A Multi-Tiered Model For Capturing Of Life Experiences In Management Of Learning Experiences - Section 1 - CONCEPTUAL DESIGN

Öğrenme Deneyimlerinin Yönetiminde Yaşam Deneyimlerini Yakalamak İçin Çok Katmanlı Bir Model - Bölüm 1

KAVRAMSAL TASARIM

Giriş 

Öğrenme deneyimleri bireylerin yaşam deneyimleri boyunca oluşurlar ve bir bölümü bireyin bilinçli farkındalığı ile yaşanırken önemli bir bölümü de farkında olmadan yaşanır. Bireylerin fakında olmadan ve/veya önceden planlamadan yaşadıkları öğrenme deneyimlerine ait anımsatıcı ipuçları bulunmadığı durumda bu deneyimlerin bir daha gözden geçirilip değerlendirilebilmeleri mümkün olmaz. Öğrenme deneyimleri yönetimi yaklaşımı bireyin yaşam deneyimlerinin yaşam günlüğü teknolojileri ile kendiliğinden ve sürekli olarak yakalanması, bireyin bu deneyimleri tarayarak yorumlaması, bağlamlarını belirlemesi, yaşam deneyimleri içerisindeki öğrenme deneyimlerine geri dönerek, bu deneyimleri değerlendirmesi, öğrenme deneyimlerini planlama, izleme-denetleme ve değerlendirme sürecini uygulayabilmesi aşamalarını barındırır (Mutlu, 2016). Öğrenme deneyimleri yönetimi yaklaşımının “yaşam deneyimlerini yakalama” aşamasında yaşam günlüğü teknolojileri kullanılmaktadır. 2000’lerin başından itibaren giderek olgunlaşan yaşam günlüğü araştırmalarının sonuçlarının öğrenme deneyimlerinin yönetimine güncel olarak yansıtılarak kullanılması gerekmektedir. Diğer bir deyişle, öğrenme deneyimleri yaklaşımında gerçekleştirilecek her güncelleme yaşam günlüğü teknolojileri üzerinde güncel bir tarama yapmayı gerektirmektedir. Yaşam günlüğü teknolojilerindeki gelişmelerin yönünün öğrenme deneyimleri yönetimindeki gelişmelerin yönünü de belirleyeceği açıktır. Yaşam günlüğü teknolojileri üzerinde gerçekleştirilecek bir sınıflandırmayla bu teknolojilerin öğrenme deneyimleri yönetimine yansıtılması amacıyla daha kolay izlenmesi sağlanabilecektir. 

Bu doğrultuda, bu çalışmanın amacı yaşam günlüğü teknolojilerinin öğrenme deneyimleri yönetiminde uygulanmasını kolaylaştıracak bir model elde edilmesini sağlamaktır. Çalışmanın “Alanyazın” bölümünde öğrenme deneyimleri yönetimi yaklaşımı ve bu yaklaşımın deneyimleri yakalama aşamasında kullanılan yaşam günlüğüne ait alanyazın gözden geçirilecektir. “Gereç ve Yöntem” bölümünde yaşam deneyimlerini yakalama amacıyla kullanılabilecek araçlara odaklanılmaktadır. Bu araçların bağımsızca ve bir arada kullanılmalarıyla oluşturulabilen yaşam günlüğü sistemlerinin yedi farklı katmanda toplanabileceği gösterilecektir. “Bulgular” bölümünde önceki bölümde elde edilen kavramsal yapının öğrenme deneyimleri yönetimi yaklaşımında kullanılmasının sağladığı olanaklar ile sağlayacağı potansiyel olanaklar tartışılmaktadır. “Sonuç ve Öneriler” bölümünde bulguların değerlendirilmesi sonucunda elde edilen çıkarımlara ve gelecekte yapılması muhtemel çalışmalara ait düşüncelere yer verilecektir.

Alanyazın 

Öğrenme deneyimleri yönetimi yaklaşımı, bireylerin yaşam deneyimlerine eşlik eden öğrenme deneyimlerinin fark edilmesi, anlamlandırılması ve yönetilmesine yönelik süreçlerin ve tekniklerin geliştirilmesi amacıyla Mutlu ve arkadaşları tarafından 2013 yılında başlatılan bir dizi proje ile araştırılan ve kavramsallaştırılmaya çalışılan bir kişisel bilgi yönetimi uygulamasıdır (Mutlu, 2016). 

Ardışık beş aşamadan oluşan yaklaşımın ilk aşaması bireyin yaşam deneyimlerinin daha sonra gözden geçirildiğinde eksiksiz olarak anımsanmasına olanak sağlayacak şekilde birey tarafından yakalanması ve kaydedilmesini kapsamaktadır. Bireylerin yaşam deneyimlerini yakalamada yaşam günlüğü teknolojilerinden yararlanılmaktadır (Grafik 1). 



Grafik 1. Öğrenme Deneyimleri Yönetimi Yaklaşımının Katmanları (Mutlu, 2016)

Bireylerin yaşam deneyimlerinin yakalanmasını sağlayan yaşam günlüğü teknolojilerinin kavramsal kökeni 1945’de Vannevar Bush’un ünlü makalesi “"As We May Think” ve bu makalede betimlemiş olduğu “Memex” isimli, bireyin gördüğü, duyduğu ve okuduğu her enformasyonu kaydedebilen varsayımsal cihaza dayanmaktadır (Bush, 1945). 1980’lerde Steve Mann’ın başlattığı deneysel çalışmalar 1990’larda MIT’de yaptığı doktora çalışmaları esnasında olgunlaşmış ve Mann’a giyilebilir bilgisayarları icat eden kişi ünvanını kazandırmıştır (Mann, 2004). 2000’lerin başında Gordon Bell tarafından başlatılan ve 2016 yılında sona erdirilen, gördüğü, okuduğu, dinlediği tüm enformasyonun kaydedilmesine ve bireysel dijital arşiv oluşturulmasına yönelik olarak gerçekleştirdiği deneyler yaşam günlüğü araştırmalarının başlamasını tetiklemiştir (Gemmell vd., 2002). 2004 yılında Aizawa’nın, içinde görüntü, ses, video, konum ve beyin dalgaları yakalamayı da içeren çok algılayıcılı giyilebilir düzeneği ile bağlamsal çıkarımlar elde etme denemeleri gerçekleştirilmiştir (Aizawa vd., 2004). Aynı dönemde Microsoft firmasının “SenseCam” isimli giyilebilir yaşam günlüğü kamerası ile İngiltere Oxford ve İrlanda Dublin üniversitelerinde yoğun yaşam günlüğü araştırmaları başlatılmış ve özellikle günlük verilerinden günlük olayların belirlenmesi, Alzheimer hastalarının anımsama terapilerinde yaşam günlüğünden yararlanılması gibi alanlarda sonuçlar elde edilmiştir (Hodges vd., 2011). İzleyen yıllarda Autographer ve Narrative gibi “SenseCam” benzeri yaşam günlüğü kameraları piyasaya çıkmıştır. 2010’lu yıllarda giyilebilir teknolojilerin birer tüketici elektroniği olarak yaygınlaşması ve yaşamlarına ait olabilecek tüm işlem ve olayları kayda almayı amaçlayan “nicelleştirilmiş öz” hareketinin genişlemesiyle yaşam günlüğü teknolojileri giderek büyüyen bir pazar ve araştırma alanı haline gelmiştir. Google Glass ile canlı kayıt da yapabilen akıllı gözlükler devri başlamıştır (Grafik 2). 

Gurrin ve arkadaşları (2014) yaşam günlüğünü aşağıdaki gibi tanımlamışlardır: “Yaşam günlüğü, çeşitli algılayıcılar tarafından pasif olarak toplanan yaşam deneyimi verileri üzerinde bir araya getirme, işleme ve yansıtma sürecidir ve günlüğü tutan bireyin kendisi tarafından yürütülür. Yaşam deneyimi verileri çoğunlukla kişinin faaliyetlerini doğrudan algılayan giyilebilir algılayıcılara dayanmaktadır, ancak bazen çevresel algılayıcılardan veya diğer bilgilendirici algılayıcılardan gelen veriler de sürece dâhil edilebilir.” 

2010’lu yıllarda giderek yaygınlaşan “nicelleştirilmiş öz” kavramı, aynı isimli bir hareket etrafında toplanmış olan amatörler, araştırmacılar, gönüllüler ve bu alandaki ürünleri geliştiren firmalarca benimsenmiştir. Swan (2013)’ye göre nicelleştirilmiş öz; “bireyin kendine ait biyolojik, fiziksel, davranışsal ve çevresel herhangi bir tür enformasyonun kendisi tarafından izlenmesidir” şeklinde tanımlanmaktadır.


Grafik 2. Yaşam Günlüğünün Gelişimi


 Jacquemard ve arkadaşlarına (2014) göre yaşam günlüğü sistemleri bireyler, şirketler, kamu kurumları ve devletler tarafından kullanılabilmesine rağmen bu çalışmada sadece kişisel yaşam günlüğü sistemleri ele alınacaktır. 

Gurrin ve arkadaşlarına göre (2014) yaşam günlüğü süreci yakalama-depolama aşamasının ötesinde ayrıca bir düzenleme aşamasını içerir. Düzenleme aşaması, yaşam akışının olaylar halinde dilimlenmesini ifade eden “parçalara ayırma”; anlamsal çıkarımlarla yaşam olaylarının tanımlanmasını ifade eden “olaylara açıklama ekleme”; “açıklamaları kullanma”; olaylara açıklamalardan yararlanarak erişme ve olay dilimini getirmeyi ifade eden “erişme ve getirme” ve son olarak da günlük verileriyle masaüstünden, mobil cihazlardan ya da akıllı gözlüklerden etkileşim kurmayı ifade eden “çok ortamlı etkileşim” bileşenlerini içermektedir. 

Yaşam olaylarını tanımlamada yaygın olarak “kim”, “ne”, “nerede” ve “ne zaman” bağlamlarına yer verilmektedir (Gurrin vd., 2014). “Kim” bağlamı için Bluetooth algılayıcısı ve yüz tanıma algoritmalarından yararlanılmaktadır. “Ne” bağlamı için kavram tanıma algoritmalarından yararlanılmaktadır. 10.000 farklı kavramı tanıyan bir sistemin insan kavrayışı için yeterli olduğu düşünülmektedir. “Nerede” bağlamı için GPS sinyalleri, Wi-Fi noktaları ve hücresel telefon verici kulelerinin konum verilerinden yararlanılmaktadır. “Ne zaman” bağlamı için ise günlük verisinin yakalandığı küresel zaman verisi kullanılmaktadır.

Yaşam günlüğü ile yakalanan günlük verilerinden yaşam olaylarının elde edilmesi ve bu olaylara çeşitli bağlamlarla açıklamalar eklenmesi sonucunda olayların anlatı biçiminde olay kümeleri olarak özetlenmesi mümkün olabilmektedir. Bu açıklamaları kullanan sorgularla, olaylara erişme ve getirme mümkün olabilmektedir. Bunun yanı sıra zamansal tarama yaparak yaşam günlüğü üzerinde gezinmek ya da bir olayı animasyon biçiminde canlandırmak gibi seçenekler de bulunmaktadır. Gurrin ve arkadaşlarına (2014) göre yaşam günlüğünün başlıca uygulama alanları “öz – gözlemleme”, “bellek yardımcısı” olarak yararlanma ve “uzun dönemli yaşam desteği” olarak kullanmadır.

Gereç ve Yöntem 

Bu bölümde yaşam deneyimleri yakalayıcısı için çok katmanlı bir model önerisinde bulunulacaktır. Bu amaçla daha önce gerçekleştirilen yaşam günlüğü teknolojileri sınıflandırma çalışmalarından, öğrenme deneyimleri yönetimi yaklaşımının özelliklerinden ve teknolojideki güncel gelişmelerden yol gösterici olarak yararlanılacaktır. Yaşam günlüğü teknolojilerini, uygulamalarını ve süreçlerini sınıflandırmak ya da topluca bir arada listelemek amacıyla denemeler yapılmıştır. Örneğin Gurrin ve arkadaşları (2014) çok sayıda yaşam günlüğü cihazı ve uygulamasını pasif görüntü yakalama, kişisel biyometrikler, mobil cihaz bağlamları, iletişim etkinlikleri, veri oluşturma/erişim etkinlikleri, aktif olarak yakalanan yaşam etkinlikleri, çevresel bağlamlar ve medya, pasif ses yakalama, çapraz kategori algılama araçları ve başarım izleme araçları başlıkları altında gruplandırmışlardır. 

Augemberg’den (2012) aktaran Swann’a göre (2013)’e göre nicelleştirilmiş öz izleme kategorileri ve değişkenleri; fiziksel etkinlikler, diyet, psikolojik durumlar ve özellikler; zihinsel ve bilişsel durumlar ve özellikler, çevre değişkenleri, durumsal değişkenler ve sosyal değişkenler başlıkları altında gruplandırılabilmektedir. 

