Filmsuggesties op basis van gemoedstoestand

Filmsuggesties

​ ​op​ ​basis​ ​van​ ​gemoedstoestand

3

​ ​Februari​ ​2017

Onderzoeksverslag

​ ​Thema​ ​III

Interdisciplinair

​ ​Onderzoeksproject

Abstract_{​ ​​-​ ​Het​ ​Recommendation​ ​Systems​ ​(RS)​ ​van​ ​Netflix​ ​doet​ ​aanbevelingen​ ​voor​ ​films​ ​op​ ​basis​ ​van​ ​eerdere}

beoordelingen_{​ ​van​ ​gebruikers.​ ​In​ ​dit​ ​onderzoek​ ​wordt​ ​gekeken​ ​in​ ​welke​ ​mate​ ​gemoedstoestand​ ​als​ ​parameter​ ​kan} bijdragen_{​ ​aan​ ​het​ ​verbeteren​ ​van​ ​dit​ ​systeem.​ ​Dit​ ​is​ ​onderzocht​ ​onder​ ​respondenten​ ​middels​ ​een​ ​real-time}

algoritme_{​ ​waarbij​ ​zowel​ ​beoordelingen​ ​van​ ​films​ ​als​ ​gemoedstoestand​ ​van​ ​gebruikers​ ​mee​ ​werd​ ​gewogen.​ ​Hoewel} gemoedstoestand_{​ ​een​ ​indicator​ ​is​ ​voor​ ​filmvoorkeur,​ ​werd​ ​geen​ ​positief​ ​effect​ ​gevonden​ ​op​ ​de​ ​kwaliteit​ ​van​ ​de} filmsuggesties_{​ ​gegenereerd​ ​door​ ​het​ ​algoritme.​ ​Het​ ​wegen​ ​van​ ​beoordelingen​ ​van​ ​andere​ ​films​ ​leidt​ ​wel​ ​tot​ ​betere} filmsuggesties.

Simon

​ ​Kemmere;​​ ​​Brein

​

​

&

​

​

Cognitie

10798250

Max

​ ​de​ ​Raad;​​ ​​Kunstmatige

​

​ ​​Intelligentie

10760970

Martijn

​ ​Messanella;​​ ​​Politicologie

10760148

Inhoudsopgave

1.

​ ​Inleiding

2

2.

​ ​Interdisciplinair​ ​theoretisch​ ​kader

3

2.1

​ ​Cognitieve​ ​Psychologie

4

2.2

_{​ ​Kunstmatige​ ​Intelligentie}

5

3.

_{​ ​Methoden}

7

3.1

_{​ ​Introductie​ ​enquêteonderzoek}

7

3.2

​ ​Werking​ ​recommendation​ ​system

7

3.3

​ ​Opbouw​ ​enquête

9

4.

​ ​Resultaten

12

4.1

​ ​Hoofdresultaten

12

4.2

​ ​Demografische​ ​gegevens​ ​deelnemersgroep

13

5.

_{​ ​Conclusie}

14

6.

_{​ ​Discussie}

15

6.1

_{​ ​Vervolgonderzoek}

15

6.2

​ ​Terugkoppeling​ ​naar​ ​interdisciplinair​ ​theoretisch​ ​kader

15

7.

​ ​Literatuurlijst

17

8.

​ ​Bijlagen

18

8.1

​ ​Gekozen​ ​films

18

8.2

​ ​Samenvatting​ ​Interview

19

1.

​ ​Inleiding

In​ ​2006​ ​kondigde​ ​de​ ​online​ ​videostreamingdienst​ ​Netflix​ ​de​ ​zogeheten​ ​Netflix​ ​Prize​ ​aan.​ ​Deze​ ​prijs​ ​was bestemd_{​ ​voor​ ​het​ ​team​ ​dat​ ​het​ ​​Cinematch}​_{​ ​systeem​ ​van​ ​Netflix​ ​het​ ​beste​ ​kon​ ​verbeteren​ ​met​ ​als​ ​beloning} een​ ​prijs​ ​van​ ​1​ ​miljoen​ ​dollar.​ ​Cinematch​ ​is​ ​het​ ​​recommendation​​system​​ ​(RS)​ ​dat​ ​Netflix​ ​gebruikt​ ​om suggesties_{​ ​voor​ ​films​ ​en​ ​series​ ​te​ ​doen​ ​voor​ ​haar​ ​gebruikers.​ ​Wanneer​ ​een​ ​consument​ ​van​ ​Netflix​ ​films​ ​en} series​ ​beoordeelt,​ ​worden​ ​deze​ ​beoordelingen​ ​opgeslagen​ ​in​ ​een​ ​dataset​ ​en​ ​vervolgens​ ​bepaalt​ ​dit

Cinematch_{​ ​systeem​ ​welke​ ​films​ ​en​ ​series​ ​worden​ ​aangeraden​ ​voor​ ​deze​ ​gebruiker​ ​(‘Netflix’,​ ​n.d.​ ​2016).} Bij_{​ ​deze​ ​wedstrijd​ ​werd​ ​echter​ ​alleen​ ​gekeken​ ​naar​ ​de​ ​beoordelingen​ ​die​ ​gebruikers​ ​aan​ ​films​ ​gaven.​ ​In} 2010​ ​kondigde​ ​Netflix​ ​daarom​ ​een​ ​tweede​ ​competitie​ ​aan​ ​die​ ​meerdere​ ​parameters​ ​mee​ ​zou​ ​nemen​ ​in het_{​ ​genereren​ ​van​ ​suggesties.​ ​De​ ​bestaande​ ​algoritmes​ ​die​ ​Cinematch​ ​gebruikt​ ​wegen​ ​de}

gemoedstoestand​ ​van​ ​de​ ​gebruiker​ ​niet​ ​mee​ ​terwijl​ ​andere​ ​online​ ​streamingdiensten,​ ​zoals​ ​bijvoorbeeld Spotify,_{​ ​dit​ ​in​ ​verschillende​ ​mate​ ​al​ ​wel​ ​doen.​ ​Ook​ ​binnen​ ​de​ ​wetenschappelijke​ ​literatuur​ ​wordt​ ​zowel​ ​in} cognitieve​ ​psychologie​ ​als​ ​de​ ​informatiewetenschap​ ​gekeken​ ​naar​ ​de​ ​rol​ ​van​ ​gemoedstoestand​ ​bij​ ​het kijken_{​ ​van​ ​films,​ ​en​ ​hoe​ ​een​ ​RS,​ ​zoals​ ​Cinematch,​ ​hier​ ​rekening​ ​mee​ ​kan​ ​houden.​ ​Het​ ​meewegen​ ​van} gemoedstoestand​ ​zou​ ​mogelijk​ ​van​ ​grote​ ​invloed​ ​kunnen​ ​zijn​ ​op​ ​filmvoorkeur,​ ​omdat​ ​gemoedstoestand een_{​ ​belangrijke​ ​rol​ ​speelt​ ​bij​ ​het​ ​nemen​ ​van​ ​beslissingen​ ​(Loewenstein​ ​&​ ​Lerner,​ ​2003).​ ​Gebruikers} selecteren​ ​hun​ ​entertainment​ ​(zoals​ ​muziek,​ ​films,​ ​boeken,​ ​etc.)​ ​niet​ ​alleen​ ​omdat​ ​ze​ ​erin​ ​geïnteresseerd zijn,_{​ ​maar​ ​ook​ ​omdat​ ​ze​ ​in​ ​de​ ​stemming​ ​zijn​ ​om​ ​ervan​ ​te​ ​genieten​ ​(Winoto​ ​&​ ​Tang,​ ​2010).}

Om_{​ ​dit​ ​soort​ ​recommendation​ ​systems​ ​te​ ​verbeteren​ ​en​ ​meer​ ​te​ ​baseren​ ​op​ ​de​ ​gemoedstoestand​ ​van} gebruikers,​ ​is​ ​een​ ​interdisciplinaire​ ​aanpak​ ​noodzakelijk.​ ​Een​ ​RS​ ​is​ ​een​ ​systeem​ ​opgebouwd​ ​uit

algoritmes_{​ ​die​ ​de​ ​beste​ ​suggesties​ ​voor​ ​een​ ​gebruiker​ ​bepalen.​ ​In​ ​dit​ ​onderzoek​ ​wordt​ ​met​ ​technieken​ ​uit} de​ ​kunstmatige​ ​intelligente​ ​een​ ​experimenteel​ ​RS​ ​ontworpen​ ​dat​ ​suggesties​ ​doet​ ​voor​ ​films.​ ​De

gemoedstoestand_{​ ​van​ ​een​ ​individu​ ​wordt​ ​door​ ​theorie​ ​uit​ ​de​ ​psychologische-​ ​en​ ​cognitieve​ ​wetenschap} bepaald​ ​aan​ ​de​ ​hand​ ​van​ ​de​ ​veelgebruikte​ ​PANAS-X​ ​(Positive​ ​and​ ​Negative​ ​Affect​ ​Schedule​ ​-X.​ ​Deze​ ​schaal voor_{​ ​gemoedstoestand​ ​wordt​ ​gebruikt​ ​zodat​ ​deze​ ​later​ ​meegewogen​ ​kan​ ​worden​ ​in​ ​het​ ​RS​ ​(Watson​ ​&} Clark,​ ​1994).​ ​Hierbij​ ​worden​ ​vanuit​ ​de​ ​literatuur​ ​uit​ ​de​ ​cognitie​ ​en​ ​psychologie​ ​aannames​ ​verkregen​ ​voor het_{​ ​koppelen​ ​van​ ​gemoedstoestand​ ​aan​ ​voorkeur​ ​voor​ ​een​ ​specifiek​ ​genre​ ​film.​ ​Deze​ ​aannames​ ​uit​ ​de} cognitieve​ ​psychologie​ ​worden​ ​daarna​ ​geïmplementeerd​ ​in​ ​de​ ​verkregen​ ​algoritmes​ ​uit​ ​de​ ​kunstmatige intelligentie._{​ ​Dit​ ​is​ ​de​ ​kern​ ​van​ ​het​ ​interdisciplinaire​ ​aspect​ ​van​ ​dit​ ​onderzoek:​ ​de​ ​resultaten​ ​uit​ ​de} cognitie​ ​worden​ ​gebruikt​ ​als​ ​input​ ​voor​ ​de​ ​methoden​ ​van​ ​de​ ​kunstmatige​ ​intelligentie.

Dit​ ​onderzoek​ ​focust​ ​zich​ ​op​ ​de​ ​invloed​ ​van​ ​de​ ​gemoedstoestand​ ​van​ ​een​ ​individu​ ​op​ ​zijn​ ​voorkeur​ ​voor films_{​ ​en​ ​hoe​ ​dit​ ​eventueel​ ​bij​ ​kan​ ​dragen​ ​aan​ ​het​ ​verbeteren​ ​van​ ​recommendation​ ​systems,​ ​zoals}

Cinematch.​ ​De​ ​centrale​ ​onderzoeksvraag​ ​van​ ​dit​ ​onderzoek​ ​is​ ​daarmee:

Leidt​​het​​meenemen​​van​​de​​huidige​​(on)bewuste​gemoedstoestand​ ​​van​​een​​persoon​​in​​het​​doen​​van suggesties​​voor​​films​​tot​​een​​aanbeveling​​die​​beter​​bij​​deze​​persoon​​past​​dan​​wanneer​​dit​​niet meegenomen​​wordt?

