1 UVOD
Raziskave človekovega zaznavanja glasbe so interdi-
sciplinaren izziv, ki povezuje raziskovalna področja
psihologije, kognitivne znanosti, komunikacije človek-
računalnik, strojnega učenja in pridobivanja informacij
iz glasbe (angl. music information retrieval - MIR).
Odpirajo tako teoretična kot praktična vprašanja o zazna-
vanju glasbe [1], z vidika MIR pa so aktualne predvsem
zaradi možnosti nadgradnje obstoječih priporočilnih sis-
temov v smeri uporabniku prilagojenih poizvedb in
Prejet 2. februar, 2015
Odobren 23. marec, 2015
interakcij [2], [3]. Poslušanje glasbe je lahko izjemno
individualna in čustveno navdana izkušnja, odvisna od
osebnostnih lastnosti posameznika, glasbenih preferenc,
trenutnega počutja, kot tudi bolj splošnega konteksta
(starost, spol, izobrazba, socialni in kulturni vpliv, itn.),
zato je način, kako merimo uporabnikovo zaznavanje,
še posebno pomemben. Trenutne MIR raziskave so
osredinjene na integracijo omenjenih parametrov, njihov
namen pa je razvoj algoritmov za računalniško analizo
glasbe in njihovo implementacijo v priporočilne sisteme.
Pri tem sta pomembni predvsem učinkovita in intuitivna
predstavitev in interakcija z vsebinami. Eden glavnih
izzivov pri tem pa je zaobseganje kompleksnosti inte-
rakcij za graditev sistema, ki bo prilagojen preferencam
in trenutnemu počutju posameznega uporabnika.
Članek predstavlja uporabniške vmesnike in meto-
dologijo zbiranja podatkov o uporabnikovih čustvenih
in vizualnih odzivih na glasbo, ki smo jih uporabili
pri graditvi glasbene podatkovne zbirke Moodo. Drugo
poglavje predstavlja ozadje in trenutne trende raziskav
na področju pridobivanja informacij iz glasbe, glas-
bene vizualizacije in komunikacije človek-računalnik.
Tretje poglavje opisuje metodologijo zbiranja podat-
kov in zasnovo uporabniških vmesnikov za modelira-
nje večmodalnih interakcij za potrebe glasbene zbirke
Moodo. Predstavljena sta postopka preliminarne analize
nabora čustvenih oznak in raziskave zaznavanja glasbe.
Četrto poglavje obsega analizo zbranih podatkov, razi-
skavo uporabniške izkušnje in rezultate evalvacije novih
94 PESEK ET AL.
uporabniških vmesnikov MoodStripe in MoodGraph ter
primerjavo s klasično metodo zbiranja podatkov. V za-
ključnem, petem poglavju avtor razpravlja o možnostih
nadaljne uporabe novih vmesnikov.
Članek prinaša:
• celovit pristop k načrtovanju metodologije za zbi-
ranje podatkov o uporabnikih;
• nova grafična uporabniška vmesnika MoodStripe
in MoodGraph, ki po intuitivnosti in uporabniški
izkušnji presegata obstoječe vmesnike za zbiranje
podatkov o uporabnikih.
2 PREGLED PODROČJA
Pregled področja zajema problematiko pridobivanja in-
formacij iz glasbe s poudarkom na glasbenih pri-
poročilnih sistemih in glasbeni vizualizaciji ter splošnih
izzivih s področja komunikacije človek—računalnik.
2.1 Pridobivanje informacij iz glasbe
Raziskave pri pridobivanju informacij iz glasbe (MIR)
se primarno ukvarjajo z algoritmi za analizo podatkov
iz glasbe. Med drugimi je eden od ciljev področja
tudi graditev glasbenih priporočilnih sistemov. Ti lahko
delujejo na podlagi različnih glasbenih parametrov. Sis-
tem lahko glasbo priporoča glede na podobnost tre-
nutno predvajanega posnetka z drugimi, izračunano na
podlagi značilnic izločenih iz posnetkov. Posnetki se
lahko primerjajo tudi na ravni metapodatkov, kjer sistem
priporoča skladbe, ki so medsebojno podobne glede
na izvajalca, obdobje ali zvrst. Čedalje pogostejši so
tudi sistemi, ki primerjajo družabne oznake (angl. social
tags), ki poleg pogosto vključenih oznak o žanru vsebu-
jejo tudi podrobnosti o glasbenih entitetah, kot so: način
izvedbe skladbe, tip vokala, uporabljeni inštrumenti in
situacijske opise, npr. glasba za ozadje, telesne vaje ali
delo. Prav tako so v oznakah pogosto prisotne čustvene
oznake, ki se navezujejo na zaznana čustva v glasbi (npr.
melanholično), kot tudi čustva, vzbujena v uporabniku
(npr. vznemirjenje, energično).
