stringtranslate.com

Modelado de usuarios

El modelado de usuarios es la subdivisión de la interacción hombre-computadora que describe el proceso de construcción y modificación de una comprensión conceptual del usuario. El objetivo principal del modelado de usuarios es la personalización y adaptación de los sistemas a las necesidades específicas del usuario. El sistema necesita "decir lo 'correcto' en el momento 'correcto' de la manera 'correcta'". [1] Para ello necesita una representación interna del usuario. Otro propósito común es el modelado de tipos específicos de usuarios, incluido el modelado de sus habilidades y conocimiento declarativo , para su uso en pruebas automáticas de software. [2] Por lo tanto, los modelos de usuario pueden servir como una alternativa más barata a las pruebas de usuario , pero no deben reemplazarlas .

Fondo

Un modelo de usuario es la recopilación y categorización de datos personales asociados a un usuario específico. Un modelo de usuario es una estructura (de datos) que se utiliza para capturar ciertas características sobre un usuario individual, y un perfil de usuario es la representación real en un modelo de usuario determinado. El proceso de obtención del perfil de usuario se denomina modelado de usuario. [3] Por lo tanto, es la base para cualquier cambio adaptativo al comportamiento del sistema. Los datos que se incluyen en el modelo dependen del propósito de la aplicación. Puede incluir información personal como los nombres y edades de los usuarios, sus intereses, sus habilidades y conocimientos, sus objetivos y planes, sus preferencias y sus disgustos o datos sobre su comportamiento y sus interacciones con el sistema.

Existen diferentes patrones de diseño para modelos de usuario, aunque a menudo se utiliza una combinación de ellos. [2] [4]

Los modelos de usuario estáticos son los tipos más básicos de modelos de usuario. Una vez que se recopilan los datos principales, normalmente no se vuelven a modificar, son estáticos. Los cambios en las preferencias de los usuarios no se registran y no se utilizan algoritmos de aprendizaje para alterar el modelo.
Los modelos de usuario dinámicos permiten una representación más actualizada de los usuarios. Los cambios en sus intereses, su progreso de aprendizaje o sus interacciones con el sistema se detectan e influyen en los modelos de usuario. De este modo, los modelos se pueden actualizar y tener en cuenta las necesidades y los objetivos actuales de los usuarios.
Los modelos de usuario basados ​​en estereotipos se basan en estadísticas demográficas . Según la información recopilada, los usuarios se clasifican en estereotipos comunes. A continuación, el sistema se adapta a este estereotipo. Por lo tanto, la aplicación puede hacer suposiciones sobre un usuario incluso aunque no haya datos sobre esa área específica, porque los estudios demográficos han demostrado que otros usuarios de este estereotipo tienen las mismas características. Por lo tanto, los modelos de usuario basados ​​en estereotipos se basan principalmente en estadísticas y no tienen en cuenta que los atributos personales pueden no coincidir con el estereotipo. Sin embargo, permiten realizar predicciones sobre un usuario incluso si hay poca información sobre él o ella.
Los modelos de usuario altamente adaptables intentan representar a un usuario en particular y, por lo tanto, permiten una adaptabilidad muy alta del sistema. A diferencia de los modelos de usuario basados ​​en estereotipos, no se basan en estadísticas demográficas, sino que apuntan a encontrar una solución específica para cada usuario. Aunque los usuarios pueden obtener grandes beneficios de esta alta adaptabilidad, este tipo de modelo necesita recopilar mucha información primero.

Recopilación de datos

La información sobre los usuarios se puede obtener de varias maneras. Existen tres métodos principales:

La mayoría de las veces, este tipo de recopilación de datos está relacionada con el proceso de registro. Durante el registro, se les pide a los usuarios que proporcionen datos específicos, sus gustos y aversiones, y sus necesidades. A menudo, las respuestas proporcionadas pueden modificarse posteriormente.
En este caso, no se solicitan directamente a los usuarios sus datos personales y preferencias, sino que esta información se deriva de su comportamiento al interactuar con el sistema. Las formas en que eligen realizar una tarea, la combinación de cosas que les interesan, estas observaciones permiten inferir cosas sobre un usuario específico. La aplicación aprende dinámicamente a partir de la observación de estas interacciones. Se pueden utilizar diferentes algoritmos de aprendizaje automático para realizar esta tarea.
Este enfoque es una combinación de los anteriores. Los usuarios deben responder preguntas específicas y brindar comentarios explícitos. Además, se observan sus interacciones con el sistema y la información derivada se utiliza para ajustar automáticamente los modelos de usuario.

