Se presenta una manera de construir y administrar los modelos de usuario durante su interacción con los medios. Debido a la escasez de información, en varias aplicaciones se han empleado suposiciones que ayudan a poblar el modelo de usuario como lo son:
- Si dos usuarios han mostrado un mismo interés, es posible que con cierta probabilidad compartan un grado de interés en el futuro.
- Si a un usuario le agrada un objeto, es probable que le agrade un objeto razonablemente similar en un futuro.
La investigación presentada se centra sobre el problema de media augmentation. Como ejemplo se da un video que se muestra en una pantalla y en otra se dan detalles sobre lo que aparece en la primera. La siguiente figura es una ilustración de este proceso:
Según algunos de los estudios citados por el artículo, las personas no pueden predecir su propio comportamiento. Debido a esto, si el sistema debe predecir lo que el usuario quiere escuchar en un lugar y tiempo determinados, se debe llevar a cabo en tiempo real sobre diversas fuentes de información. Esto es debido a que en muchos casos, el significado, la relevancia y el valor intrínseco de interés por algún fragmento de un medio es una función de interpretación hecha por el usuario a la hora de verlo.
Que el modelo se le considere altamente fluido es el resultado de inferir las preferencias del usuario en tiempo real sobre una serie de variables que incluyen el nivel de atención, contexto y la historia reciente.
La siguiente figura muestra la arquitectura del sistema propuesto:
El sistema monitorea y computa la atención del usuario basado en reglas de inferencia y otras entradas como su nivel de multi-tareas, su actividades durante los días anteriores, etc. También se calcula el nivel de interés que presente en distintos contenidos en diversos puntos en el tiempo y otros más son calculados empleando la historia reciente del usuario y sus actividades.
El sistema decide qué cosas son las que interesan al usuario y el tiempo apropiado en que deben ser mostradas en base al contenido del material que se encuentra viendo. La siguiente tabla es una muestra de los datos y las descripciones del material en base a los que se llevan a cabo las decisiones de mostrar o no las anotaciones:
El artículo se encuentra basado en un trabajo en progreso y falta más detalle sobre los métodos con los que obtuvieron la información.
Loeb, S. (2013). Fluid user models for personalized mobile apps Overview of the BrightNotesTM system. 2013 IEEE 10th Consumer Communications and Networking Conference (CCNC) (pp. 705–708). Ieee. doi:10.1109/CCNC.2013.6488530
No comments:
Post a Comment