Prav čustva imajo pri izboru priporočil pomembno
vlogo, zato je na področju MIR veliko aktivnih raziskav,
ki se ukvarjajo z razvojem algoritmov za razpoznavo
čustev v glasbi. Pri tem je potreba najprej definirati, kako
lahko čustva sploh opišemo. Uporabnikovo počutje in
trenutna čustva, kakor tudi čustveno označevanje glasbe,
tipično zbiramo na dva načina: diskretno, kjer so čustva
definirana kot diskretne kategorije, in zvezno, na pod-
lagi prepletanja več dimenzij. Diskretni čustveni model
meri intenziteto oz. prisotnost vsakega čustva posebej,
ločeno od drugih čustev, tipično z večstopenjsko lestvico
(npr. prisotno—neprisotno). Zvezni čustveni model pri
merjenju čustev uporablja več dimenzij. Najbolj znan in
pogosto uporabljen zvezni čustveni model je Russellov
krožni model afekta (angl. Circumplex model of affect)
[4]. V tem modelu so čustva predstavljena v dvodi-
menzionalnem koordinatnem prostoru prijetnosti (angl.
valence) in intenzitete (angl. arousal) — poimenova-
nem tudi ”valence-arousal (VA) space” (v nadaljnjem
besedilu VA- prostor). Izbira čustvenega modela ni tri-
vialna in vpliva na rezultate modeliranja [5]. Za potrebe
raziskav glasbene kognicije je bilo razvitih več različic
Russellovega modela, na primer [6], [7], [8], [9], ki je
v omenjenih raziskavah tudi najpogosteje uporabljen.
Evalvacija MIR-algoritmov navadno poteka na ano-
tiranih zbirkah podatkov, ki so zbrane z anketiranjem
uporabnikov. V preteklih letih je bilo zgrajenih več javno
dostopnih baz. Eerola idr. [5] so pri graditvi podatkovne
zbirke, ki vsebuje 360 anotiranih posnetkov filmske
glasbe, uporabili tridimenzionalni zvezni model (dimen-
zije prijetnosti, intenzitete in napetosti). Podatkovna
zbirka Mood Swings Turk vsebuje povprečno 17 anotacij
za 240 posnetkov popularne glasbe; tu je bil uporabljen
klasičen VA-model [10]. Prav tako so dvodimenzionalen
VA model uporabili pri graditvi podatkovne zbirke MTV,
ki vsebuje pet bipolarnih anotacij za 192 popularnih pe-
smi [11] s seznamov predvajanj na kanalu MTV. Glavna
omejitev obstoječih glasbenih zbirk za potrebe MIR je
predvsem pomanjkanje zadostnega števila uporabniških
podatkov, ki se navezujejo na zaznavanje glasbe.
Poznamo tudi diskretne modele, ki v določenih vidi-
kih presegajo različice Russelovega modela, na primer
model GEMS [12] in zbirka čustev AllMusicGuide [13].
Zadnji naj bi bili primernejši za zajem vzbujenih čustev
in so uporabljeni v več raziskavah [3], [14].
2.2 Glasbena vizualizacija
Raziskav na področju glasbene vizualizacije, ki po-
udarjajo uporabniku prilagojen pristop, je razmeroma
malo [15]. Eden večjih izzivov je povezovanje avdio—
vizualnih modalitet uporabniškega vmesnika. Čeprav
glasbene vizualizacije uporabljajo barvne sheme za
upodobitev razmerij med entitetami, trenutni sistemi
večinoma ne uporabljajo barvnih kombinacij, ki bi
temeljile na analizi človekovega zaznavanja barv in
glasbe, marveč so povezave med modalitetama izbrane
naključno ali pa na podlagi nekih splošnih razmerij.
