사용자 모델링

User modeling

사용자 모델링은 사용자에 대한 개념적 이해를 구축하고 수정하는 과정을 설명하는 인간과 컴퓨터 상호작용을 세분화한 것이다. 사용자 모델링의 주요 목표는 사용자의 특정 요구에 대한 시스템의 맞춤화 및 적응이다. 이 시스템은 '올바른' 시간에 '올바른' 방식으로 '올바른' 것을 말할 필요가 있다.[1] 그러기 위해서는 사용자의 내부표현이 필요하다. 또 다른 일반적인 목적은 자동 소프트웨어 테스트에 사용하기 위해 기술 및 선언적 지식의 모델링을 포함한 특정 유형의 사용자를 모델링하는 것이다.[2] 따라서 사용자 모델은 사용자 시험에 대한 값싼 대안으로 작용할 수 있지만 사용자 시험을 대체해서는 안 된다.

배경

사용자 모델은 특정 사용자와 관련된 개인 데이터를 수집하고 분류하는 것이다. 사용자 모델은 개별 사용자에 대한 특정 특성을 포착하기 위해 사용되는 (데이터) 구조로, 사용자 프로파일은 주어진 사용자 모델에서 실제 표현이다. 사용자 프로파일을 얻는 과정을 사용자 모델링이라고 한다.[3] 따라서, 그것은 시스템의 행동에 대한 적응적 변화의 기초가 된다. 모델에 포함되는 데이터는 적용 목적에 따라 달라진다. 사용자의 이름과 나이, 관심사, 기술과 지식, 목표와 계획, 선호도 및 선호도 또는 시스템과의 상호작용에 대한 자료와 같은 개인 정보를 포함할 수 있다.

사용자 모델에는 다양한 설계 패턴이 있지만 혼합된 설계 패턴이 종종 사용된다.[2][4]

  • 정적 사용자 모델
정적 사용자 모델은 가장 기본적인 종류의 사용자 모델이다. 일단 주요 데이터가 수집되면, 그들은 보통 다시 변경되지 않고, 정적이다. 사용자 선호도의 변화는 등록되지 않으며 모델을 변경하기 위해 학습 알고리즘이 사용되지 않는다.
  • 동적 사용자 모델
동적 사용자 모델은 사용자를 보다 최신으로 표현할 수 있도록 한다. 그들의 관심사, 학습 진행률 또는 시스템과의 상호작용의 변화가 눈에 띄고 사용자 모델에 영향을 미친다. 따라서 모델은 업데이트될 수 있고 사용자의 현재 요구와 목표를 고려할 수 있다.
  • 고정관념 기반 사용자 모델
고정관념 기반 사용자 모델은 인구 통계에 근거한다. 수집된 정보를 바탕으로 이용자들은 일반적인 고정관념으로 분류된다. 그러면 그 시스템은 이러한 고정관념에 적응한다. 따라서 인구통계학적 연구 결과 이 고정관념의 다른 사용자들이 동일한 특성을 가지고 있다는 것을 보여주었기 때문에, 이 애플리케이션은 특정 영역에 대한 데이터가 없을지라도 사용자에 대해 가정을 할 수 있다. 따라서 고정관념 기반 사용자 모델은 주로 통계에 의존하며 개인의 속성이 고정관념과 일치하지 않을 수 있다는 점을 고려하지 않는다. 그러나 사용자에 대한 정보가 다소 적더라도 사용자에 대한 예측을 허용한다.
  • 적응력이 뛰어난 사용자 모델
적응력이 높은 사용자 모델은 한 명의 특정 사용자를 나타내기 위해 노력하며 따라서 시스템의 적응성이 매우 높다. 고정관념 기반 사용자 모델과는 대조적으로 그들은 인구 통계에 의존하지 않고 각 사용자에 대한 특정한 해결책을 찾는 것을 목표로 한다. 비록 사용자들이 이러한 높은 적응력으로부터 큰 이익을 얻을 수 있지만, 이러한 종류의 모델은 우선 많은 정보를 모을 필요가 있다.

데이터 수집

사용자에 대한 정보는 여러 가지 방법으로 수집될 수 있다. 크게 세 가지 방법이 있다.

  • 시스템과 상호 작용하는 동안 구체적인 사실 확인[2]
대부분 이런 종류의 데이터 수집은 등록 과정과 연계되어 있다. 사용자 등록은 구체적인 사실관계를 묻는 반면, 그들의 호불호감, 그리고 그들의 필요성은 묻는 것이다. 종종 주어진 답은 나중에 바뀔 수 있다.
  • 시스템과의 상호작용을 관찰하고 해석하여 사용자의 선호도 학습[2]
이 경우 사용자는 개인 데이터와 선호도를 직접 묻지 않지만, 이 정보는 시스템과 상호 작용하는 동안 사용자의 행동에서 파생된다. 그들이 작업을 수행하기 위해 선택하는 방법, 그들이 관심을 갖는 것들의 조합, 이러한 관찰은 특정 사용자에 대한 추론을 가능하게 한다. 애플리케이션은 이러한 상호작용을 관찰함으로써 동적으로 학습한다. 이 작업을 수행하기 위해 다른 기계 학습 알고리즘을 사용할 수 있다.
  • 명확한 피드백을 요구하고 적응적 학습을 통해 사용자 모델을 변경하는 하이브리드 접근 방식[5]
이 접근방식은 위의 접근방식이 혼합된 것이다. 사용자들은 특정한 질문에 답하고 명확한 피드백을 주어야 한다. 또한 시스템과의 상호작용을 관찰하고 파생된 정보를 사용하여 사용자 모델을 자동으로 조정한다.

