Ontwikkeling en gebruikersacceptatie van chatbotsystemen

Zelfs in veel interactieve kanalen, zoals sociale media, wordt een deel van de communicatie met gebruikers nu geautomatiseerd door elektronische systemen (vgl. Zamora, 2017). Deze systemen evolueren voortdurend en worden steeds beter aangepast aan de behoefte van gebruikers aan een snel antwoord op vragen. Dit weerspiegelt de wens van gebruikers om hun vragen onmiddellijk beantwoord te krijgen.

Ontwikkeling en gebruikersacceptatie van chatbotsystemen

Eenvoudige geautomatiseerde communicatiesystemen zoals statische FAQ-systemen zijn tot nu toe in staat geweest om een deel van de vragen te beantwoorden die naar hen werden gestuurd, maar ze zijn erg statisch en zeer beperkt in hun functionaliteit, omdat ze alleen kunnen reageren op specifieke vragen die van tevoren goed zijn gedefinieerd (vgl. Shum et al, 2018). Ze volgen een "rule tree" of "rule/pattern" principe, dat een vooraf gedefinieerde keuze van verzoeken aan de gebruiker toont en een even vooraf gedefinieerde oplossing biedt, afhankelijk van de keuze die de gebruiker maakt. Deze eenvoudige communicatiesystemen zijn echter vrij inflexibel en kunnen alleen reageren op precies vooraf gedefinieerde verzoeken (zie Sameera et al, 2015). De gebruiker heeft geen mogelijkheid om een specifieke vraag te stellen die niet was voorzien door de programmeurs van het systeem (vgl. Shum et al, 2018).

De verdere ontwikkeling van het "regel/patroon" systeem bestaat uit het gebruik van kunstmatige intelligentie (AI) voor chatbots. Deze systemen zijn in staat om door middel van algoritmes te leren in de interactie met de gebruiker en de intentie van de gebruiker te herkennen in een "natuurlijke" vraag van de gebruiker (vgl. Zamora, 2017). Op deze manier kunnen verzoeken van gebruikers flexibeler en sneller worden verwerkt. De communicatie is ook vergelijkbaar met een gesprek tussen twee mensen, aangezien de AI interactieve vragen stelt en zelflerend is, d.w.z. kan reageren op de input van de gebruiker (vgl. Shum et al, 2018). Een dergelijk systeem biedt niet alleen een hogere efficiëntie, maar ook een hogere aantrekkelijkheid en gebruikerstevredenheid. Het alternatief voor een zelflerend systeem is om de chatbot continu te onderwijzen en aan te passen door middel van programmering, wat gebeurt terwijl gebruikers interactie hebben met de chatbot. (cf. Pereira et al in Sameera et al, 2015: 78): Een dergelijke verbetering is gebaseerd op het aanpassen van het corpus door "het vermijden van overlap.... en het combineren van beschikbare vragen en antwoorden en dialoogvormen" (Pereira et al in Sameera et al, 2015).

AI-gebaseerde chatbots die een dialoog kunnen voeren met menselijke gebruikers werden ongeveer 50 jaar geleden voor het eerst ontwikkeld en zijn sindsdien blijven evolueren en geavanceerder geworden (cf. Radziwill et al, 2018): De eerste chatbot die functioneerde op basis van kunstmatige intelligentie wordt beschouwd als het programma "Eliza", ontwikkeld in 1966, dat taalgebaseerde communicatie tussen mensen en computers voor het eerst mogelijk maakte. Dit vrij primitieve programma vergeleek trefwoorden en, in zeer beperkte mate, de context van menselijke input en was niet in staat tot eeuwigdurende communicatie (vgl. Shum et al, 2018). In de jaren 1980 volgde het Alice-programma, dat leidde tot de ontwikkeling van een taal gebaseerd op kunstmatige intelligentie: AIML, of Artificial Intelligence Markup Language (vgl. Shum et al, 2018). Deze taal koppelt herkende regels van de ingevoerde woorden aan patronen en categorieën en vormt tegenwoordig de basis van de meeste chatbotdiensten (Radziwill et al, 2018).