Posledično je še danes glavni poudarek na vizuali-
zacijah raznovrstnih glasbenih in zvočnih značilk, od
nizkonivojskih spektralnih značilk do visokonivojskih
glasbenih vzorcev in glasbenih metapodatkov [16]. Glas-
bene vizualizacije te vrste lahko na grobo razdelimo v
dve kategoriji: vizualizacije glasbenih parametrov (npr.
harmonij, časovnih vzorcev in drugih glasbenih entitet)
[17], [18], [19], [20] in vizualizacije virtualnih prostorov
za pojasnjevanje razmerij med različnimi glasbenimi
posnetki. Zadnji so primernesši za priporočilne sisteme
in sisteme za analizo glasbe. Namen vizualizacij prosto-
rov variira od aplikacij za virtualne glasbene knjižnice
[21], [22], prilagoditve za mobilne naprave [23] do
izdelave predogledov za predstavitev glasbenih datotek
[24]. Nedavni izzivi, kot je npr. ”The Grand challenge at
UPORABNIŠKI VMESNIKI IN METODOLOGIJA PRIDOBIVANJA VEČMODALNIH PODATKOV O GLASBI 95
Mirex evaluation exchange initiative”∗ pa kljub vsemu
kažejo na to, da se zanimanje na področju uporabniško
usmerjene interakcije in glasbene vizualizacije v za-
dnjem času povečuje.
2.3 Uporabniški vidik: komunikacija človek—
računalnik
Področje komunikacije človek—računalnik (angl. hu-
man computer interaction - HCI) se osredinja na funk-
cionalnost in uporabnost uporabniških vmesnikov ter
zajema celotno uporabnikovo izkušnjo. Zahteva integra-
cijo treh osnovnih vidikov: človeški vidik (uporabnik),
tehnološki vidik (sistem) in interakcijo med obema (ko-
munikacija). Področje se v zadnjem času razvija v smer
večmodalnih arhitektur [25] in povezovanje različnih
sorodnih panog, kot so računalniški vid in procesiranje
signalov z raziskavami v psihologiji, kognitivni znanosti
in umetni inteligenci.
V zadnjem času je čedalje več zanimanja za upo-
rabniško usmerjen pristop, ki ne temelji zgolj na logični
interakciji človek—računalnik, marveč poudarja subtilen
(pogosto izmuzljiv in nelogičen), čustven del človeške
komunikacije. To imenujemo ”čustveno računalništvo”
[26] in pomeni aktualno temo uporabniško usmerjenih
računalniških raziskav. Cilj čustvenega računalništva je
simulacija vedenjskih vzorcev, osebnostnih in čustvenih
značilnosti človeka z računalniškimi sredstvi: z opazova-
njem, tolmačenjem in ustvarjanjem značilk čustvenega
vpliva, vezanih na obdelavo informacij o uporabniku
[27]. Danes je čedalje več primerov praktičnih aplikacij
na različnih področjih, kot so navidezna resničnost,
pametni nadzor, večmodalni vmesniki, nosljivi sen-
zorji itn., s splošnim ciljem, da se izboljša interakcija
človek—računalnik v bolj intuitivno, prilagojeno in pri-
jetno uporabniško izkušnjo.
3 GRADITEV PODATKOVNE ZBIRKE
Moodoo
V nadaljevanju predstavljamo metodologijo graditve po-
datkovne zbirke Moodoo, ki združuje podatke o upo-
rabnkih in njihovih čustvenih in vizualnih odzivih na
glasbo. Naš cilj je bil zbrati čim več čim bolj relevantnih
podatkov, brez prevelikega bremena za anketirance, ki bi
negativno vplivalo na kakovost zbranih podatkov.
Zbiranje podatkov smo začeli s preliminarno analizo,
s katero smo definirali nabor čustvenih oznak, upora-
bljenih za označevanje čustev v zbirki. V nadaljevanju
opisujemo osrednjo raziskavo, pri kateri predstavljamo
tudi dva nova grafična uporabniška vmesnika za zajem
podatkov: MoodStripe in MoodGraph in strukturo celo-
tnega vprašalnika. Postopek zbiranja podatkov, vključno
s preliminarno analizo, glavno raziskavo in naknadno
evalvacijo vmesnikov, smo izvedli v slovenskem jeziku.
∗http://www.music-ir.org/mirex/wiki/2014:GC14UX
3.1 Preliminarna analiza: izbor čustvenih oznak in
barv
Namen preliminarne analize je bil izbor relevantnih
čustvenih oznak za glavno raziskavo o čustvenem in
barvnem zaznavanju glasbe. Pregled literature in raz-
iskav s področja glasbenega zaznavanja, predvsem v
psihologiji in MIR, namreč ni dal konkretnih rešitev,
saj do danes nista bila splošno sprejeta model in nabor
čustev, primernih za označevanje glasbe - obstoječe
zbirke čustvenih oznak so večinoma izbrane intuitivno,
brez dodatne razlage. Težava je tudi v tem, da niso
vsa čustva primerna za opisovanje glasbe (npr. gnev).
