Μουσειακή εμπειρία υπό πρίσμα διάχυτου υπολογισμού και LLMs
Loading...
Date
2026-10-01
Authors
Μαυριάς, Νικόλαος
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Μια επίσκεψη σε μουσείο βιώνεται συχνά ως δύσκολο εγχείρημα, βαρύ σε γνωστικό φορτίο: πολλές αίθουσες, πολλά εκθέματα, και οπτικοακουστικό υλικό ή και ξεναγοί που στηρίζονται σε τετριμμένο περιεχόμενο, χωρίς ποτέ να ρωτούν τον επισκέπτη ποιος είναι, γιατί ήρθε, ή τι τον ενδιαφέρει πραγματικά. Τα σημερινά ευρέως διαθέσιμα και χρησιμοποιούμενα εργαλεία τεχνητής νοημοσύνης δεν λύνουν από μόνα τους αυτό το πρόβλημα, ο επισκέπτης θα έπρεπε να περιγράψει ο ίδιος, με λόγια, ποιο ακριβώς έκθεμα βλέπει μπροστά του ώστε το εργαλείο να τον καταλάβει με κινδύνους να μην δωθεί περιγραφή για το σωστό έκθεμα ή και ο επισκέπτης να δώσει prompt που θα επηρεάσει την δημιουργούμενη περιγραφή προς διάφορες κατευθύνσεις, ενώ το να διατυπώσει ένα αίτημα για να λάβει ένα πλάνο ξενάγησης βάση λίστας όλων των εκθεμάτων φαντάζει μάλλον μη ρεαλιστικό. Στο τέλος μιας τέτοιας αλληλεπίδρασης μεταφοράς πληροφοριών μέσα από μια οθόνη, εύλογα τίθεται το ερώτημα πότε ακριβώς θα προλάβει ο επισκέπτης να παρατηρήσει και να βιώσει το ίδιο το μουσείο που ήρθε να δει, ενώ ρεαλιστικά το γνωστικό και γνωσιακό φορτίο για να γίνει γενικότερα αυτή η αλληλεπίδραση είναι μεγαλύτερο κατά βαθμούς ελευθερίας του να βίωνε το μουσείο με τον κλασσικό τρόπο. Στόχος της παρούσας διπλωματικής εργασίας είναι να επιχειρήσει να κλείσει αυτό το χάσμα, αξιοποιώντας locally-hosted μοντέλα τεχνητής νοημοσύνης στα οποία έχει περαστεί ειδική γνώση για το συγκεκριμένο μουσείο, τόσο χωροταξικού όσο και πληροφοριακού χα-
ρακτήρα. Μέσα από τεχνικές εξατομίκευσης, αλληλεπίδρασης ανθρώπου υπολογιστή και διάχυτου υπολογισμού (ubiquitous computing), επιδιώκεται η ελαχιστοποίηση της απόσπασης του επισκέπτη από τη μουσειακή εμπειρία, με ταυτόχρονη προσφορά της πληροφορίας που αναζητά με τον τρόπο που μπορεί να την κατανοήσει και να συσχετιστεί μαζί της όσο
το δυνατόν ευκολότερα. Η καινοτομία του συστήματος Periegetes δεν βρίσκεται στην απλή χρήση ενός LLM, αλλά στον τρόπο που η αλληλεπίδραση σχεδιάστηκε γύρω από αυτόν ακριβώς τον στόχο. Αντί για ένα chatbot όπου ο επισκέπτης περιγράφει τι βλέπει και ζητά ρητά ένα πλάνο, η αλληλεπίδραση περιορίζεται κυρίως σε σαρώσεις κωδικών QR και σε ένα ευκολό περιηγήσιμο PWA. Η δημιουργία του προφίλ του επισκέπτη γίνεται μια φορά στην αρχή, και στην συνέχεια χρησιμοποιείται στα LLM-enabled σημεία αυτόματα χωρίς ανάγκη για παραπάνω κινήσεις από τον επισκέπτη. Το μοντέλο τεχνητής νοημοσύνης τρέχει εξ ολοκλήρου τοπικά σε εξοπλισμό στον χώρο (M4 Pro 24gb VRAM / LM Studio), γνωρίζει τη γεωμετρία του συγκεκριμένου χώρου μέσω ενός μοντέλου αποστάσεων βασισμένου σε πύλες μεταξύ αιθουσών, το προφίλ του κάθε επισκέπτη και δεσμεύεται αυστηρά στο επιμελητικό κείμενο κάθε εκθέματος ως μοναδική πηγή γνώσης, με μηχανισμό επανάληψης και σημασιολογικού ελέγχου εγκυρότητας όταν