Jacquemard ve arkadaşlarına (2014) göre yaşam günlüğü cihazları ve kaynakları giyilebilir cihazlar; çevreye gömülü veri kaynakları ve üçüncü parti enformasyon biçiminde gruplandırılmaktadır. Giyilebilir cihazlar da ayrıca içe gömülü cihazlar, dışa takılan cihazlar ve çevrimiçi etkinlikler biçiminde üç alt gruba ayrılmaktadır. 

Yaşam günlüğünün kullanımına yönelik bir tipoloji ise Selke (2016) tarafından önerilmiştir. Buna göre yaşam günlüğü (1a) kişinin kendi sağlığını izleme, (1b) işbirliğine dayalı iyileşme, (2) insan hareketini izleme, (3a) insan dijital belleğini meydana getirme; (3b) dijital ölümsüzlük arama ve (4) gözetim ve karşı-gözetim amaçlarıyla kullanılmaktadır. 

Chan ve arkadaşları özellikle sağlık alanında kullanılan akıllı cihazlara ait bir sınıflandırma yapmışlardır (Chan vd., 2012). Bu sınıflandırmada algılayıcı sistemler; birey tarafından bir aksesuar olarak giyilebilir, vücuda gömülebilir (implantlar), taşınabilir, bireyin elbisesine iliştirilebilir ve bir nesne/mobilya ya da evin bir yerine iliştirilebilir sistemler olarak bölümlendirilmiştir. 

Çok Katmanlı Model 

Yaşam günlüğü yakalama araçları, kullanım ortamları ve biçimleri, işlevleri ve teknolojik yapıları göz önüne alınarak yedi farklı düzeyde gruplandırılabilmektedir. Bu düzeylerin her biri bir “model” olarak biçimlendirilecektir. Böylece çok sayıda ürün, uygulama ve süreçten oluşan bir teknolojik küme hem bütüncül bir yaklaşımla modellenmeye çalışılacak hem de değişik modellere sahip bir ürün ailesi biçiminde kurgulanmış olacaktır. 



Bu bölümün yazılmasında “Mutlu, M.E. (2017). Öğrenme Deneyimlerinin Yönetiminde Yaşam Deneyimlerini Yakalamak İçin Çok Katmanlı Bir Model, 3’üncü Uluslararası Eğitim, Uzaktan Eğitim ve Eğitim Teknolojileri Kongresi, ICDET 2017, Antalya” kaynağından yararlanılmıştır.

(Not: Yararlanılan kaynaklar yazı dizisinin sonunda topluca verilecektir.)

"A Multi-Tiered Model For Capturing Of Life Experiences In Management Of Learning Experiences" Paper Published in Online Journal AUAd

"Öğrenme deneyimlerinin yönetiminde yaşam deneyimlerini yakalamak için çok katmanlı bir model" Makalesi AUAd Çevrimiçi Dergisinde Yayınlandı

24-25 Kasım 2017 tarihleri arasında Antalya’da düzenlenen 3’üncü Uluslararası Eğitim, Uzaktan Eğitim ve Eğitim Teknolojileri Kongresi, ICDET 2017’de sözlü bildiri olarak sunulan "Öğrenme deneyimlerinin yönetiminde yaşam deneyimlerini yakalamak için çok katmanlı bir model" isimli çalışma çevrimiçi AuAD dergisinde yayınlandı. Makaleye aşağıdaki bağlantıdan erişilebilir:

Mutlu, M.E. (2018). Öğrenme deneyimlerinin yönetiminde yaşam deneyimlerini yakalamak için çok katmanlı bir model. AUAd, 4(3), 23-57.
http://auad.anadolu.edu.tr/yonetim/icerik/makaleler/364-published.pdf

Create Timeline of Before the Lifelogging

Yaşamgünlüğü Öncesinin Zaman Çizgisinin Oluşturulması

"Öğrenme Deneyimleri Yönetimi" yaklaşımı yaşam günlüğü kullanımıyla ve günlük verilerinin varlığıyla anlam kazandığı için bireyin yaşam günlüğü kullanımı öncesini değerlendirmesi önemli ölçüde bireyin anılarına bağımlıdır.  Yaşam günlüğü öncesine ait deneyim anımsatıcı günlük kayıtları ve içerikler olmamasına rağmen yine de birey anılarını hiyerarşik biçimde çözümleyerek geçmişine ait yorumları önemli ölçüde tamamlayabilir. Bu amaçla aşağıdaki beş aşamalı yaklaşım önerilecektir:

Birinci aşama: Yaşam rolleri gözden geçirilir ve öyküler belirlenir

Bu amaçla Tablo 1’deki roller ilişkili öyküler listesinden yararlanılabilir. Çoğu zaman tüm yaşam rollerine ait öyküleri ele almak gerekmez. Birey sadece seçili bazı yaşam rollerine ve bu rollerdeki seçili öykülere odaklanmak isteyebilir. Diğer taraftan geçmiş deneyimlerini değerlendirmek isteyen bireyin yaşına göre rollerin bir bölümü bireyin çocukluk ve ergenlik dönemine ait olabileceği gibi bir bölümü yetişkinlik, orta yaş ya da yaşlılık dönemlerine ait olabilir. Bireyin tüm yaşamına ait zaman çizgisi bir işlem tablosu yazılımıyla, basitçe yıllar, aylar ve haftaları içeren sütunlar ile rol, öykü, epizod ve etkinlik/olay hiyerarşisini içeren satırlar şeklinde oluşturulabilir. Satırlar ve sütunların birleştiği hücreler farklı renklerle renklendirilebilir ya da farklı karakterlerle doldurulabilir.

Tablo 1. Bireyin üstlendiği roller ve ilişkili öykülere ait örnekler

Roller	İlişkili Öyküler
Özel	Ruhsal, duygusal, ruhani, dini, ahlaki, ...
Aileye İlişkin	Eş, çocuklar, akrabalar, yuva, eğlenme, dinlenme, sağlık, giyinme, beslenme, spor, geziler, alışveriş-finans, ...
Kişisel Gelişim	Yabancı dil öğrenme, vücut geliştirme, hobiler, diğer beceriler, ...
Akademik Gelişim	Okulöncesi eğitim, ilköğretim, ortaöğretim, yükseköğretim, lisansüstü öğretim, akademik ünvanlar, …
Profesyonel gelişim	Kariyer, makam, işyerleri, görevler-sorumluluklar, iş projeleri, girişimler,  ortaklıklar,  …
Sosyal Çevreye İlişkin	Arkadaşlar, akranlar, dostlar, sosyal ilişkiler, sosyal medya, sosyal etkinlikler, ...
Ekonomik	Yatırımlar, vergiler, sigortalar, krediler, …
Kurumsal	Yerel kurumlar, devlet kurumları, uluslararası kurumlar, özel kurumlar, ..,
Kültürel	Kitap, gazete, dergi, sinema, televizyon, tiyatro, konser, gösteri, sergi, ...
Yasal	Yasal olaylar, kanunlar, mahkemeler, cezalar, , ...
Politik	Politik kurumlara üyelikler, STK’lar, politik etkinlikler, …
…	…

İkinci aşama: Anılar hiyerarşik olarak taranır ve kaydedilir

Bu aşamada birey sahip olduğu rollere ilişkin başlıca öyküleri, öykülere ilişkin epizodları ve epizodlara ilişkin etkinliklere ve olaylara ait zaman akışını görselleştirir. Bu amaçla rol dahilinde seçilen öykülere ait zaman çizgileri bir zaman işlem tablosuna yerleştirilir (Şekil 1). 

Bir öyküye ait zaman çizgisi kişisel zaman çizgisine yıl, ay ve hafta çözünürlüğünde yerleştirilir. Çok eski öykülerde ay ve hafta verisi kesin olmayabilir. Tabloya aynı dönemdeki diğer öyküler de yerleştirildikçe önceki öykülerin zaman aralıklarında düzeltmeler yapılabilir.

Şekil 1. Öykülere ait zaman çizgisi

Bu işlemin ardından her öykü için aylara dağılmış başlıca epizodlar ve haftalara dağılan başlıca olay/etkinlikler anımsanarak işlem tablosuna hiyerarşik biçimde eklenir (Şekil 2). İstenirse olay/etkinlikler izleyen bir açıklama sütununda daha ayrıntılı olarak yorumlanabilirler.

Şekil 2. Epizodlara ve etkinliklere ait zaman çizgisi

Yukarıdaki yaklaşım, bireyin aynı anda yaşadığı öyküleri, epizodları ve etkinlik/olayları alt alta göstermesi nedeniyle verilen bir anda bireyi çevreleyen dünya hakkında en fazla enformasyonu sunabilmektedir. Bu yaklaşımın başlıca dezavantajı, bir olay/etkinliğin birden fazla epizoda ya da bir epizodun birden fazla öyküye dahil edilmesinin kolay olmamasıdır.

Üçüncü aşama: Bağlamsal enformasyon zamansal açıdan gözden geçirilir

Normalde öyküler ve diğer yorumsal enformasyon oluşturulurken deneyimler ve içeriklerin yanı sıra deneyimlere eşlik eden olaylar, kişiler, yerler, davranışlar, özellikler, duygular ve varlıklar gibi bağlamlardan yararlanılır. Diğer bir deyişle yaşamda en fazla yer alan bağlamlar bireyin yaşam öykülerinin temellerini oluşturur. Fakat deneyimler boyunca elde edilen bağlam ağaçları çok sayıda ikincil öykü de barındırır. Geriye çözümlemede öykülere ait ayrıntılar anımsanırken anıları taramak için bağlamlara ait ontolojilerden yararlanmak yardımcı olacaktır. Güncel bağlam ağaçları güncel deneyimlerden elde edilmektedir. Birey bu ağaçlardaki boşlukları geçmiş deneyimlerdeki bağlamları anımsama yoluyla doldurabilir. Örneğin geçen yıl doğum gününü kimlerle ve nerede kutladığını bilen birey bu olayın önceki yıllardaki benzerlerini anımsamaya çalışır. Benzer şekilde işyerindeki yakın arkadaşlarının bir listesini oluşturan birey daha önce çalıştığı işyerlerindeki yakın arkadaşlarına ait listeleri de anımsayarak oluşturabilir.  Bağlam ontolojisi bireyin geçmişte neyi anımsaması gerektiğine dair yol göstermektedir.

Temel yaşam olayları bireyin yaşamında birbiri ardına diğer olayların ortaya çıkmasına yol açar. Örneğin “sigarayı bırakma” olayı bireyin kilo almasına, ardından bireyin spora başlamasına, sigara içilen ortamlara daha az gidilmesine, arkadaş çevresinde bazı değişiklikler oluşturmasına neden olmak gibi bir dizi bağlamsal öğeyi tetikler. Bireyin bu şekilde başlıca yaşam olaylarını çözümlemesi geçmiş öykülerini yeniden canlandırmasında yardımcı olacaktır.

Dördüncü aşama: Maddi kanıtlar (içerik) incelenerek o zaman dilimindeki anılar güçlendirilir

Birey geçmişini yeniden oluştururken belleğinin dışındaki kanıtlardan da yararlanır. Bu kanıtlara örnek olarak fotoğraf albümleri; dijital fotoğraflar; videolar; ses kayıtları; tutulan notlar; almanaklar / gazete haberleri (olaylar); kitap, dergi vb. basılı malzemeler; takvime ait enformasyon - tatiller, bayramlar; özel günlere ait nesneler; meteorolojik veriler; sinema / konser / tiyatro / gösterilere ait biletler; yolculuk biletleri; harcama pusulaları; sağlık, eğitim, yasal konulardaki belgeler verilebilir. Eldeki dijital ve fiziksel içeriklere ait kanıtlardan yola çıkarak elde edilen yorumsal enformasyon ilgili zaman çizgisine yerleştirilir.

Beşinci aşama: Başkalarının anılarına başvurularak anıların sağlaması yapılır

Çelişkili anılara ait enformasyon o anıları paylaşan diğer kişilerin yardımıyla sorgulanır.  Burada dikkat edilmesi gerek konu, çok eskilere dayanan olaylara ait öznel anıların başkaları tarafından genellikle farklı bakış açılarıyla tekrar tekrar yorumlanmış olabileceğidir. Her yorumlama orijinal anıda bir değişiklik oluşturur ve bir sonraki yorumlama orijinal anı yerine anının yeni sürümü üzerinde yapılır.  Bu olgu bireyin kendi öznel anıları için de geçerlidir. Çoğu zaman geçmiş olayların kendisi yerine bu olaylara gösterilen tepki önem kazanır. Nitekim aynı olaylara farklı zamanlarda aynı tepkiyi göstermediğimizi biliriz. Geçmişi bu türden sapmaların farkında olarak mümkün olduğunda nesnel biçimde yeniden oluşturmak önemlidir.

