Modélisation théorique de l'utilisateur pour une IHM personnalisée

Les systèmes personnalisés sont des systèmes qui s'adaptent pour répondre aux besoins déduits des utilisateurs individuels. La majorité des systèmes personnalisés s'appuient principalement sur des données décrivant la manière dont les utilisateurs ont interagi avec ces systèmes. Une approche courante consiste à utiliser des données historiques pour prédire les besoins, les préférences et le comportement futurs des utilisateurs, puis à adapter le système en fonction de ces prédictions. Cependant, cette adaptation est souvent effectuée sans tirer parti de la compréhension théorique entre le comportement et les traits de l'utilisateur qui peuvent être utilisés pour caractériser les utilisateurs individuels ou la relation entre les traits de l'utilisateur et les besoins qui peuvent être utilisés pour adapter le système. L'adoption d'une perspective plus théorique peut être bénéfique à la personnalisation de trois manières : 

1. (i) s'appuyer sur la théorie peut réduire la quantité de données nécessaires à la formation par rapport à un système purement axé sur les données, 
2. (ii) interpréter les résultats de l'analyse axée sur les données (tels que les modèles prédictifs) d'un point de vue théorique peut élargir nos connaissances sur les utilisateurs et 
3. (iii) fournir des moyens d'explication et de transparence. Toutefois, un certain nombre d'obstacles doivent être surmontés pour intégrer les connaissances théoriques dans la personnalisation.

Dans ce chapitre, nous passons en revue la littérature qui aborde les aspects suivants : 

1. (i) les modèles psychologiques issus de la théorie psychologique traditionnelle qui peuvent être utilisés dans la personnalisation, 
2. (ii) les relations entre les modèles psychologiques et le comportement en ligne, 
3. (iii) l'inférence automatisée de modèles psychologiques à partir de données, et 
4. (iv) la manière d'incorporer des modèles psychologiques dans les systèmes personnalisés. 

Enfin, nous proposons une approche étape par étape sur la façon de concevoir des systèmes personnalisés qui prennent en compte les caractéristiques des utilisateurs.

Mots-clés : Personnalisation, modèles psychologiques, modèles cognitifs, psychologie, modélisation de l'utilisateur, axée sur la théorie,
 

1.1 Introduction

La personnalisation consiste à adapter certains aspects des systèmes aux besoins individuels des utilisateurs afin d'améliorer l'expérience de ces derniers en leur permettant d'atteindre plus facilement leurs objectifs dans le système. On peut citer comme exemples les systèmes de recommandation qui facilitent la recherche de contenu pertinent dans une bibliothèque [94], ou les interfaces adaptatives qui permettent aux utilisateurs d'atteindre plus facilement leurs objectifs [91]. Les stratégies de personnalisation actuelles sont principalement axées sur les données, en ce sens qu'elles sont basées sur la manière dont les utilisateurs ont interagi et interagissent avec un système, après quoi le système est adapté de manière dynamique pour répondre aux besoins déduits de l'utilisateur. Les contreparties plus théoriques de la personnalisation sont souvent conçues sur la base de connaissances générales sur la manière dont les caractéristiques de l'utilisateur influencent ses besoins et dont ces besoins influencent les exigences d'un système. Les systèmes sont adaptés aux utilisateurs individuels sur la base d'un ensemble de règles. Bien que les deux stratégies soient utilisées séparément, la combinaison des connaissances acquises grâce à ces deux stratégies pourrait permettre d'accroître les possibilités de personnalisation.

Afin de fournir des approches de personnalisation, la recherche actuelle s'est principalement concentrée sur l'utilisation de données historiques qui décrivent le comportement d'interaction. Ces données permettent de développer des stratégies de personnalisation qui prédisent les interactions futures des utilisateurs. La prédiction de ces interactions futures est souvent effectuée sans tirer parti de la compréhension de la relation entre le comportement et les caractéristiques de l'utilisateur. En d'autres termes, les prédictions sont faites sans tenir compte de la cause profonde de certains comportements des utilisateurs. Le domaine des systèmes de recommandation, dans lequel les données comportementales historiques sont utilisées pour modifier l'ordre des articles dans un catalogue (de la pertinence prédite la plus élevée à la pertinence prédite la plus faible), dans le but d'inciter les utilisateurs à consommer davantage d'articles ou de les aider à trouver des articles pertinents plus facilement, constitue une orientation importante qui utilise cette approche [73].

En adoptant une perspective plus théorique (souvent basée sur la littérature psychologique), la cause profonde du comportement peut être identifiée, ce qui favorise les possibilités de personnalisation. L'utilisation d'une perspective théorique peut être bénéfique à la personnalisation de deux manières : (i) un grand nombre de travaux théoriques peuvent être utilisés pour informer les systèmes personnalisés sans qu'il soit nécessaire de procéder à une analyse approfondie des données. Par exemple, des recherches ont montré qu'il pouvait être bénéfique d'adapter la présentation du matériel pédagogique à la capacité de mémoire de travail des étudiants [45], et (ii) l'inclusion de la théorie peut aider à interpréter les résultats obtenus à partir de la perspective axée sur les données et ainsi élargir de manière significative nos connaissances sur les utilisateurs. Par exemple, la recherche sur les lecteurs de musique a démontré que différents types de personnes fondent leurs décisions d'écoute sur différentes sources d'information [31].

Bien qu'il ait été démontré que la personnalisation bénéficie de l'adoption d'une perspective plus théorique en considérant la relation entre le comportement et les caractéristiques de l'utilisateur, cette perspective théorique s'accompagne de défis théoriques et méthodologiques. Un premier défi consiste à identifier et à mesurer les traits de l'utilisateur qui jouent un rôle dans les besoins de personnalisation (par exemple, le style cognitif [82], la personnalité [16] ou la susceptibilité aux stratégies de persuasion [21]) et à saisir ces traits dans un modèle formel de l'utilisateur. Un deuxième défi consiste à déduire les caractéristiques pertinentes de l'utilisateur à partir du comportement d'interaction (par exemple, déduire les préférences de l'utilisateur à partir des évaluations historiques ou déduire la personnalité d'une personne à partir du contenu qu'elle partage sur les médias sociaux). Un troisième défi consiste à identifier les aspects d'un système qui peuvent ou doivent être modifiés en fonction de ces caractéristiques de l'utilisateur afin d'améliorer l'expérience de ce dernier. Dans certains cas, il s'agit d'une tâche simple (par exemple, modifier l'ordre d'une liste d'éléments en fonction de la pertinence prévue), tandis que dans d'autres cas, les modifications requises peuvent être plus complexes et nécessiter plus de réflexion (par exemple, modifier la manière dont les informations sont présentées visuellement pour correspondre au style cognitif de l'utilisateur).

Bien que les défis susmentionnés soient interconnectés, ils sont souvent abordés de manière isolée. Le présent chapitre donne un aperçu des travaux qui s'appuient sur les caractéristiques de l'utilisateur pour plusieurs aspects (du système) :

• introduction de modèles psychologiques actuellement utilisés dans la personnalisation
• modèles psychologiques liés au comportement en ligne
• déduction automatique de modèles psychologiques à partir de données comportementales
• incorporation de modèles psychologiques dans des systèmes personnalisés ou des systèmes de personnalisation.

La littérature examinée tout au long du chapitre peut servir de point de départ à une personnalisation fondée sur la théorie dans certaines applications (par exemple, l'apprentissage en ligne, les recommandations) et certains domaines de contenu (par exemple, les films, la musique). Enfin, le chapitre se termine par un schéma directeur pour la conception de systèmes personnalisés qui prennent en compte les caractéristiques de l'utilisateur.

1.2 Modèles psychologiques dans la personnalisation

Les modèles psychologiques servent à expliquer comment les aspects de l'environnement influencent le comportement humain et la cognition. Comme ces modèles fournissent des informations sur la façon dont les gens réagissent à leur environnement, ils peuvent également être utilisés pour anticiper la façon dont les gens réagiront à certains aspects des systèmes technologiques et peuvent donc donner une idée des besoins des gens dans les contextes technologiques. La proposition d'utiliser des modèles psychologiques pour la personnalisation n'est pas un concept nouveau. Rich [95] a déjà proposé en 1979 d'utiliser des stéréotypes psychologiques pour personnaliser les systèmes numériques. Un aperçu plus récent fourni par Lex et al [78] explique également comment la théorie psychologique peut être appliquée spécifiquement aux systèmes de recommandation, ou aux systèmes personnalisés qui aident les gens à trouver des éléments pertinents sur la base de leur comportement d'interaction.

