Nei sistemi di raccomandazione musicale, è importante progettare controlli utente che raggiungano il punto debole tra la qualità percepita delle raccomandazioni e il carico cognitivo accettabile, conclude Nava Tintarev, ricercatrice della TU Delft. Insieme ai colleghi di KU Leuven, e ricerca con l'API di Spotify, presenterà questi risultati alla ACM Conference on Recommender Systems a Vancouver, mercoledì 3 ottobre.

Controllo

"Consentire agli utenti di controllare il processo di raccomandazione, ad esempio, nei sistemi di raccomandazione musicale, può aumentare la soddisfazione degli utenti. Però, fornire controlli aggiuntivi aumenta anche il carico cognitivo, e utenti diversi hanno esigenze di controllo diverse. Perciò, abbiamo indagato l'effetto di due caratteristiche personali:raffinatezza musicale e capacità di memoria visiva, " dice Nava Tintarev di TU Delft.

Le interfacce utente tradizionali dei sistemi di raccomandazione presentano i risultati delle raccomandazioni con possibilità di feedback limitate, consentendo solo agli utenti di indicare quanto gradiscono una raccomandazione. In contrasto, i sistemi di raccomandazione interattivi migliorano la soddisfazione dell'utente e l'efficacia percepita fornendo una visualizzazione in cui gli utenti possono ispezionare il processo di raccomandazione e controllare il sistema per ricevere consigli migliori.

Per comprendere meglio l'interazione tra i diversi tipi di controlli, è necessario tenere conto dell'influenza delle caratteristiche personali di un singolo utente e delle combinazioni di test dei componenti di controllo. "Nessuno ha ancora studiato come l'interazione tra i diversi componenti di controllo influenzi il carico cognitivo e l'accettazione delle raccomandazioni, per utenti con caratteristiche personali diverse. Il nostro studio, realizzato insieme a KU Leuven, mira a fornire le basi per lo sviluppo di sistemi di raccomandazione che offrono un controllo completo dell'utente, pur garantendo un carico cognitivo accettabile, ", afferma Tintarev. "Abbiamo utilizzato l'API di Spotify per progettare un sistema di suggerimenti per la musica. Il nostro sistema genera un'esperienza di ascolto in stile playlist basata su tre tipi di semi:artisti, brani e generi. Usiamo i migliori artisti dell'utente attivo, brani, e generi come semi di input."

Nell'API Spotify è possibile specificare gli attributi della traccia che influiscono sui consigli come volume, danzabilità e valenza. I ricercatori hanno utilizzato quattro scenari per il compito dell'utente di selezionare la musica. Gli scenari utilizzati includono:"Serata rock—la mia vita ha bisogno di passione"; "Festa danzante:balla fino alla fine del mondo"; "Un gioioso dopo tutto esame, " e "Non posso vivere senza hip-hop".

Punto dolce

I ricercatori hanno creato otto impostazioni sperimentali e condotto uno studio tra soggetti per esplorare l'effetto sul carico cognitivo e l'accettazione delle raccomandazioni per diverse caratteristiche personali. I partecipanti con un'elevata raffinatezza musicale percepivano le raccomandazioni come di qualità superiore, che a sua volta ha portato a una maggiore accettazione delle raccomandazioni. Però, non è stato riscontrato alcun effetto della memoria di lavoro visiva sul carico cognitivo o sull'accettazione delle raccomandazioni. "Questo lavoro contribuisce a comprendere come progettare il controllo dell'utente che raggiunga il punto debole tra la qualità percepita delle raccomandazioni e il carico cognitivo accettabile".