< Terug naar vorige pagina

Project

Gepersonaliseerde gebruikersinterfaces voor aanbevelingssystemen van muziek

Aanbevelingssystemen selecteren automatisch een verzameling items, zogenoemde aanbevelingen, die relevant zijn voor een gebruiker op basis van zijn of haar interesses. Hoewel deze systemen de intelligentie hebben om aanbevelingen te personaliseren voor gebruikers, missen deze systemen vaak de intelligentie om ook de manier waarop ze deze aanbevelingen aan gebruikers voorstellen te personaliseren. 
Daarenboven laten deze systemen  meestal niet toe dat gebruikers feedback geven op de aanbevelingen. De gebruikers kunnen daardoor de aanbevelingen niet sturen of kunnen verkeerde assumpties van het systeem niet corrigeren. 
Indien het systeem toch toelaat om de aanbevelingen te controleren, komt het vaak voor dat de gebruiker deze controle niet op een gerichte manier kan gebruiken omdat het systeem geen inzicht geeft aan de gebruiker over zijn interne werking.   

In deze doctoraatstekst hebben we de eerste stappen gezet in de richting van een aanbevelingssysteem dat niet enkel de aanbevelingen aanpast aan de gebruiker, maar ook de manier waarop deze aanbevelingen worden voorgesteld. In het bijzonder hebben we gefocust op het aanpassen van visualisaties die helpen om het systeem te sturen en \textit{explanations} (verklaringen) die helpen om het systeem te begrijpen en gericht te sturen. 

Deze doctoraatstekst bespreekt drie onderzoeksvragen (OV): \\
OV1 - Hoe beïnvloeden persoonlijke karakteristieken de manier waarop gebruikers interageren met verschillende visualisaties om een aanbevelingssysteem voor muziek te sturen en hoe ervaren ze die?\\
OV2 - Welke persoonlijke karakteristieken hebben een invloed op de manier waarop gebruikers interageren met \textit{explanations} in een aanbevelingssysteem voor muziek en op de ervaring met die \textit{explanations}. \\
OV3 - Hoe kunnen \textit{explanations} in een aanbevelingssysteem voor muziek aangepast worden aan verschillende persoonlijke karakteristieken?\\


Om deze onderzoeksvragen te beantwoorden, hebben we acht verschillende gebruikersstudies uitgevoerd waarin we evalueren hoe gebruikers reageren op een gebruikersinterface voor een aanbevelingssysteem voor muziek. In het bijzonder hebben we geëvalueerd hoe gebruikers reageren op \textit{explanations} en visualisaties om het aanbevelingssysteem te controleren. 
Daarnaast observeerden we in de gebruikersstudies het effect van verschillende persoonlijke kenmerken zoals persoonlijkheid, cognitieve stijl, cognitieve vaardigheden en domeinkennis op de manier waarop gebruikers reageren op de gebruikersinterface.  

Onze resultaten tonen aan dat twee persoonlijke kenmerken een invloed hebben op de manier waarop gebruikers reageren op visualisaties om een aanbevelingssysteem voor muziek te controleren: muzikale domeinkennis en technische kennis.

We vonden ook drie persoonlijke kenmerken die een invloed hebben op de reactie ten opzichte van \textit{explanations} in een aanbevelingssysteem voor muziek: muzikale domeinkennis, \textit{need for cognition} en openheid voor ervaringen.

Om te onderzoeken hoe we \textit{explanations} voor een aanbevelingssysteem  voor muziek kunnen aanpassen aan deze drie persoonlijke karakteristieken hebben we drie gebruikersstudies uitgevoerd. Op basis van de resultaten suggereren we om \textit{explanations} onmiddelijk te voorzien voor alle aanbevelingen tegelijk. Voor mensen met een lage \textit{need for cognition} is het wel belangrijk dat ze deze \textit{explanations} kunnen verbergen.\\
We suggereren ook om voor mensen met weinig muzikale domeinkennis korte \textit{explanations} te voorzien die geen domeinkennis vereisen. Voor mensen met meer domeinkennis suggereren we om hen de keuze te geven tussen deze korte \textit{explanations} en interactieve \textit{explanations} met een mix van informatie. \\
Om de \textit{explanations} aan te passen aan de openheid voor ervaringen suggeren we om mensen die minder openstaan voor nieuwe ervaringen \textit{explanations} te geven met slechts één informatiebron. Voor mensen die wel openstaan voor nieuwe ervaringen suggereren we om de keuze te geven tussen \textit{explanations} met één informatiebron en exploratieve \textit{explanations} met meerdere informatiebronnen.

Datum:9 aug 2017 →  14 jun 2021
Trefwoorden:Recommender Systems, Dashboards, Human Computer Interaction
Disciplines:Toegepaste wiskunde, Computerarchitectuur en -netwerken, Distributed computing, Informatiewetenschappen, Informatiesystemen, Programmeertalen, Scientific computing, Theoretische informatica, Visual computing, Andere informatie- en computerwetenschappen
Project type:PhD project