a):rekommendationskällan visar tillgängliga toppartister, spår och genretaggar. b):rekommendationsprocessorn gör det möjligt för användare att justera vikten av indatatypen och enskilda dataposter. c):stilrekommendationer för spellistan. Vissa gränssnittskontroller är inaktiverade i specifika inställningar för användarkontroll, t.ex., reglagen i b) är nedtonade i inställningen 5:REC*PRO.
I musikrekommendatorsystem, det är viktigt att utforma användarkontroller som träffar den söta punkten mellan den upplevda kvaliteten på rekommendationerna och acceptabel kognitiv belastning, avslutar TU Delft-forskaren Nava Tintarev. Tillsammans med kollegor från KU Leuven, och forskning med Spotify API, hon kommer att presentera dessa resultat vid ACM-konferensen om rekommendationssystem i Vancouver, onsdagen den 3 oktober.
Kontrollera
"Att göra det möjligt för användare att kontrollera rekommendationsprocessen, till exempel, i musikrekommendationssystem, kan öka användarnöjdheten. Dock, att tillhandahålla ytterligare kontroller ökar också kognitiv belastning, och olika användare har olika behov av kontroll. Därför, vi har undersökt effekten av två personliga egenskaper:musikalisk sofistikering och visuell minneskapacitet, säger Nava Tintarev från TU Delft.
Traditionella användargränssnitt för rekommendatorsystem presenterar rekommendationsresultaten med begränsade återkopplingsmöjligheter, bara låter användarna ange hur mycket de gillar en rekommendation. I kontrast, interaktiva rekommendatorsystem förbättrar användarnas tillfredsställelse och upplevd effektivitet genom att tillhandahålla en visualisering där användare kan inspektera rekommendatorprocessen och styra systemet för att få bättre rekommendationer.
För att bättre förstå interaktionen mellan olika typer av kontroller, det är nödvändigt att ta hänsyn till påverkan av en enskild användares personliga egenskaper och testkombinationer av styrkomponenter. "Ingen har ännu undersökt hur interaktion mellan olika kontrollkomponenter påverkar den kognitiva belastningen och rekommendationsacceptans, för användare med olika personliga egenskaper. Vår studie, genomförs tillsammans med KU Leuven, syftar till att ge grunden för att utveckla rekommendatorsystem som erbjuder rik användarkontroll, samtidigt som man säkerställer acceptabel kognitiv belastning, " säger Tintarev. "Vi använde Spotify API för att designa ett musikrekommendationssystem. Vårt system genererar en lyssningsupplevelse i spelliststil baserad på tre typer av frön:artister, spår och genrer. Vi använder den aktiva användarens bästa artister, spår, och genrer som input frön."
Det är möjligt i Spotify API att ange de spårattribut som påverkar rekommendationer som ljudstyrka, dansbarhet och valens. Forskarna använde fyra scenarier för användaruppgiften att välja musik. De använda scenarierna inkluderar:"Rocknatt – mitt liv behöver passion"; "Dansfest — dansa tills världen tar slut"; "En glädjefylld examen efter allt, " och "Kan inte leva utan hiphop."
Skön plats
Forskarna skapade åtta experimentella inställningar och genomförde en studie mellan ämnen för att utforska effekten på kognitiv belastning och rekommendationsacceptans för olika personliga egenskaper. Deltagarna med hög musikalisk sofistikering upplevde rekommendationerna vara av högre kvalitet, vilket i sin tur ledde till högre rekommendationsacceptans. Dock, ingen effekt av visuellt arbetsminne på vare sig kognitiv belastning eller rekommendationsacceptans hittades. "Detta arbete bidrar med en förståelse för hur man designar användarkontroll som träffar den söta punkten mellan den upplevda kvaliteten på rekommendationerna och acceptabel kognitiv belastning."