Posledično smo lasten nabor čustvenih oznak črpali
iz več dobro definiranih dimenzionalnih in diskretnih
modelov s področja raziskav glasbe [28], [12], [13].
Ker smo raziskavo izvedli v slovenskem jeziku in za
slovensko govoreče uporabnike, smo v izhodišču zbrali
širši nabor slovenskih čustvenih oznak, ki so bile kot
podlaga za preliminarno analizo.
V preliminarni analizi smo zbrali podatke 63 uporab-
nikov. Vprašalnik je bil sestavljen iz 48 čustvenih oznak,
s katerimi so uporabniki ocenjevali prisotnost čustev na
sedemstopenjski (Likertovi) lestvici, od popolnoma ne-
prisotno/neaktivno (1), do močno izraženo/aktivno (7). Z
metodo glavnih komponent (angl. principal component
analysis - PCA) smo identificirali prve tri komponente
prostora oznak, ki so pojasnjevale več kot 64 odstotkov
variance v podatkih. V končno zbirko smo vključili 17
čustvenih oznak, ki so močno korelirale s prvimi tremi
komponentami.
Preizkusili smo tudi najprimernejši način za izbor
barve, ki opisuje posamezen glasbeni izsek, pri čemer
smo uporabnikom ponudili možnost, da barvo izberejo
s pomočjo zveznega barvnega kroga. Pozneje se je pri
analizi pisnih opažanj uporabnikov (ob koncu ankete so
uporabniki imeli možnost izražanja dodatnih opažanj)
izkazalo, da je zvezni barvni krog preobsežen in za upo-
rabnika prezahteven. Posledično smo razvili diskretni
barvni krog z izborom 49 barv, kar je kompromis med
kompleksnostjo in možnostjo izbire barve. Primernost
izbranega diskretnega barvnega kroga smo v naknadnih
raziskavah tudi evalvirali.
Pomemben rezultat preliminarne analize je bilo
opažanje uporabnikov o samem vmesniku za opisovanje
čustev. Standardna Likertova lestvica je za uporabnika
premalo intuitiven in preveč naporen vmesnik, saj je
s to metodo prisiljen izbrati intenzivnost posameznega
čustva na ločeni lestvici, za vsako čustvo posebej. Zaradi
preglednosti, poenostavitve in zmanjšanja nepotrebnega
napora pri označevanju smo posledično razvili dva nova
grafična vmesnika za čustveno označevanje: MoodStripe
in MoodGraph, ki ju predstavljamo v naslednjem raz-
delku.
96 PESEK ET AL.
3.2 Glavna raziskava: pridobivanje uporabniko-
vega zaznavanja čustev, barv in glasbe
Glavno raziskavo smo načrtovali ob podpori rezulta-
tov preliminarne analize. Potekala je v obliki daljšega
vprašalnika, razdeljenega na tri dele. Prvi del vse-
buje osnovna demografska vprašanja, ki vključujejo
vprašanja o uporabnikovem glasbenem predznanju in
izkušnjah. Drugi del se nanaša na uporabnikovo občutje
ter zaznavanje čustev in barv, tretji del pa obravnava
čustveno in barvno zaznavanje glasbe.
3.2.1 Prvi del: Demografski podatki: Z namenom
evalvacije vpliva posameznikovega ozadja na zaznavo
čustev, barv in glasbe smo v prvem delu zbirali osnovne
demografske podatke. Ta del (tabela 1) vsebuje tri de-
mografska vprašanja, vprašanja o glasbenih izkušnjah
posameznika in glasbenih preferencah in dve vprašanji o
prisotnosti zdravil in drog, ki bi lahko vplivala na zazna-
vanje. Ker smo pri izpolnjevanju celotnega vprašalnika
želeli doseči povprečen čas reševanja 15 minut, smo
se posledično namenoma izognili večjemu naboru de-
mografskih vprašanj, saj je zaradi vključevanja večih
modalitet stuktura raziskave že dovolj kompleksna.
