个人特征对对话推荐系统中用户信任的影响

文献标题

Impacts of Personal Characteristics on User Trust in Conversational Recommender Systems

文献信息

• 主题领域: 人机交互、对话式推荐系统、信任建模
• 关键词: 对话式推荐系统, 用户信任, 个性化, 人格特质, 信任倾向, 混合主动性交互, 任务复杂性

研究背景与问题

• 研究背景: 对话式推荐系统（CRSs）模仿人类顾问，通过多轮对话帮助用户找到感兴趣的物品，近年来在媒体、电子商务等领域备受关注。CRSs能够支持用户主动性与系统主动性相结合的混合互动，提升互动自然性和用户探索体验。

• 研究问题与挑战:

  • 关于对话式推荐系统，现有研究过多关注推荐效率和质量，但对用户信任的研究较少。
  • 用户信任是决定用户是否接受推荐、持续使用系统的重要因素。不同用户的信任感可能因个性化特征（如人格特质）和系统设计而异。
  • 缺乏对系统交互设计中主动性策略（用户主动 vs. 混合主动性）对用户信任的影响研究。

• 研究动机与相关工作:

  • 通过研究用户特征与对话系统设计之间的关系，可以优化系统设计，提高对个体用户的信任感。
  • 依托Hoff和Bashir提出的三层信任模型，探讨用户相关、系统相关与情境相关因素如何影响用户信任。

解决方案

• 研究方法: 作者通过一项包含148名参与者的用户实验，研究了三类个性化特征（人格特质、信任倾向、领域知识）对两种对话式推荐系统（用户主动与混合主动性）的用户信任影响。

• 创新之处:

  1. 首次系统性地探索用户特征与主动性策略对CRS信任感的交互影响。
  2. 将特定用户学特征纳入信任建模，提出具体的设计建议优化CRS交互方式。
  3. 利用结构方程模型和线性回归分析，定量验证信任相关认知路径及交互效应。

• 实施步骤:

  1. 实验原型设计:
     • 构建两个推荐原型：用户主动性系统与混合主动性系统。
     • 用户主动系统响应用户明确需求；混合主动系统结合用户反馈和主动建议。
  2. 任务设计:
     • 简单任务：寻找并评价合适歌曲。
     • 复杂任务：探索多种风格音乐并从20首歌中筛选出最合适的5首。
  3. 参与者招募与测量:
     • 使用问卷评估用户的五大人格特质、信任倾向、音乐领域知识。
  4. 数据分析:
     • 使用结构方程模型分析信任感的认知构建路径。
     • 用回归模型探索用户特征与系统主动性及任务复杂性的交互效应。

研究成果

• 主要发现:

  1. 用户特征对信任的直接影响:
     • 具有较高责任心（Conscientiousness）的用户对系统主动建议的好感度和信任度更高。
     • 外向型人格的用户更易认可推荐质量。
     • 信任倾向和音乐专业知识直接提高系统信任感与使用意图。
  2. 主动性策略的交互效应:
     • 混合主动性系统对高责任心用户尤其有利。
     • 对音乐专业知识丰富（高领域知识）的用户而言，用户主动性策略更适合；而混合主动性策略更适合领域知识不足的用户。
  3. 任务复杂性对信任的影响:
     • 简单任务时，用户更关注推荐质量；复杂任务时，信任倾向影响更显著。

• 与现有解决方案的比较:

  • 作者强调“对话交互体验”比“推荐质量”对信任的作用更强，补充了传统推荐系统仅关注推荐准确性与解释性的不足。

• 实验或评估结果:

  • SEM模型验证信任形成路径，调整后R^2值提升，表明模型对信任感认知路径的良好解释力。
  • 回归分析发现关键交互效应，如责任心与混合主动性策略的显著正相关。

• 局限性与未来方向:

  • 实验仅针对音乐推荐场景，结果在其他领域（如医疗、电子商务）的适用性有待验证。
  • 未覆盖语音交互平台的研究，未来可扩展至语音CRS。
  • 未全面探讨信任的其他维度，如安全性、隐私保护等。

总结

本文通过深入研究用户特性、主动性交互策略与任务复杂性对信任感的影响，为CRS设计提供了个性化的实用建议。研究显著扩展了对话式推荐系统中信任建模的领域，对人机交互和个性化推荐的研究具有重要推动作用。