此页面尚未提供您所选语言的版本，当前显示英文版本。

Behavioral Tracking

गुणवत्ता विश्लेषण और शोध के लिए विस्तृत interaction data capture करें।

Behavioral Tracking

Potato की behavioral tracking system annotation sessions के दौरान विस्तृत interaction data capture करती है, जिससे शोधकर्ताओं को annotator व्यवहार, timing patterns, AI assistance उपयोग, और निर्णय-लेने की प्रक्रियाओं का विश्लेषण करने में सक्षम बनाती है।

अवलोकन

Behavioral tracking system capture करती है:

प्रत्येक annotation क्रिया: Label selections, span annotations, text inputs
सटीक timestamps: Server और client-side timestamps
AI assistance उपयोग: कब suggestions दिखाए गए और क्या वे स्वीकार किए गए
Focus और timing data: प्रत्येक element पर बिताया समय, scroll depth
Navigation इतिहास: Instances के माध्यम से पूर्ण मार्ग

क्या ट्रैक होता है

Interaction Events

Annotation interface के साथ प्रत्येक user interaction capture किया जाता है:

Event Type	विवरण	उदाहरण Target
`click`	Elements पर Mouse clicks	`label:positive`, `nav:next`
`focus_in`	Element focus प्राप्त करता है	`textbox:explanation`
`focus_out`	Element focus खोता है	`label:negative`
`keypress`	Keyboard shortcuts	`key:1`, `nav:ArrowRight`
`navigation`	Instance navigation	`next`, `prev`, `instance_load`
`save`	Annotation save events	`instance:123`
`annotation_change`	Label modifications	`schema:sentiment`

AI Assistance उपयोग

AI-assisted annotation के लिए पूर्ण lifecycle tracking:

json

{
  "request_timestamp": 1706500010.0,
  "response_timestamp": 1706500012.5,
  "schema_name": "sentiment",
  "suggestions_shown": ["positive", "neutral"],
  "suggestion_accepted": "positive",
  "time_to_decision_ms": 3500
}

Annotation परिवर्तन

सभी annotations के लिए विस्तृत परिवर्तन इतिहास:

json

{
  "timestamp": 1706500002.5,
  "schema_name": "sentiment",
  "label_name": "positive",
  "action": "select",
  "old_value": null,
  "new_value": true,
  "source": "user"
}

Source types:

user - प्रत्यक्ष user interaction
ai_accept - User ने AI suggestion स्वीकार किया
keyboard - Keyboard shortcut का उपयोग किया
prefill - कॉन्फ़िगरेशन से Pre-filled

Data Format

प्रत्येक annotation instance में एक behavioral_data object शामिल है:

json

{
  "id": "instance_123",
  "annotations": {
    "sentiment": {"positive": true}
  },
  "behavioral_data": {
    "instance_id": "instance_123",
    "session_start": 1706500000.0,
    "session_end": 1706500045.0,
    "total_time_ms": 45000,
    "interactions": [...],
    "ai_usage": [...],
    "annotation_changes": [...],
    "navigation_history": [...],
    "focus_time_by_element": {
      "label:positive": 2500,
      "textbox:explanation": 8000
    },
    "scroll_depth_max": 75.5
  }
}

कॉन्फ़िगरेशन

Behavioral tracking default रूप से सक्षम है। कोई अतिरिक्त कॉन्फ़िगरेशन आवश्यक नहीं।

Frontend Debug Mode

Interaction tracker के लिए debug logging सक्षम करने के लिए:

javascript

// In browser console
window.interactionTracker.setDebugMode(true);

विश्लेषण उदाहरण

Behavioral Data लोड करना

python

import json
from pathlib import Path
 
def load_behavioral_data(annotation_dir: str) -> dict:
    data = {}
    for user_dir in Path(annotation_dir).iterdir():
        if not user_dir.is_dir():
            continue
        state_file = user_dir / 'user_state.json'
        if state_file.exists():
            with open(state_file) as f:
                user_state = json.load(f)
            user_id = user_state.get('user_id')
            behavioral = user_state.get('instance_id_to_behavioral_data', {})
            data[user_id] = behavioral
    return data