3.2.2 Drugi del: Podatki o trenutnem počutju in za-
znavanju čustev in barv: Drugi del vprašalnika je osre-
dotočen na pridobivanje informacij o uporabnikovem
trenutnem počutju, njegovi zaznavi čustev in asociaciji
čustev z barvami. Čustveno stanje je uporabnik sprva
označil v dvodimenzionalnem VA—prostoru, glede na
trenutno prijetnost in intenziteto čustvenega stanja (slika
1). V naslednjem koraku je uporabnik iz predstavljenega
nabora čustvenih oznak vmesnika MoodGraph vsako po-
samezno čustvo označil v VA-prostoru, glede na njegovo
dojemanje posameznega čustva (slika 3). Na koncu smo
uporabnika povprašali še o trenutnem čustvenem stanju,
tako da je z oznakami, ki jih je postavljal v enodimen-
zionalen grafični vmesnik MoodStripe (slika 4), izrazil
prisotnost posameznega čustva. Struktura vprašanj in
reference na posamezen grafični vmesnik, uporabljen pri
posameznem vprašanju, so predstavljeni v tabeli 2.
Slika 1: VA-prostor. Osi grafa označujejo prijetnost (abscisa)
in intenziteto (ordinata) čustev.
Slika 2: Diskretni barvni krog z 49 barvami (črna pika označuje
izbrano barvo). Vprašanji 2 in 5 v drugem delu vprašalnika se
nanašata na izbor barve v vmesniku.
Slika 3: Grafični vmesnik MoodGraph: oznake čustev lahko
po principu povleci in spusti (angl. drag-and-drop) uporabnik
postavi v dvodimenzionalni VA-prostor.
Slika 4: Grafični vmesnik MoodStripe: zaradi večje zbirke
oznak smo v vprašalniku uporabili tri instance tega upo-
rabniškega vmesnika za izvedbo vprašanja 4. Dimenzija se
razteza od odsotnosti čustva (primerljiva večstopenjska lestvica
pri označbi 1) do izrazito izraženega (lestvica pri najvišji
stopnji) od leve proti desni.
Oba grafična uporabniška vmesnika: MoodGraph in
MoodStripe nadomeščata zbirko standardnih vmesnikov,
t. j. Likertovih ordinalnih večstopenjskih lestvic, imple-
mentiranih v obliki sistema gumbov (radio button), ki bi
jih bilo treba implementirati za vsako čustveno oznako
posebej. Glede na rezultate evalvacije vmesnikov (4.
UPORABNIŠKI VMESNIKI IN METODOLOGIJA PRIDOBIVANJA VEČMODALNIH PODATKOV O GLASBI 97
Tabela 1: Demografska vprašanja. Posamezno vprašanje (prvi stolpec) vsebuje nabor mogočih odgovorov in dodatnih komentarjev
(drugi stolpec). Odgovori na vprašanja so namenjeni odkrivanju potencialnih vplivov uporabnikovega ozadja na njegovo zaznavo.
Vprašanje Mogoči odgovori in komentarji
Starost v letih
Spol {moški, ženska}
Kraj bivanja {mesto, podeželje}
Obiskovanje
glasbene šole
v letih,
0 - ni obiskoval/a
Igranje inštrumenta
ali petje
v letih,
0 - ni igral/a
Uporaba zdravil in
drog
ali uporabnik uživa zdravila ali droge
Vpliv zdravil in drog ali je uporabnik trenutno pod vplivom zdravil ali drog, ki bi lahko vplivali na njegovo
razpoloženje
Preferenca glasbenih
žanrov
{Classical, Opera, Country, Folk, Latin, Dance / Disco, Electronic, RnB/Soul, Hip Hop/Rap,
Reggae, Pop, Rock, Alternative, Metal, Blues, Jazz, Vocal, Easy Listening, New Age,
Punk} - uporabnik je lahko zbral do tri (a najmanj enega) najljubše žanre. Žanri so bili
predstavljeni v angleškem jeziku zaradi splošne uporabe tujih oznak v slovenščini
Dnevno poslušanje
glasbe
{manj kot 1, 1-2, 2-3, več kot 3} - v urah na dan
Tabela 2: Drugi del: Zbiranje podatkov o trenutnem počutju ter zaznavanju posameznih čustev in barv. Pri četrtem vprašanju smo
zbirko čustvenih oznak zaradi obsežnosti razdelili na tri podvprašanja. Pri petem vprašanju je uporabnik dojemanje posamezne
čustvene oznake določal v VA-prostoru (slika 1) kot tudi z barvo, ki po njegovem mnenju ponazarja čustvo (slika 2).
