Predicting patron satisfaction on library service using machine learning approaches: a case study in Indonesia

Irhamni Ali, Muhammad Ansyari Tantawi Nasution & Siti Fatimatuz Zahra

Technical Services Quarterly, ISSN 1555-3337, vol. 42, n. 1, 2025, pp. 68-82

Las bibliotecas modernas han evolucionado hacia el ofrecimiento de actividades que mejoran la satisfacción del usuario, esencial para determinar el éxito de las mismas y cuya retroalimentación resulta crucial para mejorar los servicios bibliotecarios. Por otro lado, los avances tecnológicos permiten usar nuevos métodos, como el aprendizaje automático, con el objetivo de predecir la satisfacción del usuario. Así, por ejemplo, se menciona cómo un estudio en Tailandia encontró que los algoritmos de aprendizaje automático, como el Gradient Boosting Tree, son efectivos para predecir el comportamiento del usuario. El artículo se estructura en torno a las siguientes secciones: un marco teórico, la propuesta de un modelo, la descripción de los experimentos realizados y sus resultados, la discusión de los mismos, y una conclusión en la que se discuten algunas líneas de trabajo futuras. El objetivo del estudio es, en primer lugar, comparar el comportamiento de modelos de aprendizaje automático mientras predicen la satisfacción del usuario en la biblioteca (KNN, Logistic Regression, CART, Random Forest, LightGBM, CatBoost, XGBoost); para después intentar dictaminar cuáles tienen el mejor rendimiento productivo y qué factores (colección, servicio, infraestructura, edificio o personal) predicen significativamente la satisfacción. Finalmente, el artículo concluye que, por un lado, el modelo LightGBM es el que logra una mayor precisión; y, por otro, que los tres factores que más afectan a la satisfacción son el de personal, el servicio y la infraestructura. En suma, los conocimientos obtenidos permiten tomar decisiones basadas en datos para mejorar la lealtad y el servicio de los usuarios de la biblioteca.

https://doi.org/10.1080/07317131.2024.2432089