De_{​ ​hoofdhypothese​ ​die​ ​in​ ​dit​ ​onderzoek​ ​getoetst​ ​zal​ ​worden​ ​is:​ ​aanbevelingen​ ​waarbij​ ​gemoedstoestand} meegewogen_{​ ​wordt​ ​krijgen​ ​een​ ​betere​ ​beoordeling​ ​van​ ​gebruikers​ ​dan​ ​wanneer​ ​dit​ ​niet​ ​meegewogen} wordt._{​ ​Hiervoor​ ​zijn​ ​op​ ​basis​ ​van​ ​literatuur​ ​uit​ ​de​ ​cognitieve​ ​psychologie​ ​subhypotheses​ ​opgesteld​ ​die​ ​de} gemoedstoestand_{​ ​van​ ​individuen​ ​koppelt​ ​aan​ ​specifieke​ ​genres​ ​films​ ​(sectie​ ​2.1).​ ​Deze​ ​subhypotheses​ ​en} literatuur_{​ ​uit​ ​de​ ​kunstmatige​ ​intelligentie​ ​zijn​ ​gebruikt​ ​om​ ​algoritmes​ ​op​ ​te​ ​stellen​ ​die​ ​suggesties​ ​doen} voor_{​ ​films​ ​(sectie​ ​2.2).}

Voor_{​ ​dit​ ​onderzoek​ ​is​ ​een​ ​experiment​ ​uitgevoerd​ ​om​ ​te​ ​bepalen​ ​of​ ​het​ ​meenemen​ ​van​ ​gemoedstoestand} effect_{​ ​heeft​ ​op​ ​de​ ​suggesties​ ​van​ ​het​ ​recommendation​ ​systeem.​ ​In​ ​dit​ ​experiment​ ​hebben​ ​respondenten} eerst_{​ ​15​ ​films​ ​beoordeeld,​ ​waarna​ ​ze​ ​een​ ​enquête​ ​hebben​ ​ingevuld​ ​waaruit​ ​hun​ ​gemoedstoestand​ ​op​ ​dat} moment_{​ ​kan​ ​worden​ ​bepaald.​ ​Er​ ​zijn​ ​vier​ ​algoritmes​ ​opgesteld​ ​die​ ​elk​ ​een​ ​suggestie​ ​voor​ ​drie​ ​films​ ​doen.} Het_{​ ​eerste​ ​algoritme​ ​doet​ ​een​ ​willekeurige​ ​suggestie,​ ​dit​ ​is​ ​onze​ ​nullijn.​ ​Het​ ​tweede​ ​en​ ​derde​ ​algoritme} doen_{​ ​een​ ​suggestie​ ​voor​ ​drie​ ​films​ ​ofwel​ ​gebaseerd​ ​op​ ​de​ ​beoordelingen​ ​van​ ​films​ ​door​ ​het​ ​individu,} ofwel_{​ ​gebaseerd​ ​op​ ​de​ ​gemoedstoestand​ ​van​ ​het​ ​individu.​ ​De​ ​voorkeur​ ​wordt​ ​gemeten​ ​door}

respondenten_{​ ​een​ ​aantal​ ​films​ ​te​ ​laten​ ​beoordelen.​ ​Hiermee​ ​wordt​ ​de​ ​werking​ ​van​ ​een​ ​‘klassiek’​ ​RS} geïmiteerd,_{​ ​zodat​ ​de​ ​uitkomst​ ​hiervan​ ​vergeleken​ ​kan​ ​worden​ ​met​ ​de​ ​uitkomst​ ​van​ ​het​ ​RS​ ​gebaseerd​ ​op} gemoedstoestand._{​ ​Het​ ​vierde​ ​algoritme​ ​doet​ ​een​ ​suggestie​ ​op​ ​basis​ ​van​ ​zowel​ ​de​ ​gemoedstoestand​ ​van} het_{​ ​individu​ ​als​ ​de​ ​beoordelingen​ ​van​ ​films​ ​door​ ​het​ ​individu.​ ​Dit​ ​experiment​ ​wordt​ ​uitgebreid​ ​besproken} in_{​ ​sectie​ ​3.2​ ​en​ ​3.3.}

De_{​ ​resultaten​ ​van​ ​het​ ​experiment​ ​worden​ ​gepresenteerd​ ​in​ ​sectie​ ​4.​ ​De​ ​conclusies​ ​die​ ​uit​ ​de​ ​resultaten} kunnen_{​ ​worden​ ​getrokken​ ​en​ ​de​ ​beantwoording​ ​van​ ​de​ ​hoofdvraag​ ​worden​ ​gedaan​ ​in​ ​sectie​ ​5.​ ​De}

verbeterpunten_{​ ​van​ ​dit​ ​onderzoek​ ​en​ ​consequenties​ ​voor​ ​eventueel​ ​vervolgonderzoek​ ​worden​ ​behandeld} in_{​ ​sectie​ ​6.}

2.

​ ​Interdisciplinair​ ​theoretisch​ ​kader

2.1

​ ​Cognitieve​ ​Psychologie

Zillmann​ ​(1988)​ ​ontdekte​ ​met​ ​de​ ​​mood​​management​​theory​​ ​dat​ ​een​ ​brede​ ​hoeveelheid​ ​informatie (consumptie_{​ ​van​ ​nieuws,​ ​documenten,​ ​sport,​ ​komedies,​ ​drama’s​ ​en​ ​muziek)​ ​wordt​​ ​​}beïnvloed_{​ ​door​ ​de} gemoedstoestand​ ​van​ ​de​ ​gebruiker.​ ​Deze​ ​gemoedstoestand​ ​haakt​ ​in​ ​op​ ​het​ ​irrationele​ ​aspect​ ​van​ ​het nemen_{​ ​van​ ​beslissingen,​ ​waardoor​ ​het​ ​maken​ ​van​ ​keuzes​ ​door​ ​het​ ​onderbewustzijn​ ​beïnvloed​ ​wordt.​ ​Ook} willen​ ​mensen​ ​volgens​ ​de​ ​theorie​ ​deels​ ​bewust​ ​en​ ​deels​ ​onbewust​ ​een​ ​bepaalde​ ​vorm​ ​van​ ​homeostase behouden._{​ ​Dat​ ​betekent​ ​dat​ ​het​ ​hebben​ ​van​ ​een​ ​positieve​ ​stemming​ ​neigt​ ​naar​ ​het​ ​ondergaan​ ​van}

negativiteit​ ​en​ ​het​ ​hebben​ ​van​ ​een​ ​negatieve​ ​stemming​ ​neigt​ ​naar​ ​het​ ​tegenovergestelde.​ ​Dit​ ​wordt​ ​in​ ​het onderzoek_{​ ​van​ ​Winoto​ ​en​ ​Tang​ ​(2010)​ ​onderbouwd:​ ​entertainment​ ​selectie​ ​is​ ​in​ ​het​ ​bijzonder}

gekenmerkt​ ​door​ ​hedonistische​ ​motivaties.​ ​Enerzijds​ ​wil​ ​men​ ​de​ ​positieve​ ​gemoedstoestand​ ​behouden​ ​of anderzijds_{​ ​hun​ ​negatieve​ ​gemoedstoestand​ ​repareren​ ​in​ ​termen​ ​van​ ​intensiteit​ ​en​ ​duur.​ ​In​ ​dit​ ​verband} dient​ ​de​ ​gemoedstoestand​ ​van​ ​een​ ​gebruiker​ ​als​ ​cruciale​ ​bruikbare​ ​voorspeller​ ​van​ ​hun​ ​entertainment beslissingen_{​ ​(Winoto​ ​&​ ​Tang,​ ​2010).​ ​Strizhakova​ ​&​ ​Krcma​ ​(2007)​ ​vulden​ ​deze​ ​theorie​ ​aan​ ​met​ ​onderzoek} te​ ​doen​ ​naar​ ​de​ ​correlatie​ ​tussen​ ​de​ ​huidige​ ​gemoedstoestand​ ​en​ ​het​ ​willen​ ​zien​ ​van​ ​verschillende​ ​genres films._{​ ​De​ ​resultaten​ ​hiervan​ ​zijn​ ​weergegeven​ ​in​ ​figuur​ ​1​ ​hieronder.}

Samenvatting​​resultaten​​van​Strizhakova​ ​​&​​Krcma​​(2007)

Figuur​ ​1.​​ ​Bron:​ ​Strizhakova​ ​&​ ​Krcma​ ​(2007).​ ​“+”​ ​Geeft​ ​een​ ​indicatie​ ​voor​ ​een​ ​grotere​ ​waarschijnlijkheid​ ​voor​ ​het​ ​kiezen​ ​van​ ​een specifiek​ ​genre;​ ​“-“​ ​geeft​ ​een​ ​indicatie​ ​voor​ ​een​ ​lagere​ ​waarschijnlijkheid​ ​voor​ ​het​ ​kiezen​ ​van​ ​een​ ​specifiek​ ​genre;​ ​+”​ ​en​ ​“-“​ ​zijn niet​ ​significant​ ​maar​ ​geven​ ​een​ ​waarde​ ​aan​ ​voor​ ​0.05<p<0.10.​ ​*​ ​Effecten​ ​zijn​ ​significant​ ​bij​ ​p<0.05;**​ ​Effecten​ ​zijn​ ​significant​ ​bij p<0.01.