Vprašanje Mogoči odgovori in komentarji
Trenutno čustveno
stanje v VA-prostoru
VA-prostor - slika 1
Barva trenutnega
čustvenega stanja
Barvni krog - slika 2
Dojemanje čustvenih
oznak
{Strah, Energičnost, Jeza, Sproščenost, Sreča, Žalost, Živahnost, Veselje, Razočaranje,
Nezadovoljstvo} - slika 3
Trenutno čustveno
stanje
{Aktivno, Budno, Dremavo, Neaktivno, Nesrečno, Nezadovoljno, Razočarano, Sproščeno,
Srečno, Utrujeno, Vedro, Veselo, Zadovoljno, Zaspano, Žalostno, Mirno, Jezno} - slika 4
Barve, asociirane s
čustvi
{Žalost, Jeza, Sproščenost, Razočaranje, Sreča, Nezadovoljstvo, Veselje, Strah, Živahnost,
Energičnost} - slika 2
poglavje), sta se oba nova vmesnika iskazala za bolj
intuitivna in funkcionalna.
3.2.3 Tretji del: zbiranje podatkov o uporabnikovem
dojemanju zaznanih čustev (v glasbenem posnetku) in
vzbujenih čustev (v uporabniku) ter glasbeno-barvnih
asociacij: Tretji del vprašalnika se je nanašal na dva
vidika dojemanja čustev v glasbi ter na barvne asoci-
acije, ki jih v uporabniku vzbudi glasba. Uporabniku
smo predvajali deset naključno izbranih 15-sekundnih
posnetkov. Po poslušanju posameznega posnetka je upo-
rabnik v barvnem krogu (vmesnik na sliki 2) izbral
barvo, ki najbolje izraža konkreten glasbeni posnetek.
V naslednjem koraku je uporabnik s pomočjo dvokate-
gorne različice vmesnika MoodGraph (slika 5) izbiral
posamezne čustvene oznake, in sicer med kategorijo
zaznanih čustev v glasbi (angl. perceived emotions;
označenih z ikono glasbena nota) in kategorijo vzbujenih
čustev ob poslušanju glasbe (angl. induced emotions;
označenih z ikono uporabnik).
4 ANALIZA DEMOGRAFSKIH PODATKOV
IN EVALVACIJA UPORABNIŠKE IZKUŠNJE
V nadaljevanju sta predstavljeni demograska analiza
podatkov, zajetih v glavni raziskavi, in naknadna eval-
vacija uporabniške izkušnje in predlaganih uporabniških
vmesnikov.
4.1 Demografski podatki
V spletni raziskavi je sodelovalo več kot 1100
udeležencev, predstavljamo pa rezultate analize 741
98 PESEK ET AL.
Slika 5: Dvokategorni grafični vmesnik MoodGraph: oznake
čustev lahko po principu povleci in spusti (angl. drag and drop)
uporabnik postavi v dvodimentionalni VA-prostor. Oznake
posamezne kategorije so označene z ikono kategorije (ikona
uporabnik oz. ikona glasbena nota). Modri piki označujeta
pozicijo izbranega čustva po posamezni dimenziji v VA-
prostoru.
udeležencev, ki so v celoti rešili vprašalnik. Med temi je
bilo 247 moških (33 %) in 494 žensk (67 %). Najmlajši
je štel 15 let, najstarejši pa 64. Več kot 75 % udeležencev
je bilo starih manj kot 30 let (Q3=28.45 let), kar je
pogojeno tudi z načinom izvedbe vprašalnika na spletu
in uporabo socialnih omrežij za širjenje informacij o
raziskavi.
Skoraj 60% moških, ki so sodelovali v raziskavi, ni
nikoli obiskovalo glasbene šole; pri ženskah je delež
manjši, le dobrih 44 odstotkov. Skoraj 12 % žensk in
le 6 % moških je glasbeno šolo obiskovalo vsaj šest
let. Glasbena izobrazba močno korelira z leti igranja
inštrumenta in petja (r=0.652; p<0.000).
Med preferiranimi žanri je najbolj popularen rock, ki
ga je na prvo mesto postavilo kar 31 % udeležencev.
