Autoren
Fisher, William (1), Jacob Rhyne (2), Mark Bailey (2), Joseph Morgan (2) und Ryan Lekivetz (2).
Zugehörigkeiten
(1) Clemson University, Clemson, South Carolina
(2) JMP Statistical Discovery LLC
Zeitschrift
Verfahren der 33. ACM-Konferenz über Benutzermodellierung, Anpassung und Personalisierung
Veröffentlichungsdatum
2025
Abstrakt
Die Gestaltung effektiver Benutzeroberflächen (UIs) ist ein komplexer Entscheidungsprozess, der häufig auf Usability-Tests und dem Verständnis der Nutzerpräferenzen basiert. Diese Präferenzen können jedoch je nach Kontext (z. B. Alter, Nationalität oder Anwendungsfall der Software) stark variieren, was die Durchführung allgemeingültiger Studien erheblich erschwert. Um dem zu begegnen, schlagen wir ein neuartiges Framework für kontextuelle Discrete-Choice-Experimente (DCE) vor, das den Zusammenhang zwischen Kontextinformationen und Nutzerpräferenzen untersucht und so statistisch effizientere Studien für neue Teilnehmergruppen ermöglicht. In diesem Framework beantworten die Nutzer eine Reihe von Fragen und wählen ihre bevorzugte Option aus zwei oder mehr Designalternativen. Diese Präferenzdaten werden mit Kontextinformationen kombiniert, um ein statistisches Modell zu entwickeln, das UI-Designs für neue und bestehende Nutzer empfiehlt. Wir beschreiben die Methodik zur Gestaltung kontextueller DCEs detailliert und demonstrieren ihre Anwendung anhand eines realen Beispiels mit Nutzern eines Statistiksoftwaresystems. Unsere Ergebnisse zeigen, dass das kontextuelle DCE-Framework Nutzerpräferenzen effektiv erfasst und personalisierte UI-Empfehlungen liefert.
Zitat
Fisher, W., Rhyne, J., Bailey, M., Morgan, J. und Lekivetz, R., Juni 2025. Lernen von Benutzeroberflächenpräferenzen durch kontextbezogene diskrete Wahlversuche. InVerfahren der 33. ACM-Konferenz über Benutzermodellierung, Anpassung und Personalisierung(S. 313-317), https://doi.org/10.1145/3699682.3728319 .
