背景
ユーザーモデルとは、特定のユーザーに関連付けられた個人データの収集と分類のことです。ユーザーモデルは、個々のユーザーに関する特定の特性を捉えるために使用される（データ）構造であり、ユーザープロファイルは、特定のユーザーモデルにおける実際の表現です。ユーザープロファイルを取得するプロセスは、ユーザーモデリングと呼ばれます。[ 3 ]したがって、これはシステムの動作に対する適応的な変更の基礎となります。モデルに含まれるデータは、アプリケーションの目的に応じて異なります。これには、ユーザーの名前や年齢、興味、スキルや知識、目標や計画、好みや嫌いなものなどの個人情報、またはユーザーの行動やシステムとのやり取りに関するデータが含まれる場合があります。
ユーザーモデルにはさまざまなデザインパターンがありますが、多くの場合、それらの組み合わせが使用されます。[ 2 ] [ 4 ]
- 静的ユーザーモデルは、最も基本的なタイプのユーザーモデルです。主要なデータが収集されると、通常は変更されず、静的な状態になります。ユーザーの嗜好の変化は記録されず、モデルを変更するための学習アルゴリズムも使用されません。
- 動的なユーザーモデルを用いることで、ユーザーの状況をより最新の状態で表現できます。ユーザーの興味関心、学習進捗状況、システムとのインタラクションの変化が検知され、ユーザーモデルに反映されます。これにより、モデルを更新し、ユーザーの現在のニーズや目標を考慮に入れることが可能になります。
- ステレオタイプに基づくユーザーモデルは、人口統計データに基づいています。収集された情報に基づいて、ユーザーは一般的なステレオタイプに分類されます。システムはこのステレオタイプに合わせて調整を行います。そのため、人口統計調査によって同じステレオタイプの他のユーザーが同じ特徴を持っていることが示されているため、特定の地域に関するデータがない場合でも、アプリケーションはユーザーについて推測を行うことができます。このように、ステレオタイプに基づくユーザーモデルは主に統計データに依存しており、個人の属性がステレオタイプと一致しない可能性は考慮していません。しかし、ユーザーに関する情報がかなり少ない場合でも、ユーザーに関する予測を行うことができます。
- 高度に適応性の高いユーザーモデルは、特定のユーザーを忠実に表現しようとするため、システムの適応性が非常に高くなります。ステレオタイプに基づくユーザーモデルとは異なり、人口統計データに頼らず、各ユーザーに最適なソリューションを見つけることを目指します。ユーザーはこの高い適応性から大きな恩恵を受けることができますが、この種のモデルはまず多くの情報を収集する必要があります。
データ収集
ユーザーに関する情報は、いくつかの方法で収集できます。主な方法は3つあります。
- システムと（最初に）やり取りしながら具体的な事実を尋ねる[ 2 ]
- こうしたデータ収集は、主に登録プロセスに関連して行われます。登録時に、ユーザーは特定の事実、好みや嫌いなもの、ニーズなどを尋ねられます。多くの場合、回答は後から変更できます。
- システムとのやり取りを観察し解釈することでユーザーの好みを学習する[ 2 ]
- この場合、ユーザーは個人データや嗜好を直接尋ねられるのではなく、システムとのやり取りにおける行動からこれらの情報を取得します。ユーザーがタスクを実行する方法、興味を持つものの組み合わせなど、これらの観察結果から特定のユーザーに関する推論が可能になります。アプリケーションはこれらのやり取りを観察することで動的に学習します。このタスクを実行するために、さまざまな機械学習アルゴリズムが使用される場合があります。
- 明示的なフィードバックを求め、適応学習によってユーザーモデルを変更するハイブリッドアプローチ[ 5 ]
- このアプローチは、上記のアプローチを組み合わせたものです。ユーザーは特定の質問に答え、明確なフィードバックを提供する必要があります。さらに、システムとのやり取りが観察され、得られた情報に基づいてユーザーモデルが自動的に調整されます。