Si le concept d'intégration de la théorie psychologique dans la personnalisation n'est pas nouveau, l'abondance actuelle des données disponibles sur les utilisateurs a poussé les stratégies de personnalisation à adopter des approches davantage axées sur les données et à s'éloigner de l'intégration des connaissances théoriques. Si la disponibilité des données utilisateur profite évidemment aux approches fondées sur les données, il existe également des possibilités pour les approches fondées sur la théorie d'exploiter les données disponibles (par exemple, l'acquisition implicite des traits de caractère de l'utilisateur). Dans la section suivante, nous présenterons les différents modèles actuellement utilisés dans le domaine de la personnalisation. Nous donnerons ensuite un aperçu des recherches antérieures qui se sont concentrées sur la relation entre les modèles psychologiques et le comportement en ligne, puis nous poursuivrons avec les travaux qui ont examiné l'inférence automatisée des modèles psychologiques et enfin nous discuterons des travaux qui ont personnalisé les systèmes en se basant sur les modèles psychologiques.

1.2.1 Personnalité

La personnalité est un domaine de recherche de longue date en psychologie [2]. La personnalité est considérée comme le reflet du comportement par le biais d'une structuration cohérente de l'affect, de la cognition et des désirs. Outre ce schéma, la personnalité s'est révélée être un concept stable dans le temps [66]. À travers le concept de personnalité, la recherche a cherché à saisir les différences comportementales individuelles observables [23]. La psychologie traditionnelle de la personnalité a établi de nombreuses associations entre la personnalité et des concepts tels que le bonheur, la santé physique et psychologique, la spiritualité et l'identité au niveau individuel ; la qualité des relations avec les pairs, la famille et les relations amoureuses au niveau interpersonnel ; et le choix, la satisfaction et la performance professionnels, ainsi que l'engagement communautaire, l'activité criminelle et l'idéologie politique au niveau social institutionnel (pour une vue d'ensemble, voir [89]).

Différents modèles ont été développés pour exprimer la personnalité des gens. Le modèle le plus couramment utilisé est le modèle à cinq facteurs (FFM ; surtout utilisé dans la recherche universitaire). Le FFM trouve ses racines dans l'hypothèse lexicale, qui propose que les traits de personnalité et les différences qui sont les plus importants et les plus pertinents pour les personnes finissent par faire partie de leur langage. L'hypothèse lexicale s'appuie donc sur l'analyse du langage pour déduire les traits de personnalité [2]. La notion d'hypothèse lexicale a été utilisée par Cattell [16] pour jeter les bases du FFM en identifiant 16 facteurs distincts. Sur la base des 16 facteurs identifiés, Tupes et Christal [113] ont trouvé des récurrences entre les facteurs qui ont abouti à des groupes représentant les cinq traits de personnalité qui composent le FFM (voir tableau 1.1). 

Le FFM décrit donc la personnalité en cinq facteurs (également appelés les cinq grands traits de personnalité) : l'ouverture aux nouvelles expériences, la conscience professionnelle, l'extraversion, l'agréabilité et le neuroticisme.1 Différentes mesures ont été créées pour évaluer les cinq facteurs de personnalité, dont le big five inventory (BFI : 44 items) [66] et le ten item personality inventory (TIPI : 10 items) [50] sont deux enquêtes couramment utilisées.

Tableau 1.1 Modèle à cinq facteurs adopté par John, Donahue et Kentle [66].

• Dimensions générales Facteurs primaires
• Ouverture à l'expérience : Artistique, curieux, imaginatif, perspicace, original, grand intérêt
• Conscience professionnelle : Efficacité, organisation, planification, fiabilité, responsabilité, rigueur
• Extraversion :  Actif, assertif, énergique, enthousiaste, extraverti, bavard
• Agréabilité : Appréciatif, indulgent, généreux, gentil, sympathique, confiant
• Neuroticisme : Anxieux, s'apitoyant sur son sort, tendu, susceptible, instable, inquiet

1.2.2 Styles cognitifs

Les styles cognitifs font référence aux dimensions psychologiques qui déterminent les modes de perception, de mémorisation, de pensée et de résolution de problèmes des individus [59], [82]. Différents styles cognitifs ont été identifiés pour indiquer les processus individuels, tels que le style analytique-holistique et le style verbal-visuel. 

Pour tenter de donner un sens au flou des différents types de styles cognitifs, Miller [83] a proposé un cadre hiérarchique pour systématiser les styles cognitifs (en particulier la dimension analytique-holistique) en les reliant à différentes étapes des processus cognitifs2 (voir figure 1.1).

Image

Figure 1.1 Modèle de styles et de processus cognitifs adopté par Miller [83].

De nombreux questionnaires ont été élaborés pour mesurer les styles cognitifs généraux. L'indice de style cognitif (CSI ; Hayes et Allinson [59]) est souvent utilisé. Il se compose de 38 éléments et attribue un score selon une dimension unique allant de l'intuitif à l'analytique. Les éléments sont basés sur les dimensions du style cognitif : actif-passif, analytique-holistique et intuitif-systématique. L'analyse du style cognitif (CSA ; [96]) est une mesure alternative à l'ICS, qui attribue des scores aux dimensions analytique-holistique et verbale-visuelle.

Bien qu'il soit reconnu qu'il existe des différences individuelles dans le fonctionnement cognitif général, leurs effets sont souvent dilués par des caractéristiques humaines qui se recoupent. Les styles cognitifs se sont avérés être un meilleur prédicteur de l'influence sur des situations et des tâches particulières que le fonctionnement général [74].

Par exemple, il a été démontré que les styles cognitifs sont liés aux résultats scolaires des étudiants (voir pour un aperçu Coffield et al. [22]). Malgré les variations des styles cognitifs en fonction du domaine qui adhèrent à leurs propres mesures (par exemple, le questionnaire sur les styles d'apprentissage [60] pour évaluer les styles d'apprentissage), des études ont montré qu'il existe des corrélations entre les styles d'apprentissage et les styles cognitifs (voir Allinson et Hayes [1] pour une vue d'ensemble). Dans les sections suivantes, nous examinons les styles cognitifs dépendants du domaine qui sont actuellement utilisés à des fins de personnalisation.

1.2.2.1 Styles d'apprentissage

Le domaine de l'éducation a accordé beaucoup d'attention à l'identification des différences individuelles basées sur un sous-ensemble de styles cognitifs, à savoir les styles d'apprentissage. Messick [82] a discuté de l'intérêt d'utiliser les styles cognitifs pour caractériser les personnes dans un contexte éducatif. Tout comme les personnes ont des préférences différentes en matière de traitement de l'information, comme le décrivent les styles cognitifs, les personnes ont des préférences différentes en matière d'acquisition de connaissances, qui sont reflétées dans les styles d'apprentissage. 

Dans les applications dont l'objectif est d'aider les gens à apprendre, les styles d'apprentissage sont un candidat logique sur lequel baser la personnalisation. Coffield et al [22] fournissent un aperçu complet de ces styles d'apprentissage, comprenant une sélection de 350 articles parmi plus de 3 000 références, dans lesquels ils identifient 13 modèles clés de styles d'apprentissage. Outre cette vue d'ensemble, ils fournissent des références à des enquêtes visant à mesurer les styles d'apprentissage, ainsi qu'une liste d'études dans lesquelles ces enquêtes sont validées. Deux modèles notables sont l'inventaire des styles d'apprentissage (LSI) de Kolb [71] et le questionnaire sur les styles d'apprentissage (LSQ) de Honey et Mumford [60]. Le LSI évalue les styles d'apprentissage au moyen d'un questionnaire d'auto-évaluation de 100 questions indiquant les préférences en matière d'environnement (par exemple, la température), d'émotions (par exemple, la persistance), de sociologie (par exemple, travailler seul ou avec des pairs), de physique (par exemple, les préférences en matière de modalités) et de facteurs psychologiques (par exemple, l'esprit global-analytique). Le LSQ utilise une liste de contrôle de 80 éléments pour évaluer les styles d'apprentissage selon quatre dimensions : activiste, réflecteur, théoricien et pragmatique.