첫 번째 방법은 주 데이터를 빠르게 수집하는 좋은 방법이지만 사용자의 관심사에 자동으로 적응하는 능력이 부족하다. 사용자의 정보 제공 준비 상태에 따라 달라지며, 등록 절차가 끝나면 답변을 편집하지 않을 것으로 보인다. 따라서 사용자 모델이 최신 버전이 아닐 가능성이 높다. 그러나 이 첫 번째 방법은 사용자가 자신에 대해 수집된 데이터를 완전히 제어할 수 있게 한다. 그들이 어떤 정보를 제공하려고 하는지가 그들의 결정이다. 두 번째 방법에서는 이 가능성이 누락되어 있다. 사용자의 행동을 해석하는 것만으로 사용자의 선호와 요구를 학습하는 시스템의 적응적 변화는 사용자에게 다소 불투명하게 보일 수 있는데, 왜 시스템이 그렇게 행동하는지를 완전히 이해하고 재구성할 수 없기 때문이다.[5] 더욱이 시스템은 사용자의 요구를 필요한 정확도로 예측할 수 있기 전에 일정량의 데이터를 수집할 수밖에 없다. 따라서 사용자가 적응형 변화로부터 이익을 얻을 수 있으려면 일정한 학습 시간이 필요하다. 그러나 이후에 이러한 자동 조정된 사용자 모델은 상당히 정확한 시스템 적응성을 허용한다. 하이브리드 접근법은 두 방법의 장점을 결합하려고 한다. 그것은 사용자들에게 직접 요청하여 데이터를 수집함으로써 적응형 변화에 사용할 수 있는 최초의 정보를 수집한다. 사용자의 상호작용을 통해 학습함으로써 사용자 모델을 조정하고 보다 정확도에 도달할 수 있다. 그러나 시스템 설계자는 이러한 정보 중 어느 것이 어느 정도의 영향력을 가져야 하는지, 그리고 사용자가 제공한 정보의 일부와 모순되는 학습된 데이터를 어떻게 해야 하는지를 결정해야 한다.

시스템 적응

시스템이 사용자에 대한 정보를 수집한 후에는 사전 설정된 분석 알고리즘으로 데이터를 평가한 다음 사용자의 요구에 적응하기 시작할 수 있다. 이러한 적응은 시스템 동작의 모든 측면에 관련될 수 있으며 시스템의 목적에 따라 달라질 수 있다. 정보 및 기능은 관련 기능만 표시하거나, 사용자가 필요로 하지 않는 정보를 숨기고, 다음에 무엇을 할 것인가 등을 제안함으로써 사용자의 관심, 지식 또는 목표에 따라 제시할 수 있다. 적응형 시스템과 적응형 시스템을 구분해야 한다.[1] 적응형 시스템에서 사용자는 능동적으로 해당 옵션을 선택하여 시스템의 모양, 동작 또는 기능을 수동으로 변경할 수 있다. 그 후에 시스템은 이러한 선택들을 고수할 것이다. 적응형 시스템에서 사용자에 대한 동적 어댑테이션은 빌드된 사용자 모델에 기초하여 시스템 자체에 의해 자동으로 수행된다. 그러므로 적응형 시스템은 이러한 적응을 위해 사용자에 대한 정보를 해석하는 방법이 필요하다. 이 작업을 수행하는 한 가지 방법은 규칙 기반 필터링을 구현하는 것이다. 이 경우 IF 세트... 그러면... 시스템의 지식 기반을 다루는 규칙이 정립된다.[2] IF-조건은 특정 사용자 정보를 확인할 수 있으며, 사용자 정보가 일치하는지 여부를 확인할 수 있으며, 적응형 변경에 책임이 있는 DIF-branch가 수행된다. 또 다른 접근방식은 협업 필터링을 기반으로 한다.[2][5] 이 경우 사용자에 대한 정보를 동일한 시스템의 다른 사용자의 정보와 비교한다. 따라서 현재 사용자의 특성이 다른 사용자의 특성과 일치할 경우, 시스템은 현재 사용자의 모델이 데이터가 부족한 영역에서 유사한 특성을 가질 가능성이 있다고 가정하여 현재 사용자에 대한 가정을 할 수 있다. 이러한 가정에 기초하여 시스템은 적응형 변경을 수행할 수 있다.

