Modeling Trial-and-Error Navigation With a Sequential Decision Model of Information Scent

Diese Arbeit erweitert das Konzept des Informationssinns um ein sequenzielles Entscheidungsmodell unter Gedächtnisbeschränkungen, das das trial-and-error-Verhalten von Nutzern bei der Navigation durch vorschnelle Linkauswahl und Rückwärtsbewegungen erklärt.

Das Wesentliche

Stellen Sie sich vor, Sie sind in einem riesigen, verwirrenden Supermarkt auf der Suche nach einer ganz bestimmten Zutat – sagen wir, eine spezielle Soße. Die Regale sind hoch, die Schilder sind unklar, und Sie haben nur wenig Zeit.

Das ist genau das Problem, das dieses Papier untersucht: Wie finden Menschen Informationen im Internet, wenn sie sich verirren?

Bisher dachten Forscher, wir Menschen wären wie kleine Computer: Wir scannen alle Links auf einer Seite, berechnen genau, welcher der beste ist, und klicken dann. Aber das stimmt nicht. In der Realität klicken wir oft zu schnell, wählen den falschen Weg, merken unseren Fehler, gehen zurück (Backtracking) und versuchen es noch einmal.

Die Autoren dieses Papiers haben ein neues Modell entwickelt, das dieses „Ausprobieren und Irrtums"-Verhalten (Trial-and-Error) erklärt. Hier ist die einfache Version ihrer Entdeckungen:

1. Der Duft der Information (Information Scent)

Stellen Sie sich vor, jeder Link auf einer Webseite hat einen Duft.

• Ein starker Duft (z. B. ein Link, der „Rezept für Soße" heißt) lockt Sie an.
• Ein schwacher oder verwirrender Duft (z. B. nur „Kategorien") lässt Sie unsicher werden.

Frühere Modelle sagten: „Der Mensch riecht alle Düfte auf der Seite, vergleicht sie und wählt den besten."
Die neue Erkenntnis: Wir sind faul (oder besser: effizient!). Wir haben keine Zeit, alles zu riechen. Wir schnuppern nur kurz, entscheiden uns für den vielversprechendsten Duft und klicken. Wenn es dann nicht passt, sind wir überrascht und müssen umkehren.

2. Der vergessliche Rucksack (Gedächtnis-Beschränkung)

Stellen Sie sich vor, Ihr Gehirn ist ein Rucksack mit sehr wenig Platz.

• Wenn Sie durch den Supermarkt laufen, merken Sie sich nur die letzten 3-4 Regale, die Sie gesehen haben.
• Alles, was Sie vor 10 Minuten gesehen haben, verblasst langsam aus Ihrem Rucksack (Gedächtnisverfall).

Das Modell zeigt: Wenn wir uns Dinge nicht merken können, gehen wir oft zurück zu einem Regal, das wir schon einmal gesehen haben, nur um sicherzugehen, ob dort wirklich nichts war. Das erklärt, warum wir im Internet oft zu denselben Seiten zurückkehren, obwohl wir denken, wir wären schon dort gewesen.

3. Der Planer mit Brille (Entscheidungs-Modell)

Die Autoren haben einen virtuellen „Roboter" gebaut, der genau wie ein Mensch denkt:

• Er hat begrenztes Gedächtnis.
• Er kann die Düfte nur unscharf wahrnehmen (manchmal riecht etwas gut, ist aber eigentlich falsch).
• Er muss schnell entscheiden, weil Zeit Geld ist (oder in diesem Fall: Geduld).

Dieser Roboter lernt durch Belohnung und Bestrafung:

• Findet er das Ziel? -> Große Belohnung!
• Klickt er zu oft oder verirrt sich? -> Kleine Strafe (Zeitverlust).

Was passiert, wenn man das Modell testet?

Das Modell verhält sich fast genau wie echte Menschen:

• Bei schwierigen Aufgaben: Wenn alle Düfte schwach sind (alle Links sehen ähnlich aus), wird der Roboter nervös, läuft hin und her, macht Fehler und muss öfter zurückgehen. Genau wie wir.
• Bei tiefen Hierarchien: Wenn der Supermarkt viele Stockwerke hat (viele Ebenen von Menüs), verirrt sich der Roboter schneller. Er vergisst, wo er war, und braucht länger.
• Bei der Position: Wenn das Ziel oben links liegt, findet der Roboter es schneller als unten rechts. Das liegt daran, dass wir Menschen (und auch der Roboter) unsere Augen und Aufmerksamkeit natürlich eher nach links-oben schweifen lassen.

Warum ist das wichtig?

