informations à propos des plates-formes disponibles et utilisées ; et un « profil de personnalisation » comprenant les paramètres de personnalisation définis par le développeur. Cette étape vise à générer un « profil d’IHM », définissant les caractéristiques générales de l’IHM reflétant les besoins spécifiques liés à l’utilisateur courant, son environnement et sa ou ses plateformes, tels que les différentes tailles de police de caractères (titres ou corps, par exemple) ou encore le « mode d’affichage » qui sera utilisé (allant de « principalement texte » à « seulement graphique »). L’étape suivante, la préparation de l’IHM, a pour but de sélectionner les composants et éléments de l’interface les plus adaptés à la situation courante de l’utilisateur. Pour cela, elle se base sur le profil d’IHM généré suite à la première étape, et sur un « modèle d’interaction d’application abstrait » définissant les situations d’interaction possibles pour chaque état de l’application. Enfin, l’étape de génération et d’adaptation de l’IHM utilise la sortie de l’étape 2, les composants de l’interface sélectionnés, afin de générer dynamiquement une interface finale complète et adaptée en accord avec le contexte d’usage connu.

Les règles d’adaptation sont ici gérées grâce à une base de patrons de conception. Différents patrons sont sélectionnés afin de répondre au mieux aux besoins utilisateurs déduits du contexte d’usage. L’adaptation de l’interface se traduisant par un nouveau choix de patron, supposé être le plus approprié pour le contexte donné. Par exemple, le groupe « mode d’affichage » regroupe cinq patrons de conception permettant de décider quel est le ratio entre texte et graphique à mettre en œuvre (texte uniquement, principalement texte, texte et graphiques, principalement graphique, et graphiques uniquement). Le patron de conception « principalement graphiques », par exemple, se traduit comme suit : (1) Problème : Les utilisateurs ayant des troubles moyens de réception au langage ont des difficultés à interpréter des interacteurs uniquement textuels. (2) Contexte : If (UnderstandingAbstractSigns < 2 AND 2 ≤ LanguageReception < 3). (3) Solution : Then set DisplayMode = "mainly graphics".

MyUI liste un grand nombre de caractéristiques utilisateurs, comprenant ses informations personnelles (son nom, son âge, son email, …), ses caractéristiques (son acuité visuelle, son champ de vision, son ouïe, sa réception au langage, son attention, sa précision des doigts, mains, bras, ou encore l’expérience de l’utilisateur sur l’application utilisée), ainsi que ses préférences (langue préférée, sortie vocale optionnelle, …). Cependant, ces caractéristiques sont principalement déclarées par l’utilisateur, et MyUI utilise des seuils fixes pour définir les différents états d’une caractéristique, sans gestion de l’incertitude. En termes de règles, MyUI se focalise sur une amélioration de l’accessibilité en fonction de certains handicaps.

II. Etat de l’Art

64 Figure 14 : Génération et adaptation d'IHM via MyUI

[Genaro Motti et al. 2012] se penchent sur l’utilisation de l’Apprentissage Automatique (Machine Learning) pour adapter des IHM au contexte d’usage, principalement dans le but d’optimiser les interactions des utilisateurs et de limiter leurs erreurs. L’apprentissage automatique permet de gérer des données complexes et floues, et de calculer des inférences complexes à partir de celles-ci.

Les auteurs indiquent que le processus d'apprentissage, dans le cas de l’apprentissage automatique, se produit lorsque : (1) les priorités (ou poids) des règles d'adaptation sont modifiées dans un arbre de décision, fournissant des résultats d'adaptation plus adaptés au contexte de l'utilisateur, (2) les enregistrements du précédent comportement d'interaction sont analysés et des schémas récurrents sont identifiés, permettant d’aider le moteur d'adaptation à effectuer automatiquement de nouvelles adaptations, et (3) un retour négatif est donné par l'utilisateur suite à une adaptation venant d’être mise en place, entraînant la diminution du poids d’une technique d’adaptation au sein du moteur.

Les approches en apprentissage automatique reposent sur le comportement et les retours de l'utilisateur final. Par exemple, si un certain schéma d’interaction est identifié dans les logs d'interaction de l'utilisateur, il est probable que la navigation dans l'application puisse être optimisée en conséquence. Et si l'utilisateur accepte l'adaptation proposée par le système, ce retour d'expérience est utilisé par le moteur pour définir cette adaptation comme réussie, à l’inverse si l’utilisateur refuse l’adaptation, le moteur diminuera le poids de celle-ci afin de proposer une nouvelle adaptation.

Cependant, cela entraîne la nécessité de présenter des interfaces qui ne sont pas les plus adaptées aux utilisateurs, tant que les retours positifs et négatifs n’ont pas été effectués en

II. Etat de l’Art

65

nombre suffisant. De plus, cet article présente des cas d’applications potentiels, mais aucun n’a réellement été mis en pratique. Enfin, les auteurs ne mentionnent pas l’incertitude des valeurs des caractéristiques à proprement parler mais, comme mentionné en début de description, l’apprentissage automatique en lui-même permet une prise en compte de données complexes et floues. De même, la combinatoire des règles n’est pas mentionnée spécifiquement par les auteurs, mais est gérée par l’apprentissage automatique.