Oliver_{​ ​(2003,​ ​aangehaald​ ​in​ ​Strizhakova​ ​&​ ​Krcmar​ ​(2007))​ ​beargumenteert​ ​dat​ ​mensen​ ​ook​ ​kunnen} kiezen​ ​voor​ ​het​ ​kijken​ ​van​ ​films​ ​die​ ​ingaan​ ​tegen​ ​de​ ​hedonistische​ ​wijze​ ​waarop​ ​de​ ​mood​ ​management theory_{​ ​zich​ ​toelegt.​ ​Er​ ​wordt​ ​namelijk​}​​​geredeneerd_{​ ​dat​ ​mensen​ ​met​ ​een​ ​negatieve​ ​stemming​ ​nog​ ​steeds} voor​ ​een​ ​negatieve​ ​film​ ​kunnen​ ​kiezen.​ ​De​ ​verklaring​ ​voor​ ​dit​ ​gedrag​ ​kan​ ​worden​ ​uitgelegd​ ​op​ ​basis​ ​van de_{​ ​​social}​​comparison​​theory​​​van_{​ ​Festinger​ ​(1954).​ ​Wanneer​ ​deze​ ​theorie​ ​toegepast​ ​wordt​ ​op​ ​filmkeuze} wordt​ ​duidelijk​ ​dat​ ​mensen​ ​een​ ​negatieve​ ​film​ ​kiezen,​ ​omdat​ ​zij​ ​zich​ ​gaan​ ​vergelijken​ ​met​ ​de​ ​personages in_{​ ​de​ ​film,​ ​die​ ​slechter​ ​af​ ​zijn.​ ​Hierdoor​ ​wordt​ ​negatieve​ ​stemming​ ​in​ ​retrospect​ ​gezet​ ​en​ ​voelt​ ​men​ ​zich​ ​na} het​ ​kijken​ ​van​ ​het​ ​drama​ ​weer​ ​positiever,​ ​hetgeen​ ​uiteindelijk​ ​een​ ​hedonistische​ ​effect​ ​teweeg​ ​brengt waar_{​ ​de​ ​mood​ ​management​ ​theory​ ​om​ ​draait.}

Op_{​ ​basis​ ​van​ ​de​ ​correlaties​ ​die​ ​te​ ​vinden​ ​zijn​ ​in​ ​Figuur​ ​1​ ​zijn​ ​de​ ​subhypotheses​ ​van​ ​dit​ ​onderzoek}

geformuleerd:_{​ ​de​ ​specifieke​ ​correlaties​ ​tussen​ ​de​ ​voorkeur​ ​voor​ ​bepaalde​ ​genres​ ​en​ ​gemoedstoestanden.} Vervolgens_{​ ​is​ ​er​ ​gekeken​ ​naar​ ​de​ ​manier​ ​waarop​ ​correlaties​ ​tussen​ ​de​ ​filmgenres​ ​en​ ​de​ ​gemoedstoestand} van_{​ ​gebruikers​ ​geïmplementeerd​ ​kunnen​ ​worden​ ​in​ ​een​ ​vragenlijst.​ ​Hierbij​ ​is​ ​gebruik​ ​gemaakt​ ​van​ ​de} PANAS-X,_{​ ​gecreëerd​ ​door​ ​Watson​ ​en​ ​Clarke​ ​(1994).​ ​Deze​ ​vragenlijst​ ​bezit​ ​een​ ​Cronbach’s​ ​Alfa​ ​tussen​ ​de} .83_{​ ​en​ ​.90,​ ​wat​ ​betekent​ ​dat​ ​de​ ​interne​ ​consistentie​ ​van​ ​de​ ​PANAS-X​ ​van​ ​hoog​ ​niveau​ ​is.​ ​Op​ ​basis​ ​van​ ​de} PANAS-X_{​ ​en​ ​de​ ​resultaten​ ​van​ ​Strizhakova​ ​&​ ​Krcmar​ ​(2007)​ ​is​ ​er​ ​een​ ​koppeling​ ​gemaakt​ ​die​ ​tot​ ​uiting} komt_{​ ​in​ ​de​ ​zelf​ ​geconstrueerde​ ​enquête.​ ​Verdere​ ​uitleg​ ​en​ ​verantwoording​ ​is​ ​te​ ​vinden​ ​in​ ​sectie​ ​3.​ ​In​ ​de} volgende_{​ ​sectie​ ​wordt​ ​de​ ​achtergrond​ ​en​ ​theorie​ ​gegeven​ ​voor​ ​de​ ​opbouw​ ​van​ ​het​ ​RS.}

2.2

​ ​Kunstmatige​ ​Intelligentie

Collaborative​ ​filtering​ ​is​ ​een​ ​veelgebruikte​ ​techniek​ ​bij​ ​recommendation​ ​systems​ ​om​ ​aanbevelingen​ ​aan een_{​ ​gebruiker​ ​te​ ​doen​ ​op​ ​basis​ ​van​ ​de​ ​voorkeur​ ​van​ ​andere,​ ​vergelijkbare​ ​gebruikers.​ ​Zo​ ​zullen}

bijvoorbeeld​ ​mensen​ ​met​ ​vergelijkbare​ ​leeftijd,​ ​opleidingsniveau​ ​en​ ​geslacht​ ​vaker​ ​van​ ​dezelfde​ ​films houden_{​ ​als​ ​mensen​ ​waarbij​ ​deze​ ​persoonlijke​ ​eigenschappen​ ​verschillend​ ​zijn​ ​(Sarwar,​ ​2001).​ ​Als} mensen​ ​met​ ​vergelijkbare​ ​persoonlijke​ ​eigenschappen​ ​dezelfde​ ​soort​ ​films​ ​hoog​ ​beoordelen,​ ​zullen​ ​zij waarschijnlijk_{​ ​van​ ​dezelfde​ ​soort​ ​films​ ​houden​ ​en​ ​suggesties​ ​uit​ ​het​ ​betreffende​ ​genre​ ​krijgen.}

Hetzelfde_{​ ​geldt​ ​dus,​ ​zoals​ ​hierboven​ ​beschreven,​ ​mogelijk​ ​ook​ ​voor​ ​mensen​ ​met​ ​vergelijkbare} gemoedstoestand.​ ​Een​ ​dergelijke​ ​parallel​ ​kan​ ​daarom​ ​ook​ ​getrokken​ ​worden​ ​tussen​ ​de​ ​filmkeuze afhankelijk_{​ ​van​ ​gemoedstoestand.​ ​Een​ ​manier​ ​van​ ​vergelijken​ ​van​ ​persoonlijke​ ​eigenschappen​ ​met} collaborative​ ​filtering​ ​is​ ​het​ ​gebruik​ ​van​ ​een​ ​feature​ ​vector​ ​en​ ​cosinus-similarity​ ​(Sarwar,​ ​2001).​ ​Door​ ​de hoek_{​ ​tussen​ ​vectoren​ ​in​ ​een​ ​multidimensionale​ ​ruimte​ ​te​ ​bereken​ ​kan​ ​de​ ​mate​ ​waarin​ ​de}

objecten(vectoren),​ ​bijvoorbeeld​ ​films,​ ​vergelijkbaar​ ​zijn​ ​door​ ​overeenkomende

eigenschappen(variabelen)_{​ ​zoals​ ​genre.​ ​Deze​ ​benadering​ ​lijkt​ ​erg​ ​goed​ ​te​ ​werken​ ​en​ ​is​ ​erg​ ​populair​ ​om} aanbevelingen​ ​te​ ​doen​ ​voor​ ​diverse​ ​doeleinden​ ​(muziek,​ ​films,​ ​webshops​ ​ect.)​ ​(Zhao,​ ​2002).​ ​De​ ​formule voor_{​ ​cosinus-similarity​ ​ziet​ ​er​ ​als​ ​volgt​ ​uit:}

imilarity(A, )

cos(A, )

s

B =

B =

_{||A|| ||B||}A·B

Hier_{​ ​zijn​ ​A​ ​en​ ​B​ ​feature​ ​vectoren.​ ​De​ ​uitkomst​ ​van​ ​de​ ​formule​ ​is​ ​een​ ​waarde​ ​tussen​ ​-1​ ​en​ ​1,​ ​waarbij​ ​bij} waarde​ ​1​ ​de​ ​vectoren​ ​exact​ ​hetzelfde​ ​zijn​ ​(hoek​ ​van​ ​0​ ​graden)​ ​en​ ​bij​ ​-1​ ​het​ ​tegenovergestelde.​ ​In​ ​dit onderzoek_{​ ​zal​ ​deze​ ​waarde​ ​alleen​ ​variëren​ ​tussen​ ​0​ ​en​ ​1,​ ​omdat​ ​er​ ​nooit​ ​een​ ​negatieve​ ​waarde​ ​voor​ ​een} genre​ ​toegekend​ ​zal​ ​worden.​ ​Dit​ ​is​ ​een​ ​maat​ ​voor​ ​vergelijkbaarheid​ ​die​ ​in​ ​een​ ​recommendation​ ​algorithm gebruikt_{​ ​kan​ ​worden​ ​om​ ​de​ ​beste​ ​aanbeveling​ ​te​ ​selecteren.}

Het_{​ ​volgende​ ​voorbeeld​ ​(weergegeven​ ​in​ ​figuur​ ​2)​ ​illustreert​ ​de​ ​werking​ ​van​ ​een​ ​cosinus-similarity.} Neem​ ​een​ ​vector​ ​die​ ​een​ ​‘object’​ ​beschrijft​ ​als​ ​zijn​ ​mate​ ​van​ ​actie​ ​en​ ​drama.​ ​Als​ ​een​ ​individu​ ​vervolgens bijvoorbeeld_{​ ​dramafilms​ ​gemiddeld​ ​met​ ​een​ ​2.5​ ​beoordeeld​ ​en​ ​actiefilms​ ​gemiddeld​ ​met​ ​een​ ​7.5,​ ​en​ ​dit} genormaliseerd​ ​wordt​ ​(dus​ ​naar​ ​0.25​ ​en​ ​0.75),​ ​zal​ ​de​ ​hoek​ ​tussen​ ​een​ ​actiefilm​ ​(met​ ​waarde​ ​1​ ​voor​ ​actie en_{​ ​0​ ​voor​ ​drama)​ ​en​ ​de​ ​voorkeur​ ​van​ ​deze​ ​persoon​ ​kleiner​ ​zijn​ ​dan​ ​tussen​ ​zijn​ ​voorkeur​ ​en​ ​een}

Figuur​ ​2.​ ​Voorbeeld​ ​van​ ​collaborative​ ​filtering​ ​met​ ​cosinus​ ​similarity.​​ ​​Hier​ ​zijn​ ​twee​ ​films​ ​uit​ ​verschillende​ ​genres​ ​als​ ​voorbeeld genomen.​ ​De​ ​vectoren​ ​in​ ​de​ ​figuur​ ​staan​ ​voor​ ​de​ ​genres:​ ​(​ ​komedie​ ​,​ ​actie​ ​,​ ​drama​ ​,​ ​horror​ ​,​ ​crime​ ​).​ ​James​ ​Bond​ ​Casino​ ​Royale​ ​is gekozen​ ​als​ ​actiefilm,​ ​vandaar​ ​de​ ​waarde​ ​1​ ​voor​ ​genre​ ​actie​ ​in​ ​de​ ​vector;​ ​Titanic​ ​heeft​ ​als​ ​dramafilm​ ​een​ ​waarde​ ​1​ ​voor​ ​drama.​ ​Uit de​ ​enquête​ ​is​ ​bij​ ​de​ ​persoon​ ​in​ ​dit​ ​voorbeeld​ ​gebleken​ ​dat​ ​hij/zij​ ​een​ ​grotere​ ​voorkeur​ ​heeft​ ​voor​ ​actie​ ​(0,75)​ ​en​ ​een​ ​kleinere​ ​voorkeur voor​ ​drama​ ​(0,25).​ ​Deze​ ​persoon​ ​heeft​ ​uiteraard​ ​ook​ ​voorkeuren​ ​voor​ ​andere​ ​genres​ ​(in​ ​totaal​ ​5​ ​dimensies),​ ​maar​ ​we​ ​kijken​ ​in​ ​dit voorbeeld​ ​slechts​ ​naar​ ​twee​ ​genres.​ ​Vandaar​ ​de​ ​waarden​ ​a,b​ ​en​ ​c​ ​in​ ​de​ ​vector​ ​(normalisatie​ ​zou​ ​hier​ ​betekenen​ ​dat

).​ ​Vervolgens​ ​wordt​ ​de​ ​cosinus​ ​similarity​ ​berekend​ ​tussen​ ​de​ ​vector​ ​van​ ​de​ ​persoon​ ​en​ ​de √a²+ 0 7 + 0 2 + b + c = 1, 5² , 5² ² ²

3.

