De balans vinden tussen transparantie en bediening bij muziekaanbevelingen

Nieuws - 03 oktober 2018 - Webredactie Communication

Bij aanbevelingssystemen voor muziek is het belangrijk dat de bedieningsopties voor de gebruiker zodanig worden ontworpen dat de waargenomen kwaliteit van de aanbevelingen hand in hand gaat met een acceptabele cognitieve belasting, dat concludeert TU Delft-onderzoeker Nava Tintarev. Zij presenteerde deze bevindingen en haar onderzoek, waarbij gebruik werd gemaakt van de Spotify API, op woensdag 3 oktober tijdens de ACM Conference on Recommender Systems in Vancouver.

Controle

“De gebruiker de controle geven over het aanbevelingsproces – bijvoorbeeld bij systemen die muziek aanbevelen – kan de gebruikerstevredenheid vergroten. Maar als je meer bedieningsopties toevoegt, verhoog je de cognitieve belasting. En niet elke gebruiker heeft behoefte aan evenveel controle. Daarom hebben we onderzoek gedaan naar de invloed van twee persoonlijke eigenschappen: muzikale ontwikkeling en de capaciteit van het visuele geheugen”, aldus Nava Tintarev van de TU Delft.

Bij een traditionele gebruikersinterface voor een aanbevelingssysteem worden de geproduceerde aanbevelingen met beperkte feedbackopties gepresenteerd: de gebruiker kan alleen aangeven hoe positief hij of zij is over een bepaalde aanbeveling. Interactieve aanbevelingssystemen zorgen daarentegen voor meer gebruikerstevredenheid en de perceptie van effectiviteit door een visualisatie aan te bieden waarmee de gebruiker het aanbevelingsproces kan inspecteren en het systeem kan instellen voor betere aanbevelingen.

Acceptatie van persoonlijke aanbevelingen

Om meer inzicht te krijgen in de wisselwerking tussen verschillende bedieningsopties moet rekening worden gehouden met de invloed van iemands persoonlijke eigenschappen en moeten er verschillende combinaties van bedieningsopties worden getest. “Er heeft nog niemand onderzoek gedaan naar de invloed van de wisselwerking tussen verschillende bedieningsopties op de cognitieve belasting en de acceptatie van aanbevelingen waarbij rekening is gehouden met verschillen in persoonlijke eigenschappen van gebruikers. Ons onderzoek, dat we in samenwerking met de KU Leuven hebben uitgevoerd, is bedoeld om de basis te leggen voor de ontwikkeling van aanbevelingssystemen die de gebruiker volop controle bieden, terwijl de cognitieve belasting acceptabel blijft.”

Figure: a): the recommendation source shows available top artists, tracks and genre tags. b): the recommendation processor enables users to adjust the weight of the input data type and individual data items. c): play-list style recommendations.

‘Rock night - my life needs passion’

“We hebben de Spotify API gebruikt om een aanbevelingssysteem voor muziek te ontwerpen. Ons systeem genereert een afspeellijst-achtige luisterervaring op basis van drie gegevens: artiesten, nummers en genres. We gebruiken de favoriete artiesten, nummers en genres van de actieve gebruiker als input.”
Met de Spotify API kun je de kenmerken van nummers specificeren die van invloed zijn op de aanbevelingen, zoals luidheid, dansbaarheid en ‘valence’ (een indicator van de stemming van een nummer). De onderzoekers hebben vier scenario’s gebruikt waarbij de gebruiker de taak kreeg om muziek te selecteren. De gebruikte scenario’s waren: Rock night - my life needs passion; Dance party - dance till the world ends; A joyful after all exam en Cannot live without hip-hop.

Balans

De onderzoekers hebben acht proefopstellingen gemaakt en een ‘between-subjects’ onderzoek uitgevoerd om de invloed te onderzoeken op de cognitieve belasting en de acceptatie van aanbevelingen bij verschillende persoonlijke kenmerken. Volgens de deelnemers met veel muzikale ontwikkeling waren de aanbevelingen van hogere kwaliteit, wat leidde tot meer acceptatie van aanbevelingen. Er is echter geen invloed waargenomen van het visuele werkgeheugen op de cognitieve belasting of de aanbevelingsacceptatie. “Dit onderzoek levert een bijdrage aan ons inzicht in het ontwerpen van bedieningsopties voor gebruikers die een goede balans treffen tussen de waargenomen kwaliteit van de aanbevelingen en een acceptabele cognitieve belasting.”

Meer informatie

Effects of personal characteristics on music recommender systems with different levels of controllability”, Yucheng Jin (KU Leuven), Nava Tintarev (TU Delft) en Katrien Verbert (KU Leuven). Gepubliceerd in Proceedings of the 12th ACM Conference on Recommender Systems (RecSys ’18), pp. 13-21, https://doi.org/10.1145/3240323.3240358

Homepage Nava Tintarev: http://www.wis.ewi.tudelft.nl/tintarev

Roy Meijer, adviseur wetenschapscommunicatie TU Delft, 015 27811751, r.e.t.meijer@tudelft.nl

/* */