Моделирование пользователей

Моделирование пользователя — это подразделение взаимодействия человека с компьютером , которое описывает процесс построения и изменения концептуального понимания пользователя. Основная цель моделирования пользователей — настройка и адаптация систем к конкретным потребностям пользователя. Системе необходимо «говорить «правильные» вещи в «нужное» время и «правильным» способом». Для этого ему необходимо внутреннее представление пользователя. Другая общая цель — моделирование определенных типов пользователей, включая моделирование их навыков и декларативных знаний , для использования в автоматических тестах программного обеспечения. Таким образом, пользовательские модели могут служить более дешевой альтернативой пользовательскому тестированию , но не должны заменять пользовательское тестирование .

Фон

Модель пользователя — это сбор и категоризация персональных данных , связанных с конкретным пользователем. Модель пользователя — это структура (данных), которая используется для сбора определенных характеристик отдельного пользователя, а профиль пользователя — это фактическое представление в данной модели пользователя. Процесс получения профиля пользователя называется моделированием пользователя. Следовательно, это основа любых адаптивных изменений поведения системы. Какие данные включены в модель, зависит от цели приложения. Он может включать личную информацию, такую ​​как имена и возраст пользователей, их интересы, их навыки и знания, их цели и планы, их предпочтения и антипатии, или данные об их поведении и взаимодействии с системой.

Существуют разные шаблоны проектирования пользовательских моделей, хотя часто используется их смесь.

• Статические модели пользователей

Статические пользовательские модели — это самые простые типы пользовательских моделей. После сбора основных данных они обычно больше не изменяются и являются статическими. Изменения в предпочтениях пользователей не регистрируются, и для изменения модели не используются алгоритмы обучения.

• Динамические модели пользователей

Динамические модели пользователей позволяют получить более актуальное представление пользователей. Изменения в их интересах, прогрессе в обучении или взаимодействии с системой замечаются и влияют на модели пользователей. Таким образом, модели могут обновляться и учитывать текущие потребности и цели пользователей.

• Модели пользователей, основанные на стереотипах

Модели пользователей, основанные на стереотипах, основаны на демографической статистике . На основе собранной информации пользователи классифицируются по распространенным стереотипам. Затем система адаптируется к этому стереотипу. Таким образом, приложение может делать предположения о пользователе, даже если данных об этой конкретной области может не быть, поскольку демографические исследования показали, что другие пользователи в этом стереотипе имеют такие же характеристики. Таким образом, модели пользователей, 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 информации о нем довольно мало.

• 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 получить большую выгоду от такой высокой адаптивности, такая модель сначала должна собрать много информации.

Сбор данных

Информация о пользователях может быть собрана несколькими способами. Существует три основных метода:

• Запрос конкретных фактов во время (первого) взаимодействия с системой

Чаще всего этот вид сбора данных связан с процессом регистрации. При регистрации пользователей просят указать конкретные факты, их симпатии и антипатии, а также их потребности. Часто данные ответы впоследствии могут быть изменены.

• Изучение предпочтений пользователей путем наблюдения и интерпретации их взаимодействия с системой.

В этом случае у пользователей не запрашиваются личные данные и предпочтения напрямую, а эта информация извлекается из их поведения при взаимодействии с системой. Способы, которые они выбирают для выполнения задач, сочетание вещей, которые их интересуют, — эти наблюдения позволяют сделать выводы о конкретном пользователе. Приложение динамически учится, наблюдая за этими взаимодействиями. различные алгоритмы машинного обучения . Для решения этой задачи могут использоваться

• Гибридный подход, который требует явной обратной связи и изменяет модель пользователя посредством адаптивного обучения.

Этот подход представляет собой смесь описанных выше. Пользователи должны отвечать на конкретные вопросы и давать четкую обратную связь. Кроме того, отслеживается их взаимодействие с системой, а 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 в интересах пользователей. Это зависит от готовности пользователей предоставлять информацию и маловероятно, что они будут редактировать свои ответы после завершения процесса регистрации. Поэтому существует высокая вероятность того, что пользовательские модели не актуальны. Однако этот первый метод позволяет пользователям иметь полный контроль над собранными о них данными. 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 непрозрачными, поскольку они не могут полностью понять и восстановить, почему система ведет себя именно так. Более того, система вынуждена собирать определенный объем данных, прежде чем она сможет с необходимой точностью предсказать потребности пользователей. Таким образом, требуется определенное время на обучение, прежде чем пользователь сможет извлечь выгоду из адаптивных изменений. Однако впоследствии эти автоматически корректируемые пользовательские модели позволяют довольно точно адаптировать систему. Гибридный подход пытается объединить преимущества обоих методов. Путем сбора данных путем прямого опроса пользователей он собирает первый запас информации, который можно использовать для адаптивных изменений. Изучая взаимодействие пользователей, он может корректировать пользовательские модели и достигать большей точности. Тем не менее, разработчик системы должен решить, какая из этой информации должна иметь какую степень влияния и что делать с полученными данными, которые противоречат некоторой информации, предоставленной пользователем.

