Examinando LLMs en el desarrollo de personas de usuario

Los Modelos de Lenguaje Grande (LLMs) son herramientas poderosas que pueden crear texto que suena como si lo hubiera escrito un humano. Aprenden de un montón de información disponible en internet y se usan en muchas áreas como traducir idiomas, escribir historias e incluso responder preguntas. Recientemente, los investigadores han comenzado a investigar cómo estos modelos pueden ayudar a entender las personas usuarias, que son personajes ficticios usados por diseñadores e investigadores para representar diferentes tipos de usuarios. Este estudio se centra en cómo los LLMs perciben las personas usuarias, especialmente en el contexto indio.

#¿Qué Son las Personas Usuarias?

Las personas usuarias son personajes inventados que representan diferentes tipos de usuarios. Ayudan a los diseñadores e investigadores a entender lo que los usuarios reales podrían necesitar o querer. Crear personas usuarias generalmente implica recopilar información sobre las edades, trabajos, intereses y hábitos de la gente. Al usar estas personas, los diseñadores pueden empatizar mejor con las necesidades y preferencias de las personas para las que están diseñando. Esto ayuda a asegurar que los productos y servicios se ajusten bien a lo que los usuarios esperan o requieren.

Las personas usuarias se crean a través de varios métodos como entrevistas, observaciones y encuestas. Proporcionan información sobre los usuarios, incluyendo su demografía (como edad e ingresos), motivaciones y frustraciones. Ha habido varios estudios que muestran cuán útiles pueden ser estas personas a la hora de tomar decisiones de diseño. Por ejemplo, los equipos han reportado una mejor comunicación y entendimiento al usar estas personas, lo que puede ayudar a alinear a todos en torno a un objetivo común.

#¿Qué Son los Modelos de Lenguaje Grande?

Los LLMs son sistemas informáticos avanzados que están diseñados para generar texto. Funcionan usando mucha información de libros, sitios web y otras fuentes escritas. Gracias a este entrenamiento, pueden producir respuestas que son claras y relevantes. Son capaces de realizar una variedad de tareas como resumir textos largos, responder preguntas e incluso escribir creativamente. Su amplia gama de aplicaciones los ha hecho populares en muchos campos diferentes, desde el periodismo hasta el soporte al cliente.

Los LLMs pueden analizar grandes cantidades de datos, lo que los hace útiles para crear personas usuarias también. Al observar actividades en línea, contenido de redes sociales y comentarios de clientes, estos modelos pueden identificar tendencias y recopilar información importante sobre diferentes grupos de usuarios. Esta información puede luego ser utilizada para crear personas usuarias realistas que muestren las características y necesidades de grupos específicos.

#¿Por Qué Usar LLMs para Personas Usuarias?

La combinación de LLMs y personas usuarias crea un área de estudio interesante. Dado que ambos dependen de la recopilación y procesamiento de datos de varias fuentes, los LLMs pueden proporcionar información valiosa sobre cómo se forman y entienden las personas usuarias. Entender cómo los LLMs perciben las personas usuarias puede ayudar a los diseñadores a mejorar su capacidad para crear productos amigables con el usuario.

Además, este enfoque no busca reemplazar el aporte humano, sino ver cómo estos modelos pueden mejorar la forma en que creamos y entendemos las personas usuarias. Las personas usuarias ya son representaciones ficticias creadas para guiar el diseño, y los LLMs pueden ayudar a analizar grandes cantidades de datos para identificar patrones que podrían pasar desapercibidos por investigadores humanos.

#Métodos y Experimentos

En este estudio, se utilizan análisis tanto cuantitativos como cualitativos para ver cómo los LLMs perciben las personas usuarias. El estudio se centra en tres personas usuarias basadas en India:

• Buscador de Entretenimiento: Una persona joven que disfruta de juegos y redes sociales.
• Conversador Familiar Dependiente: Una persona mayor que podría no sentirse cómoda con la tecnología.
• Conector y Buscador de Información: Una persona de mediana edad que usa su teléfono móvil para negocios.

Para la parte cuantitativa del estudio, se utiliza una escala de percepción de personas. Esta escala mide características como completitud, claridad, consistencia y credibilidad. No mide ciertos factores como la disposición a usar una persona, ya que no era relevante para este estudio. Se instruyó a los LLMs para que respondieran con un número que representara su acuerdo o desacuerdo con las descripciones de las personas.

Para la parte cualitativa, se le pidió a los LLMs que predijeran el perfil Demográfico de las personas dadas sus descripciones. Esta parte busca ver si los modelos pueden recrear con precisión las características basadas en las personas proporcionadas.

#Resultados y Análisis

#Análisis Cuantitativo

Las respuestas de los LLMs se promedian para entender su percepción de las personas usuarias. Aquí están los resultados para las diferentes características:

• Completitud: Altas puntuaciones indican que los LLMs encuentran que las personas abarcan una visión completa de los usuarios potenciales.
• Claridad: Las descripciones también fueron vistas como claras y comprensibles por los modelos.
• Consistencia: Se observaron las puntuaciones más altas aquí, mostrando que los modelos encontraron las características de las personas coherentes a lo largo.
• Credibilidad: Esta característica recibió puntuaciones más bajas, sugiriendo que los modelos lucharon para determinar si las personas parecían realistas.

#Análisis de Datos Cualitativos

Para el análisis de datos cualitativos, se pidió a los modelos que recrearan las demografías de las personas dadas. Sus respuestas proporcionaron información sobre cuán bien entendieron las descripciones. Por ejemplo:

• Buscador de Entretenimiento: El modelo adivinó que esta persona es probablemente joven, posiblemente un estudiante, y es hábil con la tecnología, usando su teléfono para entretenerse.
• Conversador Familiar Dependiente: El modelo predijo que esta persona es mayor, posiblemente jubilado y no muy cómodo con la tecnología, indicando un nivel de ingresos más bajo.
• Conector y Buscador de Información: El modelo colocó a esta persona en el rango de edad de 25-45, preocupado por las finanzas pero hábil en tecnología y posiblemente operando un pequeño negocio.

#Co-Creando Personas con LLMs

Basado en el análisis, hay formas prácticas en que los LLMs pueden ayudar a crear personas usuarias:

1. Identificando Grupos de Usuarios: Los LLMs pueden analizar datos para encontrar diferentes características entre grupos de usuarios, lo que ayuda a crear personas precisas.

2. Validadando Personas: Los LLMs pueden simular respuestas de las personas y realizar tareas que ayuden a verificar si las personas creadas son coherentes y precisas.

3. Mejorando Descripciones: También pueden continuar las descripciones para agregar más detalles y contexto, lo que es útil para refinar los perfiles de las personas.

#Trabajo Futuro

Mirando hacia adelante, la investigación futura se centrará en recopilar un conjunto más diverso de personas usuarias, especialmente de varias partes de India. Esto ayudará a que los modelos sean más aplicables a las dinámicas culturales y sociales únicas de la región. La investigación también trabajará en mejorar los métodos utilizados para pedir a los LLMs que logren resultados mejores y más precisos.

En general, este estudio buscó ver cómo los LLMs entienden e interpretan las personas usuarias. Al enfocarse en tres personas específicas de India, los hallazgos sugieren que los LLMs pueden analizar y recrear efectivamente la demografía de los usuarios. Hay información valiosa sobre cómo se pueden emplear aún más estos modelos para mejorar el desarrollo de personas usuarias en los procesos de diseño.

#Declaración de Ética

Partes del texto utilizado en este estudio fueron generadas por IA y son parte integral de la investigación. Este aspecto resalta cómo la IA puede contribuir a entender las personas usuarias en varios contextos.