Moderne chatbots zijn in staat om de zorgen van gebruikers te herkennen en te beantwoorden in een natuurlijk geschreven of zelfs gesproken zin (vgl. Zamora, 2017). Hoewel machinesystemen niet in staat zijn om berichten te interpreteren via gebaren, gezichtsuitdrukkingen, toon of stem of andere non-verbale signalen die een rol spelen in interpersoonlijke communicatie, kunnen dergelijke systemen op basis van AI en intelligente spraakherkenning toch de intentie herkennen in een uitspraak van een gebruiker (vgl. Shum et al, 2018). De formulering van zo'n uitspraak hoeft niet vast te staan, d.w.z. een chatbot kan alternatieve formuleringen begrijpen zoals "Schijnt morgen de zon?" of zelfs "Wat voor weer wordt het morgen?". Om dit te doen, maken chatbots gebruik van verschillende bouwstenen. De AI herkent eerst de gesproken of tekstinvoer van de gebruiker ("Utterance") en vertaalt deze naar "Intents" (vgl. Khan et al, 2108). Vervolgens wordt het antwoord of de oplossing voor de vraag van de gebruiker uitgevoerd. Bovendien kan het systeem zelfstandig leren welke intenties verborgen zitten in verschillend geformuleerde uitspraken en daarop reageren (vgl. Khan et al, 2018). Door het gebruik van deze AI-technologieën wordt de interactie met de chatbot natuurlijker voor de gebruiker en lijkt deze meer op een gesprek met een persoon dan op het invoeren van een zoekopdracht in een machinesysteem (vgl. Shum et al, 2018). Voor sommige chatbots wordt dit zelfs versterkt door ze een soort kunstmatige "persoonlijkheid" te geven: Chatbots krijgen een naam en sommige chatbots zijn geprogrammeerd om empathie over te brengen in hun antwoorden (bijvoorbeeld: "Siri" betreurt het dat ze niet kon helpen of vraagt hoe de gebruiker zich voelt). Chatbots zijn tegenwoordig al wijdverspreid in het dagelijks leven. Bekende voorbeelden zijn "Siri" van Apple, "Alexa" van Amazon of de Google Assistent. Daarnaast gebruiken bedrijven ze steeds vaker om met de gebruiker te communiceren, bijvoorbeeld Facebook. Sommige Europese universiteiten bieden studenten ook al de oplossing voor vragen via chatbotten, zoals de Universiteit van Berlijn, de Universiteit van Münster of de Engelse Universiteit van Leeds. Deze bieden studenten bijvoorbeeld advies over studieprogramma's, modules, examens en evenementen.

Chatbots zijn gebaseerd op een van de verschillende ontwikkelplatforms die tegenwoordig beschikbaar zijn. De volgende ontwikkelplatformen zijn momenteel beschikbaar (cf. Garcia Burstenga et al, 2018: 9):

- Watson: een platform ontwikkeld door IBM voor de ontwikkeling van chatbots met spraak-naar-tekst en tekst-naar-spraak functionaliteit.

- Azure: een platform ontwikkeld door Microsoft met verschillende tools voor de ontwikkeling van chatbots met de NLP-service "LUIS" (Language understanding intelligent service) voor taalverwerking (cf. Yan et al, 2016, in Garcia Burstenga et al, 2018).

- TensorFlow: Software van Google die ontwikkelaars hulpmiddelen biedt. Google biedt ook de Cloud Natural Language-programmeerinterface voor detectie en begrip van natuurlijke taal.

- Lex: tool van Amazon waarmee ontwikkelaars chatbots kunnen integreren in mobiele apps. Alexa, de cloud-gebaseerde spraakherkenningsdienst van Amazon, is hier ook op gebaseerd.

- Facebook: Biedt een chatbot die is geïntegreerd in Facebook Messenger en WhatsApp en de tool voor ontwikkelaars wit.ai.

- Andere chatbotplatforms zijn Botkit, Rasa, Digital Genius en verschillende andere.

Voor het doel van dit werk is het relevant dat, met uitzondering van de Lex-tool ontwikkeld door Amazon, alle NLP-systemen in staat zijn om zowel intenties als entiteiten te verwerken (cf. Braun et al, 2018). Dit betekent dat, althans in theorie, alle bovengenoemde systemen ter discussie komen te staan.

Een paper die gezamenlijk is opgesteld door onderzoekers van de Universiteit van Paderborn en Arizona State University over een demochatbot genaamd DBpedia verwijst expliciet naar een probleem dat ook van toepassing is op de SML: "Groeiende domeinspecifieke gemeenschappen (...) worden vaak gekenmerkt door nieuwe gebruikers die bij toetreding tot de gemeenschap vragen stellen die al eerder zijn beantwoord" (Athreya et al: 2017). De SML kan worden opgevat als een "domeinspecifieke gemeenschap" in die zin dat de studentleden een gemeenschappelijk doel delen in een verenigde, op zichzelf staande omgeving, namelijk studeren op school. De demochatbot van DBPedia is gebouwd op een modulair, op intentieherkenning gebaseerd chatbotsysteem, vergelijkbaar met het systeem dat in dit proefschrift wordt gevolgd (zie paragraaf 3.2 Basisstructuur van een chatbot). Naast de frequentie van chatbotgebruik, 1.400 keer binnen de eerste zes maanden na de introductie, registreerden de onderzoekers ook de gespreksduur, die gemiddeld 16 berichten bedroeg (cf. Athreya et al, 2017). Hieruit leidden ze af dat gebruikers geïnteresseerd zijn in interactie met de DBPedia-chatbot.