最初の方法は、主要なデータを迅速に収集するのに適した方法ですが、ユーザーの関心の変化に自動的に適応する能力がありません。これは、ユーザーが情報を提供する準備ができているかどうかに依存しており、登録プロセスが完了した後にユーザーが回答を編集する可能性は低いでしょう。したがって、ユーザーモデルが最新の状態ではない可能性が高くなります。ただし、この最初の方法では、ユーザーは自分に関する収集されたデータを完全に制御できます。どの情報を提供するかはユーザーの決定です。この可能性は、2番目の方法にはありません。ユーザーの行動を解釈することによってのみユーザーの好みとニーズを学習するシステムの適応的な変更は、ユーザーがシステムがなぜそのように動作するのかを完全に理解して再構築できないため、少し不透明に見えるかもしれません。[ 5 ]さらに、システムは、必要な精度でユーザーのニーズを予測できるようになる前に、一定量のデータを収集する必要があります。したがって、ユーザーが適応的な変更から恩恵を受けるには、一定の学習時間が必要です。しかし、その後、これらの自動的に調整されたユーザーモデルにより、システムのかなり正確な適応が可能になります。ハイブリッドアプローチは、両方の方法の利点を組み合わせようとするものです。ユーザーに直接質問してデータを収集することで、適応的な変更に利用できる最初の情報ストックを構築します。ユーザーのインタラクションから学習することで、ユーザーモデルを調整し、より高い精度を実現できます。しかし、システムの設計者は、これらの情報のうちどれにどの程度の影響力を持たせるべきか、また、ユーザーから提供された情報の一部と矛盾する学習データをどのように処理すべきかを決定する必要があります。
システム適応
システムがユーザーに関する情報を収集すると、あらかじめ設定された分析アルゴリズムによってそのデータを評価し、ユーザーのニーズに合わせて適応を開始できます。これらの適応は、システムの動作のあらゆる側面に関係し、システムの目的に応じて異なります。関連する機能のみを表示したり、ユーザーが必要としない情報を非表示にしたり、次に何をすべきかを提案したりすることで、ユーザーの興味、知識、目標に応じて情報や機能を提示できます。適応型システムと適応可能システムを区別する必要があります。[ 1 ]適応可能システムでは、ユーザーは対応するオプションを積極的に選択することで、システムの外観、動作、機能を手動で変更できます。その後、システムはこれらの選択に従います。適応型システムでは、構築されたユーザーモデルに基づいて、システム自体がユーザーへの動的な適応を自動的に実行します。したがって、適応型システムは、これらの適応を行うために、ユーザーに関する情報を解釈する方法を必要とします。このタスクを実行する1つの方法は、ルールベースのフィルタリングを実装することです。この場合、システムの知識ベースをカバーする一連のIF...THEN...ルールが確立されます。 [ 2 ] IF条件は特定のユーザー情報をチェックし、一致する場合は適応的な変更を担当するTHEN分岐が実行されます。別のアプローチは協調フィルタリングに基づいています。[ 2 ] [ 5 ]この場合、ユーザーに関する情報は、同じシステムの他のユーザーの情報と比較されます。したがって、現在のユーザーの特性が他のユーザーの特性と一致する場合、システムは、現在のユーザーのモデルにデータが不足している領域で、そのユーザーが同様の特性を持っている可能性が高いと仮定することで、現在のユーザーについて仮定を行うことができます。これらの仮定に基づいて、システムは適応的な変更を実行できます。
使用例
- 適応型ハイパーメディア：適応型ハイパーメディアシステムでは、ユーザーの目標、興味、知識、能力などを考慮し、ユーザー固有の特性に基づいて表示されるコンテンツと提供されるハイパーリンクが選択されます。このように、適応型ハイパーメディアシステムは、関連性の高い情報のみを表示することで、「ハイパースペースで迷子になる」現象を軽減することを目指しています。
- 適応型教育ハイパーメディア：適応型ハイパーメディアのサブディビジョンである適応型教育ハイパーメディアは、教育に重点を置き、学習分野におけるユーザーの知識レベルに応じたコンテンツやハイパーリンクを表示します。
- インテリジェントチュータリングシステム：適応型教育ハイパーメディアシステムとは異なり、インテリジェントチュータリングシステムはスタンドアロンシステムです。その目的は、特定の学習分野において学生を支援することです。そのため、ユーザーの能力、知識、ニーズに関する情報を保存するユーザーモデルを構築します。システムは、適切な演習問題や例題を提示し、ユーザーが最も必要とするであろう箇所でヒントやヘルプを提供することで、ユーザーに合わせて適応することができます。