1.2.2.2 Styles personnels

Alors que le modèle de personnalité FFM décrit précédemment (voir section 1.2.1) s'appuie sur l'hypothèse lexicale, le modèle de Myers-Briggs est basé sur les styles cognitifs. Le modèle de personnalité Myers-Briggs est couramment utilisé dans le monde du conseil et de la formation. Les scores des individus sur le modèle Myers-Briggs sont mesurés par l'indicateur de type Myers-Briggs (MBTI) [88], qui consiste en 50 questions visant à mesurer les types de personnalité. Le MBTI décrit la personnalité d'une personne à travers quatre dimensions :

1. Extraversion-introversion (E vs. I) : la façon dont une personne est énergisée.
2. Sensation-intuition (S vs. N) : la façon dont une personne absorbe l'information
3. Pensée-sentiment (T vs. F) : les moyens qu'une personne utilise pour prendre des décisions.
4. Jugement-perception (J vs. P) : la rapidité avec laquelle une personne prend des décisions.
5. Les combinaisons de ces quatre dimensions aboutissent à l'un des 16 types de personnalité basés sur la théorie de la personnalité de Jung datant du début des années 1920 [67] (voir figure 1.2).

Image

Figure 1.2 Les 16 combinaisons de types de personnalité du MBTI basées sur les quatre dimensions de la personnalité. Reproduit de Wikipedia, par Jake Beech, 2014, extrait de https://commons.wikimedia.org/wiki/File:MyersBriggsTypes.png. Licence Creative Commons Attribution-ShareAlike 3.0 Unported.

1.2.2.3 Modèles cognitifs

Les modèles précédents décrivent tous des ensembles de traits, de dimensions ou de facteurs qui saisissent les caractéristiques d'un individu en rapport avec l'expérience de l'utilisateur. Un autre type de modèles cognitifs décrit la manière dont la pensée, le raisonnement ou la décision se fait dans le psychisme de l'utilisateur et comment cela est lié à l'expérience de l'utilisateur. Par exemple, la mémoire affecte la manière dont les gens interagissent avec les systèmes de recommandation de films [10], ce qui fait que les gens expriment leurs préférences différemment en fonction du temps écoulé depuis qu'ils ont regardé le film. Si ces effets peuvent être observés dans les données elles-mêmes, les modèles cognitifs de la mémoire (par exemple, les modèles faisant la distinction entre la mémoire sensorielle, la mémoire de travail, la mémoire à court terme et la mémoire à long terme) permettent de comprendre et d'anticiper ces effets afin qu'ils puissent être pris en compte lors de la conception et de la mise en œuvre des systèmes.

Un autre modèle cognitif qui décrit la manière dont les personnes interagissent avec les systèmes (personnalisés) est celui de l'attention. La manière dont les gens traitent les informations qui leur sont présentées diffère en fonction de la façon dont ils orientent leur attention. Le fait de prêter attention à certains aspects des possibilités de choix influence les préférences des individus. Par exemple, Busemeyer et Townsend [12] décrivent que lorsque les gens doivent faire un choix entre trois options, ils comparent ces alternatives en termes d'attributs individuels. 

Lorsqu'un décideur prête attention à un attribut, le résultat attendu du choix de l'alternative qui est supérieure en termes de cet attribut augmente. Ensuite, le décideur continue à sélectionner des attributs pertinents auxquels il doit prêter attention jusqu'à ce que les informations traitées aient atteint un seuil permettant au décideur de prendre une décision satisfaisante. En d'autres termes, la manière dont le décideur oriente son attention influence le processus décisionnel.

Comme ce processus est lié aux préférences et à la prise de décision, il a un effet sur la façon dont les gens interagissent avec les systèmes personnalisés d'aide à la prise de décision, tels que les systèmes de recommandation. La prise en compte de ces types de modèles a permis d'améliorer, par exemple, les prévisions concernant les films qu'un utilisateur appréciera [122] ou les ressources de lecture à recommander [72].

1.2.3 Relations entre les modèles

Les modèles psychologiques reposent tous sur des évaluations comportementales ou cognitives des personnes. Le comportement et la cognition étant étroitement liés, on s'attend à ce que les différents modèles soient également liés. Busato et al [11] ont trouvé des corrélations distinctes entre plusieurs traits de personnalité et le type de style d'apprentissage auquel les gens adhèrent. Zhang [121] a montré les relations entre les traits de personnalité et les styles cognitifs et a constaté que les styles cognitifs générateurs de créativité et plus complexes étaient liés à l'extraversion et à l'ouverture d'esprit. Par ailleurs, d'autres modèles issus de la psychologie traditionnelle qui n'ont pas encore été utilisés à des fins de personnalisation ont montré une corrélation avec les traits de personnalité. Par exemple, Greenberg et al [56] ont trouvé des corrélations entre les traits de personnalité et la "sophistication musicale" des personnes (Gold-MSI ; [87]), une mesure qui indique l'expertise musicale des personnes.

Allinson et Hayes [1] présentent une analyse documentaire approfondie qui résume les résultats de la corrélation entre les styles cognitifs et d'autres modèles psychologiques. De nombreuses études ont montré que les styles cognitifs étaient en corrélation avec d'autres mesures de l'apprentissage, de la pensée ou de l'enseignement, telles que le questionnaire sur les styles d'apprentissage (Learning Style Questionnaire) [60]. Cela indique que les modèles sont liés et que les traits de l'utilisateur selon un modèle peuvent être indicatifs de leurs traits dans un autre modèle.

1.3 La relation entre les traits psychologiques et le comportement en ligne

Outre l'utilisation des traits psychologiques définis par la psychologie traditionnelle pour expliquer les causes profondes du comportement en ligne, il existe un terrain inconnu qui évolue avec le progrès des technologies. Les technologies devenant de plus en plus omniprésentes et envahissantes, de nouveaux modes d'interaction deviennent disponibles entre les technologies et les utilisateurs. Ces nouveaux modes d'interaction peuvent réduire la simplicité de la relation entre le comportement en ligne et les traits psychologiques traditionnels. Il est donc de plus en plus important de vérifier dans quelle mesure les résultats de la psychologie traditionnelle restent valables dans les scénarios de médiation informatique avant de les mettre en œuvre. Par ailleurs, il est nécessaire de mener une réflexion critique sur les résultats des nouvelles relations entre les traits psychologiques et le comportement en ligne (par exemple, la différenciation entre la corrélation et la causalité) et sur les implications de la mise en œuvre de ces résultats dans les systèmes personnalisés. Dans cette section, nous présentons les travaux connexes qui se sont concentrés sur la vérification des relations entre les comportements et les traits basés sur les résultats de la psychologie traditionnelle, et les travaux qui se sont concentrés sur l'identification de nouvelles relations entre les traits psychologiques et les comportements en ligne. La section 1.5 traite ensuite des travaux portant sur l'intégration des traits psychologiques dans les systèmes personnalisés.

1.3.1 Personnalité

La façon dont nous communiquons avec les autres est de plus en plus médiatisée par la technologie sous la forme de sites de réseaux sociaux (SRS), tels que Facebook, Instagram et Twitter [26], [114]. Tout comme les personnalités sont liées à de nombreux comportements dans le monde social ou physique, l'empreinte numérique que les gens laissent derrière eux sur ces SRS peut également être un reflet de leur personnalité. Des facteurs tels que les images (par exemple, les photos de profil), l'expression des pensées (par exemple, les publications de contenu) et les préférences en matière de contenu (par exemple, les réactions au contenu) sont en général les informations que les gens laissent derrière eux numériquement. Il a déjà été démontré que des facteurs similaires dans le monde réel sont constitués d'informations que les gens utilisent pour générer des impressions sur les autres [43]. Back et al [6] ont montré que les personnalités que nous exprimons en ligne ont des similitudes avec les personnalités que nous exprimons dans le monde réel. En d'autres termes, il semble que la façon dont les gens s'expriment en ligne soit une extension de leur comportement, de leurs préférences et de leurs besoins basés sur la personnalité dans le monde réel.

