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

技術要約：人間中心のAIシステムを設計するための統一されたユーザーモデリング言語に向けて

問題提起
現代のデジタル社会と人工知能（AI）の急速な発展という文脈において、パーソナライゼーションはユーザー体験を最適化し、デジタル格差を防ぐために不可欠となっています。AIは、スマートウォッチのデータから疲労を推論したり、大規模言語モデル（LLM）を通じて態度を予測したりといった高度なプロファイリングを可能にしていますが、現在のエンジニアリングの実践においては、ユーザープロファイルを表現するための標準化されたメカニズムが欠如しています。既存のユーザーモデリング手法は断片的であり、多くの場合、孤立した側面を粗いレベルで扱うにとどまっており、統一された機械可読な形式を提供できていません。この断片化は、不完全なプロファイル、相互運用性の問題、そしてモデル駆動型エンジニアリング（MDE）およびAIシステムにおけるきめ細かな適応の機会の喪失を招いています。モデリング・コミュニティの知見と社会学や心理学の視点を統合した、デファクトスタンダードとなるユーザーモデリング言語は現在存在しません。

手法
著者らは、これまでの提案を統合し、それらを拡張するように設計された、統一されたユーザーモデリング言語を提案しています。開発プロセスは以下の通りです：

1. 系統的文献レビュー（SLR）： MDEにおけるユーザーモデリングに関する30本の論文のレビューを実施し、既存の抽象的な定式化（メタモデルまたは文法）を特定しました。この分析により、標準化された統一規格の欠如と、動的な側面（例：気分、疲労）よりも静的な側面を優先する傾向があることが明らかになりました。
2. メタモデル設計： SLRおよび他分野からの知見に基づき、著者らはUMLクラス図として定式化された抽象構文を定義しました。このメタモデルは、「関係性（Relationship）」「個人情報（Personal Information）」「能力（Competence）」「アクセシビリティ（Accessibility）」「性格（Personality）」「好み（Preference）」「文化（Culture）」「目標（Goals）」「感情（Emotions）」「気分（Moods）」の10の主要なグループに分類された包括的なユーザー次元を導入しています。
   • 本モデルは、スコア、スケール（例：「悪い_から_良い」）、およびバイナリ選択を表現するために、カスタムのRangeデータ型（0–100）を利用しており、様々な次元タイプに対して柔軟性を提供します。
   • 言語スキルのためのヨーロッパ共通参照枠（CEFR）や、文化のためのホフステードの文化的次元など、特定の標準が統合されています。
3. 具体的構文の実装： 機械可読性とAIツールとの互換性を確保するため、抽象構文はJSONベースの具体的構文へと翻訳されました。メタモデルからJSON Schemaが導出され、データの整合性と妥当性が強制されます。
4. 概念実証（PoC）： この言語は、オープンソースの低コードプラットフォームであるBESSER上で実装されました。PoCでは、対話型エージェントの自動パーソナライゼーションを実証するために開発されました。本システムは、以下の2つのアプローチをサポートしています：
   • 直接的パーソナライゼーション： ユーザーモデル（JSONオブジェクトとして）をLLMのコンテキストプロンプトに直接埋め込む。
   • 間接的パーソナライゼーション： ユーザーモデルに基づき、事前に定義されたメッセージを二次的なLLMを用いて後処理する。

主な貢献

• 統一されたメタモデル： 本論文は、10のカテゴリと多数の粒度の高い次元をカバーする包括的なメタモデルを提示しており、最大でも5つのカテゴリと14の次元しかカバーしていなかった従来の成果を上回っています。本モデルは、従来のモデルでは省略されがちであった文化や関係性の次元に加え、気分や疲労といった動的な側面を明示的に含んでいます。
• 標準化されたJSON構文： メタモデルから派生したJSON Schemaを定義することで、著者らは人間にとって読みやすく、かつLLMがネイティブに理解できる形式を提供し、複雑な変換ステップなしにユーザーモデルをAI駆動型のパイプラインに統合することを容易にしました。
• ツールとPoC： 著者らは、ユーザーモデルを作成するためのウェブベースのフォームと、パーソナライズされた対話型エージェントのインターフェースを含む、BESSERプラットフォーム上の動作する実装を提供しています。PoCは、年齢、障害、または言語習熟度といった特定のユーザー制約に基づいて、LLMの応答を適応させるシステムの能力を実証しています。

結果
概念実証は、本アプローチの実現可能性を成功裏に実証しました。LLMに筋肉増強のためのエクササイズ推奨を生成させる特定のシナリオにおいて：

• パラプレジア（対麻痺）を持つ30歳の男性に対して、システムは自動的に下半身のエクササイズを除外し、上半身のルーチンに焦点を当てました。
• 80歳の男性に対して、システムは軽い運動を優先し、重りのある推奨事項を避け、医師に相談するという安全上の助言を含めました。
  これらの結果は、LLMが構造化されたJSONユーザーモデルを効果的に解釈し、ユーザーのプロファイルに合わせて出力を適応させ、相互作用の関連性を高めることができることを示しています。

意義と主張
本論文は、この統一された言語が、完全で粒度の高い、相互運用可能なユーザー表現を提供することで、MDEコミュニティにおける重要なギャップに対処すると主張しています。断片的で静的なモデルを超えて、提案された言語は、より網羅的なユーザー表現のパレットを可能にし、それは効果的な人間中心のAIエンジニアリングの前提条件となります。著者らは、実証された適応が応答の質とユーザー体験を向上させると主張していますが、これらの改善を経験的に確認するためには正式なユーザー調査が必要であることも謙虚に述べています。

本研究は、開発者がユーザー中心のAIシステムをモデリング、テスト、生成するためのパイプラインの基礎を築くものです。著者らが概説する今後の課題には、決定論的な適応を規定するためにこの言語をアプリケーションモデリング言語（IFMLなど）と組み合わせること、モデルベーステストによる品質評価の実装、暗黙的なデータを通じた自動プロファイリングの探索、およびGDPRのような倫理およびプライバシー規制への厳格な遵守が含まれます。