Välinpitämätön vilkaisu vai aitoa kiinnostusta? Uusi malli ennustaa, mikä näytöllä vangitsee katsojan

Niin kadut, asemat kuin toimistotkin pursuavat nykyään erilaisia diginäyttöjä, jotka tarjoavat tietoa ja tarjouksia ohi rientäville ihmisille. Nyt Aalto-yliopiston ja Suomen tekoälykeskus FCAI:n tutkijat ovat kehittäneet menetelmän, joka auttaa löytämään helpommin ne sisällöt, joiden äärelle yleisö haluaa pysähtyä - ilman silmänliikkeitä mittaavia sensoreita tai työläitä kyselytutkimuksia.

Tulokset esiteltiin äskettäin tietojenkäsittelytieteen arvostetussa Ubicomp-konferenssissa.

“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 Antti Oulasvirta, Aalto-yliopiston professori ja FCAI:n vuorovaikutteisen tekoälyn tutkimusohjelman vetäjä.

Vain tietoa katseluajoista tarvitaan

Sensorien 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.

“Yleinen tapa tällä alalla on ratkaista ongelmia rakentamalla ensin malli, joka sitten tuottaa dataa. Me teemme päinvastoin eli käytämme tosimaailman dataa mallin rakentamiseksi. Tästä käytetään nimeä käänteinen mallinnus. Sen etu on, että pystymme kuvaamaan käyttäjien toimintaa paljon tarkemmin”, Montoya sanoo.

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.

“Menetelmän uutuusarvo on siinä, ettemme tarvitse silmänliike- tai klikkidataa mallintaaksemme, mistä ihmiset ovat kiinnostuneita. Riittää, että näyttö voi mitata, kuinka kauan ihmiset viipyilevät sen edessä. Katsojia ei siis tarvitse vaivata mitenkään”, Oulasvirta sanoo.

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. 

Tutkimus perustuu teorialle, jonka avulla biologit ovat alun perin selvittäneet eläinten käytöstä näiden etsiessä ja saalistaessa ravintoa. Tästä pohjalta on myöhemmin ruvettu selittämään myös ihmisten toimintaa silloin, kun he etsivät ja valitsevat eri lähteistä tarvitsemaansa tietoa.

Linkki tutkimusartikkeliin (Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies