Nyt Aalto-yliopiston ja Suomen tekoälykeskus FCAI:n tutkijat ovat kehittäneet menetelmän, joka auttaa löytämään helpommin ne sisällöt, joiden äärelle yleisö haluaa pysähtyä. Ubicomp-konferenssissa esitelty menetelmä löytää kiinnostuksen kohteet ilman silmänliikkeitä mittaavia antureita tai työläitä kyselytutkimuksia.
- Aiemmin ihmisten käytöstä useita sisältöjä yhtä aikaa näyttävien näyttöjen edessä on tutkittu katsetta seuraavien sensoreiden avulla. Ne kertovat käyttäjän huomiosta mutta eivät kovinkaan paljon heidän varsinaisesta kiinnostuksestaan. Me olemme nyt kvantifioineet juuri kiinnostusta, mitä ei aiemmin ole tehty, kertoo tutkijatohtori Maria Montoya Freire Aalto-yliopistolta.
Uusi menetelmä voi auttaa suunnittelemaan sisältöjä nimenomaan sellaisille julkisten ja puolijulkisten tilojen näytöille, joilla on yhtäaikaisesti useita erilaisia sisältöjä. Se osoittaa, mitkä sisällöt kannattaa valita ja miten asetella ne näytölle.
- Käytännössä näytön sommittelu lasketaan uudelleen niin, että kiinnostavat asiat löytyvät todennäköisemmin ja informaatiota on enemmän. Eli jos esimerkiksi sää ja K-marketin mainokset kiinnostavat katsojia, ne tulevat saamaan enemmän huomiota. Epäkiinnostavat voivat tippua kokonaan, ja tämä kaikki tapahtuu siis automaattisesti ”, kertoo FCAI:n vuorovaikutteisen tekoälyn tutkimusohjelman vetäjä Antti Oulasvirta.
Anturien sijaan uusi menetelmä edellyttää vain tietoa siitä, minkä verran katsojat käyttävät aikaa erilaisten sisältöjen äärellä. Se perustuu käänteiseen mallinnukseen, joka on tällaisten näyttöjen tutkimuksessa uusi lähestymistapa.
Tutkijat hyödynsivät käyttäjiltä kerättyä tietoa mallin rakentamisessa. Kokeessa osallistujat katsoivat näyttöjä, joilla oli yhtä aikaa useita erilaisia sisältöjä. Tutkijat mittasivat kuhunkin sisältökokonaisuuteen käytetyt katsomisajat ja kokeen jälkeen pyysivät osallistujia arvioimaan erillisten sisältöjen kiinnostavuutta.
Malli on kehitetty yliopistoympäristössä, ja käytetyillä testinäytöillä on ollut muun muassa paikallisuutisia ja tietoa tulevista tapahtumista. Menetelmän vieminen uusiin ympäristöihin olisi kuitenkin helppoa, sillä mallin sovittaminen edellyttäisi vain katseluaikadataa uudesta ympäristöstä. Tulevaisuudessa tutkijat toivovat löytävänsä yrityskumppaneita menetelmän kaupallistamiseksi.
Kuva: Maria Montoya Freire / Aalto-yliopisto
