Investigating the effectiveness of persuasive justification messages in fair music recommender systems for users with different personality traits
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent decades, music recommender systems have become increasingly popular and have attracted a lot of research attention. While there has been significant progress in algorithm design to improve the quality of recommendations for listeners, there are new research challenges arising in large scale systems which have to consider the interests of both listeners and artists. To ensure a sustainable community of artists and a diversity of genres, artists, and songs, the recommender needs to ensure that new artists have a chance to be heard and rated. So, in addition to the objective of optimizing the recommendation to the preferences and enjoyment of the listener, a large scale MRS has a “fairness” objective to provide new artists (the protected group) with an opportunity to be heard. Previous research shows that using persuasive explanations can increase user acceptance of the recommended items. We propose to use persuasive justification messages for songs of new artists to influence user acceptance and satisfaction with these recommendations. The messages are designed to implement the six popular Cialdini persuasive strategies. We explore the effects of different persuasive messages on users with different Big-5 (OCEAN) personality types in an online study (n=205). The findings show that users with different personality traits are receptive to different persuasive messages and suggest how to personalize the persuasive justifications to amplify their effect for users with different personalities. These results can guide the development of personalized/ adaptive persuasive recommendation justifications for fair music recommender systems leading to a better user satisfaction and mitigating the “rich get richer” effect in large-scale music recommender systems, ensuring diversity of content and sustainability of the community.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle