نویسنده
بوزکو، برک
تاریخ انتشار
2024-08-30T15:32:53Z
موضوع
سیستمهای توصیهکننده (فیلتر اطلاعات)، سیستمهای کامپیوتری تعاملی، عوامل هوشمند (نرمافزار کامپیوتری)، تعامل انسان و ربات، هوش مصنوعی، مهندسی کامپیوتر
نوع
سند
زبان
انگلیسی
دیجیتال
بله
نسخه خطی
خیر
کتابخانه
دانشگاه اوزیغین
شماره ثبت
ccb0fc37-dd33-4b25-b93c-72f0c4780b54
محل کتابخانه
گروه علوم کامپیوتر
تاریخ
2024-08-30T15:32:53Z
متن نمونه
از آنجایی که سیستمهای توصیهای بیشتر و بیشتر در حوزههای مختلف استفاده میشوند و در معرض نگرانیهای اخلاقی بیشتری قرار میگیرند، تقاضای فزایندهای برای تعامل شفاف و متقاعدکننده با این سیستمها وجود دارد. برای این منظور، گنجاندن توضیح پذیری در سیستم های توصیه به عنوان یک رویکرد امیدوارکننده برای افزایش جامعه پذیری و اعتماد کاربر ظاهر شده است. این پایان نامه بر سیستم های توصیه ای متمرکز است که از تکنیک های توضیح پذیری برای تقویت جامعه پذیری با ارائه توضیحات دقیق و قابل فهم برای توصیه های خود استفاده می کنند. سیستم پیشنهادی پیشنهادی از ترکیبی از مکانیسمهای شفاف مبتنی بر داده و رویکردهای مذاکره انسانی-عامل استفاده میکند. این سیستم توصیههای شخصیسازی شده را بر اساس ترجیحات فردی و سایر عوامل مشابه متناسب با کاربر ایجاد میکند و از طریق بحث و گفتگو از طریق توضیح و مکانیسمهای بازخورد بلادرنگ با کاربران وارد مذاکره میشود. سیستم به پاسخهای کاربران به صورت آنلاین واکنش نشان میدهد و توصیهها و توضیحات بعدی را برای متقاعد کردن کاربر تنظیم میکند. این پایان نامه شامل عوامل مربی مجازی تغذیه (NVC) است که توصیه های غذایی شخصی سازی شده را بر اساس عوامل فردی مانند آلرژی، عادات غذایی، سبک زندگی و ترجیحات مواد تشکیل می دهند. عمدتاً بر روی تکنیکهای تولید توضیح برای افزایش شفافیت و قابل اعتماد بودن سیستم از طریق بهبود اجتماعی بودن عامل NVC در مراحل متعدد تمرکز دارد. در نهایت، ما بهطور تدریجی آزمایشهای متعددی را با شرکتکنندگانی از زمینههای مختلف برای ارزیابی مقبولیت و اثربخشی سیستم انجام دادیم. یافته های آزمایش ها به طور کلی نشان می دهد که اکثر شرکت کنندگان از فرصت ارائه بازخورد و دریافت توضیحات برای توصیه های داده شده قدردانی می کنند. شرکت کنندگان ترجیح می دهند اطلاعاتی متناسب با نیازها و انتظارات خاص خود دریافت کنند. علاوه بر این، شرکت کنندگان نظرات خود را در مورد اشکال مختلف توضیحات بیان کردند. یافته ها حاکی از آن است که توضیحات تطبیقی به اندازه توضیحات آموزنده قدردانی نمی شود. به نظر می رسد که کاربران به ترتیب توضیحات مستقیم و ساده ای را ترجیح می دهند که موارد را توضیح دهد. bulunmaktadır. Bu nedenle, yapay zekanın açıklanabilirliği, öneri sistemlerine entegre edilerek, etkileşimi teşvik etme ve kullanıcı güvenini artırma amacıyla umut verici bir yaklaşım olarak öne çıkmıştır. Bu tez, açıklanabilirlik tekniklerini kullanarak öneri sistemlerinde social etkileşimleri teşvik etmeye odaklanmaktadır. Tasarlanan öneri sistemi, şeffaf veri tabanı mekanizmaları ve insan-merkezli muzakere yaklaşımlarının bir kombinasyonunu kullanmaktadır. Bu sistem, bireysel tercihler ve benzeri kişiselleştirilmiş faktörlere dayalı olarak kişiye özel öneriler sunmakta ve açıklamalar ile gerçek zamanlı geri bildirim mekanizmaları aracılığıyla kullanıcılarla mükekerted. سیستم، kullanıcıların çevrimiçi یانıtlarına tepki vererek sonraki önerileri ve açıklamaları، kullanıcıları ایکنا edecek şekilde uyarlamaktadır. Bu tez, yiyecek alerjileri, yeme alışkanlıkları, yaşam tarzları ve yemek içeriği tercihleri gibi kişisel faktörlere dayalı olarak kişiselleştirilmiş gıda önerileri sunan Sanal Beslenme Al Koç'maktalarınılı e. Temel olarak, Sanal Beslenme Koç'unun şeffaflığını ve güvenilirliğini artırmak amacıyla سیستم etkileşimini birden fazla adımda geliştirmeye yönelik açıklama uyarlama tekniklerine odaklanmaktadır. Sonuç olarak, system kabul edilebilirliğini ve etkililiğini değerlendirmek için farklı geçmişe sahip katılımcılarla aşamalı olarak çok sayıda deney gerçekleştirmiştir. Deneylerden elde edilen sonuçlar genel olarak katılımcıların geri bildirim sağlama ve verilen önerilere ilişkin açıklamalar alma fırsatını takdir ettiğini göstermektedir. Katılımcılar, kendi özel ihtiyaçları ve beklentilerine uygun bilgi almayı tercih etmektedirler. آیریجا، کاتیلیمجیلار چشیتلی آچیکلاملارلا ایلگیلی دوشونسلرینی دیله گتیرمیشلردیر. بلگولار، karşılaştırmalı nitelikteki açıklamaların bilgilendirici nitelikteki açıklamalara göre tercih edilmediğini göstermektedir. Kullanıcıların, önerileri neden seçildiğini direk olarak belirten, doğrudan ve basit açıklamaları tercih ettikleri görülmektedir.