[Working Paper] Access to the Past Screenshots through Keywords

[Çalışma Raporu] Geçmişteki Ekran Görüntülerine Anahtar Sözcüklerle Erişme

Mutlu, M.E. (2016). Geçmişteki Ekran Görüntülerine Anahtar Sözcüklerle Erişme. Çalışma Raporu. Kişisel Bilgi Sistemleri Blogu. (1 Nisan 2016).
http://personalinformationsystems.blogspot.com.tr/2016/04/working-paper-access-to-past.html

Geçmişteki Ekran Görüntülerine Anahtar Sözcüklerle Erişme

Mehmet Emin Mutlu
Anadolu Üniversitesi, Açıköğretim Fakültesi
memutlu@anadolu.edu.tr

Özet

Kişisel ve kurumsal bilgi çalışması sanal ortamlardaki etkinliklerden oluşmaya başladıkça bilgisayar ekranı görüntülerinden oluşan arşivler bireylerin geçmiş deneyim havuzlarına erişmeleri ve tekrar canlandırmaları için önemli birer kaynak haline gelmiştir. Düzenli olarak ekran görüntüsü yakalayan yaşam günlüğü sistemleri bu anı kümesini oluşturmak için iyi bir başlangıç olmakla birlikte, ekran görüntülerine deneyimle ilgili anımsanan sözcükler yardımıyla erişebilmek bireyin günlük bilgi çalışması verimliliğini daha fazla artıracaktır. Bu çalışmada bireylerin geçmişteki bilgi çalışması deneyimlerine ait ekran görüntülerine anımsadıkları sözcükler yardımıyla erişebilmelerini ve üzerinde çalıştıkları konuya zaman ekseninde hangi sıklıkta yer verdiklerini görebilmelerini sağlayacak bir sistem tasarlanmış ve prototip bir yazılım geliştirilerek denenmiştir. Çalışmanın son bölümünde sistemin bilgi çalışanlarına sağlayacağı olanaklar ve gelecekte geliştirilebilir yönleri tartışılmıştır.

Anahtar Sözcükler: Yaşam günlüğü, ekrandan metin elde etme, masaüstü arama motoru

Giriş

Bilgi çalışanları kişisel ve kurumsal bilgi çalışmalarını gün boyunca iş yerinde, evde ve hareket halindeyken masaüstü, dizüstü ve tablet bilgisayarlarda gerçekleştirirler. Üzerinde çalıştıkları konular sürekli olarak aynı konu hakkında gerçekleştirdikleri önceki çalışmalarına ait ayrıntıları anımsamalarını gerektirir. Aynı anda birden fazla konuda birbirine paralel olarak çalışan bireyler geçmiş deneyimler hakkındaki ayrıntılara konular üzerinde düzenli olarak ardışık biçimde çalışanlardan daha fazla gereksinim duyarlar. Bireylerin geçmişte bilgisayar ortamlarında yaşadıkları kişisel ve kurumsal bilgi çalışması deneyimlerine ait anımsatıcı enformasyona (örneğin ekran görüntülerine) her hangi bir anda anımsadıkları bir ya da bir kaç anahtar sözcük yardımıyla erişebilmeleri sağlayacak bir sistem bilgi çalışması verimliliğini anlamlı biçimde artıracaktır.

Bu çalışmada, daha önceki bir çalışmada geliştirilmiş olan, bireylerin kullandıkları masaüstü, dizüstü ve tablet bilgisayarlara ait ekran görüntülerini düzenli olarak yakalayan, bu ekranlardaki metinleri "optik karakter tanıma" yardımıyla çıkartan ve  kaydeden bir yaşam günlüğü sistemi ile açık kaynak kodlu bir arama motoru yazılımı bir araya getirilerek ekran metinlerinin indekslenmesi ve anahtar sözcüklerle erişilmesi sağlanmıştır. Bireyin elde etmiş olduğu, verilen bir sözcük ya da sözcük grubunu içeren ekran görüntüsü metni dosyaları zaman bağlamında işlenerek görselleştirilmekte ve böylece bireyin aradığı konuyla yıl, ay, gün ve saat temelinde hangi sıklıkta ilgilendiği belirlenebilmektedir. Birey ayrıca herhangi bir andaki ekran görüntüsüne de erişebilmektedir. Çalışmanın son bölümünde geliştirilen uygulamanın uygulama alanları tartışılmış, kısıtlılıkları ve geliştirilebilir yönleri değerlendirilmiştir.

Bilgisayar Ekranından Metin Elde Etme ve Kaydetme

Bireyin bütün bilgisayarlarında düzenli olarak 30 saniyelik aralıklarla ekran görüntülerini yakalama, aynı anda bu görüntülerden "optik karakter tanıma" ile metinleri elde etmek ve cihaz ismi-zaman etiketi ile isimlendirilmiş dosyalar halinde bir bulut hizmeti üzerinde kaydetmek için "Yaşam Günlüğü İçin ekran Görüntüsü Yakalama - OCR" isimli çalışmada geliştirilen LifeLoggingSC (OCR) isimli uygulamadan yararlanılmıştır [1].

LifeLoggingSC (OCR) uygulamasından, bu çalışmanın da dahil olduğu, yürütülmekte olan bir TÜBİTAK projesinde geliştirilen/geliştirilecek bir dizi yazılımın ilk basamağı olarak yararlanılacaktır. Bu nedenle ilgili yazılım M-Levels1 olarak yeniden isimlendirilmiştir.

Ekran Metinlerini Masaüstü Arama Motoru İle İndeksleme

Açık kaynak kodlu masaüstü arama motorları arasında Apache vakfının Lucene Projesi öncü durumdadır [2]. Java ile geliştirilen bu arama motoru kitaplığına .Net üzerinden erişmek amacıyla C# ile geliştirilmiş Lucene.Net paketi bulunmakla birlikte bu çalışma en son 2012 yılında .Net 3.5 için uyarlanmıştır [3]. Yapılan bir aramada Mehdi Gholam tarafından geliştirilen ve CodeProject tarafından CPOL lisansıyla dağıtılan hOOt arama motorunun daha az yer kapladığı (sadece 98 KB büyüklüğünde bir DLL'den oluşmaktadır), kullanımının basit olduğu ve daha güncel tutulduğu görülmüştür [4]. Yapılan ilk denemelerde hOOt paketinin ekran metni dosyalarını indeksleme ve anahtar sözcüklerle erişme işlevlerini Lucene.Net ile karşılaştırılabilir hızlarda yerine getirmesi nedeniyle projede hOOt masaüstü arama motorunun 2.2.1 sürümünün kullanılmasına karar verilmiştir.

Mehdi Gholam'a göre tam metin arama, seçilen metin blokları içerisinde verilen sözcükleri arama sürecidir ve bu sürecin iki yönü bulunmaktadır: a) Varlık: Aranan sözcüklerin çok sayıda metin bloklarının hangilerinde var olduğunun belirlenmesi; b) Uygunluk: Verilen sözcükleri içeren metin bloklarının en ilgili olanının en önde olduğu bir sıralama sistemi ile sıralanmasıdır. hOOT paketinin son sürümü sadece "varlık" sürecini içermekte, "uygunluk" sürecini barındırmamaktadır. Bu çalışmada "uygunluk" öncelikli bir gereksinim değildir. Tam tersine, aranan sözcükleri içeren "en uygun" belgelere değil, tüm belgelere erişilmesi önemlidir.

Anahtar Sözcüklerle Ekran Metinlerine Erişme

Bireyin bilgisayarlarından M-Levels1 ile yakalanan ekran görüntüleri ve ekran metinleri bir bulut hizmeti üzerinden aktarılarak bir çalışma bilgisayarında "/LifeLogging" isimli bir klasörde bir araya getirilmektedir [1]. Mehdi Gholam'ın hOOt'u kullanan örnek uygulaması olan SampleApp ile bu klasör indekslendiğinde klasörde bulunan bütün ".txt" dosyalarındaki sözcükler çıkartılarak bu indekse eklenmektedir. Daha sonra aynı uygulamada anahtar sözcükler ile bu indeks üzerinde arama yapılarak, sözcük ya da sözcük gruplarını içeren tüm metin ekranı dosyalarının listesi elde edilebilmektedir.

Bu süreci ve daha sonraki aşamaları içerecek olan ve M-Levels2 olarak isimlendirilen bir yazılım geliştirilmeye başlanmıştır. Bu amaçla Windows Forms sunum altyapısı kullanılarak yazılmış olan SampleApp uygulaması bu çalışmada geliştirilecek sistemin gereklerine göre WPF ortamında yeniden düzenlenerek geçmiş ekran metinlerine erişme sürecinin ilk dört aşaması oluşturulmuştur. M-Levels2 yazılımının Mehdi Gholam'ın çalışmasına bağlı kalarak oluşturulan ilk dört adımına ait ekran görünümü Şekil 1'de verilmiştir.

Şekil 1. M-Levels2 uygulamasında ilk dört aşama

Bu aşamaların ilki oluşturulacak olan indeksin kaydedileceği klasörün belirlenmesi; ikinci aşama indekslenecek olan dosyaların bulunduğu klasör; üçüncü aşama indeksleme işleminin başlatılması, indekslenen dosya ve sözcük sayısının görüntülenmesi ve indeksin kaydedilmesi aşamasıdır. Daha sonra aynı indeks yüklenerek üzerinde arama yapmak amacıyla kullanılabilir. Şekil 1'deki örnekte kullanıcı ekran görüntülerinden elde edilen metin dosyalarından oluşan yaşam günlüğü dosyaları üzerinde "Anadolu Üniversitesi Eskişehir" sözcüklerinin geçtiği ekranları aramış ve 241 görüntü bulmuştur.

Bir Konuyla Geçmişte Hangi Sıklıkta Çalışıldığının Belirlenmesi

M-Levels2 uygulamasının dördüncü aşamasında listesi elde edilen metin dosyalarının cihaz ismi ve tarih etiketiyle oluşturulan isimlerinden yararlanılarak, dosyalar cihaz ve zaman boyutunda süzülebilmektedir. Kullanıcı yazılımın beşinci aşamasında ekran görüntülerinin elde edildiği cihazların listesinden odaklanmak istediği cihazları seçebilir (Şekil 2). Böylece geçmiş deneyimi anımsamak amacıyla ev, iş yeri ya da hareketli anları birer bağlam olarak kullanabilir.

Şekil 2. M-Level2 uygulamasında ekran görüntülerinin yakalandığı cihazların listesi

Bu yaklaşımla verilen sözcük ya da sözcük gruplarını içeren metin dosyalarının yıl, ay ve gün bazındaki sıklıkları WPF Toolkit yardımıyla görselleştirilerek Şekil 3'deki etkileşimli grafik elde edilmiştir. Bu grafikte kullanıcı bir konuyla hangi yıl kaç kez ilgilendiğini görebilmektedir. Bir yıl seçildiğinde, o yıla ait aylar boyunca söz konusu konuyla kaç kez ilgilenildiği görüntülenmektedir. Bir ay seçildiğinde ise o aya ait günler boyunca o konuyla kaç kez ilgilenildiği görüntülenir. Buradaki "kaç kez" ifadesine karşı gelen büyüklük söz konusu konuyu ifade eden sözcük ya da sözcük grubunu içeren ve her biri 30 saniyelik zaman aralığına ait olan ekran görüntüsü sayısıdır.

Şekil 3. Verilen konunun geçmişte üzerinde çalışılma sıklığı 

Kullanıcı daha sonra belirli bir ana odaklandığında ve o ana ait ekran görüntülerine erişmek istediğinde, grafikte her biri bir dakikalık zaman dilimine karşı gelen çubuklara tıklaması yeterli olmaktadır. Böylece bir dakika boyunca yakalanmış olan 1 ile 2 arası değişen sayıda ekran görüntüsünden birincisine erişerek görüntüleyebilir (Şekil 4).

Şekil 4. Girilen anahtar sözcüğü içeren ekran görüntülerinin görüntülenmesi

M-Levels1 uygulaması mümkün olduğunca yüksek kalitede "jpeg" formatında ekran görüntüsü yakalamaktadır. Farklı bilgisayarlardaki değişik çözünürlükteki ekranlardan yakalanan ekran görüntülerinin boyları farklı olacaktır. Bu nedenle kullanıcıya ek olarak M-Levels2 uygulamasında görüntünün üzerine tıklayarak gerçek boyutunda görüntüleme olanağı sağlanmıştır.

Sonuç ve Öneriler

Tasarlanan sistem "Verilen bir konuyla hangi zaman aralığında ve hangi sıklıkta ilgilenildi?" sorularına yanıt bulma ve verilen bir konu üzerindeki çalışmayı zaman ekseninde tekrar canlandırabilme gibi olanaklar sunmaktadır. Bu özellikleri nedeniyle geliştirilen sistem kişisel ve kurumsal bilgi çalışmasını destekleyen bir kişisel enformasyon yönetim sistemi aracıdır.

