Coleções digitais de mídias, tanto pessoais como online, crescem rapidamente. Para que grandes quantidades de músicas sejam acessíveis à usuários, serviços populares como iTunes, Last.fm e Pandora oferecem recomendações. Essa abordagem livra usuários de lembrarem de músicas, e permite a descoberta de canções novas ou esquecidas. Mas recomendações apresentam problemas com usuários, como credibilidade e falta de controle. A motivação deste trabalho é melhorar a experiência de usuários com recomendações de música através do uso de explicações. Ao usar um sistema de recomendação, a satisfação e aprovação de usuários não depende só da eficácia do algoritmo, mas também de explicações. Pesquisas mostram que estas podem beneficiar sistemas de recomendação, aumentando a credibilidade e satisfação de usuários, ao oferecer mais transparência e formas de correção. O objetivo deste trabalho é projetar e desenvolver uma nova forma de visualização de tags, e testar sua viabilidade para explicar e filtrar recomendações de músicas. Mais precisamente, investigamos se esta visualização pode favorecer as metas de inspeção (scrutability), eficiência, eficácia e satisfação. A partir da pesquisa em necessidades de usuários para recomendações e música, a visualização Tag Strings foi projetada e desenvolvida. Tag Strings inclui tanto a interface da visualização, quanto o processo de coleta e cálculo de relevância de tags e músicas. Para a avaliação da visualização Tag Strings, dois tipos de experimentos foram construídos: a comparação entre uma lista de recomendações com Tag Strings, e a comparação entre o design de referência (baseado nos serviços Last.fm e Pandora) e Tag Strings. A construção desses dois experimentos permitiu a avaliação de Tag Strings como uma forma de explicação para recomendações de música. Os resultados dos experimentos evidenciam que a nova forma de visualização Tag Strings favorece as metas de inspeção (scrutability), eficiência, eficácia e satisfação, melhorando a usabilidade e experiência de usuários com recomendações de música.

Digital media collections, both personal and online, grow rapidly. To make large music collections available to users, popular services such as iTunes, Last.fm and Pandora offer recommendations. This approach frees users from searching for music, and allows for the discovery of new or forgotten items. But recommendations present issues such as user trust and lack of control. The motivation for this project is to improve user experience with music recommendations through explanations. While using a recommendation system, user acceptance and satisfaction depends not only on the algorithm effectiveness, but also on explanations. Research shows that recommendations benefit from explanations, increasing user trust and satisfaction by offering more transparency and scrutability. The goal of this project is to design and develop a new form of tag visualization, and test its feasibility to explain and filter music recommendations. We specifically investigate if the visualization can support the aims of scrutability, efficiency, effectiveness and satisfaction. Based on the user research and needs for music recommendation, the visualization Tag Strings was designed and developed. Tag Strings includes both the visualization interface and the process of collecting and calculation of tag and track relevancy. To evaluate the visualization Tag String, we designed two types of experiments: comparing Tag Strings with a recommendation list, and comparing Tag Strings with a design reference (based on the services Last.fm and Pandora). The design of these two experiments allowed the evaluation of Tag Strings as a form of explanation to music recommendation. The experiment results highlight that the new visualization Tag Strings favors the aims of scrutability, efficiency, effectiveness and satisfaction, improving the user experience with music recommendations.