WikiDer > Пользовательское моделирование

User modeling

Пользовательское моделирование это подразделение взаимодействие человека с компьютером который описывает процесс создания и изменения концептуального понимания пользователя. Основная цель пользовательского моделирования - кастомизация и адаптация систем к конкретным потребностям пользователя. Система должна «сказать« правильную »вещь в« правильное »время« правильным »способом».[1] Для этого необходимо внутреннее представление пользователя. Другой распространенной целью является моделирование определенных типов пользователей, включая моделирование их навыков и декларативных знаний, для использования в автоматических тестах программного обеспечения.[2] Таким образом, пользовательские модели могут служить более дешевой альтернативой пользовательское тестирование но не следует заменять пользовательское тестирование.

Фон

Модель пользователя - это сбор и категоризация личных данных, связанных с конкретным пользователем. Модель пользователя - это структура (данных), которая используется для сбора определенных характеристик отдельного пользователя, а Профиль пользователя является фактическим представлением в данной пользовательской модели. Процесс получения профиля пользователя называется моделированием пользователя.[3] Следовательно, это основа для любых адаптивных изменений поведения системы. Какие данные включены в модель, зависит от цели приложения. Он может включать в себя личную информацию, такую ​​как имена и возраст пользователей, их интересы, их навыки и знания, их цели и планы, их предпочтения и их антипатии или данные об их поведении и их взаимодействиях с системой.

Существуют разные шаблоны проектирования для пользовательских моделей, хотя часто используется их сочетание.[2][4]

  • Статические пользовательские модели
Статические модели пользователей - это самые основные типы моделей пользователей. После того, как основные данные собраны, они, как правило, больше не меняются, они статичны. Изменения в предпочтениях пользователей не регистрируются, и алгоритмы обучения не используются для изменения модели.
  • Динамические пользовательские модели
Динамические пользовательские модели позволяют более актуально представлять пользователей. Изменения их интересов, прогресса в обучении или взаимодействия с системой замечаются и влияют на модели пользователей. Таким образом, модели могут быть обновлены и учитывать текущие потребности и цели пользователей.
  • Пользовательские модели, основанные на стереотипах
Пользовательские модели, основанные на стереотипах, основаны на демографическая статистика. На основании собранной информации пользователи классифицированный в общие стереотипы. Затем система адаптируется к этому стереотипу. Таким образом, приложение может делать предположения о пользователе, даже если данные об этой конкретной области могут отсутствовать, поскольку демографические исследования показали, что другие пользователи в этом стереотипе обладают такими же характеристиками. Таким образом, пользовательские модели, основанные на стереотипах, в основном полагаются на статистику и не учитывают, что личные качества могут не соответствовать стереотипу. Однако они позволяют делать прогнозы о пользователе, даже если о нем или о ней имеется довольно мало информации.
  • Высокоадаптивные пользовательские модели
Высокоадаптивные пользовательские модели пытаются представить одного конкретного пользователя и, следовательно, обеспечивают очень высокую адаптивность системы. В отличие от моделей пользователей, основанных на стереотипах, они не полагаются на демографическую статистику, а стремятся найти конкретное решение для каждого пользователя. Хотя пользователи могут извлечь большую пользу из этой высокой адаптивности, такая модель должна сначала собрать много информации.

Сбор данных

Информацию о пользователях можно получить несколькими способами. Есть три основных метода:

  • Запрашивать конкретные факты при (первом) взаимодействии с системой[2]
В основном такой сбор данных связан с процессом регистрации. Во время регистрации пользователей просят указать конкретные факты, их симпатии и антипатии и их потребности. Часто полученные ответы впоследствии можно изменить.
  • Изучение предпочтений пользователей путем наблюдения и интерпретации их взаимодействия с системой[2]
В этом случае пользователей не спрашивают напрямую об их личных данных и предпочтениях, но эта информация берется из их поведения при взаимодействии с системой. Способы, которые они выбирают для выполнения задач, комбинация вещей, которые им интересны, эти наблюдения позволяют делать выводы о конкретном пользователе. Приложение динамически учится, наблюдая за этими взаимодействиями. Разные машинное обучение алгоритмы могут быть использованы для выполнения этой задачи.
  • Гибридный подход, который требует явной обратной связи и изменяет модель пользователя за счет адаптивного обучения.[5]
Этот подход представляет собой смесь вышеперечисленных. Пользователи должны отвечать на конкретные вопросы и давать явную обратную связь. Кроме того, наблюдается их взаимодействие с системой, и полученная информация используется для автоматической корректировки пользовательских моделей.

