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

Resumo Técnico: Rumo a uma Linguagem Unificada de Modelagem de Usuário para Engenharia de Sistemas de IA Centrados no Ser Humano

Declaração do Problema
No contexto da sociedade digital moderna e do rápido crescimento da Inteligência Artificial (IA), a personalização tornou-se essencial para otimizar a experiência do usuário e prevenir desigualdades digitais. Embora a IA permita perfis sofisticados — como inferir fadiga por meio de dados de smartwatches ou prever atitudes via Grandes Modelos de Linguagem (LLMs) — as práticas de engenharia atuais carecem de um mecanismo padronizado para representar perfis de usuários. As soluções existentes para modelagem de usuário são fragmentadas, focando frequentemente em aspectos isolados de forma grosseira e falhando em fornecer um formato unificado e legível por máquina. Essa fragmentação leva a perfis incompletos, problemas de interoperabilidade e uma oportunidade perdida para a adaptação detalhada na engenharia baseada em modelos (MDE) e em sistemas de IA. Atualmente, não existe um padrão de fato para uma linguagem de modelagem de usuário que integre os conhecimentos da comunidade de modelagem com as perspectivas da sociologia e da psicologia.

Metodologia
Os autores propõem uma linguagem de modelagem de usuário unificada, projetada para consolidar propostas anteriores e expandi-las. O processo de desenvolvimento envolveu:

1. Revisão Sistemática da Literatura (RSL): Foi realizada uma revisão de 30 artigos sobre modelagem de usuário em MDE para identificar formalizações abstratas existentes (metamodelos ou gramáticas). Esta análise revelou uma falta de padrões unificados e uma tendência de favorecer aspectos estáticos em detrimento dos dinâmicos (ex: humor, fadiga).
2. Design do Metamodelo: Com base na RSL e em insights de outras áreas, os autores definiram uma sintaxe abstrata formalizada como um diagrama de classes UML. Este metamodelo introduz um conjunto abrangente de dimensões de usuário categorizadas em dez grupos principais: Relacionamento, Informação Pessoal, Competência, Acessibilidade, Personalidade, Preferência, Cultura, Objetivos, Emoções e Humor.
   • O modelo utiliza um tipo de dado customizado Range (0–100) para representar pontuações, escalas (ex: "ruim_a_bom") e escolhas binárias, oferecendo flexibilidade para vários tipos de dimensões.
   • Padrões específicos foram integrados, como o Quadro Europeu Comum de Referência para Línguas (CEFR) para habilidades linguísticas e as dimensões culturais de Hofstede para cultura.
3. Implementação da Sintaxe Concreta: Para garantir a legibilidade por máquina e a compatibilidade com ferramentas de IA, a sintaxe abstrata foi traduzida em uma sintaxe concreta baseada em JSON. Um JSON Schema foi derivado do metamodelo para impor consistência e validade dos dados.
4. Prova de Conceito (PoC): A linguagem foi implementada na plataforma de baixo código (low-code) de código aberto BESSER. Uma PoC foi desenvolvida para demonstrar a personalização automática de um agente conversacional. O sistema suporta duas abordagens:
   • Personalização Direta: Incorporação do modelo de usuário (como um objeto JSON) diretamente no prompt de contexto do LLM.
   • Personalização Indireta: Uso de um segundo LLM para o pós-processamento de mensagens pré-definidas com base no modelo de usuário.

Principais Contribuições

• Metamodelo Unificado: O artigo apresenta um metamodelo abrangente cobrindo 10 categorias e inúmeras dimensões granulares, superando trabalhos anteriores que tipicamente cobriam no máximo 5 categorias e 14 dimensões. Ele inclui explicitamente aspectos dinâmicos como humor e fadiga, bem como dimensões culturais e relacionais frequentemente omitidas em modelos anteriores.
• Sintaxe JSON Padronizada: Ao definir um JSON Schema derivado do metamodelo, os autores fornecem um formato que é tanto legível por humanos quanto nativamente compreendido por LLMs, facilitando a integração de modelos de usuário em pipelines de IA sem etapas complexas de transformação.
• Ferramental e PoC: Os autores fornecem uma implementação funcional na plataforma BESSER, incluindo um formulário web para criação de modelos de usuário e uma interface de agente conversacional personalizado. A PoC demonstra a capacidade do sistema de adaptar as respostas do LLM (ex: adaptar recomendações de exercícios) com base em restrições específicas do usuário, como idade, deficiência ou proficiência linguística.

Resultos
A prova de conceito demonstrou com sucesso a viabilidade da abordagem. Em um cenário específico onde um LLM foi solicitado a gerar recomendações de exercícios para ganho de massa muscular:

• Para um homem de 30 anos com paraplegia, o sistema omitiu automaticamente exercícios para membros inferiores e focou em rotinas para membros superiores.
• Para um homem de 80 anos, o sistema priorizou exercícios leves, evitou recomendações de peso e incluiu conselhos de segurança para consultar um médico.
  Estes resultados indicam que o LLM pode efetivamente interpretar o modelo de usuário estruturado em JSON e adaptar sua saída para alinhar-se ao perfil do usuário, aumentando assim a relevância da interação.

Significância e Alegações
O artigo afirma que esta linguagem unificada aborda a lacuna crítica na comunidade de MDE ao fornecer uma representação completa, detalhada e interoperável de usuários. Ao ir além de modelos estáticos e fragmentados, a linguagem proposta permite uma paleta mais exaustiva para representar usuários, o que é um pré-requisito para uma engenharia de IA centrada no ser humano eficaz. Os autores argumentam que a adaptação demonstrada melhora a qualidade da resposta e a experiência do usuário, embora notem modestamente que um estudo formal com usuários é necessário para confirmar empiricamente essas melhorias.

O trabalho estabelece a base para um pipeline onde desenvolvedores podem modelar, testar e gerar sistemas de IA centrados no usuário. O trabalho futuro delineado pelos autores inclui o entrelaçamento desta linguagem com linguagens de modelagem de aplicação (ex: IFML) para especificar adaptações determinísticas, a implementação de avaliação de qualidade via testes baseados em modelos, a exploração de perfilamento automático através de dados implícitos e a garantia de adesão estrita às regulamentações éticas e de privacidade, como o GDPR.