No abstract

No abstract

No abstract

ÖzKullanılabilirlik, müşteri memnuniyeti ve marka sadakati üzerinde önemli etkisi olan ve kullanıcı arayüzlerinin ne kadar kullanıcı dostu olduğunu gösteren önemli bir faktördür. Bu sebeple arayüzlerin ve sistemlerin tasarım, geliştirme ve denetimleri aşamasında kullanılabilirlik problemlerinin tespit edilebilmesi için pek çok yöntem geliştirilmiştir. Kullanılabilirlik değerlendirme yöntemlerinden bir tanesi de sezgisel değerlendirme yöntemidir. Uzmanlar tarafından gerçekleştirilen sezgisel değerlendirme, genel kullanılabilirlik prensipleri olarak tanımlanan sezgisellere dayalı bir yöntemdir. Sezgisel değerlendirme süreçlerinde kullanılacak sistemlere özgü sezgisellerin geliştirilmesi ise uzman görüşlerine dayalı uzun ve zorlu bir süreçtir. Makine öğrenmesi ve yapay zekâ teknolojileri pek çok alanda olduğu gibi kullanılabilirlik alanında da yeni sezgisellerin geliştirilmesi ile ilgili süreçlerin otomasyonu konusunda kullanılabilir. Bu çalışmanın amacı kullanılabilirlik problemlerine dayalı olarak yeni sezgisel geliştirme süreçlerini etkinleştirmek için veri madenciliği ve makine öğrenmesi tekniklerinin kullanılmasıdır. Bu amaçla Türkiye'nin önde gelen dijital platformlarından birisi olan Digitürk'ten TV ve set üstü cihaz arayüzünün yazılımcılar tarafından değerlendirmesi sonucunda elde edilen 3695 kayıt temin edilmiştir ve kayıtlar incelenerek toplamda 2752 kullanılabilirlik problemi belirlenmiştir. Elde edilen kullanılabilirlik problemleri literatürde yaygın bir şekilde kullanılan Nielsen'in on sezgiseli ile eşleştirilmiştir. Çalışma kapsamında öncelikle kullanılabilirlik problemlerinin kullanılabilirlik sezgiselleri açısından belirli örüntülere sahip olup olmadığı ilişkilendirme kuralları tekniği ile araştırılmıştır. Ayrıca kullanılabilirlik problemlerinin sezgisellerle eşleştirilmeleri çeşitli makine öğrenmesi algoritmaları (naive bayes, lojistik regresyon, hızlı geniş marjin, derin öğrenme, rastgele orman, gradyan arttırma ağaçları, destek vektör makineleri teknikleri) yardımıyla tahmin edilmiştir. Sınıflandırıcıların validasyonu için tekrarlı holdout tekniği kullanılmıştır.