論文の概要: Practitioners Versus Users: A Value-Sensitive Evaluation of Current
Industrial Recommender System Design
- arxiv url: http://arxiv.org/abs/2208.04122v2
- Date: Sat, 27 Aug 2022 01:56:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:23:36.638627
- Title: Practitioners Versus Users: A Value-Sensitive Evaluation of Current
Industrial Recommender System Design
- Title(参考訳): 実践者Versusユーザ: 現在の産業レコメンダシステム設計における価値感評価
- Authors: Zhilong Chen, Jinghua Piao, Xiaochong Lan, Hancheng Cao, Chen Gao,
Zhicong Lu, Yong Li
- Abstract要約: 推奨品質、プライバシ、透明性、公平性、信頼性の5つの価値に重点を置いています。
この結果から,実践者とユーザ間の緊張関係の存在と源泉を,価値解釈,評価,実践の観点から明らかにした。
- 参考スコア(独自算出の注目度): 27.448761282289585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recommender systems are playing an increasingly important role in alleviating
information overload and supporting users' various needs, e.g., consumption,
socialization, and entertainment. However, limited research focuses on how
values should be extensively considered in industrial deployments of
recommender systems, the ignorance of which can be problematic. To fill this
gap, in this paper, we adopt Value Sensitive Design to comprehensively explore
how practitioners and users recognize different values of current industrial
recommender systems. Based on conceptual and empirical investigations, we focus
on five values: recommendation quality, privacy, transparency, fairness, and
trustworthiness. We further conduct in-depth qualitative interviews with 20
users and 10 practitioners to delve into their opinions about these values. Our
results reveal the existence and sources of tensions between practitioners and
users in terms of value interpretation, evaluation, and practice, which provide
novel implications for designing more human-centric and value-sensitive
recommender systems.
- Abstract(参考訳): レコメンダシステムは、情報の過負荷を緩和し、消費、社会化、エンターテイメントなど、ユーザのさまざまなニーズをサポートする上で、ますます重要な役割を担っている。
しかし、限られた研究は、レコメンデーターシステムの産業展開においてどのように価値が広く考慮されるべきかに焦点を当てており、その無知は問題となる可能性がある。
このギャップを埋めるため,本稿では,現在の産業レコメンダシステムの異なる価値をどのように認識するかを包括的に検討するために,価値に敏感な設計を採用する。
概念的および実証的な調査に基づいて、推奨品質、プライバシ、透明性、公正、信頼性の5つの価値に焦点を当てます。
さらに20人のユーザと10人の実践者との詳細な質的インタビューを行い、これらの価値について意見を掘り下げる。
本研究は, 実践者とユーザ間の緊張関係を, 価値解釈, 評価, 実践の観点から明らかにし, より人間中心で, 価値に敏感なレコメンデーションシステムの設計に新たな意味を与えるものである。
関連論文リスト
- A Comprehensive Survey of Evaluation Techniques for Recommendation
Systems [0.0]
本稿では,システム性能の異なる側面を捉えた,総合的なメトリクススイートを紹介する。
私たちは、現在の評価プラクティスの長所と短所を特定し、さまざまなメトリクスにまたがってレコメンデーションシステムを最適化するときに現れる、微妙なトレードオフを強調します。
論文 参考訳(メタデータ) (2023-12-26T11:57:01Z) - Impression-Aware Recommender Systems [57.38537491535016]
新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。
研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。
本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
論文 参考訳(メタデータ) (2023-08-15T16:16:02Z) - User-Controllable Recommendation via Counterfactual Retrospective and
Prospective Explanations [96.45414741693119]
本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。
反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
論文 参考訳(メタデータ) (2023-08-02T01:13:36Z) - A Survey on Fairness-aware Recommender Systems [59.23208133653637]
本稿では,様々なレコメンデーションシナリオにおいてフェアネスの概念を提示し,現在の進歩を包括的に分類し,レコメンデーションシステムのさまざまな段階におけるフェアネスを促進するための典型的な手法を紹介する。
次に、フェアネスを意識したレコメンデーションシステムが実業界における産業応用に与える影響について検討する。
論文 参考訳(メタデータ) (2023-06-01T07:08:22Z) - Consumer-side Fairness in Recommender Systems: A Systematic Survey of
Methods and Evaluation [1.4123323039043334]
機械学習手法における差別意識の高まりは、学界と産業の両方を動機付け、レコメンデーションシステムにおける公正性の確保について研究した。
推薦制度では、そのような問題は職業推薦によってよく例示されており、歴史的データの偏見は、1つの性別から低い賃金、あるいはステレオタイプの普及に関する推薦制度につながる可能性がある。
本調査は、リコメンデーションシステムにおける消費者側の公正性に関する現在の研究の体系的概要と議論である。
論文 参考訳(メタデータ) (2023-05-16T10:07:41Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳(メタデータ) (2022-05-23T08:34:25Z) - Towards a multi-stakeholder value-based assessment framework for
algorithmic systems [76.79703106646967]
我々は、価値間の近さと緊張を可視化する価値に基づくアセスメントフレームワークを開発する。
我々は、幅広い利害関係者に評価と検討のプロセスを開放しつつ、それらの運用方法に関するガイドラインを提示する。
論文 参考訳(メタデータ) (2022-05-09T19:28:32Z) - What are you optimizing for? Aligning Recommender Systems with Human
Values [9.678391591582582]
実際のレコメンデータシステムが、さまざまな人的価値を提供するために修正された事例について述べる。
私たちは利害関係者から直接複雑な価値を学習できるアプローチのためのAIアライメント作業に注目します。
論文 参考訳(メタデータ) (2021-07-22T21:52:43Z) - FEBR: Expert-Based Recommendation Framework for beneficial and
personalized content [77.86290991564829]
推奨コンテンツの質を評価するための見習い学習フレームワークであるFEBR(Expert-Based Recommendation Framework)を提案する。
このフレームワークは、推奨評価環境において専門家(信頼できると仮定される)の実証された軌跡を利用して、未知のユーティリティ機能を回復する。
ユーザ関心シミュレーション環境(RecSim)によるソリューションの性能評価を行う。
論文 参考訳(メタデータ) (2021-07-17T18:21:31Z) - Fairness and Transparency in Recommendation: The Users' Perspective [14.830700792215849]
公平性認識型レコメンダーシステムのユーザ視点について考察する。
フェアネス対応レコメンダーシステムのユーザ理解と信頼を向上させる3つの機能を提案します。
論文 参考訳(メタデータ) (2021-03-16T00:42:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。