Modelado de usuarios - Enciclopedia

El modelado de usuarios es la subdivisión de la interacción humano-computadora que describe el proceso de construir y modificar 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 debe "decir las 'cosas correctas' en el 'momento adecuado' de la 'manera correcta'". Para hacerlo, necesita una representación interna del usuario. Otro propósito común es modelar tipos específicos de usuarios, incluyendo el modelado de sus habilidades y conocimiento declarativo, para su uso en pruebas de software automatizadas. Los modelos de usuarios pueden, por lo tanto, servir como una alternativa más económica a las pruebas de usuarios, pero no deben reemplazarlas.

Fondo
Un modelo de usuarios es la recopilación y categorización de datos personales asociados con un usuario específico. Un modelo de usuarios 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 dado. El proceso de obtener el perfil de usuario se llama modelado de usuarios. 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 conocimiento, sus objetivos y planes, sus preferencias y sus disgustos o datos sobre su comportamiento y sus interacciones con el sistema. Hay diferentes patrones de diseño para los modelos de usuarios, aunque a menudo se utiliza una mezcla de ellos.

Modelos de usuarios estáticos
Los modelos de usuarios estáticos son los tipos más básicos de modelos de usuarios. Una vez que se recopila los datos principales, generalmente no se modifican nuevamente, son estáticos. No se registran cambios en las preferencias de los usuarios y no se utilizan algoritmos de aprendizaje para alterar el modelo.

Modelos de usuarios dinámicos
Los modelos de usuarios dinámicos permiten una representación más actualizada de los usuarios. Se detectan y tienen en cuenta los cambios en sus intereses, su progreso en el aprendizaje o sus interacciones con el sistema. Los modelos pueden, por lo tanto, ser actualizados y tener en cuenta las necesidades y objetivos actuales de los usuarios.

Modelos de usuarios basados en estereotipos
Los modelos de usuarios basados en estereotipos se basan en estadísticas demográficas. Basándose en la información recopilada, los usuarios se clasifican en estereotipos comunes. Luego, el sistema se adapta a este estereotipo. Por lo tanto, la aplicación puede hacer suposiciones sobre un usuario incluso si no hay datos específicos sobre ese área, porque los estudios demográficos han mostrado que otros usuarios en este estereotipo tienen las mismas características. Por lo tanto, los modelos de usuarios basados en estereotipos dependen principalmente de las estadísticas y no tienen en cuenta que las atributos personales pueden no coincidir con el estereotipo. Sin embargo, permiten hacer predicciones sobre un usuario incluso si hay poca información sobre él o ella.

Modelos de usuarios altamente adaptables
Los modelos de usuarios altamente adaptables intentan representar a un usuario particular y, por lo tanto, permiten una alta adaptabilidad del sistema. A diferencia de los modelos de usuarios basados en estereotipos, no se basan en estadísticas demográficas, sino que buscan encontrar una solución específica para cada usuario. Aunque los usuarios pueden beneficiarse enormemente de esta alta adaptabilidad, este tipo de modelo necesita recopilar mucha información primero.

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

Pedir datos específicos durante (la) interacción inicial con el sistema
Este tipo de recopilación de datos está generalmente vinculado con el proceso de registro. Mientras los usuarios se registran, se les preguntan por datos específicos, sus gustos y disgustos y sus necesidades. A menudo, las respuestas dadas pueden modificarse después.

Aprender las preferencias de los usuarios al observar e interpretar sus interacciones con el sistema
En este caso, no se pide directamente a los usuarios que proporcionen sus datos personales y preferencias, sino que esta información se deriva de su comportamiento mientras interactúan con el sistema. Las formas en que eligen completar las tareas, la combinación de cosas que les interesa, estas observaciones permiten inferencias sobre un usuario específico. La aplicación aprende dinámicamente observando estas interacciones. Se pueden utilizar diferentes algoritmos de aprendizaje automático para realizar esta tarea.

Un enfoque híbrido que pide retroalimentación explícita y altera el modelo de usuario mediante aprendizaje adaptativo
Este enfoque es una mezcla de los anteriores. Los usuarios deben responder preguntas específicas y proporcionar retroalimentación explícita. Además, se observan sus interacciones con el sistema y la información derivada se utiliza para ajustar automáticamente los modelos de usuarios.

Aunque el primer método es una buena manera de recopilar rápidamente datos principales, carece de la capacidad de adaptarse automáticamente a los cambios en los intereses de los usuarios. Depends on the users' readiness to give information and it is unlikely that they are going to edit their answers once the registration process is finished. Por lo tanto, hay una alta probabilidad de que los modelos de usuarios no estén actualizados. Sin embargo, este primer método permite a los usuarios tener pleno control 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 solo interpretando su comportamiento pueden parecer un poco opacos a los usuarios, porque no pueden entender y reconstruir por completo por qué el sistema se comporta de la manera que lo hace. 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, lleva un tiempo de aprendizaje antes de que un usuario pueda beneficiarse de los cambios adaptativos. Sin embargo, después de eso, estos modelos de usuarios ajustados automáticamente permiten una adaptabilidad bastante precisa del sistema. El enfoque híbrido intenta combinar las ventajas de ambos métodos. Al recopilar datos directamente de sus usuarios, recopila un primer inventario de información que se puede usar para cambios adaptativos. Al aprender de las interacciones de los usuarios, puede ajustar los modelos de usuarios y alcanzar una mayor precisión. Sin embargo, el diseñador del sistema debe decidir qué información debe tener cuánta influencia y qué hacer con los datos aprendidos que contradicen alguna información proporcionada por un usuario.