​ ​Methoden

3.1

​ ​Introductie​ ​enquêteonderzoek

Om_{​ ​de​ ​hypotheses​ ​te​ ​toetsen​ ​is​ ​gekozen​ ​voor​ ​empirische​ ​onderzoek​ ​in​ ​de​ ​vorm​ ​van​ ​een​ ​‘interactieve’} enquête.​ ​Respondenten​ ​geven​ ​hierin​ ​hun​ ​voorkeur​ ​voor​ ​films​ ​en​ ​hun​ ​ervaring​ ​van​ ​bepaalde

gemoedstoestanden_{​ ​aan,​ ​en​ ​op​ ​basis​ ​hiervan​ ​worden​ ​real-time​ ​aanbevelingen​ ​gedaan​ ​voor​ ​films.} Respondenten​ ​worden​ ​tot​ ​slot​ ​gevraagd​ ​deze​ ​aanbevelingen​ ​te​ ​beoordelen.​ ​Deze​ ​beoordelingen​ ​van​ ​de aanbevelingen_{​ ​worden​ ​gebruikt​ ​om​ ​de​ ​effectiviteit​ ​van​ ​het​ ​recommendation-system​ ​(RS)​ ​gebaseerd​ ​op} gemoedstoestand​ ​te​ ​meten,​ ​en​ ​daarmee​ ​de​ ​hoofdvraag​ ​te​ ​beantwoorden.​ ​De​ ​exacte​ ​werking​ ​van​ ​het​ ​RS wordt_{​ ​behandeld​ ​in​ ​sectie​ ​3.2}

Panacek_{​ ​(2008)​ ​beschrijft​ ​surveys​ ​(enquêtes)​ ​als​ ​een​ ​betrouwbare​ ​en​ ​gevestigde​ ​methode​ ​van}

wetenschappelijk​ ​onderzoek.​ ​De​ ​punten​ ​die​ ​door​ ​hem​ ​zijn​ ​opgesteld​ ​vormden​ ​de​ ​basis​ ​voor​ ​de​ ​enquête die_{​ ​in​ ​dit​ ​onderzoek​ ​is​ ​gebruikt.​ ​Het​ ​belangrijkste​ ​uitgangspunt​ ​voor​ ​een​ ​dergelijk​ ​onderzoek​ ​is​ ​dat​ ​de} beantwoorde​ ​vragen​ ​betrouwbaar​ ​genoeg​ ​zijn​ ​om​ ​vervolgens​ ​met​ ​statistische​ ​analyses​ ​de​ ​opgestelde hypotheses_{​ ​te​ ​ontkrachten​ ​of​ ​conclusies​ ​te​ ​trekken.​ ​De​ ​vragen​ ​moeten​ ​duidelijk​ ​zijn​ ​en​ ​er​ ​moet​ ​zo​ ​min} mogelijk​ ​ruimte​ ​voor​ ​interpretatie​ ​mogelijk​ ​zijn.​ ​Met​ ​dit​ ​argument​ ​is​ ​rekening​ ​gehouden​ ​bij​ ​het

opstellen_{​ ​van​ ​de​ ​interactieve​ ​enquête.​ ​De​ ​exacte​ ​opzet​ ​en​ ​vraagstelling​ ​van​ ​de​ ​enquête​ ​wordt​ ​behandeld} in​ ​sectie​ ​3.3.​ ​Een​ ​overzicht​ ​van​ ​de​ ​opmaak​ ​van​ ​de​ ​enquête​ ​is​ ​te​ ​vinden​ ​in​ ​bijlage​ ​1​ ​in​ ​sectie​ ​8.3.

3.2

​ ​Werking​ ​recommendation​ ​system

Technische​ ​werking​ ​recommendation​ ​system

De_{​ ​enquête​ ​met​ ​het​ ​recommendation​ ​system​ ​staat​ ​op​ ​een​ ​webserver​ ​(link:​ ​mxdr.synology.me)​ ​en​ ​is} geprogrammeerd​ ​in​ ​de​ ​programmeertaal​ ​PHP.​ ​Stijl-output​ ​(de​ ​visuele​ ​content​ ​op​ ​de​ ​website)​ ​in​ ​HTML​ ​en CSS_{​ ​wordt​ ​deels​ ​automatisch​ ​gegenereerd​ ​met​ ​PHP-scripts,​ ​zoals​ ​het​ ​weergeven​ ​van​ ​blokken​ ​met​ ​films​ ​in} willekeurige​ ​volgorde.​ ​Alle​ ​data​ ​over​ ​gemoedstoestanden​ ​en​ ​films,​ ​die​ ​in​ ​sectie​ ​3.3​ ​toegelicht​ ​worden,​ ​zijn opgeslagen_{​ ​in​ ​een​ ​relationele​ ​SQL​ ​database,​ ​ook​ ​respons​ ​van​ ​de​ ​respondenten​ ​wordt​ ​weer​ ​in​ ​deze}

database​ ​opgeslagen.​ ​Het​ ​berekenen​ ​van​ ​de​ ​cosinus​ ​similarity​ ​werkt​ ​door​ ​vectoren​ ​als​ ​PHP-arrays​ ​te representeren,_{​ ​en​ ​daar​ ​bewerkingen​ ​op​ ​uit​ ​te​ ​voeren.}

Collaborative_{​ ​filtering}

Door​ ​zowel​ ​de​ ​gemoedstoestand​ ​als​ ​de​ ​filmvoorkeur​ ​van​ ​de​ ​gebruiker​ ​in​ ​twee​ ​verschillende​ ​feature vectoren_{​ ​te​ ​kwantificeren​ ​en​ ​de​ ​cosinus​ ​similarity​ ​te​ ​berekenen​ ​met​ ​overeenkomende​ ​vectoren​ ​van​ ​films} worden​ ​er​ ​films​ ​geselecteerd​ ​die​ ​het​ ​best​ ​aansluiten​ ​op​ ​de​ ​gemoedstoestand​ ​of​ ​voorkeur​ ​van​ ​de

gebruiker._{​ ​Door​ ​deze​ ​vectoren​ ​te​ ​combineren​ ​kunnen​ ​gemoedstoestand​ ​en​ ​filmvoorkeur​ ​afzonderlijk} meegewogen​ ​worden​ ​in​ ​een​ ​aanbeveling.​ ​Dit​ ​is​ ​de​ ​implementatie​ ​van​ ​collaborative​ ​filtering​ ​(Sarwar, 2001).

Feature_{​ ​vector​ ​voor​ ​voorkeur}

De_{​ ​feature​ ​vector​ ​voor​ ​voorkeur​ ​wordt​ ​gegenereerd​ ​door​ ​beoordelingen​ ​van​ ​films​ ​op​ ​een​ ​10-punts} Likertschaal_{​ ​(deel​ ​1​ ​enquête)​ ​op​ ​te​ ​slaan​ ​als​ ​voorkeur-vector​ ​waarbij​ ​de​ ​voorkeur​ ​voor​ ​een​ ​genre​ ​de} gemiddelde_{​ ​score​ ​uit​ ​de​ ​drie​ ​films​ ​van​ ​het​ ​betreffende​ ​genre​ ​bedraagt.​ ​Als​ ​een​ ​respondent​ ​bijvoorbeeld​ ​3} verschillende_{​ ​actiefilms​ ​met​ ​een​ ​6,​ ​een​ ​7​ ​en​ ​een​ ​8​ ​beoordeeld.​ ​Zal​ ​de​ ​waarde​ ​in​ ​zijn​ ​voorkeurs-vector​ ​voor} het_{​ ​genre​ ​actie​ ​het​ ​gemiddelde,​ ​een​ ​7​ ​zijn.}

Feature_{​ ​vector​ ​voor​ ​gemoedstoestand}

Voor_{​ ​de​ ​gemoedstoestand-vector​ ​wordt​ ​de​ ​mate​ ​waarin​ ​een​ ​respondent​ ​een​ ​gemoedstoestand​ ​ervaart} (deel_{​ ​2​ ​enquête)​ ​direct​ ​omgerekend​ ​naar​ ​een​ ​vector​ ​met​ ​de​ ​betreffende​ ​correlaties​ ​tussen​ ​deze}

gemoedstoestand_{​ ​en​ ​genrevoorkeur.​ ​De​ ​correlaties​ ​die​ ​hiervoor​ ​gebruikt​ ​zijn​ ​zijn​ ​te​ ​vinden​ ​in​ ​tabel​ ​1​ ​in} sectie_{​ ​3.3​ ​deel​ ​2,​ ​en​ ​zijn​ ​gebaseerd​ ​op​ ​het​ ​onderzoek​ ​van​ ​Strizhakova​ ​&​ ​Krcmar​ ​(2007).​ ​waarbij​ ​zeer} significante_{​ ​(p<0,01)​ ​correlaties​ ​een​ ​vermenigvuldigingsfactor​ ​van​ ​1.5​ ​krijgen.​ ​Hiermee​ ​wordt​ ​de} significantie_{​ ​van​ ​deze​ ​correlatie​ ​benadrukt​ ​bij​ ​het​ ​doen​ ​van​ ​aanbevelingen.​ ​De​ ​ervaring​ ​van} gemoedstoestanden_{​ ​wordt​ ​gemeten​ ​op​ ​een​ ​5-punts​ ​Likertschaal.​ ​Hierbij​ ​wordt​ ​uitgegaan​ ​van​ ​een} correlatie_{​ ​van​ ​0​ ​met​ ​een​ ​genre​ ​als​ ​de​ ​respondent​ ​de​ ​ervaring​ ​van​ ​een​ ​gemoedstoestand​ ​als​ ​neutraal} (score_{​ ​3​ ​op​ ​de​ ​Likertschaal)​ ​beoordeelt,​ ​een​ ​recht​ ​evenredige​ ​negatieve​ ​correlatie​ ​met​ ​het​ ​genre​ ​als​ ​de} beoordeling_{​ ​lager​ ​is​ ​(oneens),​ ​en​ ​recht​ ​evenredig​ ​positief​ ​als​ ​de​ ​beoordeling​ ​hoger​ ​is​ ​(eens).​ ​Ook​ ​hier} worden_{​ ​voorkeurs-scores​ ​voor​ ​genres​ ​opgeteld​ ​en​ ​in​ ​een​ ​feature​ ​vector​ ​gekwantificeerd.}

