gms | German Medical Science

49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds)
19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI)
Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI)

Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie
Schweizerische Gesellschaft für Medizinische Informatik (SGMI)

26. bis 30.09.2004, Innsbruck/Tirol

Pre-Fetching-Verfahren für Entwurf und Betrieb webbasierter, hypermedialer Lernanwendungen

Meeting Abstract (gmds2004)

Search Medline for

  • corresponding author presenting/speaker Jan Tamm - Institut für Wirtschaftsinformatik, -mathematik, -statistik, Rostock, Deutschland
  • Lothar Gierl - Institut für Medizinische Informatik und Biometrie, Universität Rostock, Rostock, Deutschland
  • Guenther Kundt - Institut für Medizinische Informatik und Biometrie, Universität Rostock, Rostock, Deutschland

Kooperative Versorgung - Vernetzte Forschung - Ubiquitäre Information. 49. Jahrestagung der Deutschen Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie (gmds), 19. Jahrestagung der Schweizerischen Gesellschaft für Medizinische Informatik (SGMI) und Jahrestagung 2004 des Arbeitskreises Medizinische Informatik (ÖAKMI) der Österreichischen Computer Gesellschaft (OCG) und der Österreichischen Gesellschaft für Biomedizinische Technik (ÖGBMT). Innsbruck, 26.-30.09.2004. Düsseldorf, Köln: German Medical Science; 2004. Doc04gmds178

The electronic version of this article is the complete one and can be found online at: http://www.egms.de/en/meetings/gmds2004/04gmds178.shtml

Published: September 14, 2004

© 2004 Tamm et al.
This is an Open Access article distributed under the terms of the Creative Commons Attribution License (http://creativecommons.org/licenses/by-nc-nd/3.0/deed.en). You are free: to Share – to copy, distribute and transmit the work, provided the original author and source are credited.


Outline

Text

Problemstellung

Eine Vielzahl rechnergestützter Lernanwendungen wird auf Grundlage der heterogenen Netzinfrastruktur des World Wide Web (WWW) entwickelt. Die Verteilung der Lernanwendungen, zumeist in Form von Browser-Webserver-Architekturen, bringt viele Vorteile mit sich, jedoch wird damit die Latenzzeit für das clientenseitige Anfordern von Webdokumenten zum kritischen Erfolgsfaktor. Lernende sowie Lehrende werden häufig zu lästigen Wartenzeiten von mehreren Sekunden bis zu Minuten verdammt. Dadurch wird die Nutzerakzeptanz gefährdet.

Qualitativ hochwertiges Bildmaterial, Filme und komplexe, interaktive Elemente spielen in medizinischen Lernanwendungen häufig eine zentrale Rolle. Auch werden Lernszenarien angestrebt, welche clientenseitig geringe Übertragungskapazitäten zur Folge haben (zum Beispiel Selbstgesteuertes Lernen von Zuhause aus, über Modemverbindung bzw. der Einsatz mobiler Clienten wie Handy oder Laptop unter Nutzung vom Mobilfunknetzen).

Auch wenn WWW-Nutzer sich auf ein schlechtes Antwortzeitverhalten häufig eingestellt haben, sind durch den Nutzer wahrgenommene Ladezeiten (Wartezeiten) von mehr als wenigen Sekundenbruchteilen nicht hinnehmbar. Auch sind den Nutzern technische Lösungen anzubieten, die die von ihm genutzten und auch nicht selten finanzierten Übertragungskanäle effizient ausnutzen.

Lösungsansätze

Um das Echtzeitverhalten zu verbessern, existiert eine Vielzahl an Methoden: Clientenseitige Cachen einmal geladener Webdokumente, Cachen von Verbindungen zwischen Client und Server sowie die Kompression zu übertragender Daten haben sich in weit verbreiteten Middlewarelösungen etabliert und werden von Entwicklern sowie Nutzern häufig unbewusst verwendet, reichen jedoch nicht immer aus (Verbreitete Protokolle HTTP 1.0 / 1.1 implementieren solche Verfahren [1]. In [2] wird ein Überblick zu existierenden Methoden zur Verbesserung von Antwortzeitverhalten gegeben).

