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.