Bijvoorbeeld:_{​​ ​de​ ​gemoedstoestand​ ​‘Energiek’​ ​correleert​ ​positief​ ​met​ ​het​ ​genre​ ​‘actie’.​ ​Als​ ​een} respondent_{​ ​een​ ​score​ ​4​ ​(eens)​ ​geeft​ ​aan​ ​zijn​ ​energieke​ ​gevoel,​ ​krijgt​ ​zijn​ ​voorkeur​ ​voor​ ​het​ ​genre} actie_{​ ​een​ ​score​ ​van​ ​​ ​4​ ​-​ ​3(baseline)​ ​=​ ​+1.​ ​Als​ ​hij​ ​zich​ ​absoluut​ ​niet​ ​energiek​ ​voelt​ ​en​ ​een​ ​1​ ​(zeer} oneens)_{​ ​invult,​ ​wordt​ ​zijn​ ​voorkeur​ ​voor​ ​actie​ ​berekend​ ​als​ ​1​ ​-​ ​3(baseline)​ ​=​ ​-2.​ ​Zou​ ​‘actie’​ ​een} zeer_{​ ​significante​ ​correlatie​ ​hebben​ ​met​ ​energiek​ ​dan​ ​zouden​ ​deze​ ​scores​ ​dus​ ​nog​ ​met​ ​1.5} vermenigvuldigd_{​ ​worden.}

Aanbevelingen

Vervolgens_{​ ​wordt​ ​met​ ​de​ ​cosinus​ ​similarity​ ​voor​ ​zowel​ ​de​ ​beoordelings-vector​ ​als​ ​de}

gemoedstoestand-vector_{​ ​twee​ ​films​ ​geselecteerd​ ​uit​ ​het​ ​genre​ ​dat​ ​het​ ​best​ ​scoort​ ​in​ ​de​ ​betreffende​ ​vector,} en_{​ ​één​ ​film​ ​uit​ ​het​ ​tweede​ ​beste​ ​genre.​ ​Deze​ ​selectie​ ​van​ ​drie​ ​films​ ​vormt​ ​de​ ​basis​ ​voor​ ​één​ ​​set​ ​​suggesties.} Er_{​ ​wordt​ ​ook​ ​nog​ ​een​ ​set​ ​suggesties​ ​gedaan​ ​waarbij​ ​zowel​ ​rekening​ ​gehouden​ ​wordt​ ​met​ ​zowel}

aangegeven_{​ ​filmvoorkeur​ ​als​ ​ervaring​ ​van​ ​gemoedstoestand.​ ​De​ ​gecombineerde​ ​vector​ ​is​ ​hierbij​ ​een} gewogen_{​ ​gemiddelde​ ​van​ ​beide​ ​vectoren.}

De_{​ ​sets​ ​met​ ​3​ ​suggesties​ ​zijn​ ​dus​ ​als​ ​volgt:}

-_{​ ​Een​ ​set​ ​suggesties​ ​gebaseerd​ ​op​ ​de​ ​beoordeling​ ​van​ ​andere​ ​films​ ​de​ ​respondent} -​ ​Een​ ​set​ ​suggesties​ ​gebaseerd​ ​op​ ​de​ ​gemoedstoestand​ ​van​ ​de​ ​respondent

-_{​ ​Een​ ​set​ ​suggesties​ ​gebaseerd​ ​op​ ​zowel​ ​de​ ​beoordeling​ ​van​ ​de​ ​respondent​ ​als​ ​zijn/haar​ ​gemoedstoestand} -​ ​Een​ ​willekeurige​ ​set​ ​suggesties​ ​(deze​ ​is​ ​totaal​ ​willekeurig​ ​gegenereerd)

De​ ​willekeurige​ ​set​ ​suggesties​ ​dient​ ​om​ ​te​ ​controleren​ ​dat​ ​de​ ​set​ ​suggesties​ ​gebaseerd​ ​op​ ​de​ ​initiële beoordeling_{​ ​tot​ ​een​ ​significant​ ​beter​ ​beoordelingscijfer​ ​leidt​ ​dan​ ​een​ ​willekeurige​ ​set,​ ​oftewel:​ ​het​ ​test​ ​of} het​ ​algoritme​ ​goed​ ​presteert.​ ​De​ ​gecombineerde​ ​vector​ ​dient​ ​om​ ​te​ ​testen​ ​of​ ​een​ ​combinatie​ ​van​ ​een

recommendation_{​ ​system​ ​gebaseerd​ ​op​ ​gemoedstoestand​ ​gecombineerd​ ​met​ ​een​ ​klassiek​ ​RS​ ​gebaseerd​ ​op} voorkeur_{​ ​mogelijk​ ​nog​ ​effectiever​ ​zou​ ​kunnen​ ​zijn.}

3.3

​ ​Opbouw​ ​enquête

Introductie

De​ ​respondent​ ​krijgt​ ​eerst​ ​een​ ​korte​ ​introductie:

“Bedankt​​dat​​u​​wilt​​deelnemen​​aan​​dit​onderzoek​ ​​naar​​filmvoorkeur!​​Voor​​het​​onderzoek​​is​​het belangrijk​​dat​​u​​de​​antwoorden​​zo​​eerlijk​​mogelijk​​invult.​​De​gegevens​ ​​zullen​​anoniem​​worden verwerkt​​en​​u​​hoeft​geen​ ​​persoonlijke​​gegevens​​te​​verstrekken.”

Hier_{​ ​wordt​ ​dus​ ​benadrukt​ ​dat​ ​eerlijkheid​ ​belangrijk​ ​is,​ ​dit​ ​om​ ​sociaal​ ​wenselijke​ ​antwoorden​ ​te} voorkomen._{​ ​Daarom​ ​wordt​ ​ook​ ​vermeld​ ​dat​ ​respons​ ​anoniem​ ​verwerkt​ ​wordt.}

Deel​ ​1:​ ​Films

Er_{​ ​zijn​ ​twee​ ​poules​ ​met​ ​films​ ​samengesteld​ ​voor​ ​dit​ ​onderzoek.​ ​In​ ​pool​ ​1​ ​staan​ ​15​ ​films​ ​uit​ ​5}

verschillende_{​ ​genres​ ​waarvan​ ​de​ ​respondent​ ​op​ ​een​ ​10-punts​ ​schaal​ ​beoordeelt​ ​hoe​ ​goed​ ​deze​ ​bij​ ​hem} passen;​ ​hiervoor​ ​wordt​ ​een​ ​beschrijving,​ ​titel​ ​en​ ​cover​ ​getoond​ ​zoals​ ​op​ ​IMDB.​ ​De​ ​tweede​ ​poule,​ ​ook bestaande​ ​uit​ ​15​ ​films​ ​uit​ ​drie​ ​genres,​ ​is​ ​de​ ​recommendation-poule.​ ​Enkele​ ​films​ ​uit​ ​deze​ ​poule​ ​worden uiteindelijk_{​ ​aangeraden​ ​aan​ ​de​ ​respondent.​ ​De​ ​respondent​ ​geeft​ ​dus​ ​aan​ ​of​ ​deze​ ​suggesties​ ​bij​ ​hem} passen_{​ ​in​ ​deel​ ​3​ ​van​ ​de​ ​enquête.}

De​ ​films​ ​voldoen​ ​aan​ ​de​ ​volgende​ ​criteria:

-

Ze_{​ ​zijn​ ​onderdeel​ ​van​ ​de​ ​IMDB-database.​ ​Dit​ ​medium​ ​is​ ​gekozen​ ​voor​ ​de​ ​grote​ ​toegankelijk​ ​en} het_{​ ​maandelijkse​ ​gebruik​ ​van​ ​250​ ​miljoen​ ​unieke​ ​gebruikers,​ ​waaronder​ ​Netflix-gebruikers} (‘IMDB’,​ ​n.d.​ ​2016)

-

De_{​ ​gekozen​ ​films​ ​bevatten​ ​allemaal​ ​een​ ​rating​ ​van​ ​minimaal​ ​een​ ​7,5​ ​en​ ​maximaal​ ​een​ ​8,5​ ​om​ ​te} controleren_{​ ​voor​ ​de​ ​kwaliteit​ ​van​ ​de​ ​film.​ ​Deze​ ​algehele​ ​kwaliteit​ ​komt​ ​tot​ ​stand​ ​door​ ​het} gewogen​ ​oordeel​ ​van​ ​experts​ ​en​ ​alledaagse​ ​gebruikers.

-

Het_{​ ​laatste​ ​criterium​ ​is​ ​dat​ ​de​ ​gekozen​ ​films​ ​minstens​ ​150.000​ ​ratings​ ​moeten​ ​hebben​ ​om​ ​in} aanmerking_{​ ​te​ ​komen​ ​voor​ ​de​ ​selectie.​ ​Dit​ ​gebeurd​ ​om,​ ​net​ ​als​ ​het​ ​bovenstaande​ ​criterium,​ ​te} controleren_{​ ​voor​ ​een​ ​goede​ ​representatie​ ​van​ ​de​ ​meningen​ ​van​ ​de​ ​IMDB​ ​bezoekers​ ​(en​ ​de} Netflix-gebruikers)

De_{​ ​gekozen​ ​films​ ​zijn​ ​te​ ​vinden​ ​in​ ​de​ ​bijlage​ ​in​ ​sectie​ ​8.1.}

Alle​ ​15​ ​films​ ​uit​ ​5​ ​verschillende​ ​genres​ ​worden​ ​in​ ​willekeurige​ ​volgorde​ ​getoond.​ ​De​ ​respondent​ ​krijgt de_{​ ​volgende​ ​opdracht:}

“We_​​willen_​​u_​​eerst_​​vragen_​​om_​​een_​​aantal_​​films_​​te_​beoordelen_{​ ​​}op_​​​hoe_​​goed_​​de_​film_{​ ​​}bij_​​u_​​past_​._​​U

krijgt​​hiervoor​​slechts​​een​​titel,​​een​​korte​​beschrijving​​en​​een​​foto​​van​​de​​film​​cover​​te​​zien,​​en​​u​​kunt een​​cijfer​​op​​een​​10​​puntsschaal​​geven.​​We​​moedigen​​u​​hierbij​​aan​​vooral​​op​​uw​​gevoel​​af​​te​​gaan,​​u hoeft​​hier​​niet​​lang​​over​​na​​te​​denken.“

Hiermee​ ​proberen​ ​de​ ​onderzoekers​ ​de​ ​respondent​ ​te​ ​sturen​ ​om​ ​aan​ ​te​ ​geven​ ​hoe​ ​hij​ ​een​ ​film​ ​normaal gesproken_{​ ​waardeert,​ ​om​ ​beïnvloeding​ ​van​ ​de​ ​huidige​ ​gemoedstoestand​ ​te​ ​minimaliseren.​ ​De}

aansporing_{​ ​voor​ ​de​ ​gebruiker​ ​om​ ​op​ ​zijn​ ​gevoel​ ​af​ ​te​ ​gaan​ ​dient​ ​om​ ​de​ ​tijd​ ​die​ ​het​ ​onderzoek​ ​de} respondent_{​ ​kost​ ​te​ ​beperken,​ ​hij​ ​moet​ ​immers​ ​15​ ​films​ ​beoordelen.​ ​Als​ ​de​ ​respondent​ ​na​ ​het​ ​verplicht}

invullen_{​ ​van​ ​beoordelingen​ ​voor​ ​alle​ ​films​ ​op​ ​‘Volgende’​ ​klikt​ ​wordt​ ​de​ ​feature​ ​vector​ ​voor​ ​zijn​ ​voorkeur} opgeslagen.