Ekran görüntüsünden metin elde etme yaklaşımı ekranın duyarlılığına, ekrandaki metinlerin yazı büyüklüğüne ve yazı tipine sıkı sıkıya bağımlıdır. Bazı yazı tipleri ve küçük yazı boyları metinlerin doğru elde edilmesini engelleyebilmektedir. Diğer taraftan ekranda üst üste binmiş pencerelerin varlığı da hem bazı sözcüklerin görünmesini, hem de sözcüğün bütün harflerinin görünmesini engelleyebilir. Bu sorunlar elde edilen ekran metinlerinin kesinliğini etkilemekle birlikte gün boyunca yüzlerce ekran görüntüsünün yakalanması nedeniyle metinlerin ekran görüntülerinde yer alma sıklığının "niteliğini" fazla etkilemeyecektir. Diğer bir deyişle, bir sözcüğün zaman boyunca dalgalanan sıklık dağılımındaki miktarlar kesin olmamakla birlikte dalganın yapısı gerçek durumdan çok uzak olmayacaktır.

Uygulanan yaklaşım "anımsama" açısından yaklaşıldığında, kullanıcının görmediği sözcükleri anımsamayacağı gerçeğiyle uyumludur. Böylece bir pencerenin arkasında kaldığından dolayı görülmeyen bir belge kullanıcının deneyiminin bir parçası haline gelmeyecektir.

Tasarlanan sisteme ait geliştirilen prototip yazılımın sadece Windows 8.1 ve üstü işletim sisteminde masaüstü ortamında çalışma kısıtlılığı bulunmaktadır. Fakat içerdiği işlevlerin diğer işletim sistemlerine taşınmasında bir engel bulunmamaktadır. Diğer taraftan, bilgi çalışanlarının kişisel ve kurumsal bilgi çalışmalarını üzerinde gerçekleştirdikleri önemli bir diğer cihaz olan akıllı telefonlara (güvenlik nedeniyle akıllı telefonlarda genel amaçlı ekran görüntüsü yakalama işlevinin kısıtlanması nedeniyle)  bu sistemde yer verilmemiştir.

Bu çalışmada geliştirilen sistemden yararlanarak, bireylerin geçmiş deneyimlerindeki ilgilendikleri konulara ait "konu çözümlemesi" yapılması için bir sistemin tasarlanması mümkün olabilecektir.

Teşekkürler

Bu çalışma Türkiye Bilimsel ve Teknik Araştırmalar Kurumu (TÜBİTAK) tarafından 115K497 nolu araştırma projesi kapsamında desteklenmiştir.

Kaynaklar


[1] http://http://personalinformationsystems.blogspot.com.tr/2016/03/working-paper-screen-capture-for.html

[2] http://lucene.apache.org/

[3] https://lucenenet.apache.org/

[4] http://www.codeproject.com/Articles/224722/hOOt-full-text-search-engine

Screen Note Capture for LifeLogging

Yaşam Günlüğü İçin Ekran Notu Yakalama

Günümüzde Web 2.0 tabanlı sitelerin bir bölümü kullanıcılarına ekrandaki öğelerin üstünü ya da altını çizerek vurgulama yapma ve ekrandaki öğelere ait not alma olanağı sunarak, daha sonra bu ekranlara geri geldiklerinde önceki deneyimlerinde önemli buldukları içeriği ve o andaki düşüncelerini anımsamalarına olanak sağlarlar. Özellikle e-öğrenme sitelerinde bu hizmete sıkça rastlanmaktadır.

Sitelerin sunduğu bu hizmet faydalı olmakla birlikte, bu yaklaşım kullanıcı etkinliklerinin sonuçlarının kullanıcıya ait olmayan sitelerde dağıtık biçimde tutulmasına yol açmaktadır. Bu durum yaşam günlüğü yaklaşımıyla çelişmektedir. Yaşam günlüğü yaklaşımı bireyin deneyimlerine ait anımsatıcı izlerin yine bireyin denetimindeki ortamlarda saklanmasını, böylece dış ortamların kapanması ya da erişim dışı kalması sonucunda bireyin deneyimlerine ait bir iz kaybı yaşamamasını öngörür.

Bilgi çalışanları zamanlarının önemli bir bölümünü bilgisayar başında geçirirler ve bilgisayar ekranı ile etkileşim kurarlar. Çalışırken, medyada zaman geçirirken, işlem yaparken, araştırırken, öğrenirken, yayınlarken ya da iletişim kurarken gün boyunca bilgisayar ekranlarından binlerce görüntü gelir ve geçer. Bireyler eğer bir siteye girdiklerinde ya da bir belge üzerinde çalışırken ekrandaki görüntünün daha sonra anımsamak istedikleri bir bölümünün, üstünü/altını/çevresini çizmeleri ya da bu bölümle ilgili bir not almaları gerektiğinde, bu amaçla site ya da yazılıma ait bir araç kullanmak yerine, site ve yazılımlardan bağımsız bir not alma aracı kullanmaları ve bu notları/vurgulamaları yaşam günlüğü sistemi içerisinde saklamalarının getireceği çeşitli avantajlar bulunmaktadır. 

Bu avantajları araştırmak amacıyla yaşam günlüğü için ekran görüntüsü yakalama uygulamasıyla (LifeLoggingSC) birlikte çalışacak bir ekran notu yakalama aracı geliştirildi. Geliştirilen araç şimdilik sadece seçili bir renk ve kalınlığa sahip bir fırçayla Windows ekranındaki öğelerin üzerinde vurgulama amacıyla çizim yapılmasına olanak sağlamaktadır. Üzerindeki öğelere vurgu yapılan ekran LifeLoggingSC ile yakalanmaya devam edilmekte ve yaşam günlüğüne kaydedilmektedir. 

Yaşam günlüğü için ekran notu yakalama aracı (LifeLoggingSNC) olarak isimlendirilen uygulama çalıştırıldıktan sonra ekranın üst bölümüne küçük bir şerit halinde yerleşmektedir. 

Resim 1. LifeLoggingSNC uygulamasına ait şerit

Şeride tıklanarak uygulama açılır ya da kapatılır. Şerit açıldığında kullanıcıya fırça kalınlığı ve rengi seçenekleri sunulmaktadır. Kullanıcı Start düğmesi tıkladıktan sonra Stop düğmesine tıklayana kadar fırça yardımıyla ekrandaki herhangi bir öğeyi vurgulayabilir. 

Resim 2. Şeridin açılmış hali

Kullanıcı Stop düğmesine tıkladıktan sonra da vurgular içerikten bağımsız biçimde ekranda kalmaya devam ederler. Kullanıcı uygulamadan çıkarak ya da farenin sağ tuşuna tıklayarak vurgulamaları silebilir. bu esnada vurgulanmış ekran LifeLoggingSC ile varsayılan olarak 30 saniyede bir yakalanmış olur. 

Resim 3. Masaüstündeki uygulamalarda yapılan vurgulamalar

Geliştirilen uygulamaya yeni özellikler eklenmesi, yaşam günlüğü sistemiyle bütünleştirilmesi, notlara tekrar erişim için bir yöntem geliştirilmesi ve vurgulama anında kullanılan fırçanın daha belirgin olması için çeşitli denemeler yapılmaya devam edilecektir. Diğer taraftan, benzeri bir işlevin yaşam günlüğü için ekran videosu yakalama yazılımı olan LifeLoggingSVC uygulamasına eklenmesi incelenecektir.

"Managing Distance Learning Experiences with a Digital Lifelogging System - An Application During One Semester" Paper Published in Online Journal AUAd

"Uzaktan Öğrenme Deneyimlerinin Dijital Yaşam Günlüğü İle Yönetilmesi – Bir Akademik Yarıyıl Üzerinde Uygulama" Makalesi AUAd Çevrimiçi Dergisinde Yayınlandı

Ayşe Peri Mutlu ile birlikte hazırladığımız, 4-6 Eylül 2014  tarihinde Kocaeli Üniversitesinde düzenlenen 23. Eğitim Bilimleri Kurultayında sunmuş olduğumuz "Uzaktan Öğrenme Deneyimlerinin Dijital Yaşam Günlüğü İle Yönetilmesi – Bir Akademik Yarıyıl Üzerinde Uygulama" isimli bildiri AUAd (Açıköğretim Uygulamaları ve Araştırmaları Dergisi) çevrimiçi dergisinde yayınlandı.

http://auad.anadolu.edu.tr/yonetim/icerik/makaleler/96-published.pdf

Capturing Online Lectures Using Life Logging System

Yaşam Günlüğü Sistemi Kullanarak Çevrimiçi Ders Yakalama

Bu yıl 10-12 Haziran 2015 tarihleri arasında Barselona/İspanya'da düzenlenen "INTE 2015 - International Conference on New Horizons in Education" konferansına Ayşe PERİ MUTLU ile birlikte hazırlayarak gönderdiğimiz ve Ayşe PERİ MUTLU tarafından sunulan "Yaşam Günlüğü Sistemi Kullanarak Çevrimiçi Ders Yakalama" isimli çalışmanın tam metnini bugün teslim ettik:

Yaşam Günlüğü Sistemi Kullanarak Çevrimiçi Ders Yakalama 

Ayşe PERİ MUTLU

Anadolu Üniversitesi, Açıköğretim Fakültesi

aperi@anadolu.edu.tr

Mehmet Emin MUTLU

Anadolu Üniversitesi, Açıköğretim Fakültesi

memutlu@anadolu.edu.tr

ÖZET

Bireylerin öğrenme yönetim sistemleri ve sanal öğrenme ortamlarında katıldıkları dersleri daha sonra tekrar incelemek amacıyla kişisel öğrenme ortamlarına aktarabilmeleri için ekran videosu kaydetme vb. ders yakalama araçlarına gereksinimleri vardır. Yaşam boyu öğrenme bağlamında ele alındığında, yıllar boyunca yakalanan derslerin video dosyalarının tekrar erişilebilir biçimde düzenlenmesi zahmetlidir.  Bu amaçla bir yaşam günlüğü sistemi kullanmak ders yakalama ve dosyaları düzenleme sürecini kolaylaştıracaktır. Bir yaşam günlüğü sisteminin bileşeni olan ekran videosu yakalama aracı ile yakalanan dersler bireyin zaman çizgisinde dersin işlendiği zaman dilimine yerleştirilirler ve böylece birey dersin dosyalarına dersin işlendiği tarih ve saat bilgisiyle tekrar erişebilir. Bu çalışmada ekran ve kamera görüntüsü, ses, konum, video ve ekran videosu yakalama araçlarını barındıran  çok algılayıcılı bir yaşam günlüğü sisteminin çevrimiçi dersleri yakalamak amacıyla kullanımı araştırılmıştır. Bu amaçla bir uzaktan öğretim yüksek lisans programında kayıtlı olan birinci araştırmacı bir öğretim dönemi boyunca katıldığı sanal sınıf ortamındaki dersleri bir yaşam günlüğü ile kaydetmiştir. Yakalanan ekran videoları ve diğer günlük verileri bulut üzerinden aktarılarak  zaman çizgisine yerleştirilmiş ve bir yaşam günlüğü görüntüleyicisi ile tarama, erişme ve görüntüleme sağlanmıştır. Çalışmanın sonuç bölümünde yaşam günlüğü sisteminin işleyişi değerlendirilerek uzaktan öğrenme öğrencilerine sağladığı olanaklar tartışılmıştır.