η απάντησή του αποκλίνει. Ο σχεδιασμός διαδρομής αξιολογείται συστηματικά έναντι δύο αλγοριθμικών βραχιόνων αναφοράς (ένα απλό greedy κατώφλι και μια αποδείξιμα βέλτιστη λύση CP-SAT), ώστε η ποιότητά του να είναι μετρήσιμη. Η αξιολόγηση πραγματοποιήθηκε στο πεδίο, στο Λαογραφικό Μουσείο Ιτέας (συλλογή 57 εκθεμάτων, τρεις θεματικές αίθουσες), με πειραματικό σχεδιασμό within-subject: κάθε επισκέπτης βίωσε τρεις συνθήκες πηγής γνώσης (static/generic-llm/adapted-llm), μία ανά αίθουσα, με counterbalancing συνθήκης×θέσης. Η αξιολόγηση οργανώθηκε σε πέντε ασύνδετες οικογένειες μετρικών(ποιότητα σχεδιασμού διαδρομής, πιστότητα περιγραφών, αυτο-αναγνώριση εξατομικευμένου κειμένου, βιωμένη εμπειρία ανά συνθήκη και ευχρηστία) με σχέδιο ανάλυσης pre-registered σε frozen commit πριν από την πρώτη συνεδρία πεδίου. Σε 31 πραγματικούς επισκέπτες, σε τέσσερις ημέρες πεδίου, τα πλάνα του μοντέλου πέτυχαν πλήρωση χρόνου∼105–112% του δηλωμένου budget, χωρίς καμία προσφυγή στον αλγοριθμικό βραχίονα ασφαλείας (0% fallback rate). Η πιστότητα των περιγραφών μειώθηκε με την εξατομίκευση, από 91% factual στη generic-llm συνθήκη σε 84% στην adapted-llm, δείχνοντας ότι η εξατομίκευση έχει μετρήσιμο κόστος σε hallucination rate . Στο τεστ αυτο-αναγνώρισης, οι επισκέπτες αναγνώρισαν το δικό τους κείμενο με ακρίβεια 43%, σημαντικά πάνω από το επίπεδο τύχης 25% (διωνυμικός έλεγχος, p = 0,022) με την προσαρμογή να αφήνει, άρα, καλώς αναγνωρίσιμο ίχνος. Στην αξιολόγηση ανά συνθήκης πηγής γνώσης, η συνάφεια βαθμολογήθηκε περιγραφικά υψηλότερα στην adapted-llm έναντι της generic-llm συνθήκης (διαφορά 0,14 μονάδων), όμως το διάστημα εμπιστοσύνης 95% της in-subject διαφοράς περιλαμβάνει το μηδέν ([−0,10, 0,38]) και βγαίνει ότι σε αυτό το μέγεθος δείγματος, η διαφορά δεν είναι στατιστικά τεκμηριωμένη. Η συνολική ευχρηστία βαθμολογήθηκε υψηλά (SUS = 82,7, σημαντικά πάνω από το benchmark 68) με θετική εμπειρία χρήσης σε όλες τις υποκλίμακες του UEQ-S. Η εργασία συνεισφέρει ένα πλήρες, επικυρωμένο στο πεδίο σύστημα εξατομικευμένης ξενάγησης με τοπικό μοντέλο LLM, σχεδιασμένο γύρω από την ελαχιστοποίηση της απόσπασης του επισκέπτη από τη μουσειακή εμπειρία με ταυτόχρονα την ευκολότερη και ποιοτικότερη συσχέτιση με τα εκθέματα γύρω του, μαζί με μεθοδολογία αξιολόγησης πολλαπλών, διακριτών μετρικών αποφεύγοντας να συγχέουν αντικειμενική ποιότητα με υποκειμενική εντύπωση. Τα ευρήματα δείχνουν ότι η εξατομίκευση είναι εφικτή και αναγνωρίσιμη από τον ίδιο τον επισκέπτη, αλλά όχι «δωρεάν»: κοστίζει σε πιστότητα, και το κέρδος της στην άμεσα αντιληπτή συνάφεια παραμένει, στο παρόν δείγμα, ανοιχτό ερώτημα για μεγαλύτερα δείγματα ενώ το σύστημα βαθμολογήθηκε ως εξαιρετικά εύχρηστο και ενδιαφέρον.
Description
Keywords
Μεγάλα γλωσσικά μοντέλα, Εξατομικευμένη μουσειακή ξενάγηση, Τοπικά μοντέλα LLM, Διάχυτος υπολογισμός, Αλληλεπίδραση ανθρώπου-υπολογιστή, Λαογραφικά μουσεία, Τεχνητή νοημοσύνη, Πιστότητα κειμένου, Πειραματική μελέτη πεδίου