La notion de personnalité élargie a donné lieu à différentes études portant sur l'empreinte numérique des utilisateurs en relation avec leurs traits de personnalité. En particulier, Facebook a fait l'objet d'une grande attention dans la recherche de comportements liés à la personnalité. Pour illustrer l'abondance des recherches sur les personnalités en ligne, nous présentons quelques-uns des travaux réalisés. Certains des résultats obtenus indiquent une interprétation directe des caractéristiques de la personnalité par rapport à certains comportements en ligne. Par exemple, l'une des conclusions de Ross et al [99] montre que les extravertis appartiennent en moyenne à plus de groupes Facebook, ce qui est lié à la nature sociale des extravertis qui utilisent Facebook comme outil social. Les névrosés (moins stables sur le plan émotionnel) passent plus de temps sur Facebook, probablement dans le but de se rendre aussi attrayants que possible [86]. Le caractère consciencieux s'est révélé lié à une utilisation accrue de Twitter, ce qui n'est pas le cas pour Facebook. Hughes et al [64] expliquent ce résultat par la limitation du nombre de caractères pouvant être utilisés dans un tweet, ce qui permet aux personnes consciencieuses de continuer à participer aux réseaux sociaux sans que cela ne devienne une distraction temporelle.

Bien que la plupart des recherches sur le comportement en ligne aient été menées dans le contexte des SRS, où l'on tente de trouver des relations entre les traits de personnalité et le comportement en ligne, des recherches ont également été menées dans d'autres domaines sur la manière de déduire la personnalité à partir de différentes sources. Par exemple, Biel, Aran et Gatica-Perez [9] ont constaté que la personnalité peut être déduite avec succès à partir d'indices auditifs et visuels dans les journaux vidéo (vlogs). Le tableau 1.2 présente une vue d'ensemble des recherches actuelles sur la personnalité liée aux comportements en ligne.

Tableau 1.2 Aperçu des recherches actuelles sur la relation entre les traits de personnalité et le comportement en ligne.

Domaine d'étude

• Ellison et al. [26]    Facebook
• Valkenburg and Peter [114]    Facebook
• Moore and McElroy [86]    Facebook
• Ross et al. [99]    Facebook
• Back et al. [5]    Facebook
• Seidman [105]    Facebook
• Gosling, Gaddis, Vazire, et al. [49]    Facebook
• Gosling et al. [51]    Facebook
  Rosenberg and Egbert [98]    Facebook
• Bachrach et al. [4]    Facebook
• Carpenter [14]    Facebook
• Skues, Williams, and Wise [107]    Facebook
• Stieger et al. [108]    Facebook
• Lee, Ahn, and Kim [77]    Facebook
• Ljepava et al. [80]    Facebook
• Eftekhar, Fullwood, and Morris [25]    Facebook
• Winter et al. [117]    Facebook
• Chen and Marcus [19]    Facebook
• Jenkins-Guarnieri, Wright, and Hudiburgh [65]    Facebook
• Wu, Chang, and Yuan [119]    Facebook
• Ryan and Xenos [100]    Facebook
• Amichai-Hamburger and Vinitzky [3]    Facebook
• Quercia et al. [93]    Facebook
• Davenport et al. [24]    Facebook & Twitter
• Hughes et al. [64]    Facebook & Twitter
• Qiu et al. [92]    Twitter
• Ferwerda and Tkalcic [36]    Instagram
• Lay and Ferwerda [76]    Instagram
• Schrammel, Köffel, and Tscheligi [103]    Online communities
• Ferwerda, Tkalcic, and Schedl [38], [39]    Online music listening
• Ferwerda, Schedl, and Tkalcic [31]    Online music listening
• Ferwerda et al. [40]    Online music listening
• Tkalčič et al. [110]    Online music listening
• Marcus, Machilek, and Schütz [81]    Personal website
• Ferwerda et al. [41]    Recommender system
• Chen, Wu, and He [20]    Recommender system
• Hu and Pu [61]    Recommender system
• Golbeck and Norris [46]    Recommender system
• Biel, Aran, and Gatica-Perez [9]    Video logs

1.3.2 Styles cognitifs : styles d'apprentissage

Alors que la recherche sur la personnalité s'est principalement concentrée sur la relation dans les SRS, la recherche sur les styles cognitifs a influencé d'autres domaines d'application, tels que les environnements d'apprentissage en ligne. La recherche dans ce domaine s'est principalement attachée à déterminer si les styles cognitifs tels qu'ils sont connus en psychologie traditionnelle ont les mêmes effets dans un environnement en ligne. Les conclusions que l'on peut tirer des recherches menées sur les styles cognitifs et les environnements d'apprentissage en ligne ne sont pas concluantes. La disposition des différents résultats souligne l'importance de valider l'effet des traits psychologiques en relation avec le comportement en ligne. Par exemple, Zacharis [120] s'est penché sur 161 étudiants et a étudié les différences de styles d'apprentissage entre la participation en ligne et hors ligne des étudiants, mais aucune différence n'a été constatée entre les deux groupes. Huang, Lin et Huang [63] ont constaté des différences entre les étudiants en ligne et hors ligne, notamment que les apprenants sensoriels (c'est-à-dire ceux qui étaient patients avec les détails et bons en travaux pratiques) s'engageaient en ligne plus fréquemment et plus longtemps. De même, Wang et al [116] ont montré que les résultats en ligne sont influencés par les styles d'apprentissage des étudiants.

Comme indiqué précédemment, la majorité des recherches sur les styles cognitifs se sont attachées à déterminer dans quelle mesure la compréhension de l'apprentissage hors ligne s'applique aux environnements d'apprentissage en ligne. Les recherches antérieures ont porté sur l'adaptation de la fourniture de contenu en fonction des styles cognitifs dans ces environnements. En outre, les résultats ne sont généralement pas concluants quant à la capacité des styles cognitifs à expliquer le comportement individuel. Par exemple, Graf et Liu [53] ont identifié différentes stratégies de navigation basées sur les styles d'apprentissage, des informations qui peuvent potentiellement être utilisées pour créer des interfaces adaptatives. Cependant, Mitchell, Chen et Macredie [85] ont montré que les interfaces adaptatives basées sur les styles cognitifs n'ont pas d'effet bénéfique sur les performances des étudiants.

Belk et al [7] sont l'une des rares études à avoir examiné les différences basées sur les styles cognitifs dans un domaine différent de celui de l'environnement d'apprentissage. Ils ont constaté que les personnes ayant des styles cognitifs différents ont des préférences différentes en ce qui concerne le CAPTCHA (acronyme de "Completely Automated Public Turing test to tell Computers and Humans Apart"). Ils ont constaté que le style de traitement cognitif (verbal ou visuel) joue un rôle dans la vitesse de réalisation des CAPTCHA : ceux qui possèdent un style cognitif plus verbal ont réalisé plus rapidement les CAPTCHA textuels (par exemple, la reconnaissance de texte : déchiffrer un texte brouillé), tandis que ceux qui adhèrent à un style cognitif visuel ont réalisé plus rapidement les CAPTCHA visuels (par exemple, la reconnaissance d'image : trouver un ensemble d'images correspondantes).

1.4 Inférence automatisée de traits ou de styles psychologiques

En étudiant la manière dont les connaissances psychologiques du monde hors ligne sont transférées aux environnements en ligne, la recherche s'est tournée vers les possibilités de personnalisation basées sur les traits et/ou les styles psychologiques. La recherche sur la personnalisation ne s'est pas seulement concentrée sur la mise en œuvre de traits et de styles psychologiques dans les systèmes, mais aussi sur la manière d'inférer implicitement ces traits et ces styles. En étant capable de déduire implicitement les traits et styles psychologiques pertinents, les stratégies de personnalisation basées sur ces traits et styles peuvent être mises en œuvre sans avoir recours à des questionnaires détaillés qui sont normalement utilisés pour évaluer les modèles psychologiques. Bien que l'utilisation de questionnaires présente des avantages (par exemple, une validité et une fiabilité accrues), elle présente également des inconvénients apparents (par exemple, elle prend du temps et interrompt le flux entre l'utilisateur et le système). 

En outre, les données pour l'inférence implicite ne doivent pas nécessairement provenir directement du système. Ainsi, l'inférence et la mise en œuvre de traits/styles psychologiques peuvent être réalisées sur différentes plateformes (connectées) [13].

1.4.1 Personnalité
La personnalité s'étant révélée liée au comportement en ligne, des tentatives ont été faites pour déduire des traits de personnalité à partir du comportement en ligne. Bien que tous les types de données puissent être exploités pour la prédiction de la personnalité, la recherche s'est principalement concentrée sur les données extraites des SRS. Facebook, Twitter et Instagram, en particulier, ont fait l'objet d'une grande attention dans les tentatives d'inférence de la personnalité à partir des informations et du contenu généré par les utilisateurs (voir le tableau 1.3 pour une vue d'ensemble).

