إطار تعلم الآلة من مرحلتين لاختيار الخدمة الواعية بالسياق لتمكين الأشخاص ذوي الإعاقة
Title A Two-Phase Machine Learning Framework for Context-Aware Service Selection to Empower People with Disabilities
الباحث الرئيس عبدالله نعمون
الباحثون المشاركون
التخصص: علوم الحاسب
التخصص الدقيق:
المستخلص: يتزايد استخدام البرامج وخدمات إنترنت الأشياء بشكل ملحوظ بين الأشخاص ذوي الاحتياجات الخاصة ، الذين يشكلون 15٪ من سكان العالم. ومع ذلك ، فإن اختيار الخدمات المناسبة لإنشاء خدمة مساعدة مركبة بناءً على الاحتياجات المتطورة وسياق مجموعات المستخدمين المعوقين يظل مسعى بحثيًا صعبًا. يطبق بحثنا أسلوب تصميم قائم على السيناريو للمساهمة في (1) علم الوجود الشامل للإعاقة لاختيار الخدمة المساعدة ، (2) مجموعات بيانات خدمة الإعاقة شبه الاصطناعية المتولدة ، و (3) إطار عمل التعلم الآلي (ML) لاختيار الخدمات بشكل يتكيف مع تتناسب مع المتطلبات الديناميكية لذوي الاحتياجات الخاصة. يتم تطبيق إطار الاختيار القائم على ML في مرحلتين متكاملتين. في المرحلة الأولى ، يتم تقييم جميع المهام الذرية المتاحة لتحديد مدى ملاءمتها لهدف المستخدم والملفات الشخصية ، بينما في المرحلة اللاحقة ، يتم تضييق قائمة مزودي الخدمة من خلال مطابقة عوامل جودة الخدمة الخاصة بهم مع سياق وخصائص المعاق. تتمحور منهجيتنا حول عدد لا يحصى من خصائص المستخدم ، بما في ذلك ملف تعريف الإعاقة والتفضيلات والبيئة وموارد تكنولوجيا المعلومات المتاحة. ولهذه الغاية ، قمنا بتوسيع مجموعات بيانات خدمات الويب QWS V2.0 و WS-DREAM المستخدمة على نطاق واسع مع دمج ميزات إمكانية الوصول المحددة. للتأكد من صحة نهجنا ، قمنا بمقارنة أدائه مع نماذج صنع القرار المشتركة متعددة المعايير (MCDM) ، وهي AHP و SAW و PROMETHEE و TOPSIS. توضح النتائج دقة اختيار الخدمة الفائقة على عكس الطرق الأخرى مع ضمان تلبية متطلبات إمكانية الوصول.
Abstract: The use of software and IoT services is increasing significantly among people with special needs, who constitute 15% of the world’s population. However, selecting appropriate services to create a composite assistive service based on the evolving needs and context of disabled user groups remains a challenging research endeavor. Our research applies a scenario-based design technique to contribute (1) an inclusive disability ontology for assistive service selection, (2) semi-synthetic generated disability service datasets, and (3) a machine learning (ML) framework to choose services adaptively to suit the dynamic requirements of people with special needs. The ML-based selection framework is applied in two complementary phases. In the first phase, all available atomic tasks are assessed to determine their appropriateness to the user goal and profiles, whereas in the subsequent phase, the list of service providers is narrowed by matching their quality-of-service factors against the context and characteristics of the disabled person. Our methodology is centered around a myriad of user characteristics, including their disability profile, preferences, environment, and available IT resources. To this end, we extended the widely used QWS V2.0 and WS-DREAM web services datasets with a fusion of selected accessibility features. To ascertain the validity of our approach, we compared its performance against common multi-criteria decision making (MCDM) models, namely AHP, SAW, PROMETHEE, and TOPSIS. The findings demonstrate superior service selection accuracy in contrast to the other methods while ensuring accessibility requirements are satisfied.