Deel_{​ ​2:​ ​Gemoedstoestanden}

De_{​ ​gekozen​ ​filmgenres​ ​zijn​ ​gebaseerd​ ​op​ ​een​ ​aantal​ ​gemoedstoestanden​ ​uit​ ​het​ ​onderzoek​ ​van} Strizhakova​ ​&​ ​Krcmar​ ​(2007)​ ​die​ ​correleren​ ​met​ ​voorkeur​ ​of​ ​afkeur​ ​voor​ ​deze​ ​genres.​ ​De​ ​gekozen genres_{​ ​zijn:​}​​actie,​​horror,​​drama,​​comedy​​​en_​​​crime​._{​ ​De​ ​correlatie​ ​tussen​ ​de​ ​ervaring​ ​van​ ​een​ ​bepaalde} gemoedstoestand_{​ ​en​ ​voorkeur​ ​voor​ ​een​ ​bepaald​ ​genre​ ​is​ ​hieronder​ ​in​ ​tabel​ ​3.1​ ​uiteengezet.​ ​Dit​ ​is​ ​dus} een_{​ ​selectie​ ​van​ ​genres​ ​en​ ​gemoedstoestanden​ ​uit​ ​de​ ​tabel​ ​van​ ​Strizhakova​ ​&​ ​Krcmar​ ​(figuur​ ​1)​ ​die} relevant​ ​is​ ​voor​ ​ons​ ​onderzoek:

Correlaties_​​tussen_​​Gemoedstoestanden_​​en_​​Filmgenres

Gemoedstoestand_​​als_​​in

Strizhakova_​​&_​​Krcmar_​​(2007): Energiek Nerveus Boos Verdrietig Kalm

Correlerende_{​ ​voorkeur​ ​voor} genres:

+_{​ ​Actie} --​ ​Comedy -_{​ ​Crime}

++_{​ ​Horror -​ ​Drama} +_{​ ​Crime} ++​ ​Drama

+_{​ ​Comedy}

Tabel​ ​3.1​.​ ​+,-​ ​betekent​ ​significantie​ ​van​ ​p<0,05.​ ​++,--​ ​betekent​ ​significantie​ ​van​ ​p<0,01​ ​(Deze​ ​wordt​ ​dus​ ​vermenigvuldigd​ ​*1.5).

De_{​ ​gemoedstoestanden​ ​uit​ ​Strizhakova​ ​&​ ​Krcmar​ ​(2007)​ ​vallen​ ​onder​ ​een​ ​overkoepelende}

gemoedstoestand​ ​uit​ ​de​ ​PANAS-X,​ ​waarvan​ ​aangenomen​ ​wordt​ ​dat​ ​zij​ ​ook​ ​op​ ​dezelfde​ ​manier​ ​correleren met​ ​de​ ​voorkeur​ ​voor​ ​genres​ ​als​ ​de​ ​gemoedstoestanden​ ​in​ ​figuur​ ​1.​ ​Per​ ​overkoepelende

gemoedstoestand_{​ ​zijn​ ​vervolgens​ ​twee​ ​gemoedstoestanden​ ​gekozen​ ​die​ ​ook​ ​onder​ ​deze}

gemoedstoestand_{​ ​vallen​ ​en​ ​die​ ​respondenten​ ​ook​ ​moeten​ ​beoordelen.​ ​Dit​ ​zodat​ ​een​ ​uitgebreider​ ​beeld} van​ ​de​ ​gemoedstoestand​ ​van​ ​een​ ​respondent​ ​gevormd​ ​kan​ ​worden.​ ​Hier​ ​volgen​ ​dus​ ​15

gemoedstoestanden​ ​uit​ ​met​ ​bijbehorende​ ​correlatie.​ ​Een​ ​specificatie​ ​is​ ​hieronder​ ​in​ ​tabel​ ​3.2​ ​te​ ​vinden:

Toewijzing​​van​​PANAS-X​​gemoedstoestanden​​onder​gemoedstoestanden​ ​​van​​Strizhakova​​&​​Krcmar​​(2007) Gemoedstoestand​​als​​in

Strizhakova​ ​&​ ​Krcmar​ ​(2007): Energiek Nerveus Boos Verdrietig Kalm

PANAS-X_​​gemoedstoestand

waar_​​deze_​​onder_​​valt:

Joviality Fear Hostility Sadness Serenity

Andere_​​gemoedstoestanden

die_​​onder_​​de_​​PANAS-X

gemoedstoestand_​​vallen: Vrolijk Gelukkig Bezorgd Onzeker Geïrriteerd Vijandig Neerslachtig Eenzaam Gemakzuchtig Ontspannen

Tabel​ ​3.2​.​ ​Gemoedstoestanden​ ​uit​ ​de​ ​PANAS-X​ ​emotieschaal​ ​worden​ ​vertaald​ ​uit​ ​het​ ​Engels​ ​gelinkt​ ​aan​ ​de​ ​gemoedstoestanden in_{​ ​Strizhakova​ ​&​ ​Krcmar​ ​(2007).​ ​De​ ​niet​ ​dikgedrukte​ ​gemoedstoestanden​ ​worden​ ​gebruikt​ ​in​ ​de​ ​enquête.}

In_{​ ​dit​ ​deel​ ​van​ ​het​ ​onderzoek​ ​moeten​ ​de​ ​respondenten,​ ​opnieuw​ ​in​ ​willekeurig​ ​volgorde,​ ​aangeven​ ​in} hoeverre​ ​zij​ ​de​ ​15​ ​gemoedstoestanden​ ​(weergegeven​ ​in​ ​tabel​ ​3.2)​ ​ervaren.​ ​Dit​ ​geven​ ​zij​ ​aan​ ​op​ ​een​ ​5 punts​ ​schaal​ ​tussen​ ​zeer​ ​oneens​ ​en​ ​zeer​ ​eens.​ ​De​ ​beschrijving​ ​hierbij​ ​is​ ​als​ ​volgt:

“We​​gaan​​u​​nu​​vragen​​in​​hoeverre​​u​​een​​aantal​​gemoedstoestanden​​ervaart. Probeer​​hier​​zo​​eerlijk​mogelijk​ ​​antwoord​​op​​te​​geven.”

“Ik_​​voel_​​mij_​op_{​ ​​}dit_​​moment_​​(...)”

Nogmaals_{​ ​wordt​ ​benadrukt​ ​dat​ ​eerlijk​ ​antwoord​ ​belangrijk​ ​is,​ ​omdat​ ​de​ ​respondent​ ​mogelijk​ ​gesloten​ ​is} over_{​ ​zijn​ ​gemoedstoestand.​ ​Als​ ​de​ ​respondent​ ​na​ ​het​ ​verplicht​ ​waarderen​ ​van​ ​alle​ ​gemoedstoestanden} op_{​ ​volgende​ ​klikt​ ​wordt​ ​de​ ​feature​ ​vector​ ​voor​ ​zijn​ ​voorkeur​ ​gebaseerd​ ​op​ ​zijn​ ​gemoedstoestand} opgeslagen.

Deel_{​ ​3:​ ​Suggesties}

De​ ​derde​ ​feature​ ​vector,​ ​de​ ​combinatie​ ​van​ ​de​ ​vector​ ​voor​ ​voorkeur​ ​en​ ​de​ ​vector​ ​voor​ ​gemoedstoestand, wordt_{​ ​op​ ​de​ ​achtergrond​ ​berekend​ ​en​ ​worden​ ​4​ ​sets​ ​suggesties​ ​gegenereerd​ ​met​ ​films​ ​uit​ ​pool​ ​2.​ ​De} kandidaat_{​ ​moet​ ​deze​ ​suggesties​ ​beoordelen​ ​met​ ​een​ ​cijfer​ ​tussen​ ​1​ ​en​ ​10.​ ​Deze​ ​suggesties​ ​komen​ ​uit​ ​een} tweede_{​ ​pool​ ​van​ ​15​ ​films​ ​die​ ​weer​ ​in​ ​sets​ ​van​ ​3​ ​uit​ ​5​ ​verschillende​ ​genres​ ​komen.}

“Dit​​is​​het​​laatste​​deel​​van​​het​​onderzoek.​​We​​willen​​u​​vragen​​om​de​ ​​volgende​​​sets​​suggesties​​​te beoordelen​​op​​grond​​van​​​hoe​​graag​​u​​deze​films​ ​​nu​​zou​​willen​kijken.​ ​​​Het​​kan​​dat​​verschillende sets​​dezelfde​​films​​bevatten.”

In_{​ ​iedere​ ​set​ ​wordt​ ​ook​ ​de​ ​volgende​ ​informatie​ ​gegegeven:}

“De​​volgende​​films​​worden​​gesuggereerd​​op​​basis​​van​​uw​​voorkeuren:” *Films​​onder​​elkaar*

Deze​​set​​suggesties​​spreekt​mij​ ​​op​​dit​​moment​​aan: *​​Tien​​punts​​bulletpoints*

Vervolgens_{​ ​wordt​ ​de​ ​respondenten​ ​nog​ ​enkele​ ​gegevens​ ​gevraagd​ ​die​ ​mogelijk​ ​bruikbaar​ ​zijn​ ​voor} meta-analyse:

● Geslacht_{​ ​(man,​ ​vrouw)} ● Leeftijd

● Hoogst_{​ ​genoten​ ​opleidingsniveau​ ​(VMBO/MBO,​ ​HAVO/HBO,​ ​VWO/Universitair)}

De_{​ ​beoordelingen​ ​op​ ​de​ ​vier​ ​verschillende​ ​sets​ ​en​ ​de​ ​persoonlijke​ ​gegevens​ ​worden​ ​opgeslagen​ ​in​ ​de} database_{​ ​en​ ​het​ ​onderzoek​ ​is​ ​afgerond.}

“Het_​​onderzoek_​​is_​​afgerond,_​​we_​​willen_​​u_​​hartelijk_​bedanken_{​ ​​}voor_​​uw_​​tijd._​U_{​ ​​}kunt_​​het_​​venster_​​nu sluiten.”

4.