Anahtar Sözcükler: Ders yakalama, ders kaydetme, yaşam günlüğü

Outcomes of "Development and Implementation of A Digital Lifelogging System for Management of Lifelong Learning Experiences" Project is Published

"Yaşam Boyu Öğrenme Deneyimlerinin Yönetimi Amacıyla Bir Dijital Yaşam Günlüğü Sisteminin Geliştirilmesi ve Uygulanması" Projesinin Sonuçları Yayınlandı

15 Şubat 2013-15 Ağustos 2014 tarihleri arasında gerçekleştirilen "Yaşam Boyu Öğrenme Deneyimlerinin Yönetimi Amacıyla Bir Dijital Yaşam Günlüğü Sisteminin Geliştirilmesi ve Uygulanması" isimli "1301E014" numaralı Bilimsel Araştırma Projesine ait tasarım ve uygulama bildirileri çevrimiçi Procedia - Social and Behavioral Sciences dergisinde yayınlandı. Yayınlara aşağıdaki bağlantılardan erişilebilir:

• Mehmet Emin Mutlu, Design and Development of a Digital Life Logging System for Management of Lifelong Learning Experiences, Procedia - Social and Behavioral Sciences, Volume 174, 12 February 2015, Pages 834-848, ISSN 1877-0428, http://dx.doi.org/10.1016/j.sbspro.2015.01.678. (http://www.sciencedirect.com/science/article/pii/S1877042815007296) 

• Mehmet Emin Mutlu, İlker Kayabaş, Buket Kip Kayabaş, Ayşe Peri Mutlu, Implementation of the Lifelong Learning Experiences Management Approach – Observations on the First Experiences, Procedia - Social and Behavioral Sciences, Volume 174, 12 February 2015, Pages 849-861, ISSN 1877-0428, http://dx.doi.org/10.1016/j.sbspro.2015.01.680. (http://www.sciencedirect.com/science/article/pii/S1877042815007314)

• İlker Kayabaş, Mehmet Emin Mutlu, Obtainment and Management of Informal Learning Experiences Among Saved Life Experiences via a Life Logging System: An Observation of a Software Developer, Procedia - Social and Behavioral Sciences, Volume 174, 12 February 2015, Pages 1111-1116, ISSN 1877-0428, http://dx.doi.org/10.1016/j.sbspro.2015.01.802. (http://www.sciencedirect.com/science/article/pii/S187704281500854X)

• Buket Kip Kayabas, Mehmet Emin Mutlu, Record, Evaluation and Planning of Knowledge Work Experiences on Personal Research Environments via Life Logging System, Procedia - Social and Behavioral Sciences, Volume 174, 12 February 2015, Pages 1129-1137, ISSN 1877-0428, http://dx.doi.org/10.1016/j.sbspro.2015.01.805. (http://www.sciencedirect.com/science/article/pii/S1877042815008575) 

[Working Paper] Lifelogging Contexts - A Literature Survey

[Çalışma Raporu]

Yaşamgünlüğü Bağlamları - Bir Literatür Taraması

4-6 Şubat 2015 tarihlerinde Anadolu Üniversitesi Eskişehir'de düzenlenen XVII. Akademik Bilişim Konferansında sunmuş olduğum "Yaşam Deneyimleri Bağlam Modeli - LECOM" isimli bildiriyi yazarken gerçekleştirdiğim literatür taramasına aşağıdaki bağlantıdan erişilebilir.

Mutlu, M.E. (2015). Yaşam Günlüğünün Aktif Kullanımı. Çalışma Raporu. Kişisel Bilgi Sistemleri Blogu. (30 Haziran 2015).

http://personalinformationsystems.blogspot.com.tr/2015/07/working-paper-active-usage-of.html

Yaşam Günlüğü Bağlamları – Bir Literatür Taraması

Mehmet Emin Mutlu

Anadolu Üniversitesi, Açıköğretim Fakültesi, Eskişehir

memutlu@anadolu.edu.tr

Özet: Bireylerin daha sonradan hatırlamak amacıyla günlük yaşantılarına ait ses, görüntü, video, konum, hareket vb. verileri sürekli olarak yakalamaları ve saklamalarını sağlayan yaşam günlüğü araçları giderek yaygınlaşmaktadır. Bireylerin günlük yaşam deneyimlerine ait kaydedilen içerik bilgisinin daha sonra doğru anlamlandırılabilmesi için deneyimi o anda çevreleyen bağlamların da belirlenmesi ve sınıflandırılması gerekir.  Yaşam günlüğü sistemlerinde algılayıcılardan elde edilen içerik ve bağlam günlüklerinin çözümlenmesiyle, verilen bir andaki eylem ve o eylemin bağlamlarının otomatik olarak elde edilmesine yönelik başarılı çalışmalar gerçekleştirilmektedir. Bu çalışmada 2000’lerin başından 2014’e kadar olan dönemde yaşam günlüğü araştırmalarında “bağlam” kavramının gelişimi literatür taraması gerçekleştirilerek özetlenmiştir.

Anahtar Sözcükler: Yaşam deneyimleri, yaşam günlüğü, bağlamlar, bağlam modeli

1. Giriş

Bireyin bütün deneyimlerinin cihazlar yardımıyla kaydedilmesi düşüncesi Bush’un 1945 yılındaki Memex vizyonuna dayanmaktadır. Bush, “Memory Extender” adını verdiği varsayımsal bir cihaz yardımıyla bireyin duyduğu, konuştuğu, gördüğü ve okuduğu her enformasyonun otomatik olarak kaydedilmesini ve bütün bu enformasyonu birbiriyle ilişkilendirerek kolayca erişilmesini sağlayacak bir model önerisinde bulunmuştur (Bush, 1945). Steve Mann’ın giyilebilir bilgisayarlar alanındaki 80’lerdeki öncü çalışmaları ve 90’larda MIT Media laboratuvarındaki araştırmalar ile giyilebilir algılayıcılar yardımıyla bireyin gördüğü ve duyduğu her şeyin kaydedilmesi düşüncesi gerçeğe dönüşmeye başlamıştır (Mann, 2004). 2000’lerin başında Gordon Bell, MyLifeBits projesi ile gördüğü, duyduğu ve okuduğu bütün veri ve enformasyon ile bilgisayar ortamında gerçekleştirdiği her işlemi yıllarca tekrar erişilebilir biçimde kaydedebilmiştir (Gemmell vd., 2002). 2003’de DARPA tarafından başlatılan Life-Log Projesi gelen tepkiler üzerine durdurulmuştur (DARPA, 2003). Aynı dönemde Aizawa çok sayıda algılayıcıdan sürekli olarak aynı anda veri yakalama deneyleri gerçekleştirmiştir (Aizawa vd., 2004). Microsoft’un geliştirdiği ve 2005 yılında akademik araştırmalar için kullanıma sunduğu, 30 saniyede bir görüntü yakalayan ve bu görüntüleri konum, ısı, hız ve ışık düzeyi gibi algılayıcılardan gelen verilerle etiketleyen SenseCam kamerası yaşam günlüğü araştırmalarının yaygınlaşmasını sağlamış ve karşılaştırılabilir deneysel çalışmalar yapılmıştır (Hodges vd., 2006). Günümüzde yaşam günlüğü giderek artan sayıdaki algılayıcı ile elde edilen kişisel büyük verinin anlamlandırılmasına odaklanmaktadır (Gurrin vd., 2014).

Günümüzde bireyin deneyimlerinin yakalanmasıyla ilgili olarak literatürde birbirine yakın üç kavramla karşılaşılmaktadır: Yaşam günlüğü, kişisel bilişim ve sayısallaştırılmış-öz. Yaşam günlüğünün yaygın kabul gören tanımlarından birini Dodge ve Kitchin yapmıştır: Yaşam günlüğü, bireyin bütün deneyimlerini birleştirilmiş sayısal bir kayıt haline getirmek amacıyla sayısal algılayıcılar yardımıyla çoklu tipte yakalayacak ve bir kişisel çoklu ortam arşivinde kalıcı biçimde saklayacak biçimde tasarlanmış bir yaygın bilgiişlem türüdür (Dodge ve Kitchin, 2007). Sayısallaştırılmış-öz kavramı ise bireyin kendisine ait biyolojik, fiziksel, davranışsal ve çevresel her hangi bir tür enformasyonun kendisi tarafından izlenmesidir (Swan, 2013). Sayısallaştırılmış–öz aynı zamanda kendi kendini izleyenlerin oluşturduğu topluluğun adını ifade etmektedir. Li ve arkadaşları bu kavramı “kişisel bilişim” olarak yeniden tanımlamıştır: Kişisel bilişim bireylerin kendi davranışlarını daha iyi anlamaları amacıyla kişisel verilerinin toplanması ve yayınlanmasına olanak sağlayan sistemlerin sınıfıdır. (Li vd., 2011).

Bu tanımlar arasında belirgin ayrımlar olmasa da yaşam günlüğü alanındaki çalışmalarda Sellen ve Whittaker’in vurguladıkları ve 5R ile ifade edilen yararlar öne çıkmaktadır (Sellen ve Whittaker, 2010):

• Anımsamak: Belirli yaşam deneyimlerini zihinsel olarak tekrar yaşayabilmek. Örneğin, kaybolan bir nesnenin yerini hatırlamak.
• Anıları Canlandırmak: Geçmiş deneyimlere ait duygusal ve manevi anıları tekrar yaşamak. Örneğin, fotoğraf albümlerine bakmak.
• Erişmek: Üzerinden yıllar geçmiş özel sayısal enformasyonu tekrar geri getirmek. Örneğin, Belgeler, e-postalar ve Web sayfaları.
• Yansıtmak (kendini tanımak): Geçmiş deneyimleri gözden geçirmek bireyin davranışlarında zamanla oluşan örüntülerin bireyin kendisi tarafından keşfedilmesini sağlar.
• Niyetleri Anımsamak: Bireyin yaşamındaki olası olayları anımsamak.

Yaşam günlüğünde “anımsama”  nın özel bir yeri bulunmaktadır. Tulving’e göre zamanın akışının geriye çevrilememesi gerçeğinin bir istisnası bireyin geçmişte olanları anımsama yeteneğidir.  Birey bugün, dün olan bir şeyi düşündüğünde aslında zihinsel bir zaman yolculuğu gerçekleştirmiş olur (Tulving, 2002). Yaşam günlüğü 5R ile ifade edilen faydaların hepsine odaklanırken kişisel bilişim ya da sayısallaştırılmış-öz yaklaşımlarında bireyin belirli bir alandaki davranışlarındaki ve özelliklerindeki değişimin belirlenmesi ve görüntülenmesi (yansıtma) önem kazanmaktadır.

1.1. Yaşam Günlüğü Algılayıcıları

Mann tasarladığı giyilebilir kamera ve ekran içeren gözlükler yardımıyla 1994 yılından itibaren tüm yaşamını inernette canlı olarak yayınlamaya başlamıştır (Wikipedia, 2014). Gordon Bell MyLifeBits projesinde dinlediği radyo yayınlarını, seyrettiği televizon programlarını, gezindiği internet sayfalarını, konuşmalarını, yazdığı metinleri, internette izlediği görüntü, video ve müzikleri, internette eriştiği radyo ve televizyon yayınlarını, bilgisayar uygulamalarına ait belgelerini, e-postalarını, akıllı telefon içeriğini,  tam zamanlı bir ekibin yardımıyla yıllarca kaydedebilmiştir (Gemmell vd., 2002). Aizawa 2003 yılında mikrofon, kamera, hız algılayıcısı, jiroskop, GPS ve beyin dalgası çözümleyicisi içeren giyilebilir bir bilgisayar yardımıyla kaydettiği videoları daha sonra erişim sağlamasını kolaylaştıran çok sayıda algılayıcı verisiyle etiketleyebilmiştir (Hori ve Aizawa, 2003; Aizawa vd., 2004). Yaşam günlüğü uygulamalarında yaşam deneyimi verileri, bireyin üzerinde taşıdığı ya da çevresinde bulunan algılayıcılardan, bireyin bir müdahalesi olmadan elde edilir. Yaşam günlüğü verilerinin kaynakları her geçen gün daha da çeşitlenmektedir. (Gurrin vd., 2014):

• Pasif görüntü yakalama (Görüntü ve video kaydedebilen Giyilebilir kameralar,  video kameralar, gözlükler)
• Kişisel biyometrikler (Adım sayan, mesafe ölçen, uyku süresi ve kalitesini izleyen bileklikler)
• Mobil cihaz bağlamları (GPS, hız, ışık, görüntü, ses, WiFi, baz istasyonu ve Bluetooth vb. algılayıcılar içeren akıllı telefonlar ve tabletler)
•  İletişim etkinlikleri (SMS, anlık sohbet, e-posta, telefon görüşmesi, sosyal medya akışları vb.)
• Veri oluşturma/erişim etkinlikleri (Masaüstü, dizüstü, tablet ve akıllı telefon ekranlarında gerçekleştirilen etkinlikler, web geçmişleri, çalıştırılan uygulamalar, klavye, fare ve dokunma işlemlerini ve ekran görüntülerini kaydetme, vb.)
• Aktif olarak yakalanan yaşam etkinlikleri (Blog yazma, sosyal ağlarda durum güncelleme, video ya da fotoğraf yükleme vb. – Yaşam günlüğü olup olmadığı tartışılmaktadır.)
• Çevresel bağlamlar ve medya (Akıllı evlerdeki algılayıcılar, hareket ve basınç algılayıcıları, elektrik-gaz-su kullanımı izleyicileri, ev içerisinde sürekli video ve ses kaydedilmesi vb.)
•  Pasif ses yakalama (Ses kayıtları yardımıyla konum, etkinlik türü ve kişileri belirleme)
• Çapraz kategori algılama araçları (Özellikle akıllı telefonlardaki çok sayıda algılayıcının birlikte kullanımı ile yeni veri türlerinin elde edilmesi)
• Başarım izleme araçları (Kalp atışı, kalp grafiği, galvanik cilt tepkisi, cilt ısısı, vücut hareketleri, vücut pozisyonu vb.)

Rawassizadeh (2012) yaşam günlüğü algılayıcılarını farklı biçimde sınıflandırmıştır: Yine de bunun kesin bir ayrım olmadığını, algılayıcıların birden fazla grupta yer alabileceğini belirtmiştir. Örneğin “Hava Durumu” algılayıcısına ait veri masaüstünden erişilen bir web hizmetinden, duvardaki bir termometreden ya da kullanıcının saatinde gömülü algılayıcıdan yakalanıyor olabilir.

