Que vous choisissiez un restaurant ou la destination de vos prochaines vacances, prendre des décisions sur des questions de goût peut être éprouvant.

Une nouvelle recherche de Cornell indique des moyens plus efficaces de prendre une décision – et met en lumière la façon dont nous pouvons utiliser les opinions des autres pour prendre nos propres décisions. Le travail peut également avoir des implications sur la façon dont les algorithmes de recommandation en ligne sont conçus et évalués.

Le papier, publié le 28 mai dans Nature Comportement Humain , suggère que les personnes qui ont eu beaucoup d'expériences dans un domaine particulier - qu'il s'agisse de restaurants, hôtels, des films ou de la musique - peuvent bénéficier de s'appuyer principalement sur les opinions de personnes similaires (et de ne pas tenir compte des opinions d'autres personnes ayant des goûts différents). En revanche, les personnes qui n'ont pas eu beaucoup d'expériences ne peuvent pas estimer de manière fiable leur similitude avec les autres et il est préférable de choisir l'option grand public.

"Nos résultats confirment que même dans le domaine du goût, où les goûts et les aversions des gens sont si différents, la sagesse de la foule est une bonne voie à suivre pour beaucoup de gens, " a déclaré l'auteur principal Pantelis P. Analytis, chercheur postdoctoral au Département des sciences de l'information de Cornell.

Analytis a co-écrit "Social Learning Strategies for Matters of Taste" avec Daniel Barkoczi de l'Université de Linköping, Suède, et Stefan M. Herzog de l'Institut Max Planck pour le développement humain, Berlin.

Mais combien de restaurants (ou de films ou d'albums de musique) devriez-vous essayer avant de vous fier aux opinions d'autres personnes qui semblent partager vos goûts, plutôt que la sagesse de la foule ? Tout dépend de la façon dont les goûts d'une personne sont courants (ou alternatifs) et à quel point ses pairs diffèrent dans leur similitude avec eux, dit Analytis. "Pour les gens qui ont des goûts traditionnels, la sagesse de la foule fonctionne assez bien, et il y a peu à gagner à attribuer des poids aux autres. Par conséquent, seules les personnes qui ont expérimenté beaucoup d'options peuvent faire mieux que d'utiliser la sagesse de la foule, " a-t-il dit. " Pour les personnes ayant des goûts alternatifs, en revanche, la sagesse de la foule pourrait être une mauvaise idée. Plutôt, ils devraient faire le contraire de ce que la foule préfère."

Les chercheurs ont étudié les performances de différentes stratégies d'apprentissage social en exécutant des simulations informatiques avec des données de Jester, un moteur de recommandation de blagues ; développé à l'Université de Californie, Berkeley, à la fin des années 90, il fonctionne en ligne depuis. L'interface permet aux utilisateurs d'évaluer jusqu'à 100 blagues sur une échelle allant de « pas drôle » (-10) à « drôle » (+10). Un premier projet de science citoyenne, c'est le seul ensemble de données de système de recommandation disponible dans lequel de nombreuses personnes ont évalué toutes les options.

Les résultats suggèrent que les gens pourraient apprendre leurs propres préférences de la même manière que les algorithmes des systèmes de recommandation évaluent les options que les gens aimeront le plus, mettre en lumière notre propre cognition "Nous, les humains, avons l'ordinateur le plus puissant qui ait jamais existé, exécutant des algorithmes tout le temps dans nos têtes. Nous essayons de montrer ce que ces algorithmes pourraient être et quand ils devraient prospérer, " a déclaré Barkoczi. À cet égard, la nouvelle recherche jette des ponts entre les sciences comportementales et sociales et la communauté des systèmes de recommandation. Les champs se sont penchés sur l'agrégation d'opinions en utilisant une terminologie très différente, pourtant les principes sous-jacents sont très similaires, dit Barkoczi. "Nous avons déployé beaucoup d'efforts dans ce travail en essayant de développer des concepts qui pourraient fertiliser ces littératures parallèles."

La recherche a également des implications sur la façon dont les algorithmes de recommandation en ligne sont conçus et évalués. Jusqu'à présent, les scientifiques de la communauté des systèmes de recommandation ont étudié différents algorithmes de recommandation au niveau agrégé, sans tenir compte des performances de chaque algorithme pour chaque individu de l'ensemble de données. En revanche, cette recherche montre qu'il pourrait être possible d'évaluer ces stratégies au niveau individuel. « Dans notre travail, nous montrons que les performances des stratégies divergent beaucoup pour différents individus. Ces différences de niveau individuel ont été systématiquement découvertes pour la première fois, " a déclaré Herzog.

Cela implique que les données de chaque individu peuvent être vues comme un ensemble de données avec des propriétés distinctes, imbriqué dans une structure globale de jeu de données de système de recommandation. "Les systèmes de recommandations de films comme ceux utilisés par Netflix pourraient" apprendre "si les individus ont des goûts traditionnels ou alternatifs, puis sélectionner leurs algorithmes de recommandation en fonction de cela, plutôt que d'utiliser les mêmes stratégies de personnalisation pour tout le monde, " a déclaré Herzog.

Selon un vieil adage, il n'y a pas de débat sur le goût. "Ce travail, en revanche, montre que la meilleure stratégie d'apprentissage pour chaque individu n'est pas subjective, " Analytis a dit, " mais est plutôt sujet à une argumentation rationnelle."