Früher dachte man, Fehler beim Surfen seien „Dummheit" oder schlechte Planung. Dieses Papier sagt: Nein, Fehler sind normal! Sie entstehen, weil unser Gehirn begrenzt ist. Wir können nicht alles auf einmal sehen und uns nicht alles merken.

Die praktische Anwendung:
Webdesigner können dieses Modell nutzen, um ihre Webseiten zu testen, bevor sie sie bauen.

• Wo werden Nutzer stecken bleiben? (Wenn der Duft zu schwach ist).
• Wo werden sie sich verirren? (Wenn die Ebenen zu tief sind).
• Wie kann man helfen? (Indem man stärkere „Düfte" oder klare Hinweise setzt, genau dort, wo das Gedächtnis der Nutzer nachlässt).

Zusammenfassend:
Wir sind keine perfekten Suchmaschinen. Wir sind abenteuerlustige Entdecker mit einem kleinen Rucksack und einer Brille, die manchmal beschlägt. Dieses Modell hilft uns zu verstehen, warum wir uns verirren, und zeigt uns, wie wir die Landkarten (Webseiten) so gestalten können, dass wir alle schneller ans Ziel kommen – ohne den Weg zu verlieren.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Modeling Trial-and-Error Navigation With a Sequential Decision Model of Information Scent" auf Deutsch:

1. Problemstellung

Die Navigation in komplexen Informationsarchitekturen (z. B. Webseiten-Menüs) stellt Nutzer oft vor Herausforderungen, insbesondere wenn Links mehrdeutig sind oder tief in Hierarchien verschachtelt sind.

• Herausforderung: Nutzer wählen häufig falsche Links, übersehen relevante Hinweise und müssen durch „Backtracking" (Zurückgehen) Fehler korrigieren.
• Limitierung bestehender Theorien: Das etablierte Konzept des „Information Scent" (Informationsgeruch) erklärt zwar, warum Nutzer falsche Links wählen, geht jedoch oft von einer vollständigen Beobachtbarkeit aus. Es wird angenommen, dass Nutzer alle verfügbaren Optionen auf einer Seite scannen, bevor sie eine Entscheidung treffen.
• Reale Realität: In der Praxis scannen Nutzer Seiten oft nur teilweise, treffen voreilige Entscheidungen („premature selections") und arbeiten unter kognitiven Beschränkungen (Gedächtnis, Aufmerksamkeit). Bestehende Modelle (z. B. CoLiDeS, SNIF-ACT) sind entweder rein analytisch und myopisch (kurzsichtig) oder nutzen heuristische Simulationen, die jedoch keine globale probabilistische Planung oder Gedächtnisbeschränkungen adäquat abbilden.

2. Methodik

Die Autoren erweitern das Konzept des Information Scent zu einem sequenziellen Entscheidungsproblem unter Gedächtnisbeschränkungen.

• Formalisierung als POMDP: Die Navigation wird als Partially Observable Markov Decision Process (POMDP) modelliert.
  • Zustand (State): Enthält die aktuelle Ebene, den Fokus, den Pfadstack und die versteckte Zielposition. Der vollständige Zustand ist für den Agenten nicht direkt sichtbar.
  • Aktionen (Actions): Visit (einen Link inspizieren), Select (einen Link auswählen/tiefere Ebene betreten) und Return (zurück zur vorherigen Ebene).
  • Beobachtung (Observation): Der Agent erhält nur begrenzte, verrauschte Informationen.
    • Lokales Panel: Zeigt die aktuellen Optionen mit ihrem „Geruch" (Scent), der erst durch Inspektion sichtbar wird und durch Gaußsches Rauschen ($\sigma$) verfälscht ist.
    • Globales Gedächtnis: Ein begrenzter Speicher (Top-K), der die wichtigsten bisher gesehenen Hinweise speichert.
• Information Scent & Rauschen: Der wahre „Geruch" eines Links basiert auf der semantischen Ähnlichkeit zwischen Ziel und Link-Label (berechnet via Sentence-Transformer). Die wahrgenommene Stärke ist jedoch verrauscht ($\tilde{\psi}_i \sim N(\hat{\psi}_i, \sigma^2)$).
• Gedächtnisbeschränkungen (Bounded Memory):
  • Kapazität: Der Agent kann nur eine begrenzte Anzahl von Hinweisen (ca. 3–5) gleichzeitig halten.
  • Verfall (Decay): Gedächtnisspuren zerfallen über die Zeit ($e^{-\lambda \Delta t}$), es sei denn, sie werden durch wiederholtes Betrachten oder Klicken verstärkt. Dies führt dazu, dass vergessene Hinweise wieder neu inspiziert werden müssen.
• Ressourcenrationales Prinzip (Resource Rationality): Der Agent maximiert den erwarteten Nutzen unter Berücksichtigung kognitiver Kosten (Zeit, Schritte). Die Belohnungsfunktion ($R$) belohnt das Erreichen des Ziels (+20) und bestraft jeden Schritt leicht (-0.01), um Ineffizienz zu vermeiden.
• Training: Der Agent wird mittels Reinforcement Learning (RL) trainiert, um eine optimale Policy zu lernen, die das Gleichgewicht zwischen Exploration (neue Links prüfen) und Exploitation (bekannte starke Links wählen) findet.