Адаптация системы

Как только система собрала информацию о пользователе, она может оценить эти данные с помощью заранее 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 релевантные функции, скрывая ненужную пользователю информацию, внося предложения, что делать дальше и так далее. Следует различать адаптивные и адаптируемые системы . В адаптируемой системе пользователь может вручную изменить внешний вид, поведение или функциональность системы, активно выбирая соответствующие параметры. В дальнейшем система будет придерживаться этого выбора. В адаптивной системе динамическая адаптация к пользователю автоматически выполняется самой системой на основе построенной модели пользователя. Таким образом, адаптивной системе необходимы способы интерпретации информации о пользователе, чтобы осуществить такую ​​адаптацию. Одним из способов решения этой задачи является реализация фильтрации на основе правил. В этом случае устанавливается набор правил ЕСЛИ... ТО..., охватывающий базу знаний системы. Условия IF могут проверять конкретную пользовательскую информацию, и если они совпадают, выполняется ветвь THEN, которая отвечает за адаптивные изменения. Другой подход основан на совместной фильтрации . В этом случае информация о пользователе сравнивается с информацией о других пользователях 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 схожие характеристики в областях, где в модели текущего пользователя отсутствуют данные. На основе этих предположений система затем может выполнять адаптивные изменения.

Использование

• Адаптивная гипермедиа . В системе адаптивной гипермедиа 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 уменьшение синдрома « потерянности в гиперпространстве », предоставляя только релевантную информацию.
• Адаптивная образовательная гипермедиа . Будучи подразделением адаптивной гипермедиа, основное внимание в адаптивной образовательной гипермедиа уделяется образованию, отображению контента и гиперссылок, соответствующих знаниям пользователя в области обучения.
• Интеллектуальная система обучения . В отличие от адаптивных образовательных гипермедийных систем, интеллектуальные системы обучения являются автономными системами. Их цель – помочь студентам в конкретной 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, скорее всего, понадобятся пользователю.
• Экспертные системы : Экспертные системы — это компьютерные системы, которые имитируют способность человека-эксперта принимать решения, чтобы помочь пользователю решить проблему в определенной области. Шаг за шагом они задают вопросы, чтобы выявить текущую проблему и найти решение. Пользовательские модели можно использовать для адаптации к текущим знаниям пользователя, различая экспертов и новичков. Система может предполагать, что опытные пользователи способны понять и ответить на более сложные вопросы, чем новички в этой теме. Таким образом, он может корректировать используемый словарный запас и тип вопросов, предлагаемых пользователю, тем самым сокращая количество шагов, необходимых для поиска решения.
• Рекомендательная система . Основная идея рекомендательных систем состоит в том, чтобы предоставить пользователю выбор товаров, которые лучше всего соответствуют его или ее потребностям. Этот выбор может быть основан на элементах, которые пользователь добавил в закладки, оценил, купил, недавно просматривал и т. д. Рекомендательные системы часто используются в электронной коммерции , но могут также охватывать такие области, как социальные сети, веб-сайты, новости и т. д.
• Моделирование пользователей : поскольку моделирование пользователей позволяет системе хранить внутреннее представление конкретного пользователя, различные типы пользователей можно моделировать путем их искусственного моделирования. Распространенными типами являются «эксперты» или «новички» в области применения системы или ее использования. На основе этих характеристик можно моделировать пользовательские тесты. Проект СУППЛЕ в Вашингтонском университете и модель инклюзивного пользователя в Кембриджском университете имитирует взаимодействие пользователей с нарушениями зрения, слуха и моторики.

Стандарты

Для представления пользователей в компьютерных системах доступно определенное количество форматов и стандартов представления. такой как:

• IMS-LIP (IMS – Информационный пакет для учащихся, используемый в электронном обучении )
• HR-XML (используется в управлении персоналом )
• JXDM (Справедливость с расширяемой разметкой Global Justice)
• Europass (онлайн-резюме Europass)

См. также

• Персонализация
• Когнитивная модель
• Профиль пользователя
• Управление идентификацией

Внешние ссылки

• Пользовательское моделирование и взаимодействие с пользователем (UMUAI) Журнал исследований персонализации
• Проект CogTool в КМУ
• Конференция по пользовательскому моделированию 2007 г.
• Конференция по пользовательскому моделированию 2018
• Гипертекст 2018