Tableau 1.3Aperçu des prédicteurs de personnalité actuels.

Domaine d'étude

• Golbeck, Robles et Turner [47] Facebook
• Celli, Bruni et Lepri [17] Facebook
• Segalin et al [104] Facebook
• Ferwerda, Schedl et Tkalcic [32] Facebook
• Quercia et al [93] Twitter
• Golbeck et al [48] Twitter
• Ferwerda, Schedl et Tkalcic [33], [34] Instagram
• Ferwerda et Tkalcic [35] Instagram
• Skowron et al [106] Twitter et Instagram

Golbeck, Robles et Turner [47] ont étudié la manière dont les caractéristiques linguistiques exprimées dans les profils Facebook peuvent être utilisées pour déduire les traits de personnalité. Ils ont pu créer un prédicteur de personnalité avec des erreurs absolues moyennes (MAE) comprises entre 0,099 et 0,138 (sur une échelle normalisée de 0 à 1) pour les cinq traits de personnalité. De même, Celli, Bruni et Lepri [17] et Segalin et al. [104] ont montré que les compositions des profils Facebook peuvent être utilisées pour déduire les personnalités des utilisateurs. Toutefois, ces approches s'appuient sur le contenu que les personnes partagent sur leur page Facebook. Grâce aux nombreuses options de confidentialité disponibles, les utilisateurs peuvent limiter le contenu qu'ils partagent sur leur profil. Ferwerda, Schedl et Tkalcic [32] ont montré que les décisions prises par les utilisateurs en ce qui concerne les sections de leur profil Facebook qu'ils divulguent sont également révélatrices des informations relatives à leur personnalité. Ils ont pu créer un prédicteur de personnalité avec une erreur quadratique moyenne (RMSE) comprise entre 0,73 et 0,99 pour chaque trait de personnalité (sur une échelle de 1 à 5).

D'autres tentatives d'inférence de la personnalité à partir de données comportementales en ligne ont été réalisées sur Twitter. Quercia et al [93] ont examiné les caractéristiques des profils Twitter (par exemple, le nombre de followers et de followers) et ont constaté que ces caractéristiques pouvaient être utilisées pour déduire la personnalité. 

Leur prédicteur de personnalité a obtenu une RSME comprise entre 0,69 et 0,88 pour chaque trait de personnalité (sur des échelles de 1 à 5), l'ouverture à l'expérience étant le trait qui pouvait être prédit avec le plus de précision et l'extraversion étant le trait prévisible avec le moins de précision. Golbeck et al [48] ont analysé les caractéristiques linguistiques (par exemple, l'utilisation de la ponctuation, le sentiment) des flux Twitter et ont constaté qu'elles pouvaient prédire la personnalité avec des erreurs absolues moyennes allant de 0,119 à 0,182 (sur une échelle normalisée de 0 à 1).

Ferwerda, Schedl et Tkalcic [33], [34] ont analysé le réseau social de partage d'images Instagram. Plus précisément, ils ont étudié la manière dont les utilisateurs manipulent les photos qu'ils téléchargent à l'aide de filtres. Ils ont constaté que la personnalité pouvait être déduite des propriétés de saturation de la teinte et de la valence (HSV) des images téléchargées. Skowron et al [106] ont combiné les informations de Twitter et d'Instagram. En utilisant les données linguistiques et les métadonnées de Twitter ainsi que les données linguistiques et les images d'Instagram, la prédiction de la personnalité a pu être considérablement améliorée. Ils ont pu obtenir des scores de personnalité RMSE compris entre 0,50 et 0,73.

Outre l'extraction de traits de personnalité à partir des SRS, Ferwerda et Tkalčič [37] ont exploré l'extraction de traits de personnalité à partir de profils de consommation de médicaments pour faciliter les plans de traitement personnalisés. Ils ont constaté qu'ils pouvaient obtenir des scores de personnalité RMSE compris entre 0,83 et 0,93 en fonction de la façon dont les personnes consomment des drogues.

1.4.2 Styles cognitifs

Bien que l'inférence des styles cognitifs (par exemple, les styles d'apprentissage) ait été principalement réalisée dans un environnement d'apprentissage (voir la section 1.4.2.1), un nombre limité de travaux se sont concentrés sur les styles cognitifs généraux dans d'autres domaines. Les bibliothèques numériques constituent l'un des types d'applications dans lesquelles ces styles cognitifs ont été étudiés. Frias-Martinez, Chen et Liu [42] ont étudié dans quelle mesure le comportement dans les bibliothèques numériques peut être utilisé pour faire des déductions sur les styles cognitifs des utilisateurs et comment ces déductions peuvent être utilisées pour personnaliser ces bibliothèques numériques. Ils décrivent les étapes de la construction d'un modèle prédictif qui déduit les styles cognitifs à partir des flux de clics et montrent comment cela peut être réalisé avec succès. De même, Hauser et al [57] ont déduit les styles cognitifs de la manière dont les utilisateurs interagissaient avec un outil de conseil pour les contrats de téléphonie mobile et ont montré que l'incorporation de ces styles cognitifs améliorait la propension à l'achat des utilisateurs. Belk et al [8] ont fait valoir que le style cognitif des utilisateurs (c'est-à-dire la manière dont les gens organisent et perçoivent les informations) influence leurs comportements de navigation dans les systèmes interactifs du Web 2.0. Pour étudier les effets des styles cognitifs, leur étude s'est déroulée en trois étapes : (i) étudier la relation entre les styles cognitifs et les comportements de navigation, (ii) étudier si les techniques de regroupement peuvent regrouper les utilisateurs en fonction de leur style cognitif, et (iii) étudier quelles mesures de navigation peuvent être utilisées pour prédire le style cognitif des utilisateurs.

1.4.2.1 Styles d'apprentissage

Les styles d'apprentissage sont considérés comme reflétant la manière dont les étudiants acquièrent des connaissances. Plus précisément, les environnements d'apprentissage en ligne offrent aux étudiants diverses manières d'apprendre et la possibilité d'enregistrer la manière dont les étudiants se comportent dans le système. En tant que tels, ils fournissent de grandes quantités de données qui permettent de construire des modèles capables de déduire les styles d'apprentissage. En moyenne, les algorithmes développés sont capables d'atteindre une précision de 66 % à 80 %. Par exemple, Sanders et Bergasa-Suso [101] ont développé un système permettant aux enseignants d'aider leurs élèves à étudier. Ils ont recueilli des informations sur la manière dont les étudiants utilisaient ce système et ont ensuite mené une étude pour déterminer dans quelle mesure ces informations pouvaient être utilisées pour déduire les styles d'apprentissage des étudiants exprimés dans le modèle des styles d'apprentissage de Felder-Silverman (FSLSM [27]) et mesurés par le biais d'enquêtes. Le FSLSM définit les styles d'apprentissage selon quatre dimensions : actif/réflexif (A/R), sensoriel/intuitif (S/I), verbal/visuel (V/V) et séquentiel/global (S/G). Sanders et Bergasa-Suso [101] ont été en mesure de faire des prédictions nettement meilleures que les meilleures suppositions naïves, ce qui indique que la façon dont les étudiants interagissent avec un environnement d'apprentissage peut effectivement être utilisée pour déduire leurs styles d'apprentissage.

De même, García et al [44] ont utilisé un réseau bayésien pour déduire les styles d'apprentissage des étudiants, tels qu'exprimés par le FSLSM, à partir de l'intensité de l'interaction des étudiants avec les différents éléments (par exemple, le chat, le courrier, la révision des questions d'examen) dans le système d'apprentissage. Ils ont constaté qu'ils pouvaient prédire les styles d'apprentissage des étudiants avec une précision d'environ 77 %, sous réserve que les étudiants aient une expérience préalable des systèmes d'apprentissage en ligne. Le tableau 1.4 donne un aperçu des autres recherches actuelles sur l'inférence des dimensions du FSLSM.

Tableau 1.4Aperçu des inférences de style d'apprentissage basées sur le FSLSM par García et al [44]. Les pourcentages sont représentés, les mesures de précision rapportées pour les quatre dimensions du FSLSM : actif/réflexif (A/R), sensoriel/intuitif (S/I), verbal/visuel (V/V) et séquentiel/global (S/G).

