Using AI for User Representation: An Analysis of 83 Persona Prompts

Questo studio analizza 83 prompt utilizzati in 27 articoli di ricerca per generare persone tramite modelli linguistici di grandi dimensioni, evidenziando come la maggior parte produca profili singoli e concisi in formato strutturato, spesso con attributi demografici, ma raramente confrontando diversi modelli o adottando approcci diversificati.

L'essenziale

Immagina di dover progettare un nuovo videogioco o un'applicazione per smartphone. Per farlo bene, non puoi pensare a "tutti gli utenti" in generale; devi immaginare persone specifiche: Mario, il pensionato che usa il telefono per parlare con i nipoti, o Giulia, la studentessa che lo usa per studiare mentre prende il treno. Queste "persone immaginarie" ma basate su dati reali si chiamano Personas.

Fino a poco tempo fa, creare queste persone era come dipingere un quadro: un designer umano prendeva interviste e dati reali e, con pazienza e creatività, disegnava il ritratto dettagliato di Mario e Giulia.

Oggi, però, gli scienziati stanno usando l'Intelligenza Artificiale (AI) per fare questo lavoro al posto loro. È come se dessero un pennello magico all'AI e dicessero: "Ehi, dipingimi Mario!".

Questo studio di Joni Salminen e colleghi è come un grande ispettore che ha guardato 83 di questi "comandi" (chiamati prompt) che i ricercatori hanno dato all'AI per creare queste Personas. Hanno analizzato cosa funziona, cosa no e cosa sta succedendo nel mondo della ricerca.

Ecco cosa hanno scoperto, spiegato in modo semplice:

1. L'AI è un po' "frettolosa" (Le Personas sono troppo brevi)

Tradizionalmente, una buona Persona è come un romanzo breve: ricca di dettagli, con una storia, paure, sogni e abitudini.
Tuttavia, i ricercatori spesso chiedono all'AI: "Dammi una descrizione breve e concisa".
L'analogia: È come se invece di scrivere un romanzo completo su Mario, chiedessimo all'AI di scriverci solo un tweet. Il risultato è utile, ma perde la profondità e la ricchezza che aiutano i designer a capire davvero la persona.

2. L'AI ama i numeri, ma non i volti

Quasi tutte le Personas generate dall'AI sono fatte di testo e numeri (età, professione, reddito).
L'analogia: Immagina di dover descrivere un amico. L'AI ti dà una lista: "30 anni, ingegnere, vive a Milano". Ma quasi nessuno chiede all'AI di disegnare il volto di questa persona. È strano, perché nella vita reale vediamo prima i volti! L'immagine è quasi assente, anche se è fondamentale per creare empatia.

3. Tutti usano lo stesso "pennello"

La maggior parte dei ricercatori usa un solo tipo di AI (principalmente GPT di OpenAI), come se tutti gli artisti usassero lo stesso identico pennello per dipingere.
Il problema: Non stanno confrontando se un altro "pennello" (un'altra AI) potrebbe fare un lavoro migliore o più vario. È come se tutti dipingessero solo con la stessa marca di blu, senza provare il rosso o il verde.

4. L'AI diventa una "macchina da dati"

Molti ricercatori chiedono all'AI di restituire le Personas in un formato strutturato, come un file JSON (un formato che i computer leggono facilmente, tipo un foglio Excel).
L'analogia: Invece di creare una storia umana per ispirare i designer, stanno creando "schede tecniche" per un database. È molto efficiente per i computer, ma forse perde un po' della magia umana di capire le emozioni.

5. L'AI è un assistente, non un mago (e a volte si sbaglia)

I ricercatori stanno iniziando a usare l'AI in modo molto complesso: danno un comando, poi usano la risposta per darne un altro, e così via.
Il rischio: È come costruire una torre di carte. Se il primo comando è sbagliato, tutta la torre crolla. Inoltre, se l'AI inventa dati invece di usarne di veri, la Persona diventa una bugia, non uno strumento utile.

Cosa ci dicono questi risultati?