Хотя первый метод является хорошим способом быстрого сбора основных данных, ему не хватает возможности автоматически адаптироваться к изменениям интересов пользователей. Это зависит от готовности пользователей предоставить информацию, и маловероятно, что они собираются редактировать свои ответы после завершения процесса регистрации. Следовательно, высока вероятность того, что пользовательские модели устарели. Однако этот первый метод позволяет пользователям полностью контролировать собранные данные о них. Это их решение, какую информацию они готовы предоставить. Во втором методе такая возможность отсутствует. Адаптивные изменения в системе, которая изучает предпочтения и потребности пользователей только путем интерпретации их поведения, могут показаться пользователям немного непонятными, поскольку они не могут полностью понять и реконструировать, почему система ведет себя именно так.[5] Более того, система вынуждена собирать определенный объем данных, прежде чем она сможет предсказать потребности пользователей с необходимой точностью. Следовательно, требуется определенное время для обучения, прежде чем пользователь сможет извлечь выгоду из адаптивных изменений. Однако впоследствии эти автоматически настраиваемые пользовательские модели позволяют довольно точно адаптировать систему. Гибридный подход пытается объединить преимущества обоих методов. Собирая данные путем прямого запроса пользователей, он собирает первый запас информации, который можно использовать для адаптивных изменений. Учась на взаимодействии пользователей, он может корректировать пользовательские модели и достигать большей точности. Тем не менее, разработчик системы должен решить, какая из этой информации должна иметь какое влияние и что делать с изученными данными, которые противоречат некоторой информации, предоставленной пользователем.

Адаптация системы

После того, как система собрала информацию о пользователе, она может оценить эти данные с помощью заданного аналитического алгоритма, а затем начать адаптироваться к потребностям пользователя. Эти адаптации могут касаться каждого аспекта поведения системы и зависеть от цели системы. Информация и функции могут быть представлены в соответствии с интересами, знаниями или целями пользователя, отображая только соответствующие функции, скрывая информацию, которая не нужна пользователю, предлагая, что делать дальше и так далее. Следует различать адаптивные и адаптируемые системы.[1] В адаптируемой системе пользователь может вручную изменить внешний вид, поведение или функциональность системы, активно выбирая соответствующие параметры. Впоследствии система будет придерживаться этих вариантов. В адаптивная система динамическая адаптация к пользователю автоматически выполняется самой системой на основе построенной модели пользователя. Таким образом, адаптивная система нуждается в способах интерпретации информации о пользователе, чтобы внести эти изменения. Один из способов выполнить эту задачу - реализовать фильтрацию на основе правил. В этом случае устанавливается набор правил IF ... THEN ..., охватывающий база знаний системы.[2] IF-условия могут проверять конкретную пользовательскую информацию, и если они соответствуют, выполняется THEN-ветвь, которая отвечает за адаптивные изменения. Другой подход основан на совместная фильтрация.[2][5] В этом случае информация о пользователе сравнивается с данными других пользователей тех же систем. Таким образом, если характеристики текущего пользователя совпадают с характеристиками другого пользователя, система может делать предположения о текущем пользователе, предполагая, что он или она, вероятно, будут иметь аналогичные характеристики в областях, где в модели текущего пользователя отсутствуют данные. На основе этого предположения система может выполнять адаптивные изменения.

Использование

  • Адаптивная гипермедиа: В адаптивной гипермедийной системе отображаемый контент и предлагаемые гиперссылки выбираются на основе конкретных характеристик пользователей с учетом их целей, интересов, знаний и способностей. Таким образом, адаптивная гипермедийная система направлена ​​на сокращение "потеряно в гиперпространстве"синдром, представляя только актуальную информацию.
  • Адаптивная образовательная гипермедиа: Будучи подразделением адаптивной гипермедиа, основное внимание в адаптивной образовательной гипермедиа уделяется обучению, отображению контента и гиперссылок, соответствующих знаниям пользователя в области обучения.
  • Интеллектуальная система обучения: В отличие от адаптивных образовательных гипермедийных систем, интеллектуальные обучающие системы являются автономными системами. Их цель - помочь студентам в определенной области обучения. Для этого они создают модель пользователя, в которой хранят информацию о способностях, знаниях и потребностях пользователя. Теперь система может адаптироваться к этому пользователю, представляя соответствующие упражнения и примеры, а также предлагая подсказки и помощь там, где они наиболее вероятно понадобятся пользователю.
  • Экспертные системы: Экспертные системы - это компьютерные системы, которые имитируют способность принимать решения человеком-экспертом, чтобы помочь пользователю решить проблему в определенной области. Шаг за шагом они задают вопросы, чтобы определить текущую проблему и найти решение. Пользовательские модели могут использоваться для адаптации к текущим знаниям пользователя, различая между экспертами и новичками. Система может предполагать, что опытные пользователи способны понять более сложные вопросы и ответить на них, чем те, кто плохо знаком с данной темой. Таким образом, он может скорректировать используемый словарь и тип вопросов, которые предлагаются пользователю, тем самым сокращая количество шагов, необходимых для поиска решения.
  • Рекомендательная система: Основная идея рекомендательных систем состоит в том, чтобы предоставить пользователю набор элементов, которые лучше всего соответствуют его или ее потребностям. Этот выбор может быть основан на элементах, которые пользователь добавил в закладки, оценил, купил, недавно просмотрел и т. Д. Системы рекомендаций часто используются в электронная коммерция но может также охватывать такие области, как социальные сети, веб-сайты, новости и т. д.
  • Пользовательское моделирование: Поскольку моделирование пользователей позволяет системе удерживать внутреннее представление о конкретном пользователе, различные типы пользователей могут быть имитированы путем их искусственного моделирования. Обычные типы - это «эксперты» или «новички» в области применения системы или ее использовании. На основе этих характеристик можно моделировать пользовательские тесты. Проект SUPPLE[6] в Вашингтонском университете и модель инклюзивного пользователя[7] в Кембриджском университете имитирует взаимодействие пользователей с нарушениями зрения, слуха и моторики.

Стандарты

Определенное количество форматов представления и стандартов доступно для представления пользователей в компьютерных системах,[8] Такие как:

Смотрите также

Рекомендации

  1. ^ а б Фишер, Герхард (2001), "Пользовательское моделирование при взаимодействии человека и компьютера", Пользовательское моделирование и взаимодействие с пользователем 11, 11: 65–86, Дои:10.1023 / А: 1011145532042
  2. ^ а б c d е ж Джонсон, Адди; Таатген, Нильс (2005), «Пользовательское моделирование», Справочник по человеческому фактору в веб-дизайне, Lawrence Erlbaum Associates, стр. 424–439.
  3. ^ Пяо, Гуанъюань; Бреслин, Джон Г. (2018). «Выявление интересов пользователей в социальных сетях микроблогов: обзор». Пользовательское моделирование и адаптируемое к пользователю взаимодействие (UMUAI). 28 (3): 277–329. arXiv:1712.07691. Дои:10.1007 / s11257-018-9207-8.
  4. ^ Хоти, Джатиндер; Холл, Венди (июнь 1998 г.), «Оценка адаптированных методов гипермедиа с использованием статического пользовательского моделирования», Материалы 2-го семинара по адаптивному гипертексту и гипермедиа, Саутгемптонский университет, Университет электроники и компьютерных наук, Саутгемптон, Хэмпшир, Великобритания
  5. ^ а б c Монтанер, Мигель; Лопес, Беатрис; Де Ла Роса, Хосеп Луис (2003), «Таксономия рекомендательных агентов в Интернете», Артиф. Intell. Ред., 19 (4): 285–330, Дои:10.1023 / А: 1022850703159
  6. ^ http://aiweb.cs.washington.edu/ai/supple/
  7. ^ https://www.cl.cam.ac.uk/research/rainbow/research/iui.html
  8. ^ Набет Тьерри (2005), Модели, Результаты FIDIS, октябрь 2005 г.

Внешние ссылки