Bridging Behavioral Data, Interaction, and Persona Simulation: A Quantitative Computational Framework for Modeling Consumer Decision-Making

• Autores: Keyan Jin
• Directores de la Tesis: Francisco Javier Blanco Encomienda (dir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2026
• Idioma: inglés
• ISBN: 9791370153342
• Número de páginas: 270
• Enlaces
  • Tesis en acceso abierto en: DIGIBUG
• Resumen
  • español

    En el contexto del mercado digital en rápida evolución, la toma de decisiones del consumidor se ha convertido en un proceso dinámico y adaptativo, moldeado por las interacciones en las plataformas, la mediación algorítmica y las señales sociales. A pesar de su creciente relevancia, la investigación existente sigue fragmentada entre la minería de datos de comportamiento, el diseño de sistemas interactivos y la simulación basada en personas, careciendo de una perspectiva unificada sobre la cadena completa de toma de decisiones. Para abordar esta brecha, en esta tesis se propone un marco computacional cuantitativo integral que integra datos de comportamiento, interacción en lenguaje natural y simulación de personas, con el fin de descubrir de manera sistemática los mecanismos subyacentes a la toma de decisiones del consumidor a múltiples escalas. El enfoque propuesto comienza con un análisis basado en datos del comportamiento del consumidor desde perspectivas tanto macro como micro. A nivel macro, se examinan las dinámicas de popularidad de marca en ecosistemas de redes sociales, empleando técnicas de aprendizaje automático interpretables para cuantificar los efectos no lineales de la exposición pagada y orgánica. Los resultados ponen de manifiesto el papel dominante de la participación orgánica en el sostenimiento del valor de marca a largo plazo. A nivel micro, se introduce HiCORE, un modelo de recomendación secuencial que combina atención híbrida jerárquica con aprendizaje auto-supervisado contrastivo para separar las preferencias a largo plazo de los intereses contextuales a corto plazo, permitiendo una modelización detallada de la evolución de la intención del consumidor. Sobre estas bases conductuales, el marco analítico avanza hacia el apoyo a la toma de decisiones interactivas en entornos conversacionales. Para mitigar la escasez de datos inherente a los sistemas de recomendación conversacional, se desarrolla el enfoque RD-HGCR, que aprovecha modelos de lenguaje de gran escala como motores de inferencia semántica para destilar reseñas de consumidores no estructuradas en entidades semánticas reutilizables. Estas entidades se integran en hipergrafos de conocimiento densificados, alineando el razonamiento de recomendación con el diálogo en lenguaje natural y mejorando tanto la transparencia como la coherencia semántica en la toma de decisiones interactiva. Extendiendo el análisis y la interacción hacia la simulación generativa, se construye, además, un sistema de gemelos digitales de consumidores con una base psicológica sólida. Al fundamentar la construcción de agentes en teorías consolidadas de la personalidad y del comportamiento del consumidor, el marco proporciona una base psicológica rigurosa para agentes generativos a gran escala. Para garantizar la validez científica y la controlabilidad, se propone el marco de validación ConsuEval, que introduce el Índice de Sensibilidad de Persona para evaluar agentes simulados en dimensiones de robustez frente al encuadre, discriminabilidad de la persona y alineación temática. Estas evaluaciones demuestran que las poblaciones artificiales de consumidores resultantes presentan patrones de comportamiento estables, interpretables y empíricamente fundamentados. Así pues, en esta tesis se establece un marco computacional de ciclo cerrado que conecta la observación empírica, el razonamiento interactivo y la simulación generativa del comportamiento del consumidor. El enfoque propuesto aporta una base metodológica unificada para la ciencia social computacional y la investigación en marketing basada en datos, posibilitando análisis fiables, interacción interpretable y experimentación contrafactual creíble en entornos digitales complejos.

  • English

    In the rapidly evolving digital marketplace, consumer decision-making has become a dynamic and adaptive process shaped by platform interactions, algorithmic mediation, and social signals. Despite its growing importance, existing research remains fragmented across behavioral data mining, interactive system design, and persona-based simulation, lacking a unified perspective on the complete decision-making chain. To address this gap, we propose a comprehensive quantitative computational framework that integrates behavioral data, natural language interaction, and persona simulation to systematically uncover the mechanisms of consumer decision-making across multiple scales. The framework begins with a data-driven analysis of consumer behavior from both macro and micro perspectives. At the macro level, it examines brand popularity dynamics within social media ecosystems, employing interpretable machine learning techniques to quantify the non-linear effects of paid and organic exposure. The results highlight the dominant role of organic engagement in sustaining long-term brand equity. At the micro level, the framework introduces HiCORE, a sequential recommendation model that combines hierarchical hybrid attention with contrastive self-supervised learning to disentangle long-term preferences from short-term contextual interests, enabling fine-grained modeling of evolving consumer intent. Building on these behavioral foundations, the framework advances toward interactive decision support in conversational environments. To mitigate the data sparsity inherent in conversational recommendation systems, the RD-HGCR framework is developed, which leverages large language models as semantic inference engines to distill unstructured consumer reviews into reusable semantic entities. These entities are integrated into densified knowledge hypergraphs, aligning recommendation reasoning with natural language dialogue and improving both transparency and semantic consistency in interactive decision-making. Extending from analysis and interaction to generative simulation, we further construct a psychologically grounded consumer digital twin system. By grounding agent construction in established personality and consumer behavior theories, the framework provides a principled psychological foundation for large-scale generative agents. To ensure scientific validity and controllability, the ConsuEval validation framework is proposed, introducing the Persona Sensitivity Index to evaluate simulated agents along dimensions of framing robustness, persona discriminability, and thematic reasoning alignment. These evaluations demonstrate that the resulting artificial consumer populations exhibit stable, interpretable, and empirically grounded behavioral patterns. Taken together, we establish a closed-loop computational framework that connects empirical observation, interactive reasoning, and generative simulation of consumer behavior. The proposed approach contributes a unified methodological foundation for computational social science and data-driven marketing research, enabling reliable analysis, interpretable interaction, and credible counterfactual experimentation in complex digital environments.