Empfehlungssystem & Nutzer: Hin zu gegenseitigem Verständnis

Empfehlungssysteme unterstützen Benutzer im Umgang mit der allgegenwärtigen Informationsüberflutung (z.B. beim Online-Einkauf oder auf Streaming-Plattformen). Dabei stützen sich Empfehlungssysteme meist auf die Technik des collaborative filtering, bei der Empfehlungen basierend auf ähnlichen Nutzern oder Elementen berechnet werden. Derartige Ansätze beachten allerdings zwei wichtige Aspekte nicht: einerseits sind sie nicht in der Lage, die menschliche Entscheidungsfindung zu erfassen und andererseits sind Empfehlungssysteme kaum imstande, ihren Benutzern die Gründe für Empfehlungen zu kommunizieren. Dies führt zu einem beidseitigen Missverständnis. In diesem Projekt konzentrieren wir uns auf Musikempfehlungen und setzen uns zum Ziel, die menschliche Entscheidungsfindung zu analysieren, die zur Wahl bestimmter Musik in einer gegebenen Situation führt. Überdies möchten wir das Verständnis für die Entscheidungen, die hinter der Empfehlung von (Sequenzen von) Musikstücken auf Seite des Empfehlungssystems stehen, für Benutzer verständlich vermitteln. Gesteigertes gegenseitiges Verständnis und die dazu notwendige Kommunikation zwischen den Benutzern eines Empfehlungssystems und dem System selbst sind von elementarer Bedeutung für die Verbesserung von Benutzermodellen und damit der Qualität von Empfehlungen. Ein Bereich, der dabei bisher kaum erforscht wurde, ist die Entwicklung von sequentiellen Empfehlungen, die speziell darauf abzielen, Erklärungen für vorgeschlagene Musiksequenzen zu geben und auch Benutzer-Feedback einzubeziehen. Die Ziele des Projekts lauten wie folgt: Verständnis und Modellierung von Benutzerintention in Hörsequenzen zu gewinnen, indem zwei verschiedene Ziele verfolgt werden: (i.) profundes Verständnis von Benutzerintentionen durch Interviews zu erlangen und (ii.) tiefgehendes Verständnis für die Intention durch die Analyse von Millionen von Hörsequenzen zu gewinnen, Erklärungsansätze für sequentielle Empfehlungen und die Einbeziehung von Feedback in mehrdimensionalen Merkmalsräumen zu entwickeln, die auch Dimensionen wie Musikinhalt, Intention des Hörers, dessen persönlicher Hintergrund sowie den Hörkontext beinhalten, die Konsistenz von Theorien (z.B. Einfluss von Persönlichkeit auf das Hörverhalten) und unseren datengetriebenen Modellen zu untersuchen, um diese anschließend die gewonnenen Erkenntnisse in unsere Benutzermodelle und Empfehlungssysteme zurück fließen zu lassen. In Bezug auf die Forschungsmethodik werden wir sowohl daten- als auch hypothesengetriebene Ansätze verfolgen. Die daraus resultierenden Erkenntnisse werden mit bestehenden Theorien verknüpft und fortlaufend für die Weiterentwicklung der Modelle für Benutzerintention und Erklärungen für Empfehlungen verwendet. Das Projektkonsortium besteht aus fünf österreichischen ForscherInnen mit komplementärer Expertise: Eva Zangerle (Universität Innsbruck, Institut für Informatik), Markus Schedl (Johannes Kepler Universität Linz), Peter Knees (Technische Universität Wien), Marcel Zentner (Universität Innsbruck, Institut für Psychologie) und Michael Huber (Universität für Musik und darstellende Kunst Wien).

Empfehlungssysteme (RS) spielen eine zentrale Rolle dabei, Nutzer:innen bei der Navigation durch die überwältigende Fülle digitaler Inhalte zu unterstützen - sei es im Online-Shopping oder auf Musik- und Videostreaming-Plattformen. Traditionell basieren diese Systeme auf Collaborative-Filtering-Techniken, bei denen Empfehlungen aus Ähnlichkeiten zwischen Nutzer:innen oder Inhalten abgeleitet werden. Solche Ansätze vernachlässigen jedoch zwei entscheidende Aspekte: (1) die komplexen menschlichen Entscheidungsprozesse, die der Auswahl von Inhalten zugrunde liegen, und (2) die fehlende Fähigkeit von RS, die Gründe für ihre Empfehlungen zu erklären - was zu einem gegenseitigen Unverständnis zwischen Nutzer:innen und Systemen führt. Dieses Projekt konzentriert sich auf Musikempfehlungssysteme und zielt darauf ab, das menschliche Entscheidungsverhalten bei der Musikauswahl in bestimmten situativen Kontexten besser zu verstehen. Im Musikkonsum spielt der sequentielle Kontext eine besonders wichtige Rolle, da Musik in der Regel als zeitliche Abfolge von unterschiedlichen Songs gehört wird. Ein zentraler Baustein des Projekts war daher die Entwicklung neuartiger sequentieller Empfehlungssysteme, die zeitliche Hörverläufe modellieren und nutzen können. Ein zweiter wesentlicher Fokus des Projekts lag auf dem emotionalen Kontext des Musikhörens. Um Musik passend zum emotionalen Zustand einer Person empfehlen zu können, ist es notwendig, die emotionale Wirkung von Musik zu verstehen. Zu diesem Zweck haben wir eine umfassende Datenbank erstellt - EMMA (Emotion-to-Music Mapping Atlas) - die die emotionalen Wirkungen von Hunderten Musikausschnitten verschiedenster Genres erfasst. Diese Wirkungen wurden mit Hilfe der Geneva Emotion Music Scale (GEMS) bewertet, einem speziell für Musik entwickelten Instrument zur Erfassung differenzierter emotionaler Reaktionen. Aufbauend auf diesen Daten haben wir ein Autotagging-System entwickelt, das auf EMMA trainiert wurde und neue Musikstücke automatisch mit GEMS-basierten Emotionstags versieht. Dies ermöglicht den Aufbau emotionsbewusster Empfehlungssysteme im größeren Umfang. Der dritte zentrale Aspekt des Projekts befasst sich mit zwei miteinander verbundenen Zielen: der Integration von (negativem) Nutzerfeedback in den Empfehlungsprozess sowie der Bereitstellung nachvollziehbarer Erklärungen für Empfehlungen. Dieses Vorgehen soll sowohl das Vertrauen als auch die Zufriedenheit der Nutzer:innen erhöhen und somit zu transparenteren und stärker nutzerzentrierten Musikempfehlungssystemen führen. Zur Ergänzung dieser technischen Entwicklungen haben wir zudem strukturierte Interviews durchgeführt, um ein tieferes Verständnis dafür zu gewinnen, wie Menschen Musikempfehlungssysteme im Alltag wahrnehmen und nutzen. Das Projektkonsortium setzte sich aus fünf österreichischen Forschenden mit komplementären Expertisen zusammen: Eva Zangerle (Universität Innsbruck, Institut für Informatik), Markus Schedl (Johannes Kepler Universität Linz), Peter Knees (Technische Universität Wien), Marcel Zentner (Universität Innsbruck, Institut für Psychologie) und Michael Huber (Universität für Musik und darstellende Kunst Wien).