Моделирование пользователя

Модель пользователя — это сбор и категоризация персональных данных, ассоциированных с конкретным пользователем. Модель пользователя представляет собой структуру данных, позволяющую фиксировать определённые характеристики индивидуального пользователя, а профиль пользователя — это фактическое представление пользователя в данной модели. Процесс получения профиля пользователя и называется моделированием пользователя^[3]. Таким образом, модель пользователя служит основой для любых адаптивных изменений поведения системы. Состав включаемых в модель данных определяется назначением приложения — это могут быть личные данные (имя, возраст), интересы, умения, знания, цели и намерения, предпочтения, антипатии, а также сведения о поведении пользователя и его взаимодействии с системой.

Существуют различные шаблоны для проектирования моделей пользователя, зачастую применяются их комбинации^[2][4]:

• Статические модели пользователя: являются базовым вариантом — собранные основные данные впоследствии, как правило, не меняются. Изменения интересов пользователя не фиксируются, обучение модели не происходит.
• Динамические модели пользователя: позволяют поддерживать более актуальное представление пользователя; изменения его интересов, прогресс в обучении или взаимодействии с системой вносятся в модель, что позволяет учитывать текущие цели и потребности.
• Модели пользователя на основе стереотипов: строятся на демографической статистике: пользователя классифицируют, основываясь на собранных данных, и относят к определённому стереотипу. На этой основе система может делать предположения о пользователе и в тех областях, где отсутствуют конкретные данные. Такие модели опираются на статистику и игнорируют индивидуальные различия, зато позволяют делать выводы даже при малом объёме информации о пользователе.
• Высокoadаптивные модели пользователя: нацелены на точное представление каждого индивидуального пользователя; вместо стереотипов учитывают максимальное количество личной информации. Подобные модели требуют сбора значительного объёма данных, зато обеспечивают максимальную адаптацию системы.

Сбор информации о пользователях может осуществляться различными способами. Основными методами являются:

• Запрос конкретных сведений при (первом) взаимодействии с системой^[2]:

 Обычно такой сбор данных реализуется в процессе регистрации, когда пользователя просят указать определённые факты, предпочтения, интересы, потребности. Ответы часто можно изменить позже.

• Изучение предпочтений посредством наблюдения за поведением пользователя в системе^[2]:

 В этом случае данные и предпочтения не запрашиваются явно, а выводятся из анализа поведения пользователя — путей выполнения задач, сочетаний наблюдаемых интересов. Система динамически учится на основе таких наблюдений, возможны применения разнообразных алгоритмов машинного обучения.

• Гибридный подход с запросом явной обратной связи и адаптивным обучением^[5]:

 Здесь сочетаются предыдущие методы: пользователь отвечает на вопросы, оставляет явную обратную связь, а также отслеживаются и анализируются его действия для автоматического корректирования модели пользователя.

Первый метод эффективен для быстрого сбора основной информации, но не приспособлен к автоматическому учёту изменений интересов и склонностей пользователя — зачастую после регистрации пользователь не обновляет свои данные, и модель быстро устаревает. Однако достоинство метода — полный контроль пользователя над собираемыми о нём данными. Во втором методе такого контроля нет: пользователь может не понимать, на основе чего система принимает те или иные решения^[5]. К тому же необходим определённый объём данных для достижения приемлемой точности — только после некоторого времени обучения система сможет адаптироваться под пользователя. Гибридный подход позволяет объединить достоинства обоих методов: сперва через прямые вопросы формируется начальная информация, далее наблюдения корректируют и уточняют модель. Дизайнер системы при таком подходе должен решить, какой вес имеют разные источники данных, и как поступать при их противоречии.

Когда система собрала сведения о пользователе, она может оценить их с помощью заложенных аналитических алгоритмов и начать адаптацию под нужды пользователя. Изменения могут затрагивать любые аспекты поведения системы и зависят от её назначения: содержимое информации и функций может меняться в зависимости от интересов, знаний, целей пользователя — отображаются только релевантные разделы, скрывается ненужная информация, даются подсказки и рекомендации по следующим действиям и т. д.

Следует различать адаптивные и настраиваемые (adaptable) системы^[1]. В настраиваемых системах пользователь самостоятельно выбирает и подтверждает варианты поведения или интерфейса; далее система следует этим настройкам. В адаптивных системах динамическая адаптация осуществляется автоматически, на основе построенной модели пользователя — поэтому необходимы механизмы интерпретации собранных данных для принятия решений об адаптации. Один из распространённых способов — использование правил вида IF... THEN...: условия IF касаются определённых пользовательских характеристик, выполняющаяся по срабатыванию THEN-ветвь реализует адаптивное изменение^[2]. Другой подход — коллаборативная фильтрация^[2][5]: сведения о текущем пользователе сравниваются с аналогичными данными других пользователей той же системы, и если обнаруживаются сходства, делаются предположения о пробелах в профиле текущего пользователя, исходя из характеристик его «похожих» аналогов, — на основе чего происходит адаптация.

• Адаптивная гипермедиа: В адаптивных гипермедийных системах отображаемый контент и предлагаемые гиперссылки подбираются на основе индивидуальных характеристик пользователя, его целей, интересов, знаний и способностей. Такие системы позволяют преодолеть эффект «потеряться в гиперпространстве», показывая только релевантную информацию.
• Адаптивная образовательная гипермедиа: Являясь подпунктом адаптивной гипермедии, основной упор делает на обучение — контент и ссылки формируются в соответствии с уровнем знаний пользователя по соответствующей теме.
• Интеллектуальная обучающая система: В отличие от адаптивной образовательной гипермедии, интеллектуальные обучающие системы — автономные приложения, задача которых — помощь в обучении конкретной дисциплине. Для этого формируется модель пользователя, где учитываются его умения, знания и нужды, на основе чего подбираются упражнения, примеры, подсказки.
• Экспертные системы: Компьютерные системы, имитирующие процесс принятия решений эксперта для помощи пользователю в решении задач определённой области. Пошагово задают вопросы для анализа и устранения проблемы. Модель пользователя позволяет адаптироваться к уровню знаний пользователя, различая экспертов и новичков, и корректировать сложность терминологии и формулировок.
• Рекомендательная система: Основная задача — предлагать пользователю объекты, максимально соответствующие его интересам. Эта подборка формируется на основе ранее добавленных в закладки, оценённых, купленных, просмотренных товаров и т. д.; наиболее распространены в электронной коммерции, а также применимы в социальных сетях, новостных сайтах и других областях.
• Моделирование пользователя: Возможность моделировать различные типы пользователей искусственно — например, экспертных или новых — и симулировать их взаимодействие с системой для испытания функционирования. Проект SUPPLE^[6] (Университет Вашингтона) и Inclusive User Model^[7] (Кембриджский университет) предназначены для моделирования взаимодействия пользователей с нарушениями зрения, слуха и моторики.

Существует ряд форматов и стандартов представления пользователей в компьютерных системах^[8], среди которых:

• IMS-LIP (IMS — Learner Information Packaging, применяется в электронное обучение)
• HR-XML (используется в управление персоналом)
• JXDM (Justice with the Global Justice Extensible Markup)
• Europass (онлайн-резюме Europass)