Studying the effects of explaining recommendations of artistic images

Studying the effects of explaining recommendations of artistic images

005.437

Ciencias de la computación

Interfaces gráficas de usuarios (Sistemas computacionales) - Diseño

Interfaces de usuarios (Sistemas computacionales) - Diseño

Aprendizaje de máquina

Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2019

Explicar las sugerencias de los sistemas de recomendación es un área importante de investigación, ya que ha demostrado un efecto significativo en varias dimensiones de la experiencia del usuario. Sin embargo, hay muy pocos trabajos sobre la explicación de recomendaciones basadas en contenido de imágenes en el dominio de obras de arte. Más aún, estos trabajos no proporcionan una perspectiva de las muchas variables involucradas en la percepción del usuario en diversos aspectos del sistema, como el dominio del tema, la relevancia, la explicación, la diversidad y la confianza. En este trabajo, nuestro objetivo es llenar este vacío estudiando tres interfaces, con diferentes niveles de explicabilidad, para recomendaciones de imágenes artísticas. Nuestros experimentos con N = 121 usuarios confirman que las explicaciones de recomendaciones en el dominio de la imagen son útiles y aumentan la satisfacción del usuario, la percepción de la explicación, la relevancia y la diversidad. Además, nuestros resultados muestran que los efectos observados también son dependientes del algoritmo de recomendación subyacente utilizado. Probamos las interfaces con dos algoritmos: Deep Neural Networks (DNN), que tiene una alta precisión, y otro método con alta transparencia pero menor precisión, Attractiveness Visual Features (AVF). En particular, las características visuales explicables del método AVF aumentaron la percepción de explicabilidad, pero no aumentaron la percepción de confianza, a diferencia de DNN, que mejoró ambas dimensiones. Estos resultados indican que los algoritmos en conjunto con las interfaces juegan un papel importante en la percepción de la explicación y la confianza de la recomendación de imágenes. Finalmente, utilizando el sistema de Knijnenburg et al., proporcionamos un modelo comprehensivo que sintetiza las relaciones y los efectos entre diferentes variables involucradas en la experiencia del usuario con sistemas recomendadores visuales explicables de imágenes artísticas.

2019-01-26

Domínguez Manquenahuel, Vicente

2019-01-26

2021-03-23T11:00:26Z

2019

2021-03-19T19:41:50Z

Parra Santander, Denis

Pontificia Universidad Católica de Chile. Escuela de Ingeniería

acceso abierto

xi, 35 páginas

application/pdf

en

tesis de maestría

10.7764/tesisUC/ING/52754

https://doi.org/10.7764/tesisUC/ING/52754

https://repositorio.uc.cl/handle/11534/52754