Unraveling user experience and mood: a comparative evaluation and predictive modeling approach
DOI:
https://doi.org/10.5335/rbca.v16i3.15683Keywords:
3D interaction, User Experience, UX EvaluationAbstract
Background User Experience (UX) evaluation is crucial for Information Systems, as it is closely related to their acceptance and post-adoption performance. It often involves the use of one or more standardized questionnaires. This evaluation can
be costly, from selecting the appropriate questionnaire to extracting data from a significant number of users, analyzing the data and comparing results, especially with evaluations that use different questionnaires. Thus, Artificial Intelligence is increasingly adopted to aid these tasks. To this end, we explore several machine learning (ML) algorithms to correlate and predict the answers of different UX and mood questionnaires. Results The developed approach successfully predicted
questionnaire responses with high accuracy (error less than 1 on a 7-point Likert scale), particularly for the longer
questionnaire. Additionally, it revealed that mood significantly contributes to this accuracy. Conclusions Our main
contributions include demonstrating how ML can be utilized to reduce UX evaluation costs and exploring the impact of user mood on this evaluation.
Downloads
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
b) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
