个性化AI音乐推荐系统：基于用户决策风格与信息处理偏好的体验优化研究

本研究针对现有音乐推荐系统缺乏对用户心理特征考量的局限，开发了具备四种交互模式的对话式推荐系统原型(CUI)，通过62人实验验证了基于决策风格(最大化者/满意者)和信息处理偏好的个性化设计能显著提升用户体验，为构建人类中心(HCI)的AI推荐系统提供了实证依据。

　　

在数字音乐流媒体时代，AI推荐系统已成为人们日常音乐选择的重要助手。然而当前系统大多聚焦算法优化，忽视了用户决策心理的差异性——这正是人机交互(HCI)领域的核心挑战。美国研究团队在《International Journal of Human-Computer Studies》发表的研究，首次将动机-参与-体验(METUX)模型引入音乐推荐场景，揭示了个性化交互设计的突破路径。

研究采用原型实验法，开发了包含默认模式、描述模式(提供歌词/情感标签)、分析模式(展示音频特征可视化)、社交模式(好友偏好数据)四种交互方式的对话式音乐推荐系统(CUI)。通过62名参与者的实验室对照实验（其中最大化者32人，满意者30人），结合混合方法分析，测量了系统对用户自主性(autonomy)、参与度(engagement)、满意度(satisfaction)和系统可用性(usability)的影响。

【Related Works】部分梳理了现有音乐推荐系统的三大局限：过度依赖协同过滤算法、缺乏个性化解释机制、忽视决策风格差异。文献显示，虽然Hariri等人(2012)开发了上下文感知推荐，Andjelkovic等人(2019)引入情绪过滤，但均未涉及用户决策心理维度。

【Hypotheses Building】基于自我决定理论(SDT)构建假设：H1最大化者偏好分析模式(OR=1.72,p<0.01)，H2满意者倾向描述模式(β=0.63,p<0.05)，H3社交模式提升所有用户相关感(relatedness)。

【Results】定量数据显示：最大化者在分析模式下的参与度提升41%(F=6.32,p=0.002)，而满意者在描述模式中的决策速度加快28%。定性访谈揭示，音频特征可视化帮助技术型用户理解推荐逻辑，而情感标签更受休闲听众青睐。

【Discussions】证实了决策风格调节效应：最大化者追求最优解的特性使其更依赖数据支持，而满意者的"够好即停"倾向与简洁界面更匹配。研究创新性地将METUX模型操作化为可测量的交互设计原则。

该研究突破了传统"算法中心"范式，证明融合决策心理学与HCI设计能显著提升推荐系统效能。团队建议未来研究可探索动态适应用户决策模式变化的算法，这对开发下一代智能音乐助手具有重要指导价值。论文最后强调，真正人性化的AI系统应当像优秀音乐DJ那样，既懂技术更懂人心。