Gli autori ci danno tre consigli pratici, come se fossero un manuale di istruzioni per non rovinare il lavoro:

1. Non inventare tutto: Se usi l'AI per creare Personas, devi darle dei dati veri da usare come base. Non lasciare che l'AI inventi la vita di Mario dal nulla, altrimenti rischi di creare stereotipi sbagliati.
2. Impara la teoria: Non basta dare un comando a caso. Bisogna capire cosa rende una Persona "buona" (empatia, diversità, rappresentatività) prima di chiedere all'AI di farla.
3. Non fidarsi ciecamente: L'AI è potente, ma va controllata. Bisogna verificare che quello che produce abbia senso e non sia solo una risposta "bella da vedere" ma vuota di contenuto.

In sintesi:
L'Intelligenza Artificiale è un nuovo, potentissimo assistente per creare ritratti di utenti. Ma se la lasciamo fare tutto da sola, chiedendole solo "fai veloce e dammi i dati", rischiamo di ottenere ritratti piatti e noiosi. Dobbiamo usarla con intelligenza, fornendole dati veri e chiedendole di essere creativa, non solo veloce.

Sommario tecnico

1. Il Problema di Ricerca

L'articolo affronta la rapida adozione dei Modelli Linguistici di Grande Dimensione (LLM) e dell'Intelligenza Artificiale Generativa (GenAI) nella creazione di personas (rappresentazioni fittizie di utenti basate su dati reali). Sebbene le tecniche computazionali per la creazione di personas abbiano una tradizione consolidata, l'integrazione degli LLM introduce nuove sfide e rischi, tra cui:

• Bias algoritmici e stereotipi: Il rischio che i modelli generino rappresentazioni distorte o dannose della popolazione utenti.
• Mancanza di linee guida specifiche: Esistono linee guida generali per il prompting, ma mancano indicazioni specifiche su come progettare prompt per la generazione di personas in modo sicuro ed efficace.
• Opacità del processo: Non è chiaro come i ricercatori stiano effettivamente utilizzando gli LLM (struttura dei prompt, variabili inserite, formati di output) e quali siano le conseguenze di queste scelte sulla qualità e sulla ricchezza informativa delle personas generate.

Lo studio mira a colmare questo vuoto analizzando sistematicamente come i ricercatori applicano gli LLM per la generazione di personas, al fine di fornire una base empirica per future linee guida.

2. Metodologia

La ricerca si basa su un'analisi quantitativa e qualitativa di un corpus di letteratura scientifica:

• Corpus di partenza: Derivato da una Revisione Sistematica della Letteratura (SLR) precedente che ha identificato 52 articoli peer-reviewed e pre-print (meno di 2 anni) riguardanti l'uso della GenAI nello sviluppo di personas nel contesto HCI.
• Estrazione dei Prompt: I ricercatori hanno esaminato i 52 articoli per estrarre i prompt utilizzati. I prompt sono stati trovati in 27 articoli (52% del corpus).
• Dataset Finale: Sono stati analizzati 83 prompt specifici per la generazione di personas estratti da questi 27 articoli.
• Codifica: È stato sviluppato un framework di codifica collaborativo (due autori) per analizzare:
  • Lo scopo dell'uso del prompt.
  • La struttura tecnica (lunghezza, complessità, uso di variabili dinamiche).
  • Il modello LLM utilizzato.
  • Il formato di output richiesto (strutturato vs. non strutturato).
  • Il tipo di informazioni richieste nella persona (demografiche, comportamentali, ecc.).

3. Contributi Chiave

Il paper offre il primo mappatura sistematica delle pratiche di prompting per la generazione di personas, evidenziando:

1. Analisi empirica delle pratiche attuali: Documentazione di come la comunità di ricerca sta effettivamente utilizzando gli LLM, passando da un approccio teorico a uno basato su dati reali estratti dalla letteratura.
2. Identificazione di trend critici: Rilevazione di una tendenza verso la generazione di personas "povere" di informazioni (testo breve, focus demografico) e l'uso massiccio di formati strutturati (JSON) a scapito della narrazione.
3. Rilevamento di rischi: Evidenzia come la mancanza di dati primari nei prompt e l'uso di modelli non verificati possano compromettere il principio di "data-driven" delle personas.
4. Risorsa aperta: La raccolta dei 83 prompt è resa pubblicamente disponibile per future ricerche.

