ExBigBang: Erklärbare Persona‑Klassifizierung mit Hybrid‑Transformern

In der nutzerzentrierten Gestaltung gewinnt die Entwicklung von Personas zunehmend an Bedeutung, um Verhalten zu verstehen, Bedürfnisse zu erfassen und Zielgruppen präzise zu segmentieren. Die wachsende Komplexität moderner Interaktionen erfordert jedoch einen stärker kontextualisierten Ansatz, damit Designentscheidungen wirklich den realen Nutzerbedürfnissen entsprechen.

Mit ExBigBang – dem erklärbaren BigBang‑Modell – wird diese Herausforderung angegangen. Das System kombiniert Text‑ und Tabellendaten in einer hybriden Transformer‑Architektur und integriert zusätzlich Metadaten, domänenspezifisches Wissen sowie Nutzerprofile. Durch diese tiefgreifende Kontextualisierung können Personas genauer und nachvollziehbarer klassifiziert werden.

Ein besonderes Merkmal von ExBigBang ist der zyklische Prozess aus Nutzerprofilierung und Klassifizierung. Dabei werden die Modelle kontinuierlich mit aktuellen Nutzerdaten aktualisiert, sodass sie sich dynamisch an veränderte Verhaltensmuster anpassen können. Diese Flexibilität macht das System besonders geeignet für sich wandelnde digitale Umfelder.

Die Leistung von ExBigBang wurde an einem etablierten Benchmark‑Datensatz für Persona‑Klassifizierung getestet. Die Ergebnisse zeigen eine robuste Genauigkeit, während eine Ablationsstudie die Vorteile der Kombination aus Text‑ und Tabellendaten deutlich macht. Zusätzlich ermöglichen erklärbare KI‑Techniken Einblicke in die Entscheidungsgrundlagen des Modells, sodass Designer die Vorhersagen nachvollziehen und fundierte Entscheidungen treffen können.