Sledi pop s 17 % in alternativa ter klasična glasba, vsak
z dobrimi petimi odstotki. Preostali žanri so zbrali manj
kot 5 % glasov. Podobno lahko opazimo pri drugem
najljubšem žanru: rock je dosegel 20 %, pop pa 14
%. Varianca med žanri se pri drugem najljubšem žanru
povečuje glede na prvega. Zanimivo pa je, da je klasična
glasba najbolj popularna kot tretja najljubša zvrst pri
13 % udeležencev. Sledi rock (12 %) in pop (10 %).
Izbira prvega najljubšega žanra korelira z leti (Spearman
rho=-0.094, p=0.011) in časom dnevnega poslušanja
glasbe (Spearman rho=-0.111, p=0.002). Celotna analiza
ankete, vključno z drugim in tretjim delom, je predsta-
vljena v Pesek idr. [29].
4.2 Evalvacija uporabniške izkušnje
Po glavni raziskavi smo naknadno izvedli še raziskavo
uporabniške izkušnje in evalvacijo uporabniških vmesni-
kov MoodStripe, MoodGraph in diskretnega barvnega
kroga. Uporabniki, ki so prisostvovali osnovni raziskavi,
so ocenjevali več vidikov: uporabniško izkušnjo (angl.
user experience - UX) [30], zahtevnost vprašalnika in
različne vidike funkcionalnosti in primernosti grafičnih
vmesnikov. Cilj naknadne raziskave so bile primerjava
funkcionalnosti in uporabniše izkušnje novih in standar-
dnih vmesnikov, tipično uporabljenih v raziskavah. Eval-
vacijo vmesnikov smo izvedli na podlagi vprašalnika
NASA load task index [31] in dodatnih specifičnih
vprašanj o vmesnikih, predstavljenih v poglavju 4.2.
Pri evalvaciji uporabniških vmesnikov je sodelovalo
125 udeležencev. Vprašanja so skupaj z rezultati pred-
stavljena na slikah 6, 7, 8, 9. Pri mentalni zahtevnosti
vprašalnika (slika 6) rezultati nakazujejo na komple-
ksnost vprašalnika, kar je pričakovano glede na količino
zahtevanih informacij, označevanja čustvenega zaznava-
nja in dolžino vprašalnika. Pri meritvi fizičnega napora
se kaže morebitna nezadostna definicija vprašanja. Na-
men je bil zbrati informacije o fizičnem naporu (npr.
premiki z miško so fizično bolj naporni kot izbira s
tipkovnico) in posledično evalvirati operacijo povleci
in spusti. Rezultat lahko nakazuje tudi na dve pod-
množici uporabnikov — tisti, ki opravijo večino dela
s tipkovnico (in jim operacije povleci in spusti pome-
nijo fizični napor zaradi potrebe po uporabi miške), in
tisti, ki preferirajo miško (in jim predstavljeni grafični
vmesniki ne pomenijo dodatnega napora). Vsekakor je
za utemeljen zaključek evalvacije fizičnega napora dano
vprašanje problematično, saj način interakcije (miška ali
tipkovnica) v vprašanju ni eksplicitno izpostavljen.
Na sliki 7 so predstavljeni rezultati meritev intuitivno-
sti vmesnika MoodStripe. Vmesnik je bil pri uporabnikih
ocenjen kot izjemno intuitiven in hkrati časovno manj
kompleksen kot klasična večstopenjska lestvica. Za ta
vmesnik lahko z določeno mero gotovosti trdimo, da
smo dosegli namen in je vmesnik primeren kot alterna-
tiva za večstopenjsko lestvico. Prav tako smo opazovali
intuitivnost in časovno kompleksnost vmesnika Mood-
Graph, ki se je izkazal za intuitivnega, a pričakovano
(glede na zahtevnost dvokategorijskega prepoznavanja
in označevanja glasbenih posnetkov) tudi za časovno
kompleksnega (slika 8).
Uporabnike smo povprašali tudi po smiselnosti nabora
čustvenih oznak in števila barv in za konec po oceni
časovne zahtevnosti izpolnjevanja vprašalnika (slika 9).
Ocena primernosti nabora čustvenih oznak nakazuje, da
je čustvenih oznak morda preveč, a se rezultat nagiba
k uravnoteženi porazdelitvi. Rezultati pri številu barv
barvnega kroga nakazujejo na delno pomanjkanje do-
datnih barv. Pri predpostavki omejitve časa reševanja
vprašalnika na največ 15 minut smo se delno ušteli, saj
je za sorazmeren del udeležencev vprašalnik pomenil
večjo časovno obremenitev.