Étude Algorithme A/R S/I V/V S/G

• Cha et al. [18] Arbre de décision 66,70 % 77,80 % 100 % 71,40 % García et al.
• García et al [44] Réseau bayésien 58 % 77 % N/A 63 %
• Graf et Liu [54] Basé sur des règles 79 % 77 % 77 % 73 %
• Latham et al [75] Basé sur des règles 86 % 75 % 83 % 72 %
• Özpolat et Akar [90] Classification par arbre NB 70 % 73.30 % 73.30 % 53.30 %
• Villaverde, Godoy et Amandi [115] Réseau neuronal artificiel 69,30 % 69,30 % N/A 69,30 %
• Modèle de Markov caché 66,70 % 77,80 % 85,70 % 85,70 %

1.5 Incorporation de modèles psychologiques dans les systèmes personnalisés

Dans la section 1.3, nous avons abordé les travaux qui se sont concentrés sur l'identification des différences/similitudes entre les comportements hors ligne et en ligne, ainsi que les travaux qui ont identifié de nouvelles relations entre les traits psychologiques dans les environnements en ligne. La section 1.4 présente les travaux antérieurs sur l'inférence implicite de traits et de styles psychologiques à partir du comportement en ligne. Alors que la majorité des travaux antérieurs se sont concentrés sur l'identification des relations entre le comportement et les traits psychologiques et l'inférence implicite de ces traits psychologiques, peu de travaux ont incorporé les traits et styles psychologiques dans les systèmes personnalisés. Dans cette section, nous illustrons les travaux qui ont intégré les traits psychologiques dans les systèmes afin de créer des expériences personnalisées pour les utilisateurs.

1.5.1 Personnalité

Plusieurs études ont montré comment l'intégration de la personnalité des utilisateurs peut améliorer la précision des prédictions dans le domaine des systèmes de recommandation. Hu et Pu [62] ont démontré que la personnalité peut être utilisée pour surmonter le problème du démarrage à froid des nouveaux utilisateurs, qui se pose lorsque les informations disponibles sur un utilisateur sont insuffisantes ou inexistantes pour faire des prédictions. En s'appuyant sur les scores de personnalité des nouveaux utilisateurs exprimés dans le FFM, des prédictions ont pu être faites sans qu'il soit nécessaire de disposer de données d'évaluation supplémentaires. De même, Fernández-Tobías et al [29] ont montré que l'incorporation de données de personnalité dans un algorithme de recommandation permettait d'effectuer plus facilement des recommandations dans différents domaines. 

 En prenant en compte les scores de personnalité des utilisateurs en conjonction avec les évaluations dans différents domaines (livres, films et musique), ils ont constaté qu'ils étaient mieux à même de prédire les évaluations des utilisateurs dans un domaine en fonction d'un autre s'ils prenaient en compte la personnalité en plus des informations d'évaluation. De même, Ferwerda et Schedl [30] et Ferwerda, Schedl et Tkalcic [32] ont montré comment les informations relatives à la personnalité peuvent être intégrées et exploitées pour améliorer les systèmes de recommandation musicale, tandis que Tkalcic, Delic et Felfernig [109] proposent d'intégrer la personnalité pour mieux répondre aux besoins individuels dans les recommandations de groupe en tenant compte des différents types de personnalité.

1.5.2 Styles cognitifs

Les stratégies de personnalisation basées sur les styles cognitifs ont été principalement appliquées dans un contexte d'apprentissage (la section 1.5.2.1 traite des travaux dans un contexte d'apprentissage qui utilisent spécifiquement les styles d'apprentissage cognitifs au lieu des styles cognitifs généraux). Karampiperis et al [68] ont adapté le modèle de traits cognitifs de Lin [79], en se concentrant sur la capacité de raisonnement inductif des participants (à côté du trait cognitif de base : la mémoire de travail) pour personnaliser les environnements d'apprentissage dans lesquels ils ont adapté dynamiquement la présentation du contenu en fonction du comportement de navigation des différents apprenants.

Triantafillou et al [111] ont proposé le système éducatif adaptatif basé sur les styles cognitifs (AES-CS), un système basé sur les styles cognitifs de dépendance et d'indépendance de Witkin et al [118]. L'organisation de la navigation, la quantité de contrôle et les outils d'aide à la navigation ont été adaptés en fonction de ce style cognitif. L'adaptation dynamique des éléments d'interaction basée sur la dépendance au champ et l'indépendance a montré une augmentation significative des performances par rapport à la présentation d'une version statique du système. De manière similaire, Tsianos et al [112] ont utilisé l'analyse du style cognitif de Riding [97] pour classer les utilisateurs en deux catégories : imager/verbal et fantaisiste/analyste. Sur la base de la catégorisation mesurée, ils ont fourni aux utilisateurs une présentation du contenu et une organisation de la navigation adaptatives. Le tableau 1.5 donne un aperçu des études qui ont appliqué les styles cognitifs à l'adaptation.

Tableau 1.5 Aperçu des études dans lesquelles les styles cognitifs ont été adoptés pour la personnalisation.

Étude Personnalisation

• Karampiperis et al [68] 
  • Présentation adaptative du contenu
• Triantafillou et al [111] 
  • Organisation de la navigation
  • Niveau de contrôle de l'utilisateur
  • Outils d'aide à la navigation
• Tsianos et al [112] 
  • Présentation adaptative du contenu
  • Organisation de la navigation

Connaître les styles d'apprentissage d'un étudiant peut être utilisé pour modifier les environnements d'apprentissage en ligne afin de fournir aux étudiants des informations correspondant à la manière dont ils préfèrent traiter l'information. Il est prouvé que cela permet d'améliorer l'apprentissage. Bien que le bien-fondé de l'adaptation d'un environnement d'apprentissage aux styles d'apprentissage fasse l'objet d'un débat, certains éléments indiquent que la personnalisation des environnements d'apprentissage améliore l'efficacité de l'apprentissage. En relation avec les styles d'apprentissage, la capacité de la mémoire de travail s'est avérée être une caractéristique qui influence les meilleurs environnements d'apprentissage [45, ch. 4]. Les étudiants dont le style d'enseignement correspond à leur style d'apprentissage obtiennent de meilleurs résultats aux tests et expriment des niveaux d'anxiété moins élevés.

Graf et al [52] ont proposé un cadre utilisant le FSLSM [27]. Le cadre consiste en des stratégies d'adaptation utilisant la séquence ainsi que la quantité d'exemples et d'exercices. Le même FSLSM [27] a été utilisé par Papanikolaou et al. [91], qui ont étudié les préférences d'interaction dans deux systèmes éducatifs (FLexi-OLM et INSPIRE) afin de fournir un soutien personnalisé à l'apprenant.

Carver, Howard et Lane [15] ont utilisé l'inventaire des styles d'apprentissage de B. S. Solomon [28] pour créer une interface dont la présentation du contenu s'adapte au style d'apprentissage. Milosevic et al [84] ont utilisé le LSI [71] en plus des préférences, des connaissances, des objectifs et des historiques de navigation des utilisateurs pour adapter l'environnement d'apprentissage. Le tableau 1.6 donne un aperçu des études qui ont appliqué les styles d'apprentissage à des fins d'adaptation.

Tableau 1.6 Aperçu des études dans lesquelles les styles d'apprentissage ont été adoptés pour la personnalisation.

• Étude Personnalisation
• Carver, Howard et Lane [15]
  • Présentation adaptative du contenu
• Germanakos et Belk [45] 
  • Style pédagogique
• Graf et al [52] 
  • Séquence du contenu
  • Quantité de contenu
• Milosevic et al [84] 
  • Séquencement différent du matériel de cours
• Papanikolaou et al [91] 
  • Aide à la navigation adaptative (c'est-à-dire séquentielle, globale)
  • Présentation adaptative du contenu (visuelle/verbale).

Les modèles cognitifs ont également été intégrés dans les systèmes personnalisés. L'attention étant étroitement liée aux préférences, des travaux ont été menés sur l'utilisation de modèles d'attention pour améliorer la prédiction des éléments pertinents pour un utilisateur individuel au fil du temps. Zhao et al [122] proposent de modéliser les interactions temporelles de l'utilisateur (par exemple, son attention) avec les systèmes de recommandation afin de produire des recommandations meilleures et plus précises pour les utilisateurs. Ils ont démontré que la modélisation des interactions temporelles des utilisateurs permet d'améliorer considérablement la précision des modèles plus conventionnels (par exemple, RNN) qui ne modélisent que la séquence des éléments positifs.

