stringtranslate.com

Modelado de usuario

El modelado de usuarios es la subdivisión de la interacción persona-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' y de la manera 'correcta'". [1] Para hacerlo necesita una representación interna del usuario. Otro propósito común es modelar tipos específicos de usuarios, incluido el modelado de sus habilidades y conocimientos declarativos , 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 deberían reemplazar las pruebas de usuario .

Fondo

Un modelo de usuario es la recopilación y categorización de datos personales asociados con un usuario específico. Un modelo de usuario es una estructura (de datos) que se utiliza para capturar ciertas características de 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 en el comportamiento del sistema. Los datos que se incluyen en el modelo dependen del propósito de la aplicación. Puede incluir información personal como nombres y edades de los usuarios, sus intereses, sus habilidades y conocimientos, sus objetivos y planes, sus preferencias y aversiones o datos sobre su comportamiento y sus interacciones con el sistema.

Existen diferentes patrones de diseño para los 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 recopilados 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 usuarios 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 notan e influyen en los modelos de usuario. De este modo, los modelos pueden actualizarse y tener en cuenta las necesidades y 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. Entonces el sistema se adapta a este estereotipo. Por lo tanto, la aplicación puede hacer suposiciones sobre un usuario aunque no haya datos sobre esa área específica, porque los estudios demográficos han demostrado que otros usuarios con 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 hacer predicciones sobre un usuario incluso si hay poca información sobre él.
Los modelos de usuario altamente adaptativos intentan representar a un usuario 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 pretenden encontrar una solución específica para cada usuario. Aunque los usuarios pueden beneficiarse enormemente de esta alta adaptabilidad, este tipo de modelo necesita recopilar primero mucha información.

Recopilación de datos

La información sobre los usuarios se puede recopilar de varias maneras. Hay tres métodos principales:

En la mayoría de los casos, este tipo de recopilación de datos está relacionado con el proceso de registro. Al registrarse, a los usuarios se les preguntan datos específicos, sus gustos y disgustos y sus necesidades. A menudo, las respuestas dadas pueden modificarse posteriormente.
En este caso no se solicita directamente a los usuarios sus datos personales y preferencias, sino que esta información se deriva de su comportamiento mientras interactúan con el sistema. Las formas que eligen para realizar una tarea, la combinación de cosas que les interesan, estas observaciones permiten inferencias sobre un usuario específico. La aplicación aprende dinámicamente al observar estas interacciones. Se pueden utilizar diferentes algoritmos de aprendizaje automático para realizar esta tarea.
Este enfoque es una mezcla de los anteriores. Los usuarios deben responder preguntas específicas y dar 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 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 para brindar información y es poco probable que editen sus respuestas una vez finalizado el proceso de registro. Por tanto, existe una alta probabilidad de que los modelos de usuario no estén actualizados. Sin embargo, este primer método permite a los usuarios tener control total sobre los datos recopilados sobre ellos. Es su decisión qué información están dispuestos a proporcionar. Esta posibilidad falta en el segundo método. Los cambios adaptativos en un sistema que aprende las preferencias y necesidades de los usuarios sólo interpretando su comportamiento pueden parecer un poco opacos para los usuarios, porque no pueden comprender ni reconstruir completamente por qué el sistema se comporta de la manera 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 cierto tiempo de aprendizaje antes de que un usuario pueda beneficiarse de los cambios adaptativos. Sin embargo, posteriormente estos modelos de usuario ajustados automáticamente permiten una adaptabilidad bastante precisa del sistema. El enfoque híbrido intenta combinar las ventajas de ambos métodos. Al recopilar datos preguntando directamente a sus usuarios, reúne un primer acervo de información que puede utilizarse para 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 cuál de estas informaciones debería 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 todos los aspectos del comportamiento del sistema y dependen del propósito del sistema. La información y las funciones se pueden presentar de acuerdo con los intereses, conocimientos u objetivos del usuario mostrando sólo características relevantes, ocultando información que el usuario no necesita, haciendo propuestas sobre qué hacer a continuación, etc. Hay que distinguir entre sistemas adaptativos y adaptables . [1] En un sistema adaptable, el usuario puede cambiar manualmente la apariencia, el comportamiento o la funcionalidad del sistema seleccionando activamente las opciones correspondientes. Posteriormente, el sistema se atendrá 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 tanto, un sistema adaptativo necesita formas de interpretar la información sobre el usuario para poder realizar estas adaptaciones. Una forma de realizar esta tarea es implementar un filtrado basado en reglas. En este caso se establece un conjunto de reglas SI... ENTONCES... que cubre la base de conocimiento del sistema. [2] Las condiciones IF pueden verificar información de usuario específica y, si coinciden, se realiza la rama ENTONCES, 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 del mismo sistema. Por lo tanto, si las características del usuario actual coinciden con las de otro, el sistema puede hacer suposiciones sobre el usuario actual suponiendo que es probable que tenga características similares en áreas donde el modelo del usuario actual carece de datos. Con base en estos supuestos, el sistema puede realizar cambios adaptativos.

Usos

Estándares

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

Ver también

Referencias

  1. ^ ab Fischer, Gerhard (2001), "Modelado de usuario en la interacción persona-computadora", Modelado de usuario e interacción adaptada al usuario , 11 : 65–86, doi : 10.1023/A:1011145532042
  2. ^ abcdef Johnson, Addie; Taatgen, Niels (2005), "User Modeling", 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 modelos estáticos de usuarios", Actas del segundo taller sobre hipertexto e hipermedia adaptativos , Universidad de Southampton, Universidad de Electrónica y Ciencias de la Computación, 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, FIDIS Deliverable, octubre de 2005.

Referencias externas