From blogs to how-to videos to social media posts, it has become increasingly easy to share knowledge online. As a result, even for a single task seemingly as simple as baking chocolate chip cookies, we have access to hundreds of thousands to millions of tutorials in less than a second through a simple web search. Each tutorial shared online is not only a set of task instructions, but also a display of the authors' unique set of skills, constraints, and strategies. Consequently, the resulting diversity and scale of available online tutorials present users with both opportunities and challenges. Specifically, it remains difficult 1) to compare and analyze which tutorial to follow and invest the time to learn, and 2) to apply the picked tutorial to the current user's expertise, available tools, and other workflow contexts. However, the typical form factor for information retrieval systems like search engines and recommendation systems force users to go back and forth between the search results and individual tutorials to compare and analyze how they are different or similar. Also, users have a difficult time conceptualizing how different methods agree and disagree with each other and understand what makes one tutorial work and the other not work. However, whether people accomplish to find applicable tutorials depends on their ability to access not ``the single right'' tutorial, but on their ability to access and explore the ``right set'' of tutorials. This thesis presents systems that support users in forming hypotheses, comparing, and analyzing tutorials in different settings. I demonstrate techniques for extracting the nonlinear compositions of semantic substrates in large scale tutorials and demonstrations, such as task-specific domain knowledge, constraints, and users' strategies. Then I present abstract representations reconstructed with these semantic substrates and novel interface designs that strengthen people's ability to learn from tutorials.
블로그, 튜토리얼 비디오, 소셜 미디어 게시물에 이르기까지 온라인에서 지식을 공유하는 것은 점점 쉬워졌다. 결과적으로 초콜릿 칩 쿠키를 굽는 것만큼 단순한 단일 작업이라도 간단한 웹 검색을 통해 1 초 이내에 수십만에서 수백만 개의 튜토리얼을 찾을 수 있다. 온라인으로 공유되는 각 튜토리얼은 일련의 작업 지침 일뿐만 아니라 작성자의 고유한 기술, 제약 및 전략들를 내포한다. 결과적으로 사용 가능한 온라인 자습서의 다양성과 규모는 사용자에게 기회와 도전을 모두 제공한다. 특히, 1) 어떤 튜토리얼을 따라 학습하고 배우는 시간을 투자해야 하는지, 2) 선택한 튜토리얼을 현재 사용자의 전문 지식, 사용 가능한 도구 및 기타 작업환경에 적용하는 것은 여전히 어려운 일이다. 그러나 검색 엔진 및 추천 시스템과 같은 정보 검색 시스템의 일반적인 형태는 사용자가 검색 결과와 개별 튜토리얼 사이를 왔다 갔다하면서 서로 어떻게 다른지 또는 유사한지를 비교하고 분석 해야한다. 또한 사용자는 서로 다른 방법이 서로 동의하고 동의하지 않는 방식을 개념화하는 데 어려움을 겪으며 한 튜토리얼이 작동하고 다른 튜토리얼이 작동하지 않는 이유를 이해해야 한다. 사용자가 본인의 상황에 적합하고 적용하기 쉬운 튜토리얼을 찾을 수 있는지 여부는 하나의 "최적" 튜토리얼을 찾을 수있는 능력이 아니라 "적절한 튜토리얼 세트"를 찾고 탐색 할 수있는 능력에 달려 있다. 이 논문은 사용자가 다양한 검색 환경에서 가설을 형성하고, 튜토리얼을 비교 및 분석 할 수 있도록 지원하는 시스템들을 제시한다. 대규모 튜토리얼 및 데모에서 작업 별 도메인 지식, 제약 조건 및 사용자 전략과 같은 시맨틱 기판의 비선형 구성을 추출하는 기술을 보여준다. 그런 다음 이러한 의미 론적 기판과 튜토리얼에서 배울 수있는 사람들의 능력을 강화하는 새로운 인터페이스 디자인으로 재구성 된 추상적 표현을 제시한다.