Aunque el primer método es una buena forma de recopilar rápidamente los datos principales, carece de la capacidad de adaptarse automáticamente a los cambios en los intereses de los usuarios. Depende de la disposición de los usuarios a proporcionar información y es poco probable que editen sus respuestas una vez finalizado el proceso de registro. Por lo tanto, existe una gran probabilidad de que los modelos de usuario no estén actualizados. Sin embargo, este primer método permite a los usuarios tener un control total sobre los datos recopilados sobre ellos. Es su decisión qué información están dispuestos a proporcionar. Esta posibilidad no está disponible en el segundo método. Los cambios adaptativos en un sistema que aprende las preferencias y necesidades de los usuarios solo interpretando su comportamiento pueden parecer un poco opacos para los usuarios, porque no pueden comprender y reconstruir completamente por qué el sistema se comporta de la manera en que lo hace. [5] Además, el sistema se ve obligado a recopilar una cierta cantidad de datos antes de poder predecir las necesidades de los usuarios con la precisión requerida. Por lo tanto, se necesita un cierto tiempo de aprendizaje antes de que un usuario pueda beneficiarse de los cambios adaptativos. Sin embargo, después, estos modelos de usuario ajustados automáticamente permiten una adaptabilidad bastante precisa del sistema. El enfoque híbrido intenta combinar las ventajas de ambos métodos. Mediante la recopilación de datos preguntando directamente a los usuarios, se obtiene un primer conjunto de información que puede utilizarse para realizar cambios adaptativos. Al aprender de las interacciones de los usuarios, se pueden ajustar los modelos de usuario y alcanzar una mayor precisión. Sin embargo, el diseñador del sistema tiene que decidir qué parte de esta información debe tener qué grado de influencia y qué hacer con los datos aprendidos que contradicen parte de la información proporcionada por un usuario.

Adaptación del sistema

Una vez que un sistema ha recopilado información sobre un usuario, puede evaluar esos datos mediante un algoritmo analítico preestablecido y luego comenzar a adaptarse a las necesidades del usuario. Estas adaptaciones pueden afectar a cada aspecto del comportamiento del sistema y dependen del propósito del sistema. La información y las funciones se pueden presentar de acuerdo con los intereses, el conocimiento o los objetivos del usuario mostrando solo las características relevantes, ocultando información que el usuario no necesita, haciendo propuestas sobre qué hacer a continuación, etc. Hay que distinguir entre sistemas adaptativos y adaptativos . [1] En un sistema adaptable, el usuario puede cambiar manualmente la apariencia, el comportamiento o la funcionalidad del sistema seleccionando activamente las opciones correspondientes. Después, el sistema se apegará a estas opciones. En un sistema adaptativo, el propio sistema realiza automáticamente una adaptación dinámica al usuario, basándose en el modelo de usuario creado. Por lo tanto, un sistema adaptativo necesita formas de interpretar la información sobre el usuario para realizar estas adaptaciones. Una forma de lograr esta tarea es implementar un filtrado basado en reglas. En este caso, se establece un conjunto de reglas IF... THEN... que cubren la base de conocimiento del sistema. [2] Las condiciones IF pueden verificar información específica del usuario y, si coinciden, se ejecuta la rama THEN, que es responsable de los cambios adaptativos. Otro enfoque se basa en el filtrado colaborativo . [2] [5] En este caso, la información sobre un usuario se compara con la de otros usuarios de los mismos sistemas. Por lo tanto, si las características del usuario actual coinciden con las de otro, el sistema puede hacer suposiciones sobre el usuario actual al suponer que es probable que tenga características similares en áreas donde el modelo del usuario actual carece de datos. Basándose en estas suposiciones, el sistema puede realizar cambios adaptativos.

Usos

Normas

Existe un cierto número de formatos y estándares de representación disponibles para representar a los usuarios en sistemas informáticos, [8] tales como:

Véase también

Referencias

  1. ^ ab Fischer, Gerhard (2001), "Modelado de usuarios en la interacción hombre-computadora", Modelado de usuarios e interacción adaptada al usuario , 11 : 65–86, doi : 10.1023/A:1011145532042
  2. ^ abcdef Johnson, Addie; Taatgen, Niels (2005), "Modelado de usuarios", Manual de factores humanos en el diseño web , Lawrence Erlbaum Associates, págs. 424–439
  3. ^ Piao, Guangyuan; Breslin, John G. (2018). "Inferir los intereses de los usuarios en las redes sociales de microblogging: una encuesta". Modelado de usuarios e interacción adaptada al usuario . 28 (3): 277–329. arXiv : 1712.07691 . doi :10.1007/s11257-018-9207-8. S2CID  3847937.
  4. ^ Hothi, Jatinder; Hall, Wendy (junio de 1998), "Una evaluación de técnicas de hipermedia adaptadas utilizando modelado estático de usuarios", Actas del 2º Taller sobre hipertexto e hipermedia adaptativos , Universidad de Southampton, Electronics and Computer Science University Road, Southampton, Hampshire, Reino Unido
  5. ^ abc Montaner, Miguel; López, Beatriz; De La Rosa, Josep Lluís (2003), "Una taxonomía de agentes recomendadores en Internet", Artif. Intel. Rev. , 19 (4): 285–330, doi :10.1023/A:1022850703159, S2CID  16544257
  6. ^ "SUPPLE: Generación automática de interfaces de usuario personalizables".
  7. ^ "Laboratorio de Computación: Interfaces de usuario inclusivas".
  8. ^ Nabeth Thierry (2005), Modelos, entregable FIDIS, octubre de 2005.

Referencias externas