Труды КНЦ (Технические науки) 2/2022(13).

Стереотипные модели. Эти модели основаны на использовании стереотипов пользователей. Под стереотипом понимается обобщенная, типичная для некоторой группы модель пользователя. Стереотипные модели позволяют проводить классификацию пользователей по заданным стереотипам на основе собранной о них информации. Одним из главных достоинств этого типа моделей является возможность строить прогнозы о характеристиках и поведении пользователя при отсутствии части информации о нем. При правильном определении стереотипа пользователя его характеристики и поведение будут соответствовать характеристикам и поведению других пользователей с таким же стереотипом. После определения множества стереотипов человеко-компьютерная система адаптирует интерфейс не для каждого конкретного пользователя, а для его стереотипа, что существенно упрощает используемые механизмы адаптации. К недостаткам этого типа моделей можно отнести сложность решения задачи по созданию оптимального множества стереотипов. Множество стереотипов, с одной стороны, должно хорошо описывать всех пользователей системы, включая потенциальных. С другой стороны, множество стереотипов не должно быть избыточным, то есть в нем не должно быть неиспользуемых стереотипов или стереотипов со слишком малым количеством пользователей. Кроме того, в настоящее время нет четких правил или рекомендаций о том, как сформировать оптимальное множество стереотипов, какие характеристики необходимо включать в стереотипы, какие из них более важны и т. д. Также можно отметить, что ошибки, допущенные при формировании множества стереотипов, оказывают негативное влияние на эффективность работы человеко-компьютерной системы довольно длительное время. При этом изменение уже используемого множества стереотипов в работающей системе является сложной задачей, связанной с дополнительными издержками. Еще одним недостатком стереотипных моделей является то, что они не способны учитывать некоторые личные особенности пользователя, не укладывающиеся в стереотип, но имеющие существенное значения для решения пользователем задачи. Для большинства человеко-компьютерных систем эта проблема не является ключевой. Однако для таких систем, как, например, системы поддержки принятия решений, экспертные системы, советующие системы и для других сложных систем, подразумевающих привлечение экспертов, специалистов узкой предметной области, эта проблема становится актуальной. Высокоадаптивные модели. Эти модели, в отличие от стереотипных моделей, нацелены на представление отдельных пользователей, то есть система оперирует индивидуальной моделью, созданной для каждого конкретного пользователя, а не для группы или класса пользователей. Достоинством таких моделей является возможность обеспечить максимальную адаптивность интерфейса человеко-компьютерной системы, предоставляя фактически индивидуальную реализацию интерфейса для каждого пользователя системы. Недостатком является самая большая сложность создания таких моделей по отношению ко всем другим типам. Высокоадаптивные модели предъявляют очень высокие требования к количеству, качеству, точности и адекватности информации о пользователе, которую необходимо получить для создания модели. Полученные таким образом модели пользователя используются для разработки эффективных, адаптирующихся под пользователя и учитывающих его особенности и характеристики человеко­ компьютерных интерфейсов. Способы и степень адаптации зависят от назначения системы и потребностей пользователя. Преобладающим подходом являются предварительная обработка информации, выдаваемой пользователю системой, и представление только той информации, которая, по мнению системы, соответствует задачам пользователя и его уровню квалификации и знаний. При этом информация и некоторые функции самой системы, которые, по мнению системы, не имеют отношения к решаемым пользователем задачам, не отображаются вовсе или отображаются при выполнении пользователем дополнительных действий [23]. Для практической реализации адаптивных интерфейсов, основанных на интерпретации системой модели пользователя, в настоящее время наибольшее распространение получили две группы методов — методы коллаборативной (совместной) фильтрации (collaborative filtering) и методы фильтрации на основе правил (rule-based filtering) [24]. Труды Кольского научного центра РАН. Серия: Технические науки. 2022. Т. 13, № 2. С. 66-77. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2022. Vol. 13, No. 2. P. 66-77. © Вицентий А. В., 2022 70