​ ​Resultaten

4.1​ ​Hoofdresultaten

Op_{​ ​basis​ ​van​ ​de​ ​gebruikte​ ​onderzoeksopzet​ ​is​ ​er​ ​gekozen​ ​voor​ ​het​ ​gebruik​ ​van​ ​​One-way​​}ANOVA._​​​Om_{​ ​de} verkregen_{​ ​resultaten​ ​te​ ​verduidelijken​ ​zullen​ ​eerst​ ​de​ ​beschrijvende​ ​statistieken​ ​besproken,​ ​daarna} wordt_{​ ​duidelijk​ ​gemaakt​ ​welke​ ​gemiddelden​ ​significant​ ​van​ ​elkaar​ ​verschilden.​ ​Deze​ ​statistieken​ ​worden} weergegeven_{​ ​in​ ​Tabel​ ​4.1​ ​hieronder.}

Gemiddelde​​Score​​voor​​de​​gegeven​​Aanbeveling​​en​​Standaarddeviaties​​(tussen​​haakjes)​​weergegeven​​per Algoritme

Algoritme N Gemiddelde_{​ ​(sd)} Minimum Maximum

_______________________________________________________________________________________________________________________ Random 32 4,88_{​ ​(2,22)} 1 8 Gemoedstoestand 32 5,34_{​ ​(2,25)} 1 9 Gecombineerd 32 5,84_{​ ​(2,30)} 1 9 Beoordeling 32 6,81_{​ ​(1,60)} 4 10 ________________________________________________________________________________________________________________________

Tabel​ ​4.1.​ ​​ ​​‘Gemoedstoestand’:​ ​algoritme​ ​enkel​ ​o.b.v​ ​gemoedstoestand.​ ​‘Beoordeling’:​ ​algoritme​ ​enkel​ ​o.b.v.​ ​beoordeling​ ​van deelnemer.​ ​‘Gecombineerd’:​ ​combinatie​ ​tussen​ ​het​ ​Gemoedstoestandsalgoritme​ ​en​ ​het​ ​Beoordelingsalgoritme.​ ​‘Random’: algoritme​ ​wat​ ​willekeurige​ ​aanbevelingen​ ​doet.​ ​N​ ​=​ ​aantal​ ​deelnemers.

Vervolgens​ ​is​ ​er​ ​voor​ ​het​ ​uitvoeren​ ​van​ ​deze​ ​ANOVA​ ​gekeken​ ​of​ ​de​ ​assumptie​ ​van​ ​gelijke​ ​variantie geschonden_{​ ​werd;​ ​dit​ ​was​ ​niet​ ​het​ ​geval.​ ​Er​ ​was​ ​een​ ​significant​ ​hoofdeffect​ ​​F}​(3,127)_{​ ​=​ ​5,003,​ ​​p}​​​=_{​ ​0,003.} Vervolgens​ ​is​ ​er​ ​om​ ​de​ ​hypothese​ ​te​ ​toetsen​ ​gebruik​ ​gemaakt​ ​van​ ​geplande​ ​contrasten:​ ​beoordelingen​ ​op verschillende_{​ ​sets​ ​aanbevelingen​ ​zijn​ ​onderling​ ​getoetst​ ​op​ ​significant​ ​verschil​ ​in​ ​gemiddelden.​ ​De} algoritmes​ ​die​ ​zijn​ ​vergeleken​ ​worden​ ​beschreven​ ​in​ ​Tabel​ ​4.2.​ ​Hierin​ ​komt​ ​naar​ ​voren​ ​dat​ ​alleen​ ​het gemiddelde_{​ ​van​ ​het​ ​gemoedstoestand-algoritme​ ​significant​ ​afweek​ ​van​ ​het​ ​gemiddelde​ ​van​ ​het} voorkeur-algoritme​ ​​t​(124)​ ​=​ ​-2,800,​ ​​p​​ ​=​ ​0,006.​ ​Dit​ ​significante​ ​verschil​ ​bestaat​ ​tussen​ ​de​ ​gemiddelden 5,34_{​ ​en​ ​6,81,​ ​respectievelijk​ ​toebehorend​ ​aan​ ​gemoedstoestand​ ​en​ ​beoordeling.​ ​Dit​ ​is​ ​niet​ ​in​ ​lijn​ ​met​ ​onze} hypothese,​ ​waarin​ ​gesteld​ ​werd​ ​dat​ ​gemoedstoestand​ ​hoger​ ​zou​ ​scoren​ ​dan​ ​beoordeling.​ ​Ook​ ​kreeg​ ​de aanbeveling_{​ ​gebaseerd​ ​op​ ​gemoedstoestand​ ​en​ ​de​ ​combinatie​ ​van​ ​gemoedstoestand​ ​en​ ​beoordeling​ ​geen} significant​ ​betere​ ​beoordeling​ ​dan​ ​een​ ​willekeurige​ ​aanbeveling.​ ​De​ ​scores​ ​toebehorend​ ​aan​ ​alle​ ​andere aanbevelingen_{​ ​verschillen​ ​ook​ ​niet​ ​significant​ ​van​ ​elkaar.​ ​Dit​ ​is​ ​te​ ​zien​ ​in​ ​Tabel​ ​4.2.}

Resultaten_​​van_​​de_​​Geplande_​​Contrasten_​​waarbij_​​de_​​t-waardes,_​​Vrijheidsgraden_​​en_​​Significantie_​​worden weergegeven

Contrast t df Sig._{​ ​(2-tailed)}

____________________________________________________________________________________________________________________ 1 -2.627 124 .010 2 -2.800 124 .006 3 .894 124 .373 4 -1.847 124 .067 5 .953 124 .342 6 1.847 124 .067 ______________________________________________________________________________________________________________________

Tabel​ ​4.2.​​ ​Contrast​ ​staat​ ​voor​ ​de​ ​groepen​ ​die​ ​met​ ​elkaar​ ​vergeleken​ ​zijn.​ ​Voor​ ​contrast​ ​1​ ​geldt​ ​dat​ ​alle​ ​groepen​ ​onderling vergeleken_{​ ​zijn.​ ​In​ ​contrast​ ​2​ ​zijn​ ​de​ ​resultaten​ ​van​ ​het​ ​gemoedstoestandalgoritme​ ​vergeleken​ ​met​ ​de​ ​resultaten​ ​van​ ​het} voorkeursalgoritme.​ ​In​ ​contrast​ ​3​ ​is​ ​de​ ​gemoedstoestand​ ​vergeleken​ ​met​ ​de​ ​random.​ ​In​ ​contrast​ ​4​ ​werd​ ​gecombineerd​ ​met voorkeur​ ​vergeleken.​ ​In​ ​contrast​ ​5​ ​werd​ ​gecombineerd​ ​met​ ​emotie​ ​vergeleken.​ ​In​ ​contrast​ ​6​ ​werd​ ​gecombineerd​ ​met​ ​random vergeleken.​ ​df​ ​=​ ​aantal​ ​vrijheidsgraden.​ ​Sig.​ ​(2-tailed)​ ​=​ ​de​ ​tweezijdige​ ​significante​ ​met​ ​een​ ​alpha​ ​van​ ​0.05.

4.2​ ​Demografische​ ​gegevens​ ​deelnemersgroep

De_{​ ​gemiddelde​ ​leeftijd​ ​van​ ​de​ ​correspondenten​ ​was​ ​33,9​ ​jaar,​ ​waarvan​ ​de​ ​grote​ ​meerderheid​ ​vwo/havo} als_{​ ​hoogst​ ​afgeronde​ ​opleiding​ ​had.​ ​Opvallend​ ​was​ ​het​ ​hoge​ ​aantal​ ​deelnemers​ ​met​ ​een​ ​(voorbereidend)} wetenschappelijke_{​ ​achtergrond,​ ​en​ ​slechts​ ​één​ ​respondent​ ​die​ ​VMBO​ ​aangaf​ ​als​ ​de​ ​hoogst​ ​genoten} onderwijs._{​ ​De​ ​man-vrouw​ ​verhouding​ ​leunde​ ​sterk​ ​naar​ ​de​ ​mannelijke​ ​kant:​ ​10​ ​van​ ​de​ ​32​ ​respondenten} was​ ​vrouwelijk.

5.

​ ​Conclusie

De_{​ ​onderzoeksvraag​ ​luidde​ ​als​ ​volgt:}

Leidt​​het​​meenemen​​van​​de​​(on)bewuste​​gemoedstoestand​​van​​een​​persoon​in​ ​​het​​doen​​van suggesties​​voor​​films​​tot​​een​​aanbeveling​​die​​beter​​bij​​deze​​persoon​​past​​dan​​wanneer​​dit​​niet meegenomen​​wordt?

Op_{​ ​grond​ ​van​ ​de​ ​resultaten​ ​van​ ​het​ ​uitgevoerde​ ​experiment​ ​kunnen​ ​we​ ​concluderen​ ​dat​ ​het​ ​meenemen} van​ ​de​ ​(on)bewuste​ ​gemoedstoestand​ ​van​ ​een​ ​persoon​ ​niet​ ​leidt​ ​tot​ ​een​ ​aanbeveling​ ​die​ ​significant beter​ ​bij​ ​deze​ ​persoon​ ​past​ ​dan​ ​wanneer​ ​dit​ ​niet​ ​meegenomen​ ​werd.​ ​Daarmee​ ​kunnen​ ​we​ ​stellen​ ​dat uitgaande_{​ ​van​ ​de​ ​gevonden​ ​resultaten​ ​een​ ​recommendation​ ​system​ ​als​ ​Cinematch​ ​geen​ ​baat​ ​zou​ ​hebben} bij_{​ ​het​ ​toevoegen​ ​van​ ​de​ ​parameter​ ​gemoedstoestand​ ​van​ ​de​ ​gebruiker​ ​bij​ ​het​ ​genereren​ ​van​ ​suggesties.}

Binnen​ ​het​ ​uitgevoerde​ ​experiment​ ​is​ ​ook​ ​gekeken​ ​naar​ ​het​ ​effect​ ​van​ ​het​ ​meenemen​ ​van​ ​de beoordelingen_{​ ​van​ ​films​ ​door​ ​een​ ​persoon​ ​in​ ​het​ ​generen​ ​van​ ​adequate​ ​suggesties.​ ​We​ ​zien​ ​dat​ ​de} suggesties_{​ ​enkel​ ​op​ ​basis​ ​van​ ​beoordelingen​ ​van​ ​films​ ​door​ ​het​ ​individu​ ​wel​ ​significant​ ​beter​ ​worden} beoordeeld​ ​dan​ ​de​ ​willekeurige​ ​sets​ ​suggesties.​ ​Dit​ ​betekent​ ​dus​ ​dat​ ​filmsuggesties​ ​op​ ​basis​ ​van​ ​de beoordelingen​ ​van​ ​de​ ​gebruiker​ ​beter​ ​zijn​ ​dan​ ​willekeurige​ ​suggesties.​ ​Dit​ ​betekent​ ​dat​ ​een​ ​klassiek recommendation_{​ ​system​ ​gebaseerd​ ​op​ ​deze​ ​parameter​ ​goed​ ​werkt.}

Cinematch​ ​gebruikt​ ​op​ ​dit​ ​moment​ ​enkel​ ​de​ ​beoordelingen​ ​van​ ​gebruikers.​ ​We​ ​kunnen​ ​concluderen​ ​op basis​ ​van​ ​de​ ​resultaten​ ​dat​ ​een​ ​RS​ ​op​ ​basis​ ​van​ ​de​ ​beoordelingen​ ​van​ ​gebruikers​ ​beter​ ​werkt​ ​dan​ ​een​ ​RS op_{​ ​basis​ ​van​ ​de​ ​gemoedstoestand​ ​van​ ​gebruikers.​ ​Ook​ ​kunnen​ ​we​ ​concluderen​ ​dat​ ​een​ ​RS​ ​die​ ​beide} parameters_{​ ​meeneemt​ ​niet​ ​beter​ ​werkt​ ​dan​ ​een​ ​RS​ ​dat​ ​slechts​ ​de​ ​beoordelingen​ ​van​ ​gebruikers} meeneemt.​ ​Dit​ ​betekent​ ​dus​ ​dat​ ​Cinematch​ ​op​ ​grond​ ​van​ ​dit​ ​onderzoek​ ​geen​ ​verbetering​ ​zal ondervinden​ ​als​ ​het​ ​de​ ​gemoedstoestand​ ​van​ ​haar​ ​gebruikers​ ​mee​ ​zal​ ​gaan​ ​nemen​ ​in​ ​het​ ​doen​ ​van filmsuggesties_{​ ​voor​ ​haar​ ​gebruikers.}

6.

