Towards a unified user modeling language for engineering human centered AI systems

Resumen Técnico: Hacia un lenguaje unificado de modelado de usuarios para la ingeniería de sistemas de IA centrados en el ser humano

Planteamiento del problema
En el contexto de la sociedad digital moderna y el rápido crecimiento de la Inteligencia Artificial (IA), la personalización se ha vuelto esencial para optimizar la experiencia del usuario y prevenir las desigualdades digitales. Si bien la IA permite perfiles sofisticados —como inferir fatiga mediante datos de un reloj inteligente o predecir actitudes mediante Modelos de Lenguaje Extensos (LLM)—, las prácticas de ingeniería actuales carecen de un mecanismo estandarizado para representar los perfiles de usuario. Las soluciones existentes para el modelado de usuarios están fragmentadas, a menudo se centran en aspectos aislados de forma gruesa y no logran proporcionar un formato unificado y legible por máquina. Esta fragmentación conduce a perfiles incompletos, problemas de interoperabilidad y una oportunidad perdida para la adaptación detallada en la ingeniería dirigida por modelos (MDE) y los sistemas de IA. Actualmente no existe un estándar de facto para un lenguaje de modelado de usuarios que integre los conocimientos de la comunidad de modelado con las perspectivas de la sociología y la psicología.

Metodología
Los autores proponen un lenguaje de modelado de usuarios unificado diseñado para consolidar propuestas anteriores y expandirlas. El proceso de desarrollo consistió en:

1. Revisión Sistemática de la Literatura (SLR): Se realizó una revisión de 30 artículos sobre el modelado de usuarios en MDE para identificar formalizaciones abstractas existentes (metamodelos o gramáticas). Este análisis reveló una falta de estándares unificados y una tendencia a favorecer aspectos estáticos sobre los dinámicos (por ejemplo, estado de ánimo, fatiga).
2. Diseño del Metamodelo: Basándose en la SLR y en conocimientos de otros campos, los autores definieron una sintaxis abstracta formalizada mediante un diagrama de clases UML. Este metamodelo introduce un conjunto exhaustivo de dimensiones de usuario categorizadas en diez grupos principales: Relación, Información Personal, Competencia, Accesibilidad, Personalidad, Preferencia, Cultura, Metas, Emociones y Estados de Ánimo.
   • El modelo utiliza un tipo de dato personalizado Range (0–100) para representar puntuaciones, escalas (por ejemplo, "malo_a_bueno") y elecciones binarias, ofreciendo flexibilidad para diversos tipos de dimensiones.
   • Se integran estándares específicos, como el Marco Común Europeo de Referencia para las Lenguas (CEFR) para las habilidades lingüísticas y las dimensiones culturales de Hofstede para la cultura.
3. Implementación de la Sintaxis Concreta: Para asegurar la legibilidad por máquina y la compatibilidad con herramientas de IA, la sintaxis abstracta se tradujo a una sintaxis concreta basada en JSON. Se derivó un Esquema JSON del metamodelo para garantizar la consistencia y validez de los datos.
4. Prueba de Concepto (PoC): El lenguaje se implementó en la plataforma de bajo código (low-code) de código abierto BESSER. Se desarrolló una PoC para demostrar la personalización automática de un agente conversacional. El sistema soporta dos enfoques:
   • Personalización Directa: Integrar el modelo de usuario (como un objeto JSON) directamente en el prompt de contexto del LLM.
   • Personalización Indirecta: Utilizar un segundo LLM para el posprocesamiento de mensajes predefinidos basado en el modelo de usuario.

Contribuciones Clave

• Metamodelo Unificado: El artículo presenta un metamodelo exhaustivo que cubre 10 categorías y numerosas dimensiones granulares, superando los trabajos previos que típicamente cubrían un máximo de 5 categorías y 14 dimensiones. Incluye explícitamente aspectos dinámicos como el estado de ánimo y la fatiga, así como dimensiones culturales y relacionales que suelen omitirse en modelos anteriores.
• Sintaxis JSON Estandarizada: Al definir un Esquema JSON derivado del metamodelo, los autores proporcionan un formato que es tanto legible por humanos como comprendido de forma nativa por los LLM, facilitando la integración de los modelos de usuario en los flujos de trabajo de IA sin pasos de transformación complejos.
• Herramientas y PoC: Los autores proporcionan una implementación funcional en la plataforma BESSER, que incluye un formulario web para la creación de modelos de usuario y una interfaz de agente conversacional personalizado. La PoC demuestra la capacidad del sistema para adaptar las respuestas del LLM (por ejemplo, adaptando las recomendaciones de ejercicios) basándose en restricciones específicas del usuario como la edad, la discapacidad o la competencia lingüística.

Resultados
La prueba de concepto demostró con éxito la viabilidad del enfoque. En un escenario específico donde se pidió a un LLM generar recomendaciones de ejercicios para ganar masa muscular:

• Para un hombre de 30 años con paraplejía, el sistema omitió automáticamente los ejercicios de tren inferior y se centró en rutinas de tren superior.
• Para un hombre de 80 años, el sistema priorizó ejercicios ligeros, evitó recomendaciones con peso e incluyó consejos de seguridad para consultar a un médico.
  Estos resultados indican que el LLM puede interpretar eficazmente el modelo de usuario estructurado en JSON y adaptar su salida para alinearse con el perfil del usuario, mejorando así la relevancia de la interacción.

Significancia y Reivindicaciones
El artículo sostiene que este lenguaje unificado aborda la brecha crítica en la comunidad de MDE al proporcionar una representación de los usuarios completa, detallada e interoperable. Al ir más allá de los modelos estáticos y fragmentados, el lenguaje propuesto permite una paleta más exhaustiva para representar a los usuarios, lo cual es un requisito previo para una ingeniería de IA centrada en el ser humano que sea efectiva. Los autores argumentan que la adaptación demostrada mejora la calidad de la respuesta y la experiencia del usuario, aunque señalan modestamente que se requiere un estudio formal de usuario para confirmar empíricamente estas mejoras.

El trabajo sienta las bases para un flujo de trabajo donde los desarrolladores puedan modelar, probar y generar sistemas de IA centrados en el usuario. El trabajo futuro delineado por los autores incluye el entrelazamiento de este lenguaje con lenguajes de modelado de aplicaciones (por ejemplo, IFML) para especificar adaptaciones deterministas, la implementación de la evaluación de calidad mediante pruebas basadas en modelos, la exploración de la creación de perfiles automáticos a través de datos implícitos y la garantía del cumplimiento estricto de las regulaciones éticas y de privacidad como el GDPR.