Efficient Personalization of Generative User Interfaces

Título: Personalização Eficiente de Interfaces de Usuário Generativas (GenUIs)

1. O Problema

As Interfaces de Usuário Generativas (GenUIs) oferecem a capacidade de sintetizar interfaces sob demanda, adaptando layout, estilo e densidade de informações. No entanto, a personalização eficaz dessas interfaces enfrenta desafios significativos:

• Subjetividade: As propriedades desejáveis de uma UI (como hierarquia, densidade e estilo visual) são subjetivas e difíceis de articular em prompts de texto.
• Feedback Esparsa: Coletar feedback detalhado de cada usuário é custoso e impraticável, especialmente para interfaces efêmeras criadas para interações únicas.
• Divergência de Preferências: Mesmo entre designers treinados, há um desacordo substancial sobre o que constitui um "bom design". Modelos agregados (treinados em dados de todos os usuários) falham em capturar nuances individuais, tratando a diversidade de gosto como ruído em vez de sinal.
• Limitação de Modelos Atuais: Modelos grandes multimodais (LMMs) ou avaliadores pré-treinados muitas vezes não conseguem generalizar bem para novos usuários com poucos dados de feedback, e a personalização via fine-tuning é inviável com poucas amostras.

2. Metodologia

O trabalho propõe uma abordagem de aprendizado de preferência baseada em recuperação (retrieval-based) e seleção ativa de exemplos, em vez de depender de um rubric fixo ou de fine-tuning massivo.

A. Construção do Dataset (GenUI-Preference)

• Coleta de Dados: Os autores coletaram um novo dataset com 12.000 julgamentos de preferência em pares (pairwise) de 20 designers experientes sobre um conjunto compartilhado de 600 interfaces móveis geradas (criadas por GPT-5 e Gemini-2.5-Pro).
• Protocolo: Os designers avaliaram pares de telas em uma escala de 4 pontos (de "A muito melhor que B" a "B muito melhor que A") e forneceram justificativas textuais para pares controversos.
• Análise: O estudo revelou um baixo acordo inter-anotador (Kappa de Cohen $\kappa \approx 0.25$). As justificativas mostraram que, embora os designers usem conceitos similares (ex: "limpeza", "hierarquia"), eles os interpretam e priorizam de maneiras fundamentalmente diferentes.

B. Modelo de Personalização Eficiente
O método proposto representa um novo usuário não como um modelo único, mas como uma mistura de designers anteriores do conjunto de treinamento. O processo possui três etapas:

1. Construção do Banco de Dados: Os dados de treinamento são codificados em um espaço de características visuais (usando o encoder visual do UIClip com uma camada residual aprendível).
2. Seleção de Consultas (Active Learning): Durante o onboarding do novo usuário, o sistema seleciona pares de UIs para avaliação usando Ganho de Informação Esperado (EIG). O objetivo é escolher os pares que maximizam a informação sobre quais designers do conjunto de treinamento o novo usuário mais se assemelha.
3. Personalização do Modelo:
   • Após o usuário responder a um pequeno número de pares (ex: 8), o sistema atualiza uma distribuição de probabilidade ($\pi_u$) sobre os designers de treinamento.
   • Para prever a preferência em uma nova consulta, o modelo recupera pares similares do banco de dados e agrega seus rótulos, ponderando-os pela similaridade visual e pela distribuição de probabilidade do usuário ($\pi_u$).

C. Avaliação Online
Um estudo com 12 novos designers comparou o pipeline proposto contra três baselines:

1. Geração Zero-shot (sem perfil de usuário).
2. Geração condicionada ao perfil de texto do usuário.
3. Geração + Julgador LMM condicionado ao perfil de texto.
4. Método Proposto: Geração condicionada ao texto + Reordenamento (reranking) usando o modelo de preferência adaptativo baseado nos pares de onboarding.

3. Contribuições Principais

1. Novo Dataset para GenUI: Um conjunto de dados robusto com 12.000 rótulos de preferência de designers, permitindo a análise direta da divergência de preferências em designs gerados.
2. Análise de Divergência: Evidência empírica de que a discordância entre designers é estruturada e não apenas ruído aleatório, e que conceitos de design compartilhados são aplicados de forma heterogênea.
3. Método de Personalização Eficiente: Uma técnica que supera modelos muito maiores (como GPT-5.2) e abordagens de prompting direto, utilizando apenas 8 exemplos de onboarding para adaptar a geração a um novo usuário.
4. Pipeline End-to-End: Demonstração prática de como integrar esse modelo de preferência em sistemas de geração, desde a seleção de widgets até a configuração automática de apps.

4. Resultados

• Avaliação Técnica (Offline):

  • O modelo de recuperação proposto atingiu a maior precisão de previsão de pares (0.620 com 8 exemplos), superando o UIClip pré-treinado (0.565) e o GPT-5.2-chat (que, curiosamente, viu seu desempenho diminuir com a adição de exemplos de onboarding devido a "context rot" ou ruído no contexto).
  • O método demonstrou escalabilidade, melhorando com mais feedback, enquanto modelos grandes não se adaptaram bem a poucos dados.

• Estudo Online (Geração):

  • O pipeline com o modelo de preferência adaptativo venceu 60,35% das comparações no formato "Arena" (estilo Elo), superando significativamente a geração zero-shot (41,25%), a geração condicionada a texto (47,50%) e o julgamento condicionado a texto (50,90%).
  • O modelo foi classificado em primeiro lugar em 96,8% das reamostragens bootstrap.
  • Insight Chave: Perfis de texto sozinhos são insuficientes. As preferências implícitas capturadas por julgamentos em pares (mesmo que poucos) contêm informações latentes sobre trade-offs de design que o texto não consegue articular.

5. Significado e Implicações

• Mudança de Paradigma: O trabalho sugere que a personalização em GenUIs não deve buscar um "objetivo global" único, mas sim aprender uma representação do usuário baseada em uma distribuição de preferências de outros usuários (designers).
• Eficiência de Dados: Demonstra que é possível personalizar sistemas generativos complexos com feedback extremamente esparsa (apenas 8 pares), tornando a personalização viável para usuários finais.
• Aplicações Práticas: Os autores demonstram protótipos onde o modelo é usado para:
  • Gerar widgets de UI personalizados sob demanda.
  • Configurar automaticamente temas e espaçamentos em apps de leitura.
  • Reordenar sugestões de design em editores de apresentações.
• Futuro: O estudo aponta que a incerteza dentro do próprio usuário (variação nas decisões) e a necessidade de dados mais diversos são os próximos passos, além da integração direta do modelo de preferência no objetivo de geração (em vez de apenas reranking).

Em suma, o artigo estabelece que a diversidade de gosto humano não é um problema a ser eliminado, mas o sinal fundamental para criar interfaces verdadeiramente personalizadas, e que a elicitação leve de preferências (via pares) é a chave para viabilizar isso na prática.