3. Wichtige Beiträge

1. Erweiterung der Information-Scent-Theorie: Umwandlung von statischen, myopischen Modellen in ein sequenzielles Entscheidungsmodell, das voreilige Entscheidungen, Backtracking und das Wiederbesuchen von Optionen erklärt.
2. Computational Model (POMDP): Entwicklung eines Modells, das lokale und globale Duftsignale in einen nicht-myopischen, entscheidungstheoretischen Rahmen integriert, der explizit Gedächtnisgrenzen und Rauschen berücksichtigt.
3. Validierung: Nachweis, dass das Modell menschliches „Trial-and-Error"-Verhalten und bekannte Effekte der Informationsarchitektur reproduzieren kann, ohne handgefertigte Heuristiken zu verwenden.

4. Ergebnisse

Das Modell wurde mit empirischen Daten verglichen und reproduzierte erfolgreich folgende menschliche Verhaltensmuster und Effekte:

• Trial-and-Error-Verhalten:
  • Partielles Scannen: Der Agent inspiziert nur eine Teilmenge der Optionen, bevor er eine Auswahl trifft.
  • Backtracking: Systematisches Zurückkehren zu vorherigen Ebenen bei fehlgeschlagener Exploration.
  • Wiederbesuchen (Revisiting): Das Zurückkehren zu bereits inspizierten Optionen, entweder weil sie neu bewertet werden oder weil ihre Gedächtnisspur verblasst ist.
• Einflussfaktoren der Informationsarchitektur:
  • Aufgabenschwierigkeit: Bei schwierigen Aufgaben (schwacher Duft oder konkurrierende Optionen) steigen die Lösungsdauer und Klicks an, und das Modell zeigt mehr Trial-and-Error-Schleifen.
  • Hierarchie-Tiefe: Tiefere Hierarchien (3 Ebenen vs. 2 Ebenen) führen zu längeren Lösungswegen und höheren „Lostness"-Werten (Desorientierung), genau wie bei menschlichen Nutzern.
  • Zielposition: Ziele oben links werden schneller gefunden als unten rechts. Das Modell lernt diese räumliche Verzerrung als Anpassung an die statistische Struktur der Trainingsumgebung (Top-Left-Bias).
• Ablationsstudien:
  • Das Entfernen von Gedächtnisverfall oder Rauschen verschlechtert die Übereinstimmung mit menschlichen Daten drastisch.
  • Ein niedriger Diskontfaktor ($\gamma$) führt zu myopischem, impulsivem Verhalten (viele Fehler), während ein hoher $\gamma$ effiziente, langfristige Planung ermöglicht.

5. Bedeutung und Implikationen

• Theoretischer Fortschritt: Die Arbeit zeigt, dass „Fehler" wie Backtracking keine Abweichungen von einer optimalen Strategie sind, sondern natürliche Folgen begrenzter Rationalität (Bounded Rationality) unter Unsicherheit. Sie verbindet Information Scent mit ressourcenrationaler Kognition.
• Praktische Anwendung im Design:
  • Computergestützte Evaluation: Das Modell kann als effizientes Werkzeug dienen, um Informationsarchitekturen zu testen, bevor teure Nutzerstudien durchgeführt werden (Vorhersage von Backtracking und Verwirrungspunkten).
  • Identifikation von Schwachstellen: Es kann Bereiche identifizieren, in denen der „Geruch" (Scent) zu schwach ist oder Labels zu viel Unsicherheit erzeugen.
  • Proaktives Design: Das Modell kann vorhersagen, wann und wo Desorientierung auftritt, um gezielte Interventionen (z. B. Breadcrumbs, Besuchsindikatoren) zu platzieren.
  • Personalisierung: Es bietet Ansätze für adaptive Schnittstellen, die sich an die kognitiven Grenzen (z. B. Arbeitsgedächtniskapazität) des Nutzers anpassen.

Zusammenfassend demonstriert das Paper, dass Trial-and-Error-Verhalten im Web durch Information Scent vollständig erklärbar ist, sobald die sequenzielle Natur und die kognitiven Beschränkungen des menschlichen Informationsverarbeitens in das Modell integriert werden.