• Masaüstü algılayıcıları (bilgisayarda gerçekleştirilen etkinliklerin yakalanması)
• Mobil algılayıcılar (taşınabilir cihazdaki etkinlikleri, fiziksel konum, pozisyon ve hareketlerini, çevresel verileri, sosyal etkileşim verilerini (çevredeki diğer kişileri), ses, görüntü ve video içeriğini yakalayan algılayıcılar, giyilebilir biyoalgılayıcılar)
• Çevresel (ya da yakınlık) algılayıcılar (çevreye ait verileri yakalayan ve bireyin çevresine dağılmış olan sabit algılayıcılar)

Yaşam günlüğü sistemlerinde sistem kapsamındaki cihazlardaki algılayıcılardan elde edilen günlük verileri içerik günlüğü ve bağlam günlüğü olarak iki gruba ayrılmaktadır. Yaşam deneyimine ait içerik verileri ses, görüntü ve video olarak yakalanırken, deneyime eşlik eden zaman, yer, kişiler vb. diğer veriler içerik verilerini anlamlandırmakta kullanılan bağlam günlüğü verileri olarak adlandırılırlar. Bağlam günlükleri günlük yaşamda gerçekleştirilen bir etkinliği belirlemede ve anlamlandırmada yardımcı olurlar (Kikhia, 2014).

1.2. Algılayıcılardan Bağlam Verisi Elde Etmek

Algılayıcı verilerinden bağlam elde etmek için üç farklı yöntemden yararlanılır. Birincisi algılayıcı verisini bağlam olarak doğrudan kullanmaktır. Örneğin ısıölçer algılayıcısından t anında ölçülen santigrat cinsinden sıcaklık değeri doğrudan o ana ait sıcaklık bağlamı olarak kullanılabilir. Bazı durumlarda ölçüm değerlerinin kullanıcı için anlamlı hale getirmek amacıyla işlem görmesi gerekir. Bu işlemler yaşam günlüğü sistemi içerisinde yapılabileceği gibi dışarıdan da yardım alınabilir. Örneğin GPS algılayıcısından gelen enlem, boylam ve yükseklik verilerinin bir harita web hizmetine gönderilmesi sonucunda web hizmetinden bir haritanın ya da okunaklı bir adresin dönmesi sağlanabilir. Daha anlamlı bir bağlam verisi elde etmek için yaşam günlüğü sistemi içerisinde eşleştirme yapılarak ilgili adresin ev ya da iş yerine ait olduğu bilgisi gerekebilir. Bazı durumlarda birden fazla algılayıcıdan gelen veri aynı anda kullanılarak üst düzey yeni algılayıcılar oluşturulabilir. Bu işleme algılayıcı füzyonu, elde edilen üst düzey algılayıcılara ise sanal algılayıcılar adı verilir. Örneğin GPS algılayıcısının çalışmadığı bina içi ortamlarda baz istasyonu, WiFi ve Bluetooth algılayıcılarından yararlanarak konum belirleme işlemi gerçekleştirilebilir. Etkinlik ve olay tanımlama gibi üst düzey işlemlerde ise çok sayıda algılayıcıdan gelen veri birlikte işlenerek olaylarda ya da etkinliklerde farklılıkların ve benzerliklerin aranması gerekebilir (Qiu, 2013).

Bilgisayar tarafından anlamlandırılan bir olay ile bireyin o olaya verdiği anlam arasındaki farka semantik açıklık adı verilir. Örneğin GPS koordinatları ham algılayıcı verisidir. Bu koordinatların bir harita web hizmetinden yararlanılarak okunaklı adres bilgisine dönüştürülmesi ile algılayıcı verisine anlam kazandırılmış olmaktadır. Eğer o adres bireyin çocuğunun okulunun adresi ise adres enformasyonu ile “çocuğun okulu” enformasyonu arasındaki farklılık semantik açıklıktır (Wang, 2012).

1.3. Çalışmanın Amacı ve Yapısı

Bu çalışmada yaşam günlüğü sistemleri ile yakalanan algılayıcı verilerinden bağlamların elde edilmesi, sınıflandırılması, depolanması, erişilmesi, günlük etkinliklerle ilişkilendirilmesine yönelik düşüncelerin, yöntemlerin ve uygulamaların gelişimi araştırılmıştır. Bu amaçla yaşam günlüğü alanında bağlam kavramını gelişimi, bağlam tanımları ve bağlam modelleri incelenmiştir. Sonuç ve öneriler bölümünde yaşam günlüğü araştırmalarında bağlam konusunun gelişimi yorumlanmış ve geleceğe yönelik kestirimlerde bulunulmuştur.

2. Deneyimlere Ait Bağlamlar

Bağlam kavramı 1960’larda bilgisayar bilimlerinin ilgi alanına girmiştir ve bilgisayarların çevreden elde ettikleri enformasyona dayalı olarak çevreyi algılayabilecekleri, tepki gösterebilecekleri ve işlevselliklerini uyarlayabilecekleri düşüncesine göndermede bulunur. Bu doğrultuda, bağlam enformasyonunu yakalayan ve çıkarsamada bulunarak kendisini uyarlayan bilgi işlem sistemlerini ifade etmek amacıyla “bağlam farkındalığı” terimi ilk kez yaygın bilgi işlem alanında ortaya atılmıştır (Lee vd., 2011).

Bağlam ve bağlam farkındalıklı sistemlerin çok geniş bir uygulama alanı bulunmaktadır. Bu çalışmada yaşam günlüğü ile yakalanan yaşam deneyimlerine ait bağlamlara odaklanılacağı için sadece “yaşam günlüğü” literatüründe yeralan bağlam tartışmalarına yer verilecektir.

2.1. Bağlam Tanımları

Bağlam terimi için sık başvuru yapılan bir tanım Dey (2001) tarafından yapılmıştır: Bağlam, bir varlığın durumunu karakterize etmek amacıyla kullanılan herhangi bir enformasyondur. Varlık, kullanıcı ve uygulama arasındaki etkileşimle ilgili bir kişi, yer ya da nesne olabileceği gibi, kullanıcı ve uygulamanın kendisi de olabilir.

Bu tanımı yaşam günlüğü alanına uyarlarsak, “uygulama” yaşam günlüğü uygulaması, “kullanıcı” ise yaşam günlükçüsü olmaktadır. Yaşam günlüğü sisteminin görevi yaşam günlükçüsüne ait yaşam deneyimlerini pasif bir biçimde yakalamaktır. Bu durumda, yaşam günlüğü sistemi yaşam günlükçüsünün yaşam deneyimlerini meydana getiren günlük yaşam etkinlikleriyle ve yaşadığı olaylarla etkileşim içindedir ve bağlam bir yaşam deneyimini anlamlandırmak için etkinliklere ve olaylara o anda eşlik eden, deneyimle ilişkili olan ve yakalanabilen enformasyondur.

Bu enformasyonun ses, görüntü ve video biçimindeki bölümü içerik günlüğü olarak kullanılırken, yakalanan konum, kişi, zaman, hız, ışık, ısı vb. diğer veriler bağlam günlüğü olarak kullanılır. Bazı durumlarda içerik verisinden de bağlam verisi elde edilebilir. Örneğin, yakalanan görüntü ve ses kayıtlarından ses ve yüz tanıma ile kişileri belirleme gibi. Bağlamlar içeriğe anlam katmak amacıyla kullanılırlar. İçeriğin anlamı içerisinde yeraldığı bağlama göre değişiklik gösterebilir. Bu durum, eğer daha sonra bir anlam arayışına girilecekse, içerik ve bağlamın birlikte yakalanmasını ve kaydedilmesini gerektirir.

2.2. Yaşam Günlüğünde Bağlam Kavramının Gelişimi

Yaşam günlüğü alanında bağlamları ilk araştıranlardan birisi olan Aizawa, yaşam günlüğü içeriğine içerik tabanlı olarak erişmenin zorluğu nedeniyle bağlamların önem kazandığını, içeriğin bağlamlarla etiketlenmesi durumunda içeriğe daha kolay erişilebileceğini ileri sürmüştür (Aizawa ve Hori, 2005).

Ayrıca bir deneyimin bağlamını hatırlamak deneyimin ayrıntılarını hatırlamaktan kolaydır. Deneyime ait enformasyonu indekslemek için bağlamlar değerli anahtarlar sunar. Böylece bir güne ait videonun belirli bir yerde ve zamanda çekilen bölümüne erişmek için videonun zaman ve konum verisiyle etiketlenmiş olması süreci kolaylaştıracaktır (Aizawa, 2005).

Bağlam ve içerik günlükleri verisinin temel kaynağı algılayıcılardır. Bazı durumlarda algılayıcılardan elde edilen ısı, konum, hız vb. ham veriler bağlam olarak olduğu gibi kullanılabilirken, çoğu durumda algılayıcılardan gelen ham veriler istatistiksel işlemlere tutularak bir ve birden fazla yeni bağlam elde edilir. Örneğin insan vücudunun çeşitli noktalarına yerleştirilen üç eksenli hareket algılayıcılarından elde edilen verilerden istatistiksel yöntemlerle özellikler çıkartılmakta ve bu özellikler çözümlenerek bireyin vücut pozisyonu yüzde 90’ın üzerinde bir başarıyla doğru tahmin edilebilmektedir (Cleland vd., 2013).

Yaşam günlüğü için bağlamları sınıflandırmaya yönelik ilk deneme Hori ve Aizawa tarafından gerçekleştirilmiştir. Bağlamlar öznel bağlamlar ve nesnel bağlamlar olarak ikiye ayrılır. Öznel bağlamlar kullanıcının hislerini, duygu durumlarını ya da duygulanımlarını ifade ederler. Örneğin “ilgimi çekti” ya da “heyecanlandım” gibi. Kalp atışı sayısı, cilt iletkenliği, beyin dalgaları gibi verilerle öznel bağlamlara ait nesnel veriler elde edilebilmektedir. Nesnel bağlamlar ise kullanıcının nerede olduğunu, ne yaptığını, zamanı, çevredeki kişileri ya da hava durumu gibi verileri ifade ederler. Kullanıcı notları genellikle öznel bağlamlar olarak ele alınırlar (Hori ve Aizawa, 2003; Aizawa vd., 2004).

Tancharoen ve Aizawa (2004) yaşam günlüğü verisinin içerik, bağlam ve kavram olarak üç bileşenden oluştuğunu öne sürmüşlerdir. Görsel-işitsel veriler içeriği oluştururken, diğer algılayıcılardan gelen ve üzerinde işlem gerçekleştirilen veriler bağlamları oluşturmaktadırlar. Kavramlar ise bağlamların işlenmesiyle elde edilen enformasyondur. Örneğin, görüntü işleme ile tanımlanan “içerisi” ya da “dışarısı” gibi kavramlar, ses çözümlemeyle elde edilen “sessiz” ya da “ gürültülü” gibi kavramlar.

Nack’e (2005) göre deneyim esnasında yakalanan malzeme bütünüyle dışsal bağlamdır ve içsel bağlamı içermez. Bireylerin daha önceki deneyimleri farklı olduğu için aynı deneyime yönelik yorumları ve değerlendirmeleri farklı olacaktır. Bu nedenle içsel bağlam bireyler arasında farklılık gösterir.

Yaşam günlüğü tarafından yakalanan ve kaydedilen içerik ve bağlam verisi kullanılarak, deneyimlere içerik tabanlı ya da bağlam tabanlı olarak erişmek mümkün olur. Örneğin bir videodaki konuşmaların metne dönüştürülmesi ve videonun belirli bir konuşmanın geçtiği bölüme dönüştürülmüş bu metin yardımıyla erişilmesi içerik tabanlı erişmeye örnek verilebilir. Eğer video kaydedilirken o anda videoya kaydedilen kişilerin başka bir algılayıcıyla algılanarak, videonun “kişi” bağlamıyla etiketlenmesi ve belirli bir kişinin bulunduğu sahnelere erişilmesi ise bağlam tabanlı erişmeye örnektir (Tancharoen vd., 2005). 

 

2000’lerin ilk yarısındaki yaşam günlüğü araştırmalarında bağlam verisi için genellikle hız, ses ve konum algılayıcılarından yararlanılmıştır.