Hoewel de acceptatie van chatbots volgens enquêtes van marktonderzoeksbureaus zelfs onder consumenten al hoog is en blijft stijgen, zijn er ook kritische geluiden waar rekening mee moet worden gehouden. Stanoevska-Slabeva et al. onderzochten het potentiële gebruik en de toepassingsmogelijkheden van chatbots in Zwitserland. Zij ontdekten dat de diverse dialecten in Zwitserland een grote uitdaging kunnen vormen voor de spraakherkenning van een chatbot. Bovendien lag de acceptatie door gebruikers aanzienlijk lager dan de gegevens van marktonderzoeksbureaus: 60,7% antwoordde "Nee" en 31,8% antwoordde "Misschien" op de vraag of ze zich "interactie met een digitale partner (zoals chatbots of spraakrobots)" konden voorstellen. Slechts 7,6% van de gebruikers antwoordde "Ja" (Stanoevska-Slaveba et al. 2017). Volgens hetzelfde onderzoek zijn de voordelen die gebruikers waarnemen de volgende:

- Toegankelijkheid en snelheid

- Gemak in het dagelijks leven en

- Kortere wachttijden

(cf. Kayak 2017 in: Stanoevska-Slaveba et al. 2017).

Volgens de auteurs staan tegenover deze voordelen zorgen over de transparantie en manipulatie van gegevens, de afhankelijkheid van technologie en de foutgevoeligheid van geautomatiseerde systemen. De acceptatie door gebruikers neemt toe bij eenvoudige zorgen en wanneer het contact via een digitaal kanaal verloopt. Met deze lage acceptatie en de zorgen die de respondenten hebben geuit, maken de auteurs van het onderzoek geen expliciet onderscheid tussen chatbots die functioneren volgens het principe van "regels/patronen" en chatbots die gebruikmaken van kunstmatige intelligentie (AI). De eerste zijn meer rigide van aard en zijn alleen in staat om te reageren op volledig vooraf gedefinieerde input en deze te matchen met antwoorden die in het systeem zijn gedefinieerd. Deze chatbots zijn niet in staat om te reageren op natuurlijke menselijke taal en dus verschillend geformuleerde verzoeken. Dit artikel gaat echter over het meer geavanceerde systeem van de chatbot, dat in staat is om natuurlijke taal te begrijpen met behulp van AI en dat voortdurend zijn output kan verbeteren door middel van een zelflerend algoritme.

Verdere studies naar de acceptatie van chatbots laten zien dat consumenten steeds meer een snelle service verwachten. Redenen hiervoor zijn te vinden in de toenemende verspreiding van internet, met name mobiele verbindingen (Fischer, Siri 2018). Daarnaast beoordelen consumenten communicatie met een chatbot - met de beperkingen die hierboven zijn ontmoet met betrekking tot taalbegrip en de complexiteit van de vragen - steeds positiever. Volgens een onderzoek van Liveperson (http://info.liveperson.com/Bots-In-Customer-Care.html) onder 5000 consumenten in zes landen is 52% van de consumenten in Duitsland niet bereid om langer dan 2 minuten te wachten op verduidelijking van hun vraag om de klantenservice als "Uitstekend" te beoordelen. Uit hetzelfde onderzoek blijkt dat chatbots de laatste jaren steeds meer worden gebruikt, wat vooral geldt voor "Millenials", d.w.z. de generatie van 16-22 jaar, dus de toekomstige doelgroep van studenten aan de SML. 52% van de Duitse Millenials zegt dat een bot hen helpt om een betere en snellere service te krijgen. De auteurs Sameera en Wolf ontdekten in een overzicht van verschillende chatbotontwerpen dat chatbots die "conversatietechnieken" volgen, de interactie van gebruikers met het computersysteem verbeteren (cf. Sameera et al 2015: 77). De conclusie is dus dat het nut van een chatbot en daarmee de acceptatie door gebruikers direct gerelateerd is aan de structuur, het ontwerp en de grootte van het corpus. Hoe meer en beter een chatbot de vragen van een gebruiker kan interpreteren, hoe gerichter en waardevoller hij op die vraag kan reageren. Dit punt moet daarom speciale aandacht krijgen bij het installeren van een chatbot.