In den letzten Jahren wurde eine Vielzahl von Pre-Fetching-Methoden entworfen, welche im Gegensatz zum klassischen Caching Webdokumente vorausschauend, d. h. spekulativ im clientenseitigen Cache ablegen [3]. Das Laden der Dokumente erfolgt, bevor der Nutzer diese explizit anfordert, mit der Hoffnung, dass diese einmal angeforderten Daten auch zukünftig genutzt werden. Solche Verfahren können jedoch nur dann die Wartezeitendrastisch reduzieren, wenn das Nutzerverhalten erfolgreich vorhergesagt werden kann.

Die Modellierung des Nutzerverhaltens in Form von Lern- und Navigationsverhalten spielt mit der Umsetzung bestimmter Lehrformen sowie der Rechnerunterstützung bestimmter Lernstrategien für die Entwicklung von Lernanwendungen eine besondere Rolle [4]. Dieses wird durch immer lauter werdende Forderung nach adaptiven, personalisierbaren Lernsystemen unterstrichen. Damit existieren insbesondere für medizinische Lernanwendungen erfolgs-versprechende Voraussetzungen Pre-Fetching-Methoden auf Basis nutzerspezifischen Verhaltens erfolgreich einzusetzen. Jedoch sind existierende Verfahren nur teilweise, zumeist unzureichend, auf die Gegebenheiten von Lernanwendungen zugeschnitten. Die Verfahren wurden in Hinblick auf den Einsatz anwendungsunspezifischer Middlewarelösungen entwickelt. Im Vordergrund stehen Optimierungsziele wie zum Beispiel die optimale Ausnutzung der Cachegröße ohne Berücksichtigung von Nutz- bzw. Lernzeiten der vom Nutzer angeforderten Webdokumente [2], [3].

Eine generische Pre-Fetching-Methode, zugeschnitten auf Lernanwendungen zur Unterstützung von Entwurf und Betrieb

Mit Spezifikation, Entwurf und Betrieb der Lernanwendung entstehen Lernpfadbäume für einzelne Nutzer und Nutzergruppen. Sie ergeben sich aus der Verknüpfung der sinnvoll möglichen Kombinationen zu ladenden Webdokumente [5]. Die Bäume lassen sich aus den durch die Autoren spezifizierten Verknüpfungen der Lehrinhalte und dem beobachtbaren sowie prognostizierten Lernverhalten ableiten [6], [7]. Andere Techniken zur Erstellung von Lernpfadbäumen sind denkbar [8], [9], [10]. Die Bäume können erwartetes als auch beobachtetes Nutzerverhalten repräsentieren. Die so entstandenen Bäume werden mit zusätzlichen Informationen über Verwendungszeiten einzelnen Webdokumente, welche sich aus der Spezifikation zu erwartender Lernzeiten für die Nutzergruppen ergeben, Verwendungshäufigkeiten und Nutzmuster einzelner Webdokumente, die sich aus dem Betrieb der Lernanwendung ergeben, sowie Browser-Webserver-spezifische Informationen über zu erwartende Ladezeiten der einzelnen Webdokumente angereichert.

Damit entstehen nutzer- als auch verbindungsspezifische Bäume, hier Navigationspfadbäume genannt, welche zur Vorhersage des Navigationsverhaltens genutzt werden können. Mit Hilfe dieser Navigationspfadbäume können Entwurfsentscheidungen unterstützt werden sowie die durch Nutzer wahrgenommen Ladezeiten für Webdokumente reduziert werden.

Dazu wird ein effizient rechenbares Optimierungsverfahren, basierend auf der Formulierung als kostenminimales Maximalflussproblem, genutzt (Maximalflussprobleme sowie Algorithmen zur Lösung dieser werden in [11] umrissen). Kern des Verfahrens ist die Überführung des erstellten Navigationspfadbaums mit zu erwartenden Lade- und Nutzzeiten für die einzelnen Webdokumente, in einen Flussnetzgraphen. Der kostenminimale Maximalfluss auf diesem Graphen lässt Rückschlüsse auf die Dauer der vom Nutzer wahrgenommenen Wartezeiten für einzelne Webdokumente zu.