Doherty vd. (2007) SenseCam ile yakalanan yaşam günlüğü görüntülerini aynı anda yakalanan ışık düzeyi ve hız bağlamlarından yararlanarak günlük olayları birbirinden ayırt etmeyi başarmışlardır. Hız algılayıcısı kullanıcının yeni bir yere hareket ettiğini, görüntü ve ışık algılayıcısı ise aynı konumdaki etkinlikleri belirlemekte yararlı olmuştur. Bu çalışmada bağlam kavramına yer vermeden algılayıcılardan gelen veriyi yaşanan olayları birbirinden görüntüleri ayırmak amacıyla kullanmışlardır. Bu çalışmalarda bireylerin araba sürmek, bilgisayarda çalışmak, açık havada bulunmak, vb. günde 20-30 arası farklı olay/etkinlik yaşadıkları ortaya çıkmıştır. Yaşam günlüğü için SenseCam kullanılan diğer bir araştırmada SenseCam görüntülerinin otomatik olarak olaylar halinde bölümlenmesi amacıyla Bluetooth ve GPS bağlamlarından yararlanılmıştır. Böylece konum belirleme ve benzer olaylara erişmek mümkün olmuştur (Byrne vd., 2007).

Böylece daha önceki bir çalışmada (Doherty, 2007) düşük seviyeli görüntü özellikleri, ışık düzeyi ve hız algılayıcısı ile gerçekleştirilen ayırma işleminin yanısıra Bluetooth ve GPS kullanılarak benzer olaylar belirlenebilmiştir. Olayları birbirinden ayırma ve olayların geçmişteki olaylar arasındaki benzerlerini bulma süreci bireyin yaşam olaylarının anlamlı biçime etiketlenmesine olanak sağlamaktadır (Byrne vd., 2007).

Datchakorn vd. (2007) Aizawa’nın Lifelog, Doherty’nin SenseCam ve Bell’in MyLifeBits yaklaşımlarını birleştirmişler ve bağlamlar aracılığıyla video, görüntü ve belge indekslemişlerdir.

Bazı araştırmalarda bağlam kavramına yer vermeden üst veri kavramı kullanılmıştır. Prananto vd. (2007) üstveri kavramıyla beş katmanlı bağlam yapısı tanımlamışlardır. Bağlamlar çok katmanlı meta veri yapısı halinde yer, zaman, eylem, nesne, ortam ve kişi olarak sınıflandırılmıştır. Katmanlar ham veri katmanı, otomatik açıklama katmanı, basit katman, birleşik katman ve son olarak ta kişiselleştirilmiş katman şeklinde basit veriden anlamlı veriye doğru ardışık yapıda yükselmektedir.

Lee ve Cho (2007) mobil telefonları kullanarak elde edilen günlük verilerinden anlamlı bağlamlar elde etmek amacıyla KeyGraph isimli veri madenciliği yöntemini kullanmışlardır. Bu yapıda önce GPS, arama, SMS, Şarj durumu, müzik dinleme, fotoğraf çekme, fotoğraf görüntüleme ve hava durumu “durumları” algılanmakta, ön işlemden geçirilerek bağlamlar elde edilmekte, bağlamlar üzerinde Bayes Ağ Girişimi ile olayların dönüm noktaları belirlenmekte, hem bağlamlar hem de dönüm noktaları üzerinde veri madenciliği gerçekleştirilerek anlamlı bağlamlar elde edilmektedir.

Kim vd. (2007) üstveri kavramı kullanarak bağlamları elde etmek için dört düzeyden oluşan hiyerarşik algılayıcı füzyon sürecini tasarlamışlardır. Buna göre “algılayıcı düzeyinde” algılayıcılara ait günlük verileri işlenmekte, elde edilen verilerden “etkinlik öğesi düzeyinde” etkinlik öğeleri elde edilmekte, “üst veri düzeyinde” etkinlik öğelerine üst veriler eklenmekte, son aşama olan “yüksek etkinlik düzeyinde” ise etkinlikler belirlenmiş olmaktadır. Algılayıcı füzyonuna örnek olarak mikrofon ve GPS’den gelen verilerle “Pozisyon: Dışarısı” bağlamı elde edilebildiği gibi, mikrofon, kamera ve RFID verilerinin topluca değerlendirilmesiyle “Nesne: Kişi” bağlamı elde edilebilmektedir. Bu çalışmada üst veri olarak Zaman, Konum, Etkinlik, Nesne, Eylem, Kişi, Çevre, Cinsiyet ve Yaş alanlarına yer verilmiştir. Yaşam günlüğü verileri çevrede bulunan akıllı aygıtlardan toplandığı için nesneler ve işlevleri hakkında daha zengin veri elde edilebilmektedir.

Hien vd. (2009) algılayıcı, kanal, zaman, olay ve politika soyut sınıfları ve bunlara ait önceden tanımlanmış ve genişletilmiş alt sınıflar üzerinde bir yaşam günlüğü ontoloji modelini tasarlamışlardır. Algılayıcı sınıfı GPS, hız algılayıcısı, takvim uygulaması vb. enformasyon kaynaklarını gösterirken, kanal sınıfı kullanıcıyla ilgili adres, arama sözcüğü, kişi vb. yaşam günlüğü enformasyonunu içermektedir. Zaman sınıfı saat, takvim, zaman noktası, zaman aralığı vb. zaman özelliklerini içermektedir. Olay sınıfı ise diğer üç sınıftan yararlanarak güncel yaşam günlüğünü barındırmaktadır. Politika sınıfı ise yaşam günlüğü verilerinin yayınlanmasıyla ilgili kuralları yönetir.

MemoryLane modeli algılayıcılardan gelen ve zaman verisiyle etiketlenen içerik ve bağlam günlüklerinin bilinen değerler ile anonim değerler olarak ayrı ayrı işlenerek, anonim değerlerin miktarını azaltıp bilenen değerlerin miktarını çoğaltacak bir öğrenme alt sistemini içermektedir. Sistem bilinen bağlam ve içeriklere dayalı arama ve erişme işlemleriyle kullanıcıya hizmet sunmaktadır (Kikhia vd., 2010).

Lee vd. (2009) LifeLogOn isimli bir yaşam günlüğü ontolojisi modeli önermişlerdir. Bu modele dayalı olarak dört araç ve bir bilgi tabanından oluşan bir sistem geliştirmişlerdir: Ontoloji şeması tanımlama aracı; aynı ekibin geliştirdiği varlık-olay modeline dayalı bir ontoloji oluşturma yaklaşımını içermektedir. Bu modelde yaşam günlüğünün bütününü modelleyebilecek varlıklar ve olaylar tanımlanabilmektedir. Bir varlık (örneğin şarkı, kişi, yer, zaman etiketi vb.) bir dizi nitelik-değer çiftiyle ifade edilebilir. Örneğin “Yesterday” şarkısı, {türü: ‘Rock’, sanatçı: ‘Beatles’, albümü: ‘Yesterday and Today’, …} nitelik çiftleriyle gösterilebilir. Aynı şekilde Müzik Dinleme olayı da {TarafındanDinlendi: ‘S. K. Lee’, KonumdaDinlendi: ‘At Home’, ZamanEtiketi: ’19:01:44’, …}.nitelik çiftlerine sahip olabilir. Kullanıcılar herhangi bir ontoloji dili bilmelerine gerek kalmadan ontoloji şemasını tanımlayabilmektedirler. Kullanıcı değişik alanlar (domain) için değişik ontoloji şemaları tanımlayarak saklayabilir. Günlükle ontolojiyi eşleştirme aracı: Bu araç ilişkisel veri tabanında tutulan güncel günlük verilerinin ontoloji şemasıyla eşleştirilmesini sağlar. Örnek düzeyinde ontoloji üretme aracı: Bu araçla kullanıcı bir eşleştirme profili seçerek bu eşleştirmeye ait bir örneklendirme işlemi başlatır. Örnekleme işlemi ontoloji şemasına uygun olarak veritabanındaki günlük verilerinden üçlüler elde eder ve sistemin kişisel bilgi tabanında saklar. Görselleştirme ve arama aracı: Kişisel bilgi tabanındaki üçlüleri varlıklar – olaylar çizgesini oluşturmak için kullanır. Oluşan çizge günlük verisi büyüklüğüne bağlı olarak çok karmaşık olabilmektedir. Kullanıcı bu çizge üzerinde arama aracı ile yaşam deneyimlerine erişebilir.

Lee vd. izleyen dönemde varlık-olay yaşam günlüğü ontoloji modelini ayrıntılandırmışlar (Lee vd., 2010a) ve sistemlerine yaşam günlüğü ontoloji örneklerinden semantik kavramların elde edilmesini sağlayacak bir yaşam günlüğü özetleme ve soyutlama aracı eklemişlerdir (Lee vd., 2010b).

Oh ve Chao (2010) etkinlik kuramından yararlanarak yaşam günlüğü semantik ağ modelini geliştirmişlerdir. Bu modelde etkinlik, kişisel bağlam, görev bağlamı, yer-zaman bağlamı, çevre bağlamı ve sosyal bağlamlarını kategori, eylem, kullanıcı, işlev, yer, tarih ve saat, içerik düğümleriyle eşleştirerek günlük verisine ait bir semantik ağ oluşturmuşlardır.

Min vd. (2009) e-posta, telefon araması, mesajlaşma, kredi kartı, görüntü, video ve ses olaylarına ait “MyMemex Olay Ontolojisi” adını verdikleri bir ontoloji modeli tasarlamışlardır. Model önceden tanımlı yedi olay ve bu olaylara ait önceden tanımlı nitelikler üzerinde kurulu olduğu için kapalı bir sistemdir.

Wang (2012) yaşam günlüğü olaylarının semantik yorumlanmasını sağlayan; medya katmanı, bağlam katmanı ve semantik katmandan oluşan bir model önermiştir. Medya katmanı algılayıcı verilerini ve içerik verilerini içermektedir. Bağlam katmanında olaylara ait kim, ne, nerede ve ne zaman sorularının yanıtlarını oluşturan bağlam verileri elde edilmektedir. Semantik katmanda ise yaşam günlüğü verilerinin semantik anlamları ifade edilmektedir. Nesneler, etkinlikler olay konuları ve ilişkilere ait semantikler gibi kavram semantikleri bu katmanda yeralır. Wang modelinde yeralan yaşam günlüğü olay ontolojisinde şu bağlamlara yer vermiştir: yer, zaman, aktör, katılımcı, görüntü, olayın metinsel açıklaması.

Mohamed (2013) bir yaşam günlüğü sisteminde kullanıcının yaşam günlüğünü taramasıyla dokuz farklı türdeki olguyu anımsadığını belirlemiştir: yerler, niyetler, düşünceler, zaman, eylemler, fiziksel durum, görüşmeler, bildirimler ve duygusal durumlar.

Pavel vd. (2012) bağlamları fiziksel/uzaysal, sosyal, duygusal, zihinsel, etkinlik, müsait olma ve çevresel bağlamlar olarak yedi boyutta incelemişlerdir. Fiziksel/uzaysal, sosyal, etkinlik ve çevresel bağlamlar önceki araştırmalarda da ele alınan tanıdık bağlamlardır. Zihinsel bağlam bireyin zihinsel süreçlerine odaklanmakta ve bireyin üzerinde çalıştığı konular, çalışma yoğunluğu, kullanılan uygulamalar, web etkinlikleri, tuş vuruşlarından anahtar sözcükleri yakalama ve ekran görüntüsü yakalama ile derlenebilmektedir. Duygusal bağlam ECG, kalp atışı düzeyi, tuş vuruşlarından sözcük filtreleme, e-posta içeriği ve kullanıcının kendisinin belirlediği duygu durumu gibi verilerden derlenmektedir. Müsait olma durumu ise takvim vb. araçlarla bireyin müsait olması, çevredeki insanların varlığı, şarj durumu, sinyal durumu vb. verilerden elde edilir.

Yakın zamanlarda kullanıcının neredeyse hiç veri girmesine gerek kalmadan kullanıcının günlük olaylarını başarıyla tanımlayan ve anlatılar biçiminde öykülendiren bir yaşam günlüğü sistemi geliştiren Qiu (2013) sisteminde kişisel, zaman, konum, etkinlik, sosyal ve çevresel bağlamlarına yer vermiştir.

Yaşam günlüğü araştırmalarında algılayıcılardan elde edilen bağlam verileri kullanılarak günlük yaşam olaylarının/etkinliklerinin otomatik olarak belirlenmesine ağırlık verilir. Bu süreçte olayların birbirinden ayrılması bağlamlardaki değişimlerle belirlenmekte olduğu için her olay boyunca bağlamda önemli bir değişme olmadığı varsayılır. Qiu yaşam günlüğü araştırmalarında “neden olay?” sorusuna şu yanıtları verir: a) Olay insan belleği için doğal birimdir. b) Olay birimi yaşam günlüğü verisi yönetimi için mantıklı bir seçimdir. c) Bir olay boyunca bağlamlarda başlıca bir değişiklik gerçekleşmez.