Adaptación del sistema
Una vez que un sistema ha recopilado información sobre un usuario, puede evaluar estos datos mediante algoritmos analíticos preestablecidos y luego comenzar a adaptarse a las necesidades del usuario. Estas adaptaciones pueden concernir cada aspecto del comportamiento del sistema y depender del propósito del sistema. La información y las funciones se pueden presentar según los intereses, el conocimiento o los objetivos del usuario, mostrando solo las características relevantes, ocultando la información que el usuario no necesita, haciendo propuestas sobre lo que hacer a continuación, etc. Se debe distinguir entre sistemas adaptables y sistemas adaptativos. En un sistema adaptable, el usuario puede cambiar manualmente la apariencia, el comportamiento o la funcionalidad del sistema mediante la selección activa de las opciones correspondientes. Después de eso, el sistema se adherirá a estas elecciones. En un sistema adaptativo, la adaptación dinámica al usuario se realiza automáticamente por el sistema mismo, basándose en el modelo de usuario construido. Por lo tanto, un sistema adaptativo necesita formas de interpretar la información sobre el usuario para realizar estas adaptaciones. Una manera de lograr esta tarea es implementar un filtro basado en reglas. En este caso, se establece un conjunto de reglas IF... THEN... que cubren la base de conocimientos del sistema. Las condiciones IF pueden verificar información específica del usuario y, si coinciden, se ejecuta la rama THEN, que es responsable de los cambios adaptativos. Otra aproximación es la filtración colaborativa. 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 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 luego puede realizar cambios adaptativos.

Usos
Hipermedios adaptativos: En un sistema de hipermedios adaptativos, el contenido mostrado y los enlaces ofrecidos se eligen en función de las características específicas de los usuarios, teniendo en cuenta sus objetivos, intereses, conocimiento y habilidades. Por lo tanto, un sistema de hipermedios adaptativos tiene como objetivo reducir el síndrome de "perdido en el hiperspace" presentando solo información relevante.

Hipermedios educativos adaptativos: Siendo una subdivisión de los hipermedios adaptativos, el enfoque principal de los hipermedios educativos adaptativos se centra en la educación, mostrando contenido y enlaces que corresponden al conocimiento del usuario en el campo de estudio.

Sistemas de tutoría inteligente: A diferencia de los sistemas de hipermedios educativos adaptativos, los sistemas de tutoría inteligente son sistemas independientes. Su objetivo es ayudar a los estudiantes en un campo de estudio específico. Para hacerlo, construyen un modelo de usuarios donde almacenan información sobre las habilidades, el conocimiento y las necesidades del usuario. Ahora, el sistema puede adaptarse a este usuario mediante la presentación de ejercicios y ejemplos apropiados y ofreciendo sugerencias y ayuda donde el usuario es más probable que los necesite.

Sistemas expertos: Los sistemas expertos son sistemas informáticos que emulan la capacidad de toma de decisiones de un experto humano para ayudar al usuario a resolver problemas en un área específica. Preguntan paso a paso para identificar el problema actual y encontrar una solución. Los modelos de usuarios se pueden utilizar para adaptarse al conocimiento actual del usuario, diferenciando entre expertos y principiantes. El sistema puede suponer que los usuarios experimentados son capaces de entender y responder a preguntas más complejas que alguien nuevo en el tema. Por lo tanto, puede ajustar el vocabulario utilizado y el tipo de pregunta que se presenta al usuario, reduciendo así los pasos necesarios para encontrar una solución.

Sistemas de recomendación: La idea básica de los sistemas de recomendación es presentar una selección de elementos que mejor se adapten a las necesidades del usuario. Esta selección puede basarse en elementos que el usuario ha guardado, calificado, comprado, visto recientemente, etc. Los sistemas de recomendación se utilizan a menudo en el comercio electrónico, pero también pueden abarcar áreas como redes sociales, sitios web, noticias, etc.

Simulación de usuarios: Dado que el modelado de usuarios permite al sistema mantener una representación interna de un usuario específico, se pueden simular diferentes tipos de usuarios mediante la modelación artificial de ellos. Los tipos comunes son "expertos" o "principiantes" en el ámbito del sistema o el uso del sistema. Basándose en estas características, se pueden simular pruebas de usuarios. El proyecto SUPPLE en la Universidad de Washington y el modelo de usuario inclusivo en la Universidad de Cambridge simulan interacciones para usuarios con discapacidades visuales, auditivas y motoras.

Estándares
Un cierto número de formatos y estándares están disponibles para representar a los usuarios en los sistemas informáticos, como:

IMS-LIP (IMS – Packaging de Información del Estudiante, utilizado en el e-learning)
HR-XML (utilizado en la gestión de recursos humanos)
JXDM (Justicia con el Extensible Markup para la Justicia Global)
Europass (el CV en línea Europass)

Ver también
Personalización
Modelo cognitivo
Perfil de usuario
Gestión de identidad

Referencias

Referencias externas
User Modeling and User-Adapted Interaction (UMUAI) La revista de Investigación en Personalización
Proyecto CogTool en CMU
Conferencia de Modelado de Usuarios 2007
Conferencia de Modelado de Usuarios 2018
Hypertext 2018