You Today, Better Tomorrow: Envisioning the Role of Conversation in Recommender Systems of the Future
Notice bibliographique
Résumé
Recommender systems could evolve from traditional models of recommendation that largely harness data on past interactions to predict what a user might want in a given moment, towards systems that also support and nurture user self-actualization. This shift could guide users in exploring and fulfilling the needs of their future potential selves, untethered from their past and current identities. In this provocation, we suggest that interactive conversational recommendation is a suitable means to rouse this vision. Conversational recommendation is capable of eliciting real-time and layered preferences, and can enable systems to take on a more proactive role in dialoguing with users about their aspirational needs—particularly in helping users navigate the intricacies that often surround these needs. We also examine the potential challenges associated with the realization of such recommender systems—for instance, the complexities in transitioning from past-based patterns of personalization to those that accommodate present-oriented and future-oriented personalization, and the preservation of user agency whilst broadening the scope of roles recommender systems can play. Overall, this paper advocates for a necessary progression in recommender systems, one propelled by conversational recommendation, towards designs that not only avail present-day user needs, but also actively stimulate pathways toward the actualization of their potential and aspirational future selves.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».