Kopeinik et al [72] ont utilisé un modèle non supervisé d'apprentissage des catégories humaines pour imiter la dynamique non linéaire entre l'utilisateur et les ressources, qui est à la base de l'attention et de l'interprétation. En imitant cette dynamique non linéaire des ressources de l'utilisateur (c'est-à-dire la dynamique de l'attention et de l'interprétation), ils ont pu améliorer considérablement les approches de filtrage collaboratif qui traitent les utilisateurs comme une simple entité dans le calcul. En outre, leur approche est capable de rivaliser avec une approche de factorisation matricielle plus coûteuse en termes de calcul.

1.6 Combinaison de l'inférence des traits et de la personnalisation basée sur les traits

Les exemples présentés dans les sections précédentes (sections 1.4 et 1.5) abordent tous deux sous-problèmes liés à l'utilisation des traits psychologiques dans la personnalisation. Ils visent soit à déduire des traits ou des styles d'utilisateurs à partir de données comportementales en ligne, soit à utiliser des traits ou des styles d'utilisateurs déjà mesurés pour améliorer les approches de personnalisation. Toutefois, ces deux problèmes peuvent être traités conjointement. Les traits psychologiques pertinents dépendant du domaine peuvent être identifiés à partir de la théorie psychologique, mesurés par le biais d'enquêtes pour servir de vérité de base et incorporés dans des modèles d'utilisateur dans un système personnalisé. La présente section présente deux études dans lesquelles cela a été fait et décrit les étapes de l'approche.

1.6.1 Adaptation d'un outil de comparaison en fonction des styles cognitifs

Hauser et al [57] ont émis l'hypothèse que les styles cognitifs seraient des traits qui influenceraient la manière dont les utilisateurs d'un outil de comparaison en ligne seraient le mieux aidés. Ils ont développé et testé un outil de comparaison de contrats de téléphonie cellulaire qui s'appuie sur deux sous-systèmes de personnalisation. Le premier sous-système était une boucle d'inférence bayésienne, utilisée pour déduire les styles cognitifs des utilisateurs en fonction des éléments du système avec lesquels ils interagissaient. Le second sous-système était une boucle de Gittins automatique, utilisée pour apprendre à adapter le contenu et la forme du système en fonction du style cognitif. 

Les boucles de rétroaction étaient immédiates : la boucle d'inférence bayésienne était mise à jour à chaque clic effectué par les utilisateurs et la boucle de Gittins était mise à jour à chaque fois qu'un utilisateur finissait d'utiliser le système. Si l'utilisateur adopte le comportement souhaité, les prédictions du système sont renforcées. De même, si le système ne parvenait pas à convaincre l'utilisateur d'effectuer un achat, les paramètres de prédiction étaient modifiés. L'étude a montré que les personnes exprimaient une plus grande propension à acheter, ce qui indique que l'incorporation des styles cognitifs pour la personnalisation a effectivement amélioré le système. Au départ, le système n'a pas été testé dans le cadre d'une étude sur le terrain, mais il n'a pas été testé dans le cadre d'une étude sur le terrain, de sorte qu'aucune conclusion en termes de comportement n'a pu être tirée. Dans une étude de suivi, ils ont mené une étude sur le terrain et ont constaté que leur approche améliorait la probabilité d'achat dans un contexte plus naturel [58].

1.6.2 Personnalisation des bibliothèques en fonction des styles parentaux

Graus, Willemsen et Snijders [55] ont personnalisé une bibliothèque numérique pour les nouveaux parents ou les parents d'enfants de moins de deux ans. Lors de la conception de systèmes personnalisés pour les jeunes parents, un défi supplémentaire découle du fait que non seulement les utilisateurs peuvent être nouveaux pour un système, mais que les utilisateurs eux-mêmes sont très probablement nouveaux dans le domaine de la parentalité. Ils peuvent donc ne pas savoir quel type de contenu est pertinent pour eux et il peut y avoir un décalage entre les intérêts et le comportement d'interaction. 

Les informations sur la manière d'endormir les bébés semblent pertinentes pour tout le monde, mais dans la pratique, elles sont plus pertinentes pour les personnes qui élèvent leurs enfants selon un calendrier que pour les parents qui laissent leurs enfants décider de l'heure à laquelle ils vont se coucher. Il se peut toutefois que les parents ne sachent pas à l'avance s'ils veulent élever leurs enfants selon un horaire précis ou être plus flexibles, et qu'ils jugent donc de manière erronée la pertinence du contenu relatif à l'endormissement des enfants.

Graus, Willemsen et Snijders [55] ont comparé l'expérience et le comportement des utilisateurs dans une bibliothèque personnalisée en fonction de leur comportement de lecture à ceux d'une bibliothèque personnalisée en fonction des réponses à une enquête visant à mesurer les styles parentaux. Leur étude a consisté en une collecte initiale de données qui a permis de recueillir des données d'interaction et d'enquête pour mesurer les styles parentaux. Ils ont utilisé ces données pour créer des prédictions de pertinence personnalisées, qui ont été utilisées pour réorganiser les articles de la bibliothèque pour chaque utilisateur individuel. Lors d'une deuxième session, les mêmes utilisateurs ont été réinvités dans la bibliothèque désormais personnalisée et des données concernant leur comportement et leur expérience d'utilisateur ont été recueillies. Les données ont montré que la personnalisation de l'ordre des articles sur la base des réponses à l'enquête se traduisait par une meilleure expérience utilisateur que la prise en compte du comportement de lecture, même si la précision objective des prédictions était moindre dans le premier cas.

1.7 Conclusion

Au fil des ans, les stratégies de personnalisation ont appliqué différentes méthodes. Alors que dans le passé, la personnalisation adoptait une approche plus théorique (par exemple, en développant des systèmes qui nécessitent une création explicite [70], [95] ou en exploitant différents modèles psychologiques comme nous l'avons vu dans ce chapitre), l'abondance des données comportementales et la puissance de calcul ont aujourd'hui entraîné un changement vers une perspective plus axée sur les données (par exemple, le filtrage collaboratif [73]). Bien que ces deux perspectives différentes sur la personnalisation soient souvent utilisées de manière isolée, elles pourraient être utilisées ensemble pour maximiser leur potentiel respectif et atténuer leurs limites respectives.

La façon dont les utilisateurs interagissent avec les systèmes peut en partie être expliquée par des modèles psychologiques des utilisateurs et l'incorporation de ces mêmes modèles psychologiques dans les systèmes personnalisés peut être un moyen d'améliorer ces systèmes en termes d'efficacité, d'efficience ou de satisfaction de l'utilisateur par rapport à la prise en compte du seul comportement d'interaction. Le présent chapitre illustre les avantages possibles de la combinaison de la théorie psychologique avec des méthodes de personnalisation plus naïves et fondées sur des données. Cela permet d'exploiter le potentiel des données décrivant le comportement d'interaction, avec l'avantage d'avoir des modèles d'utilisateurs interprétables et significatifs.

Le présent chapitre a présenté un certain nombre de modèles psychologiques utilisés dans la personnalisation et la manière dont ils peuvent compléter les approches qui s'appuient uniquement sur des données comportementales. En outre, le chapitre présente un certain nombre de façons dont les traits de l'utilisateur en termes de ces modèles peuvent être déduits de leur comportement d'interaction, et présente des façons dont les traits déduits des utilisateurs peuvent être utilisés pour améliorer la façon dont les systèmes sont personnalisés. Les avantages de cette approche sont illustrés par deux études qui ont créé un système complet en incorporant l'inférence de modèles psychologiques et en les mettant en œuvre pour personnaliser les systèmes.

Le présent chapitre examine principalement les traits stables de l'utilisateur, mais des caractéristiques plus dynamiques de l'utilisateur peuvent également être prises en compte. En principe, tout trait ou caractéristique latent lié à la manière dont les utilisateurs interagissent avec les systèmes et à leurs besoins vis-à-vis d'un système peut être utilisé. Par exemple, il a été démontré que l'expertise ou l'expérience d'un système a un effet sur la manière dont les gens préfèrent interagir avec un système [69]. De même, dans les hypermédias adaptatifs, le niveau de connaissance déduit dicte les informations présentées par le système [70]. Ces caractéristiques sont plus susceptibles de changer et peuvent même changer pendant l'interaction avec le système, ce qui pose des problèmes supplémentaires. Comme elles sont liées à la fois à la manière dont les gens interagissent avec un système et à ce qu'ils attendent d'un système, ce sont des candidats logiques pour être incorporés dans les modèles d'utilisateurs.

En résumé, ce chapitre démontre que l'adoption d'une perspective plus théorique en incorporant les traits de l'utilisateur dans les systèmes personnalisés peut conduire à des améliorations des systèmes existants [29], [62], et que cette approche peut être utilisée pour construire de nouveaux systèmes [55], [57]. Les résultats présentés justifient que les recherches futures se concentrent sur l'incorporation de connaissances théoriques sur les utilisateurs dans les systèmes personnalisés, au lieu de s'appuyer uniquement sur des données comportementales. En plus de fournir des orientations pour les recherches futures, la littérature peut être utilisée pour générer un plan qui capture l'idée de combiner la théorie et la perspective axée sur les données de la personnalisation (voir la section 1.7.1).

1.7.1 Schéma directeur de la personnalisation axée sur la théorie

L'approche consistant à incorporer des traits psychologiques dans les approches de personnalisation peut être formulée sous la forme d'un schéma directeur. L'approche multidisciplinaire proposée comporte des défis à la fois théoriques et méthodologiques.

La conception d'un système personnalisé axé sur la théorie comporte quatre étapes. La première étape (section 1.7.1.1) consiste à identifier les bons traits de l'utilisateur et le bon modèle pour les mesurer. La liberté de choix est pratiquement illimitée et il peut être difficile de faire le bon choix. La pertinence d'un modèle dépend de l'application, du domaine et des utilisateurs.

Après avoir identifié le bon modèle, la deuxième étape (section 1.7.1.2) consiste à collecter des données concernant les caractéristiques des utilisateurs par le biais d'enquêtes ou de méthodes d'inférence existantes. Après la collecte de ces données, la troisième étape (section 1.7.1.3) consiste à trouver des méthodes pour déduire les caractéristiques de l'utilisateur mesurées à l'étape précédente à partir du comportement d'interaction naturel avec le système cible. Cette troisième étape est facultative, car dans certains cas, les caractéristiques de l'utilisateur peuvent être facilement disponibles. La quatrième étape (section 1.7.1.4) consiste à incorporer les caractéristiques de l'utilisateur dans les systèmes personnalisés au moyen de modèles d'utilisateur formels. La présente section explique ces quatre étapes plus en détail.

1.7.1.1 Étape 1 : identifier le bon modèle psychologique

La première étape consiste à identifier les caractéristiques de l'utilisateur qui peuvent être utilisées pour améliorer les systèmes par le biais de la personnalisation. Deux aspects jouent un rôle : tout d'abord, le niveau de généralité ou de spécificité. Plus il est spécifique, plus il est probable que les traits de l'utilisateur puissent être déduits de manière fiable et plus il est probable qu'ils puissent être utilisés pour améliorer le système.

Un autre défi est la disponibilité des instruments de mesure. Quelle que soit la manière dont les caractéristiques de l'utilisateur seront mesurées, il est essentiel de recueillir des données de référence à intégrer dans la personnalisation. Si des instruments de mesure validés sont disponibles, les chances de succès sont beaucoup plus élevées car il n'est pas nécessaire de développer et de valider un nouvel instrument de mesure.

L'inconvénient des modèles génériques tels que la personnalité est qu'ils ne sont pas nécessairement étroitement liés à ce qu'un utilisateur attend d'un système. Des modèles plus spécifiques sont plus susceptibles d'être liés aux besoins des utilisateurs. Si aucun modèle spécifique n'est disponible, une autre possibilité consiste à développer un instrument pour mesurer les traits pertinents de l'utilisateur, soit en le concevant à partir de zéro, soit en combinant des instruments existants qui mesurent les aspects pertinents. Cette étape nécessite toutefois la conception et la validation d'une enquête.

1.7.1.2 Étape 2 : collecte de données concernant les caractéristiques individuelles des utilisateurs

Après avoir identifié le bon modèle, la deuxième étape consiste à collecter des données concernant les caractéristiques des utilisateurs individuels d'un système. Cela peut se faire de deux manières. D'une part, des enquêtes peuvent être réalisées dans le cadre du système. Des instruments de mesure existent déjà pour la plupart des modèles psychologiques. La collecte de données consiste alors à administrer des enquêtes aux utilisateurs du système. Cependant, l'utilisation d'enquêtes peut prendre du temps et interrompre l'interaction de l'utilisateur avec le système. Si les caractéristiques peuvent être déduites de données externes, la collecte de ces données suffit pour commencer à personnaliser le système sans qu'il soit nécessaire d'interrompre le flux d'interaction entre l'utilisateur et le système.

1.7.1.3 Étape 3 : déduire les traits d'utilisateur des individus à partir de leur comportement d'interaction

Les données collectées sur les caractéristiques de l'utilisateur au cours de la deuxième étape peuvent être utilisées comme vérité de base pour construire des modèles capables de déduire les caractéristiques de l'utilisateur à partir de son comportement naturel avec le système. La section 1.4 décrit, pour différents modèles, comment les traits de l'utilisateur peuvent être déduits.

Hauser et al [57] ont réalisé cette étape dans ce qu'ils ont appelé une étude d'amorçage. Cette étude d'amorçage a servi à créer un modèle de base qui déduit les styles cognitifs à partir du comportement du flux de clics. Par la suite, ils se sont appuyés sur une boucle d'inférence bayésienne pour relier certains aspects du comportement (par exemple, les éléments avec lesquels les utilisateurs ont interagi) aux styles cognitifs. De même, Frias-Martinez, Chen et Liu [42] ont formé un réseau neuronal pour déduire les styles cognitifs à partir du comportement de navigation dans une bibliothèque numérique.

Comme indiqué à l'étape 2, cette inférence du comportement d'interaction n'est pas nécessaire dans certains cas. Lorsque l'on utilise, par exemple, des mécanismes d'authentification unique, les données d'un système externe peuvent être utilisées pour faire des déductions, car l'interconnexion peut fournir indéfiniment des informations sur les utilisateurs des systèmes. Le problème qui se pose est que toutes les données provenant du système externe ne sont pas nécessairement utiles pour la personnalisation. En s'appuyant sur des modèles psychologiques, ces données peuvent être exploitées par des méthodes telles que celles décrites par Golbeck et al [48] et Ferwerda, Schedl et Tkalcic [33], ce qui permet d'obtenir des informations utiles pour la personnalisation. 

 L'utilisation de modèles psychologiques permet donc une utilisation maximale des données, car même les données qui ne sont pas directement liées au système en question peuvent être exploitées pour l'inférence. L'acquisition de données à partir de sources externes peut atténuer le problème du démarrage à froid qui se produit lorsque les utilisateurs utilisent un système pour la première fois et qu'aucun comportement d'interaction historique n'est disponible pour fonder les prédictions [102].

1.7.1.4 Étape 4 : incorporation des caractéristiques de l'utilisateur dans les modèles de personnalisation
La troisième et dernière étape consiste à incorporer ces traits dans les modèles de personnalisation. De la manière la plus directe, cela peut être fait dans des règles commerciales (similaires à celles décrites dans Rich [95]). Si nous savons, par exemple, qu'un utilisateur a un style cognitif visuel, un système peut commencer à mettre davantage l'accent sur les informations visuelles. D'une manière plus axée sur les données, on peut suivre Hauser et al [57], qui ont utilisé une boucle de Gittins pour décider quelle manière de présenter le contenu aboutissait au comportement souhaité (achat). De cette manière, le système a appris à adapter le contenu aux styles cognitifs des utilisateurs.

Un autre avantage de l'incorporation des traits de l'utilisateur est que le problème du démarrage à froid de l'utilisateur peut être (partiellement) atténué.
Si nous nous appuyons sur des données externes ou des enquêtes pour déduire les caractéristiques de l'utilisateur, le système peut être personnalisé même pour les utilisateurs pour lesquels aucun comportement d'interaction n'est disponible. Hu et Pu [62] y sont parvenus en utilisant des informations sur la personnalité pour calculer des prédictions pendant la phase de démarrage à froid de l'utilisateur. Les informations sur la personnalité ont permis de calculer les prédictions de notation même pour les utilisateurs pour lesquels aucune information de notation n'était disponible.