Che tu stia scegliendo un ristorante o la destinazione per la tua prossima vacanza, prendere decisioni su questioni di gusto può essere faticoso.

La nuova ricerca di Cornell indica modi più efficaci per prendere una decisione e fa luce su come possiamo usare le opinioni di altre persone per prendere le nostre decisioni. Il lavoro potrebbe anche avere implicazioni sul modo in cui gli algoritmi di raccomandazione online sono progettati e valutati.

La carta, pubblicato il 28 maggio in Natura Comportamento Umano , suggerisce che le persone che hanno avuto molte esperienze in una particolare arena, che si tratti di ristoranti, alberghi, film o musica – possono trarre vantaggio dall'affidarsi principalmente alle opinioni di persone simili (e scartare le opinioni di altri con gusti diversi). In contrasto, le persone che non hanno avuto molte esperienze non possono stimare in modo affidabile la loro somiglianza con gli altri e fanno meglio a scegliere l'opzione tradizionale.

"I nostri risultati confermano che anche nel dominio del gusto, dove le simpatie e le antipatie delle persone sono così diverse, la saggezza della folla è una buona strada da percorrere per molte persone, " ha affermato l'autore principale Pantelis P. Analytis, un ricercatore post-dottorato presso il Dipartimento di Scienze dell'Informazione di Cornell.

Analytis ha scritto "Strategie di apprendimento sociale per questioni di gusto" con Daniel Barkoczi della Linköping University, Svezia, e Stefan M. Herzog dell'Istituto Max Planck per lo sviluppo umano, Berlino.

Ma quanti ristoranti (o film o album musicali) dovresti provare prima di affidarti alle opinioni di altri che apparentemente condividono i tuoi gusti, piuttosto che la saggezza della folla? Tutto dipende da quanto sono tradizionali (o alternativi) i gusti di una persona e da quanto i suoi coetanei differiscono nella loro somiglianza con loro, ha detto Analytis. "Per le persone che hanno gusti tradizionali, la saggezza della folla si esibisce abbastanza bene, e c'è poco da guadagnare assegnando pesi agli altri. Perciò, solo le persone che hanno sperimentato molte opzioni possono fare di meglio che usare la saggezza della folla, " ha detto. "Per le persone con gusti alternativi, in contrasto, la saggezza della folla potrebbe essere una cattiva idea. Piuttosto, dovrebbero fare l'opposto di ciò che preferisce la folla".

I ricercatori hanno studiato le prestazioni di diverse strategie di apprendimento sociale eseguendo simulazioni al computer con i dati di Jester, un motore di raccomandazione di battute; sviluppato presso l'Università della California, Berkeley, alla fine degli anni '90, è in esecuzione online da allora. L'interfaccia consente agli utenti di valutare fino a 100 battute su una scala da "non divertente" (-10) a "divertente" (+10). Un primo progetto di scienza dei cittadini, è l'unico set di dati del sistema di raccomandazione disponibile in cui molte persone hanno valutato tutte le opzioni.

I risultati suggeriscono che le persone potrebbero apprendere le proprie preferenze nello stesso modo in cui gli algoritmi dei sistemi di raccomandazione valutano quali opzioni piaceranno di più alle persone, far luce sulla nostra stessa cognizione "Noi umani abbiamo il computer più potente che sia mai esistito e che esegue continuamente algoritmi nelle nostre teste. Stiamo cercando di mostrare quali potrebbero essere quegli algoritmi e quando ci si aspetta che prosperino, " ha detto Barkoczi. A questo proposito, la nuova ricerca crea ponti tra le scienze comportamentali e sociali e la comunità dei sistemi di raccomandazione. I campi hanno esaminato l'aggregazione delle opinioni utilizzando una terminologia molto diversa, eppure i principi alla base sono molto simili, disse Barkoczi. "Abbiamo fatto un grande sforzo in questo lavoro cercando di sviluppare concetti che potessero fertilizzare in modo incrociato quelle letterature parallele".

La ricerca ha anche implicazioni sul modo in cui gli algoritmi di raccomandazione online sono progettati e valutati. Finora gli scienziati della comunità dei sistemi di raccomandazione hanno studiato diversi algoritmi di raccomandazione a livello aggregato, ignorando le prestazioni di ciascun algoritmo per ogni individuo nel set di dati. In contrasto, questa ricerca mostra che potrebbe esserci del potenziale nella valutazione di queste strategie a livello individuale. "Nel nostro lavoro, mostriamo che le prestazioni delle strategie differiscono molto per i diversi individui. Queste differenze di livello individuali sono state scoperte sistematicamente per la prima volta, " disse Herzog.

Ciò implica che i dati di ogni individuo possono essere visti come un insieme di dati con proprietà distinte, annidato all'interno di una struttura di set di dati del sistema di raccomandazione generale. "I sistemi di raccomandazione sui film come quelli utilizzati da Netflix potrebbero 'apprendere' se le persone hanno gusti tradizionali o alternativi e quindi selezionare i loro algoritmi di raccomandazione in base a ciò, piuttosto che utilizzare le stesse strategie di personalizzazione per tutti, " disse Herzog.

Secondo un antico adagio, sul gusto non si discute. "Questo lavoro, in contrasto, mostra che la migliore strategia di apprendimento per ogni individuo non è soggettiva, "Analiti ha detto, "ma piuttosto è soggetto ad argomentazione razionale."