- エキスパートシステム：エキスパートシステムとは、特定の分野における問題解決をユーザーが支援するために、人間の専門家の意思決定能力を模倣するコンピュータシステムです。エキスパートシステムは、段階的に質問を投げかけ、現在の問題を特定し、解決策を見つけ出します。ユーザーモデルを用いることで、ユーザーの現在の知識レベルに合わせてシステムを適応させ、専門家と初心者を区別することができます。経験豊富なユーザーは、その分野に不慣れなユーザーよりも複雑な質問を理解し、回答できると想定することで、使用する語彙やユーザーに提示する質問の種類を調整し、解決策を見つけるために必要な手順を減らすことができます。
- レコメンデーションシステム：レコメンデーションシステムの基本的な考え方は、ユーザーのニーズに最も適したアイテムの選択肢を提示することです。この選択肢は、ユーザーがブックマークしたアイテム、評価したアイテム、購入したアイテム、最近閲覧したアイテムなどに基づいて決定されます。レコメンデーションシステムは、eコマースでよく利用されますが、ソーシャルネットワーク、ウェブサイト、ニュースなどにも適用できます。
- ユーザーシミュレーション：ユーザーモデリングにより、システムは特定のユーザーの内部表現を保持できるため、さまざまなタイプのユーザーを人工的にモデル化することでシミュレーションできます。一般的なタイプは、システムの範囲またはシステムの使用方法に関する「エキスパート」または「初心者」です。これらの特性に基づいて、ユーザーテストをシミュレーションできます。ワシントン大学のSUPPLEプロジェクト[ 6 ]とケンブリッジ大学のインクルーシブユーザーモデル[ 7 ]は、視覚、聴覚、運動機能に障害のあるユーザーのインタラクションをシミュレーションします。
基準
コンピュータシステムでユーザーを表現するために利用できる表現形式と標準規格はいくつかあり、[ 8 ]例えば次のとおりです。
参考文献
- 1 2 Fischer, Gerhard (2001)、「ヒューマンコンピュータインタラクションにおけるユーザーモデリング」、User Modeling and User-Adapted Interaction、11 : 65–86、doi : 10.1023/A:1011145532042
- 1 2 3 4 5 6 Johnson, Addie; Taatgen, Niels (2005), "User Modeling", Handbook of human factors in Web design , Lawrence Erlbaum Associates, pp . 424–439
- ↑ Piao, Guangyuan; Breslin, John G. (2018). "マイクロブログソーシャルネットワークにおけるユーザーの興味の推測：調査". User Modeling and User-Adapted Interaction . 28 (3): 277–329 . arXiv : 1712.07691 . doi : 10.1007/s11257-018-9207-8 . S2CID 3847937 .
- ↑ Hothi, Jatinder; Hall, Wendy (1998年6月)、「静的ユーザーモデリングを用いた適応型ハイパーメディア技術の評価」、第2回適応型ハイパーテキストおよびハイパーメディアワークショップ議事録、サウサンプトン大学、電子工学およびコンピュータサイエンス学部、ユニバーシティロード、サウサンプトン、ハンプシャー、英国
- 1 2 3モンタネール、ミゲル;ロペス、ベアトリス。 De La Rosa、Josep Lluís (2003)、「インターネット上の推薦エージェントの分類」、Artif。知性。 Rev.、19 (4): 285–330、土井: 10.1023/A:1022850703159、S2CID 16544257
- ↑ 「SUPPLE：パーソナライズ可能なユーザーインターフェースの自動生成」。
- ↑ 「コンピュータラボ：包括的なユーザーインターフェース」
- ↑ Nabeth Thierry (2005)、「モデル」、FIDIS成果物、2005年10月。
外部参照
- ユーザーモデリングとユーザー適応型インタラクション（UMUAI）パーソナライゼーション研究ジャーナル
- CMUのCogToolプロジェクト
- ユーザーモデリングカンファレンス2007（2009年4月18日時点のアーカイブ）
- ユーザーモデリングカンファレンス2018
- ハイパーテキスト 2018