UPORABNIŠKI VMESNIKI IN METODOLOGIJA PRIDOBIVANJA VEČMODALNIH PODATKOV O GLASBI 99
Slika 6: Mentalna, fizična in časovna kompleksnot vprašalnika. Pričakovano je vprašalnik zahteval porazdeljen mentalni napor,
fizični napor je nepričakovano bimodalno porazdeljen, časovna zahtevnost in kompleksnost reševanja pa sta rahlo nadpovprečni.
Slika 7: Intuitivnost vmesnika MoodStripe. Vmesnik je ocenjen kot izjemno intuitiven in časovno manj kompleksen kot klasična
večstopenjska lestvica.
Slika 8: Ocena intuitivnosti in časovne zahtevnosti vmesnika MoodGraph. V tem primeru nismo izvedli primerjave s standardnimi
vmesniki, saj je vmesnik kombinacija postavljanja točk v VA-prostor in oceno prisotnosti za vsako čustvo (glede na dve
kategoriji), česar ni mogoče preprosto replicirati s klasičnim pristopom.
5 SKLEP
Podatkovna zbirka Moodo je temeljna podlaga za gradi-
tev personaliziranega priporočilnega sistema za glasbo.
Z njo želimo preseči omejitve obstoječih glasbenih
priporočilnih sistemov s povezovanjem avdio vizual-
nih modalnosti v odločitveni model in s povzemanjem
trenutnega počutja posameznika, njegovih osebnostnih
lastnosti in širšega konteksta.
V članku smo se osredinili na metodologijo zajemanja
podatkov, ki smo jo izvedli v treh korakih, pri čemer
smo za izboljšanje uporabniške izkušnje uvedli tudi dva
nova grafična vmesnika: MoodStripe in MoodGraph. Z
vmesniki smo izvedli zbiranje podatkov za podatkovno
zbirko in jih nato evalvirali. Predstavljena metodologija
je dala dobre rezultate, saj smo v glavni raziskavi zajeli
več kot 1100 udeležencev, identificirali pa smo tudi
100 PESEK ET AL.
Slika 9: Ocena primernosti nabora čustvenih oznak, ki nakazuje, da je čustvenih oznak morda preveč, a se hkrati rezultat nagiba
k uravnoteženi porazdelitvi. Po drugi strani bi si uporabniki želeli večji nabor barv, kot jih ponuja obstoječa različica diskretnega
barvnega kroga. Meritev časovne zahtevnosti kaže, da je večina udeležencev je porabila več kot 11 minut časa za izpolnitev
vprašalnika.
ključne smernice za nadaljnje izboljšave vmesnikov.
Rezultati evalvacije vmesnikov MoodStripe in Mood-
Graph nakazujejo na večjo intuitivnost in izboljšano
uporabniško izkušnjo glede na standardne vmesnike.
Predstavljeni vmesniki so uporabni širše, predvsem
na področjih, ki se ukvarjajo z merjenjem uporab-
nikovega zaznavanja in povezovanja večih modalitet.
Predvsem so to teme na področjih, kot so: psiho-
logija, kognitivne in sociološko orientirane znanosti),
kjer ”temeljna resnica” ni striktno definirana, temveč
je odvisna od odziva uporabnikov, ki jih zajamemo
prek vprašalnikov. Evalvacija obeh uporabniških vme-
snikov, MoodStripe in MoodGraph, potrjuje prednosti
z vidika intuitivnosti in funkcionalnosti, ter splošne
uporabniške izkušnje v primerjavi s klasičnim načinom
zbiranja podatkov o uporabnikih. MoodStripe nam z
metodo povleci in spusti omogoča preprosto označevanje
več parametrov znotraj istega vmesnika, MoodGraph
pa tudi možnost večkategoričnega označevanja v dvo-
dimenzionalnem prostoru. S tem se močno izboljšajo
sama interakcija s sistemom, preglednost označevanja
in primerjanja posameznih parametrov, ki se izvaja v
istem vmesniku, posledično pa tudi časovna zahtevnost
celotnega procesa. Dolgoročni cilj je standardizacija
vmesnikov MoodStripe in MoodGraph. V ta namen
načrtujemo aplikacijo in evalvacijo uporabnosti obeh
vmesnikov na drugih sorodnih področjih.
ZAHVALA
Raziskavo delno financira Evropski socialni sklad v
okviru programa Inovativna shema - 2012.