Qiu vd. (2012) SenseSeer adını verdikleri sistemde fiziksel algılayıcılardan sanal algılayıcıların elde edildiği, oradan da semantik bağlamların elde edildiği bir süreç tanımlamışlardır. Buna göre fiziksel algılayıcılar, GPS, baz istasyonu, WiFi, Bluetooth, hız ölçer, pusula, ekran durumu, telefon araması, SMS, manyetik, sıcaklık, fotoğraf; sanal algılayıcılar, hava durumu hizmeti, konum, etkinlikler, zaman, ilişkiler, çevre; semantik bağlamlar ise konum bağlam, etkinlik bağlamı, zaman bağlamı, çevre bağlamı ve sosyal bağlam. Örneğin, zaman sanal algılayıcısı bütün fiziksel algılayıcılardan veri almakta ve bütün semantik bağlamlara veri vermektedir. Konum sanal algılayıcısı GPS, baz istasyonu, WiFi, Bluetooth fiziksel algılayıcılarından veri almakta ve konum bağlamı ile çevre bağlamını elde etmek için kullanılmaktadır.

SemanticLogger ve SemanticLife gibi yaşam günlüğü sistemleri semantik teknolojilerinden (RDF, OWL vb.) yararlanmışlardır. SematicLife bir açık kaynak projesi olarak tasarlanmış ve bireyin sahip olduğu enformasyonu XML formatında veriler halinde saklayacak bir olay yakalayıcısını barındırmaktadır (Ahmed vd., 2004). SemanticLogger ise günlükleri RDF formatında saklamakta ve saklanmış verinin yönetimine destek vermektedir (Tuffield vd., 2006).

3. Sonuç ve Öneriler

Yaşam günlüğü alanında 2003-2013 yılları arasında gerçekleştirilen araştırmalarda bağlam konusunun giderek olgunluk kazandığı görülmektedir. İçeriğin bağlamla ilişkilendirilmesi, bağlamların değerlendirilmesiyle içerikten kavramların elde edilmesi gibi süreçlerde yapay zekâ alanındaki örüntü tanıma, benzerlik ve farklılıkları belirlemeye yönelik temel algoritmaların kullanılmasıyla önemli başarılar kazanılmıştır. 2013 yılına gelindiğinde kullanıcının neredeyse hiç veri girmesine gerek kalmadan kullanıcının günlük olaylarını başarıyla tanımlayan ve anlatılar biçiminde öykülendiren bir yaşam günlüğü sistemi geliştirilebilmiştir (Qiu, 2013). Bütün bu başarıya rağmen yaşam deneyimlerine “yaşam boyu” kapsamında bakıldığında bağlamlara ait ontolojilerin oluşturulması ve günlük işlem, eylem ve etkinliklere eşlik eden bağlamlarla bu etkinlikler arasındaki semantik ağların kayda değer sonuçlar üretmesi açısından fazla yol alınamadığı görülmektedir. Bu açıdan bakıldığında sadece günlük fiziksel etkinliklerin değil, temel bilgi çalışması etkinliklerinin de ayırt edici biçimde belirlenebilmesi ve daha uzun zaman aralıklarında sürekli ya da süreksiz devam eden etkinliklerin ve olayların izlenebilmesi, aynı anda devam eden birden fazla etkinlik ve olayın birbirinden ayırt edilebilmesi gibi daha çözülmesi gereken çok sayıda problemin bulunduğu görülmektedir.

Bu alanda daha hızlı yol alınabilmesi için etkinlik ve olayların farkedilmesi ve anlamlandırılabilmesi, bağlamların ontolojilerinin oluşturulması, etkinlik ve olaylarla bağlamlar arasındaki semantik ağların geliştirilmesi süreçlerinde kullanıcının yol göstericiliğine daha fazla yer veren yaşam günlüğü sistemlerinin tasarlanmasına gereksinim bulunmaktadır.

Teşekkürler

Bu çalışma Türkiye Bilimsel ve Teknik Araştırmalar Kurumu (TÜBİTAK) tarafından 114K579 nolu araştırma projesi kapsamında desteklenmiştir.

Kaynaklar

Ahmed, M., Hoang, H. H., Karim, M. S., Khusro, S., Lanzenberger, M., Latif, K., ... ve Tjoa, A. M. “SemanticLIFE'-A Framework for Managing Information of A Human Lifetime”. In Proceedings of the 6th International Conference on Information Integration and Web-based Applications and Services, Jakarta, Indonesia, (2004).

Aizawa, K. “Digitizing Personal Experiences: Capture and Retrieval of Life Log”. 11th International Multimedia Modelling Conference, 10–15. (2005).

Aizawa, K. Tancharoen, D. Kawasaki, S. ve Yamasaki, T. “Efficient Retrieval of Life Log Based on Context and Content”, In the Proceeding of 1st ACM Workshop on Continuous Archival Retrieval of Personal Experiences, 22-31. (2004).

Aizawa, K. ve Hori, T. “Context-based video retrieval for life-log applications”. Multimedia Content and the Semantic Web, 2–6. (2005).

Bush, V. “As We May Think”, Atlantic Monthly. 176(1):101–108. (1945).

Byrne, D., Lavelle, B., Doherty, A. R., Jones, G. J. F., ve Smeaton, A. F. “Using bluetooth and GPS metadata to measure event similarity in sensecam images”. Information Sciences 2007 Proceedings of the 10th Joint Conference, 1454–1460. (2007).

Byrne, D., Kelliher, A. ve  Jones. G.J.F., "Life editing: third-party perspectives on lifelog content." Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. ACM, (2011).

Cleland, I.,  Kikhia, B., Nugent, C., Boytsov, A., Hallberg, J.,  Synnes, K., McClean, S. and Finlay. D., “Optimal Placement of Accelerometers for the Detection of Everyday Activities”. Sensors, 13(7), 9183- 9200, (2013).

DARPA. “BAA # 03-30 LifeLog proposer information pamphlet”. DARPA/IPTO. (2003). http://realnews247.com/ lifelog.htm, 15.12.2014 tarihinde erişilmiştir.

Datchakorn, T., Puangpakisiri, W., Yamasaki, T., ve Aizawa, K. “Life Log Platform for Continuous and Discrete Recording and Retrieval of Personal Media”. IEICE Technical Report Image Engineering, 106(448), 123–128. (2007).

Dey, A. K. “Understanding and Using Context”, Personal Ubiquitous Computing, vol. 1, no. 5, pp. 4-7. (2001).

Dodge, M. and Kitchin, R. “Outlines of a world coming into existence": Pervasive computing and the ethics of forgetting. Environment and Planning B, 34(3):431–445. (2007).

Doherty, A. R., Smeaton, A. F., Lee, K., and Ellis, D. P. “Multimodal segmentation of lifelog data”. In RIAO 2007 - Large-Scale Semantic Access to Content (Text, Image, Video and Sound), Pittsburg, PA, USA. (2007).

Gemmell, J. Bell, G. Lueder, R. Drucker, S. Wong, C. “MyLifeBits: Fulfilling the Memex Vision”, Proceeding of the tenth ACM International Conference on Multimedia, 235-238. (2002).

Gurrin, C., Smeaton, A. F., ve Doherty, A. R. “LifeLogging: Personal Big Data”. Foundations and Trends® in Information Retrieval, 8(1), 1–125. (2014).

Hien, T. T. T., Eitoku, S. I., Yamada, T., Muto, S., ve Abe, M. “An ontological approach to lifelog representation for disclosure control”, 2009 IEEE 13th International Symposium on Consumer Electronics (2009).

Hodges, S., Williams, L., Berry, E., Izadi, S., Srinivasan, J., Butler, A., et al. “SenseCam: A Retrospective Memory Aid”, In UbiComp 2006: Ubiquitous Computing, Springer Berlin Heidelberg, 177-193. (2006).

Hori, T. ve Aizawa, K. “Context-based video retrieval system for the life-log applications”. In Proceedings of the 5th ACM SIGMM international workshop on Multimedia information retrieval - MIR ’03, (p. 31). New York, New York, USA: ACM Press. (2003).

Kikhia, B. “Remember me! Supporting Reminiscence through Digital Capture of Lifestories and Activity Recognition”. Ph.D. thesis. Luleå University of Technology (2014).

Kikhia, B., Hallberg, J., Bengtsson, J. E., Savenstedt, S., Synnes, K. K., ve Sävenstedt, S. “Building digital life stories for memory support”. International Journal of Computers in Healthcare, 1(2), 161. (2010).

Kim, I.-J., Ahn, S. C., ve Kim, H.-G. “Personalized life log media system in ubiquitous environment”. Ubiquitous Convergence Technology, 20–29. (2007).

Lee, S., Chang, J., ve Lee, S. G. “Survey and trend analysis of context-aware systems”. Information-An International Interdisciplinary Journal, 14(2), 527-548. (2011).

Lee, S., Gong, G., Hwang, I., ve Lee, S. “LifeLogOn: A Practical Lifelog System for Building and Exploiting Lifelog Ontology”. 2010 IEEE International Conference on Sensor Networks, Ubiquitous, and Trustworthy Computing, 367–373. (2010b).

Lee, S., Gong, G., ve Lee, S. G. "LifelogOn: Log on to your lifelog ontology." ISWC'09: Proceedings of the 8th International Semantic Web Conference. (2009).

Lee, S., Gong, G., ve Lee, S. G. “Entity-event lifelog ontology model (EELOM) for lifeLog ontology schema definition”. In Web Conference (APWEB), 2010 12th International Asia-Pacific (pp. 344-346). IEEE. (2010a).

Lee, Y. ve Cho, S-B. "Extracting meaningful contexts from mobile life log." Intelligent Data Engineering and Automated Learning-IDEAL 2007. Springer Berlin Heidelberg, 750-759. (2007).

Li, I., Dey, A.K., Forlizzi, J.: “Understanding My Data, Myself: Supporting Self-Reflection with Ubicomp Technologies”. In: UbiComp 2011, pp. 405–414 (2011).

Mann, S. “Continuous lifelong capture of personal experience with EyeTap”. In Proceedings of the the 1st ACM workshop on Continuous archival and retrieval of personal experiences (pp. 1-21). ACM. (2004).

Min, Y., Lee, B., ve Yu, C. “A Personal Memex System Using Memex Ontology and Web Services”. 2009 Fifth International Joint Conference on INC, IMS and IDC, 1128–1130. (2009).

Mohamed, E. S. T. “Designing and evaluating a user interface for continous embedded lifelogging based on physical context”. Ph.D. Thesis. Newcastle University.(2013).   

Nack, F. “You must remember this”. Media Impact, (January-March), 4–7. (2005).

Oh, K., ve Cho, S. “Semantic networks of mobile life-log for associative search based on activity theory”. Lecture Notes in Computer Science Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics, 6230 LNAI, 643–648. (2010).

Pavel, D., Callaghan, V., Sepulveda, F., Gardner, M., ve Dey, A. K. “The story of our lives: From sensors to stories in self-monitoring systems”. 2012 4th Computer Science and Electronic Engineering Conference (CEEC), 71–76. (2012).

Prananto, B. H., Kim, I.-J., ve Kim, H.-G. “Multi-level Experience Retrieval for the Personal Lifelog Media System”. 2007 Third International IEEE Conference on Signal-Image Technologies and Internet-Based System, 175–182. (2007).

Qiu, Z. “A lifelogging system supporting multimodal Access”, Ph.D. Thesis. Dublin City University, (2013).

Qiu, Zhengwei and Gurrin, Cathal and Smeaton, Alan F.  “SenseSeer, a real‐time lifelogging tool”. In: SenseCam 2012, 3-4 Apr, 2012, Oxford, UK. (2012). 

Rawassizadeh, R. “A holistic multi-purpose life logging framework”. Ph.D. Thesis. University of Vienna, (2012).

Sellen A. J. ve Whittaker, S. “Beyond Total Capture: A Constructive Critique of Lifelogging,” Commun. ACM, vol. 53, no. 5, pp. 70–77, (2010).

Swan, M. “The Quantified Self: Fundamental Disruption in Big Data Science and Biological Discovery”. Big Data, 1(2), 85–99. (2013).

Tancharoen, D., ve Aizawa, K. “Novel Concept for Video Retrieval Concept Content Context”. PCM 2004, 915–923. (2004).

Tancharoen, D., Yamasaki, T., ve Aizawa, K. “Practical experience recording and indexing of Life Log video”. In Context (pp. 61–66). ACM. (2005).

Tuffield, M. M., Loizou, A., Dupplaw, D., Dasmahapatra, S., Lewis, P. H., Millard, D. E. ve Shadbolt, N. R., "The Semantic Logger: Supporting Service Building from Personal Context", The 3rd ACM Workshop on Capture, Archival and Retrieval of Personal Experiences (CARPE) Workshop at ACM Multimedia, (2006). 

Tulving, E. “Elements of Episodic Memory”. New York: Oxford University Press. (1983). 

Tulving, E. “Episodic Memory: From Mind to Brain,” Annu. Rev. Psychol., vol. 53, pp. 1–25, (2002).

Wang, P.  “Semantic interpretation of events in lifelogging”. Ph.D. Thesis. Dublin City University, (2012).

Wikipedia. “Lifelog”,  (2014). http://en.wikipedia.org/ wiki/Lifelog, 15.12.2014 tarihinde erişilmiştir.