Annotation समय का विश्लेषण

python

def analyze_annotation_time(behavioral_data: dict) -> dict:
    stats = {}
    for user_id, instances in behavioral_data.items():
        times = []
        for instance_id, bd in instances.items():
            if 'total_time_ms' in bd:
                times.append(bd['total_time_ms'] / 1000)
        if times:
            stats[user_id] = {
                'mean_time': sum(times) / len(times),
                'min_time': min(times),
                'max_time': max(times),
                'total_instances': len(times)
            }
    return stats

संदिग्ध व्यवहार का पता लगाना

python

def detect_suspicious_annotators(behavioral_data: dict,
                                  min_time_threshold: float = 2.0) -> list:
    suspicious = []
    for user_id, instances in behavioral_data.items():
        fast_count = 0
        for instance_id, bd in instances.items():
            time_sec = bd.get('total_time_ms', 0) / 1000
            if time_sec < min_time_threshold:
                fast_count += 1
 
        total = len(instances)
        if total > 0:
            fast_rate = fast_count / total
            if fast_rate > 0.5:
                suspicious.append({
                    'user_id': user_id,
                    'fast_rate': fast_rate,
                    'total_instances': total
                })
    return suspicious

Admin Dashboard एकीकरण

Admin Dashboard में Behavioral Analytics tab शामिल है:

User Interaction Heatmap: Interaction patterns का visual representation
AI Assistance Metrics: Accept/reject rates, decision times
Timing Distribution: Annotation times का histogram
Suspicious Activity Alerts: Review की आवश्यकता वाले flagged annotators

API Endpoints

Interactions ट्रैक करें

http

POST /api/track_interactions
Content-Type: application/json
 
{
  "instance_id": "instance_123",
  "events": [...],
  "focus_time": {"element": ms},
  "scroll_depth": 75.5
}

Behavioral Data प्राप्त करें

http

GET /api/behavioral_data/<instance_id>

किसी instance के लिए पूर्ण behavioral data लौटाता है।

सर्वोत्तम प्रथाएँ

शोधकर्ताओं के लिए

Baseline स्थापना: Baseline स्थापित करने के लिए ज्ञात-अच्छे annotators से behavioral data एकत्र करें
गुणवत्ता मेट्रिक्स: गुणवत्ता मूल्यांकन के लिए annotation agreement के साथ behavioral data का उपयोग करें
Training मूल्यांकन: Pre- और post-training behavioral patterns की तुलना करें
AI Impact विश्लेषण: मापें कि AI assistance annotation गुणवत्ता और गति को कैसे प्रभावित करता है

Annotation Projects के लिए

वास्तविक समय में निगरानी करें: समस्याओं को जल्दी पकड़ने के लिए admin dashboard का उपयोग करें
Thresholds निर्धारित करें: Timing और interaction metrics के लिए स्वीकार्य ranges परिभाषित करें
Feedback प्रदान करें: Targeted annotator feedback देने के लिए behavioral insights का उपयोग करें

समस्या निवारण

कोई Behavioral Data एकत्र नहीं हो रहा

सत्यापित करें कि interaction_tracker.js लोड है (browser Network tab जांचें)
Browser console में JavaScript errors जांचें
सत्यापित करें कि API endpoints accessible हैं (/api/track_interactions)

Data Persist नहीं हो रहा

जांचें कि user state सहेजा जा रहा है (user_state.json देखें)
सुनिश्चित करें कि annotation output directory writable है

आगे पढ़ें

Admin Dashboard - वास्तविक समय निगरानी
Annotation History - विस्तृत change tracking
Quality Control - स्वचालित गुणवत्ता जांच

कार्यान्वयन विवरण के लिए, source documentation देखें।