​ ​Discussie

6.1_{​ ​Vervolgonderzoek}

Hoewel​ ​het​ ​resultaat​ ​van​ ​dit​ ​onderzoek​ ​niet​ ​significant​ ​bleek​ ​te​ ​zijn,​ ​is​ ​het​ ​wel​ ​een​ ​belangrijk​ ​gegeven dat​ ​de​ ​gevonden​ ​resultaten​ ​zijn​ ​verkregen​ ​uit​ ​slechts​ ​32​ ​respondenten.​ ​De​ ​gemiddelde​ ​beoordeling (5,34)_{​ ​van​ ​de​ ​film-suggesties​ ​bepaald​ ​aan​ ​de​ ​hand​ ​van​ ​gemoedstoestand​ ​is​ ​wel​ ​hoger​ ​dan​ ​het} gemiddelde_{​ ​van​ ​de​ ​set​ ​met​ ​gerandomiseerde​ ​filmsuggesties​ ​(4,88).​ ​Echter,​ ​de​ ​significantie​ ​van​ ​dit} verschil​ ​was​ ​niet​ ​aan​ ​te​ ​tonen.​ ​Dit​ ​valt​ ​mogelijk​ ​te​ ​verklaren​ ​door​ ​het​ ​geringe​ ​aantal​ ​deelnemers​ ​en​ ​heeft op​ ​zodanige​ ​wijze​ ​het​ ​trekken​ ​van​ ​het​ ​trekken​ ​van​ ​sluitende​ ​conclusies​ ​beïnvloed.​ ​Bij​ ​vervolgonderzoek moet_{​ ​rekening​ ​gehouden​ ​worden​ ​met​ ​de​ ​steekproefgrootte.​ ​Ook​ ​bleek​ ​het​ ​achteraf​ ​gezien​ ​erg​ ​moeilijk} om_{​ ​de​ ​server​ ​snel​ ​op​ ​gang​ ​te​ ​krijgen​ ​en​ ​de​ ​website​ ​bereikbaar​ ​te​ ​houden,​ ​waardoor​ ​in​ ​een​ ​zeer​ ​korte} tijdsduur​ ​respondenten​ ​moesten​ ​worden​ ​gezocht.​ ​Bovendien​ ​kan​ ​een​ ​grotere​ ​poule​ ​van​ ​films​ ​gebruikt worden​ ​om​ ​willekeurige​ ​sampling​ ​te​ ​bevorderen,​ ​zodat​ ​een​ ​mogelijk​ ​effect​ ​op​ ​beoordelingen​ ​door voorkennis_{​ ​over​ ​films​ ​ook​ ​beperkt​ ​blijft.}

Ook​ ​zijn​ ​gemoedstoestanden​ ​mogelijk​ ​moeilijk​ ​te​ ​meten​ ​en​ ​bij​ ​veel​ ​mensen​ ​aan​ ​weinig​ ​variatie onderhevig​ ​​ ​(pers.​ ​comm.,​ ​Maarten​ ​van​ ​Someren,​ ​30​ ​november​ ​2016).​ ​Bovendien​ ​zijn​ ​deze​ ​moeilijk​ ​te vatten_{​ ​in​ ​een​ ​enquête​ ​en​ ​is​ ​de​ ​collaborative-filtering​ ​techniek​ ​mogelijk​ ​minder​ ​geschikt​ ​voor​ ​het}

vergelijken_{​ ​van​ ​gemoedstoestanden.​ ​Voor​ ​vervolgonderzoek​ ​zouden​ ​andere​ ​manieren​ ​tot​ ​het​ ​meten​ ​van} gemoedstoestand​ ​in​ ​beschouwing​ ​kunnen​ ​worden​ ​genomen.​ ​Ook​ ​voor​ ​de​ ​implementatie​ ​van​ ​een

eventueel​ ​RS​ ​gebaseerd​ ​op​ ​gemoedstoestand​ ​is​ ​een​ ​goede​ ​methodiek​ ​tot​ ​meting​ ​hiervan​ ​van​ ​belang.​ ​Om dit_{​ ​real​ ​time​ ​te​ ​kunnen​ ​meten​ ​zou​ ​een​ ​versimpelde​ ​vorm​ ​van​ ​meting​ ​van​ ​gemoedstoestand​ ​moeten} worden_{​ ​gebruikt;​ ​een​ ​die​ ​voor​ ​de​ ​gebruiker​ ​niet​ ​of​ ​minder​ ​tijdsintensief​ ​is.​ ​Een​ ​andere​ ​mogelijkheid​ ​is} het​ ​geautomatiseerd​ ​meten​ ​van​ ​gemoedstoestand​ ​door​ ​bijvoorbeeld​ ​een​ ​camera​ ​(webcam).

6.2​ ​Terugkoppeling​ ​naar​ ​interdisciplinair​ ​theoretisch​ ​kader

Zoals​ ​in​ ​het​ ​theoretisch​ ​kader​ ​besproken​ ​bestaat​ ​er​ ​tegenspraak​ ​in​ ​de​ ​literatuur​ ​over​ ​de​ ​correlatie tussen​ ​gemoedstoestand​ ​en​ ​voorkeur​ ​voor​ ​genre.​ ​Voor​ ​toekomstig​ ​onderzoek​ ​is​ ​het​ ​belangrijk​ ​dat​ ​deze tegenspraak_{​ ​wordt​ ​overwogen.​ ​In​ ​het​ ​theoretisch​ ​kader​ ​werd​ ​de​}​​mood-management​​theory​_{​ ​van​ ​Zillmann} (1988)_{​ ​gebruikt​ ​als​ ​onderbouwing​ ​voor​ ​het​ ​uitgevoerde​ ​experiment.​ ​Echter,​ ​ook​ ​​ ​werd​ ​de​}​​social

comparison​​theory​​ ​(Festinger,​ ​1954)​ ​aangehaald​ ​die​ ​niet​ ​in​ ​consensus​ ​is​ ​met​ ​de​ ​mood​ ​management theory.​ ​Gezien​ ​de​ ​niet​ ​significante​ ​resultaten​ ​raden​ ​wij​ ​daarom​ ​aan​ ​om​ ​in​ ​een​ ​vervolgonderzoek​ ​hiermee rekening_{​ ​te​ ​houden.}

De​ ​aangenomen​ ​correlatie​ ​tussen​ ​genres​ ​en​ ​films​ ​was​ ​complex,​ ​mede​ ​door​ ​het​ ​feit​ ​dat​ ​geen​ ​enkele​ ​film zich​ ​binnen​ ​één​ ​genre​ ​laat​ ​definiëren.​ ​Een​ ​filmgenre​ ​is​ ​een​ ​erg​ ​flexibel​ ​begrip;​ ​het​ ​heeft​ ​geen

wetenschappelijke_{​ ​kaders​ ​en​ ​staat​ ​daardoor​ ​volledig​ ​open​ ​voor​ ​interpretatie.​ ​Een​ ​oplossing​ ​hiervoor} was_{​ ​het​ ​selecteren​ ​van​ ​films​ ​die​ ​door​ ​IMDB​ ​werden​ ​omschreven​ ​als​ ​vallende​ ​binnen​ ​een​ ​specifiek​ ​genre,} maar​ ​nog​ ​steeds​ ​kunnen​ ​de​ ​‘resterende’​ ​of​ ​onbehandelde​ ​genres​ ​die​ ​bij​ ​dezelfde​ ​film​ ​horen

ongewenste/onbewuste​ ​associaties​ ​veroorzaken​ ​bij​ ​de​ ​proefpersonen.​ ​Een​ ​mogelijke​ ​oplossing​ ​hiervoor is_{​ ​het​ ​aanpassen​ ​van​ ​het​ ​algoritme.​ ​Als​ ​deze​ ​namelijk​ ​zodanig​ ​aangepast​ ​wordt​ ​dat​ ​een​ ​film​ ​op​ ​basis​ ​van} meerdere_{​ ​genres​ ​meegenomen​ ​kan​ ​worden​ ​dan​ ​kunnen​ ​er​ ​meer​ ​specifieke​ ​suggesties​ ​worden​ ​gedaan} voor​ ​de​ ​gebruikers.

Ook_{​ ​is​ ​collaborative​ ​filtering​ ​met​ ​feature​ ​vectoren​ ​in​ ​termen​ ​van​ ​voorkeur​ ​voor​ ​een​ ​genre​ ​mogelijk​ ​een} minder​ ​geschikte​ ​methode​ ​om​ ​aanbevelingen​ ​te​ ​doen.​ ​Gebruikelijk​ ​is​ ​om​ ​met​ ​collaborative​ ​filtering aanbevelingen_{​ ​voor​ ​producten​ ​of​ ​specifieke​ ​items​ ​te​ ​doen.​ ​Een​ ​genre​ ​is​ ​zoals​ ​beschreven​ ​een​ ​minder} afgebakend_{​ ​begrip,​ ​wat​ ​het​ ​mogelijk​ ​moeilijk​ ​maakt​ ​om​ ​hier​ ​overeenkomt​ ​in​ ​voorkeur​ ​van​ ​gebruikers​ ​in} te_{​ ​vinden.}

Aan_{​ ​de​ ​andere​ ​kant​ ​is​ ​het​ ​mogelijk​ ​dat​ ​de​ ​gebruiker​ ​films​ ​in​ ​een​ ​ander​ ​genre​ ​indeelt​ ​dan​ ​dat​ ​het} programma_{​ ​doet.​ ​Omdat​ ​het​ ​begrip​ ​filmgenre​ ​zo​ ​open​ ​staat​ ​tot​ ​interpretatie​ ​is​ ​het​ ​moeilijk​ ​te​ ​bepalen} welk_{​ ​genre​ ​iemand​ ​interessant​ ​vindt​ ​zonder​ ​van​ ​tevoren​ ​te​ ​bepalen​ ​hoe​ ​iemand​ ​films​ ​indeelt​ ​op​ ​genre​ ​en} welke​ ​hiërarchische​ ​verhouding​ ​deze​ ​met​ ​elkaar​ ​hebben.​ ​Andere​ ​vormen​ ​van​ ​toetsing​ ​zouden​ ​gebruikt kunnen_{​ ​worden,​ ​zoals​ ​bijvoorbeeld​ ​interviews​ ​afnemen,​ ​om​ ​nauwkeuriger​ ​te​ ​bepalen​ ​hoe​ ​mensen​ ​films} indelen_{​ ​in​ ​genres​ ​en​ ​hoe​ ​dit​ ​vervolgens​ ​gebruikt​ ​kan​ ​worden​ ​om​ ​voorstellen​ ​te​ ​optimaliseren.}