4. Risultati Principali

L'analisi degli 83 prompt ha portato alle seguenti scoperte:

• Scopo e Utilizzo (RQ1):

  • L'uso principale è la generazione di personas (81,48%), seguito da predizione (25,93%) e valutazione (14,81%).
  • Le applicazioni spaziano dall'educazione al design commerciale, fino alla comunicazione sul cambiamento climatico.
  • Oltre il 50% dei prompt richiede un output strutturato (principalmente JSON, 50% dei casi strutturati), indicando una visione delle personas come oggetti di dati piuttosto che strumenti narrativi per l'empatia.

• Modalità di Utilizzo (RQ2):

  • Modelli: Il 76,1% delle istanze utilizza modelli GPT. L'uso di modelli multipli o il confronto tra diversi LLM è raro (meno del 25% degli articoli).
  • Complessità: I prompt variano da semplici frasi a sistemi complessi a più stadi. In media, gli studi usano 3,1 prompt, ma alcuni arrivano a usarne fino a 12 in un singolo studio (approccio modulare).
  • Dati Dinamici: Il 74,1% dei prompt inserisce dati o variabili dinamiche (es. tramite RAG - Retrieval Augmented Generation), un passo verso le "personas computazionali".
  • Trasparenza: Meno di un terzo degli articoli (29,63%) riporta i valori degli iperparametri utilizzati, suggerendo un uso spesso basato sui valori predefiniti.

• Tipologia di Personas Generate (RQ3):

  • Formato: Il formato predominante è il testo (96,3%), spesso accompagnato da numeri (66,7%). La generazione di immagini è estremamente rara (7,41%), nonostante sia parte integrante delle personas tradizionali.
  • Quantità: La maggior parte dei prompt genera una singola persona (70,6%), limitando la capacità di rappresentare la diversità della popolazione utente.
  • Ricchezza Informativa: Le personas generate tendono ad essere meno ricche di informazioni rispetto alle personas tradizionali (media di 5,48 attributi vs 8,83 nelle template tradizionali).
  • Contenuto: La categoria di informazioni più richiesta è quella demografica (52% degli attributi, es. età, nome, occupazione), seguita da contesto, atteggiamenti e comportamenti. C'è una forte enfasi sulla brevità (limiti di parole), che contrasta con la tradizione di creare profili narrativi ricchi e dettagliati.

5. Significato e Implicazioni

Lo studio ha diverse implicazioni fondamentali per la ricerca e la pratica nell'HCI e nel design:

• Rischio di "Shallow Personas": La tendenza a richiedere output brevi e strutturati (JSON) rischia di produrre personas superficiali, utili per l'analisi dei dati ma inefficaci per costruire empatia e comprensione profonda degli utenti.
• Perdita dell'Umanità nel Processo: L'uso di prompt complessi a catena e l'assenza di dati primari diretti nei prompt minacciano il principio fondamentale delle personas: essere basate su dati reali degli utenti.
• Necessità di Nuove Linee Guida: È urgente sviluppare best practice specifiche per il prompting di personas, che includano:
  • L'obbligo di inserire dati primari (aggregati o individuali) nel prompt.
  • La richiesta di diversità (generare set di personas, non singole).
  • L'integrazione di elementi narrativi e visivi, non solo dati strutturati.
  • La verifica della diversità dei modelli LLM utilizzati per evitare bias specifici di un singolo modello.
• Sfida Valutativa: La complessità dei sistemi a prompt multipli rende difficile la valutazione umana, richiedendo nuovi metodi per analizzare la coerenza e l'equità dell'intero sistema di generazione.

In conclusione, il paper avverte che, sebbene gli LLM offrano efficienza, il loro uso attuale nella generazione di personas si sta allontanando dalle tradizioni consolidate del design centrato sull'uomo, rischiando di creare rappresentazioni utente tecnicamente efficienti ma concettualmente povere e potenzialmente dannose.