Es können Aussagen über das Echtzeitverhalten mit und ohne Einsatz eines bestimmten Pre-Fetching-Verfahrens in Abhängigkeit von der Struktur des Navigationsbaumes und der Charakteristik der Webdokumente getroffen werden. Damit lassen sich Empfehlungen für oder gegen den Einsatz eines solchen Verfahrens in Abhängigkeit vom zu erwartenden Nutzen formulieren. Genauso ist es aber auch möglich, Empfehlungen zur Strukturierung des Navigationspfadbaumes sowie einzuhaltender Lade- bzw. anzustrebender Nutzzeiten von Webdokumenten auszusprechen, um präventiv schon in der Entwurfsphase Wartezeiten zu reduzieren.

Weiterhin kann dieses Verfahren nicht nur zur Abschätzung der zu erwartenden Wartezeiten, sondern auch zur effektiven Steuerung anderer bereits existierender Pre-Fetching-Verfahren im Anwendungsbetrieb der Lernanwendung eingesetzt werden. Dazu werden die von anderen Verfahren gelieferten Vorhersagesequenzen zu ladender Webdokumente mittels Gewichtung über die Flusskosten auf den Kanten des Netzflussgraphen abgebildet. Damit können sich schon für das WWW bewährte Verfahren speziell zugeschnitten auf Lernanwendungen eingesetzt werden.

Besonders sind Pre-Fetching-Verfahren für die Integration geeignet, welche zwar das Nutzerverhalten mittels so genannter Nutzmuster (engl. usagepattern) vorhersagen, jedoch Verwendungs- (Lern-) und Ladezeiten der Webdokumente dabei nicht berücksichtigen wie zum Beispiel in [12], [13] beschrieben.

Fazit

Das Antwortzeitverhalten spielt bei der Entwicklung von Lernanwendungen in der Medizin eine wichtige Rolle. Es existieren bereits realisierte Verfahren zur Verbesserung dessen, welche jedoch das Anwendungspotential für Lernanwendungen nur teilweise ausnutzen. Aufgrund der Eigenheiten im Entwicklungsprozess hypermedial strukturierter, webbasierter Lernanwendungen bergen Pre-Fetching-Verfahren ein besonders hohes Nutzenpotential, müssen jedoch auf die Spezifika von Lernanwendungen zugeschnitten werden. Eine Methode für den Einsatz von Pre-Fetching-Verfahren ist entwickelt worden.


Literatur

1.
Badach, A; Rieger, S; Schmauch, M: Web-Technologien, München, 2003, S. 65ff.
2.
Davidson, B: The Design and Evaluation of Web Prefetching and Caching Techniques, New Jersey, 2002
3.
Wan, J.:A survey of web caching schemes for the Internet. ACM Computer Com. Rev., 1999, 29(5):S. 36-46
4.
Röll, F: Pädagogik der Navigation Selbstgesteuertes Lernen durch Neue Medien, München, 2003, S. 107ff.
5.
Berendt, B; Spiliopoulou, S: Analysis of navigational behaviour in web sites integrating multiple information systems. VLDB Journal, 2000, 9: S. 56-75
6.
Kerres, M: Multimediale und telemediale Lernumgebungen, Wien, 2001, S. 232ff., 2. Aufl.
7.
Brenstein, E: Untersuchungsmöglichkeiten von Lernverhalten in hypermedialenLernumgebungen, 1999. - Forschungsbericht
8.
Herder, E: Modeling User Navigation, 2003
9.
Garofalakis, M; Rastogi, R; Seshadri, S: Data Mining and the Web: Past, Present and Future, 1999
10.
Spiliopoulou, M: A Data Miner analyzing the Navigational Behaviour of Web Users. In: Principles of Data Mining and Knowledge Discovery, 1999, S. 588-589
11.
Atallah, M: Algorithms and Theory of Computation Handbook, London, 1999, S. 7.10-7.17
12.
Chen, X; Zhang, X: A Popularity-Based Prediction Model for Web Pre-fetching, 2003
13.
Palpanas T, Mendelzon A: Web Prefetching Using Partial Match Prediction, 4. Caching Workshop, 1999