우사게스

  • 적응형 하이퍼미디어: 적응형 하이퍼미디어 시스템에서 표시되는 콘텐츠와 제공되는 하이퍼링크는 사용자의 목표, 관심사, 지식 및 능력을 고려하여 사용자의 특정 특성에 기초하여 선택된다. 따라서, 적응형 하이퍼미디어 시스템은 관련 정보만을 제시함으로써 "초공간에서의 손실" 증후군을 줄이는 것을 목표로 한다.
  • 적응형 교육 하이퍼미디어: 적응형 하이퍼미디어의 하위분할이 되는 적응형 교육 하이퍼미디어의 주요 초점은 교육에 있으며, 사용자의 지식에 해당하는 내용과 하이퍼링크를 학습 분야에 표시한다.
  • 지능형 과외 시스템: 적응형 교육 하이퍼미디어 시스템과 달리 지능형 개인교습 시스템은 독립형 시스템이다. 그들의 목표는 특정 분야의 학생들을 돕는 것이다. 이를 위해 사용자의 능력, 지식, 니즈에 대한 정보를 저장하는 사용자 모델을 구축한다. 시스템은 이제 적절한 연습과 예를 제시하고 사용자가 가장 필요로 할 수 있는 곳에 힌트와 도움을 제공함으로써 이 사용자에게 적응할 수 있다.
  • 전문가 시스템: 전문가 시스템은 사용자가 특정 영역에서 문제를 해결하도록 돕기 위해 인간 전문가의 의사결정 능력을 모방하는 컴퓨터 시스템이다. 그들은 단계별로 현재의 문제를 파악하고 해결책을 찾기 위해 질문을 한다. 사용자 모델은 전문가와 초보자를 구분하여 현재 사용자의 지식에 적응하는 데 사용할 수 있다. 시스템은 경험이 풍부한 사용자가 주제를 처음 접하는 사람보다 더 복잡한 질문을 이해하고 대답할 수 있다고 가정할 수 있다. 따라서 사용자에게 제시되는 어휘와 질문 유형을 조정할 수 있어 해결책을 찾는 데 필요한 단계를 줄일 수 있다.
  • 추천자 시스템: 추천자 시스템의 기본 아이디어는 사용자에게 자신의 필요에 가장 적합한 항목을 제시하는 것이다. 이 선택은 사용자가 즐겨찾기, 등급, 구입, 최근 보기 등을 기준으로 할 수 있다. 추천인 시스템은 전자상거래에서 자주 사용되지만 소셜 네트워크, 웹사이트, 뉴스 등과 같은 영역도 포함할 수 있다.
  • 사용자 시뮬레이션: 사용자 모델링은 시스템이 특정 사용자의 내부 표현을 보유할 수 있도록 하기 때문에, 다른 유형의 사용자들은 인위적으로 모델링함으로써 시뮬레이션할 수 있다. 공통적인 유형은 시스템의 범위나 시스템의 이용에 관한 「전문가」나 「공론」이다. 이러한 특성에 기초하여 사용자 시험을 시뮬레이션할 수 있다. 워싱턴 대학교의 SUPLE[6] 프로젝트와 캠브리지 대학교의 포괄적[7] 사용자 모델은 시각, 청각 및 모터 장애를 가진 사용자를 위한 상호작용을 시뮬레이션한다.

표준

컴퓨터 시스템의 사용자를 대표할 수 있는 표현 형식과 표준의 수는 다음과 같다.[8]

참고 항목

참조

  1. ^ a b Fischer, Gerhard (2001), "User Modeling in Human-Computer Interaction", User Modeling and User-Adapted Interaction 11, 11: 65–86, doi:10.1023/A:1011145532042
  2. ^ a b c d e f Johnson, Addie; Taatgen, Niels (2005), "User Modeling", Handbook of human factors in Web design, Lawrence Erlbaum Associates, pp. 424–439
  3. ^ Piao, Guangyuan; Breslin, John G. (2018). "Inferring User Interests in Microblogging Social Networks: A Survey". User Modeling and User-Adapted Interaction (UMUAI). 28 (3): 277–329. arXiv:1712.07691. doi:10.1007/s11257-018-9207-8. S2CID 3847937.
  4. ^ Hothi, Jatinder; Hall, Wendy (June 1998), "An Evaluation of Adapted Hypermedia Techniques Using Static User Modelling", Proceedings of the 2nd Workshop on Adaptive Hypertext and Hypermedia, Southampton University, Electronics and Computer Science University Road, Southampton, Hampshire, UK
  5. ^ a b c Montaner, Miguel; López, Beatriz; De La Rosa, Josep Lluís (2003), "A Taxonomy of Recommender Agents on the Internet", Artif. Intell. Rev., 19 (4): 285–330, doi:10.1023/A:1022850703159, S2CID 16544257
  6. ^ "SUPPLE: Automatic Generation of Personalizable User Interfaces".
  7. ^ "Computer Laboratory: Inclusive user interfaces".
  8. ^ 2005년 10월 FIDIS Deliverable 모델, Nabeth Tierry(2005년), Models, Models, Deliverable, 2005년 10월.

외부 참조