Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces
Dieses Paper schlägt eine Pipeline der inversen Theorie des Geistes (Inverse Theory of Mind, IToM) vor, die LLM-gestützte kontrafaktische Argumentation und abduktive Schlussfolgerung nutzt, um Nutzerüberzeugungen zu rekonstruieren und strukturierte Personas aus Browsing-Interaktionen zu generieren, wobei eine überlegene Genauigkeit bei der Vorhersage von Nutzermerkmalen nachgewiesen und dynamische, modalitätsunabhängige Inhalts-Empfehlungen für Anwendungen wie VisionOS ermöglicht werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu erraten, worauf Ihr Freund zum Abendessen Lust hat. Wenn Sie nur beobachten, wie er einmal auf eine Pizza-Anzeige klickt, denken Sie vielleicht: „Aha! Er liebt Pizza!“ Aber was ist, wenn er nur Preise verglichen hat? Oder vielleicht nach einem Geschenk für jemand anderen gesucht hat? In der Welt der Computer ist dies das große Problem der Art und Weise, wie wir normalerweise „Empfehlungssysteme“ bauen. Dies sind die intelligenten Algorithmen, die Filme, Songs oder Produkte vorschlagen. Traditionell agieren sie wie ein Statistiker, der lediglich zählt, wie oft Sie auf eine Schaltfläche klicken. Sie sehen die Aktion (den Klick), aber sie verstehen nicht das Warum dahinter. Sie wissen nicht, ob Sie geklickt haben, weil Sie den Artikel lieben, weil Sie gelangweilt waren oder weil Sie verwirrt waren.
Um dies zu beheben, haben Wissenschaftler ein Konzept aus der Psychologie namens „Theory of Mind“ untersucht. Betrachten Sie dies als die Fähigkeit, sich vorzustellen, was im Kopf eines anderen Menschen vorgeht – seine Überzeugungen, Ziele und Geheimnisse. Normalerweise versuchen Computer, dies zu nutzen, um vorherzusagen, was Sie als Nächstes tun werden, basierend auf dem, was sie glauben, dass Sie wollen. Aber diese Arbeit dreht das Skript um. Die Frage lautet: Was wäre, wenn wir rückwärts arbeiten könnten? Was wäre, wenn wir statt die Zukunft zu erraten, Ihre vergangenen Klicks nutzen und eine Art „detektivische Rückwärtsarbeit“ betreiben könnten, um herauszufinden, wer Sie eigentlich sind? Dies ist der Kern der Idee: chaotische, alltägliche digitale Fußabdrücke zu nehmen und sie zu nutzen, um eine reiche, verständliche Geschichte über Ihre Persönlichkeit aufzubauen, ohne jemals eine einzige Umfrage gestellt zu haben.
Die Forscher hinter dieser Studie, die bei JPMorgan Chase arbeiten, schlagen eine neue Methode namens „Inverse Theory of Mind“ (IToM) vor. Stellen Sie sich dies als eine digitale Detektei vor. Anstatt nur zu protokollieren, dass Sie auf ein Paar Laufschuhe geklickt haben, fragt das System: „Okay, was war auf dem Bildschirm, als Sie geklickt haben? Welche anderen Schuhe waren da? Warum haben Sie genau diese gewählt und nicht die anderen?“ Durch die Rekonstruktion des exakten Augenblicks der Entscheidung nutzt das System eine leistungsstarke KI (ein Large Language Model), um rückwärts zu schlussfolgern. Es generiert eine Liste von „Überzeugungen“, die Ihr Verhalten erklären, wie zum Beispiel: „Diese Person legt mehr Wert auf Langlebigkeit als auf Stil“ oder „Sie ist eine sorgfältige Forscherin, die Rezensionen liest, bevor sie kauft.“
Hier geschieht die Magie: Das System wählt nicht einfach eine einzige Vermutung. Es weiß, dass menschliches Verhalten kompliziert ist. Vielleicht haben Sie die Schuhe gekauft, weil Sie gerne laufen, oder vielleicht haben Sie sie gekauft, weil sie im Angebot waren und Sie ein Geschenk brauchten. Um diese Unsicherheit zu bewältigen, erstellt die KI mehrere verschiedene Versionen Ihres Persönlichkeitsprofils, wie ein Team von Detektiven, die jeweils eine andere Theorie anbieten. Dann wiegt sie all diese Theorien sorgfältig gegeneinander ab. Wenn die Beweise stark sind, neigt es sich der spezifischen Theorie zu; wenn die Beweise schwach sind, spielt es auf Nummer sicher und neigt sich zu dem, was für die meisten Menschen allgemein gilt. Dies verhindert, dass die KI wilde, stereotypische Vermutungen anstellt (wie etwa anzunehmen, dass jeder sorgfältige Käufer ein ängstlicher Introvertierter ist).
Das Team testete diese Idee anhand eines speziellen Datensatzes echter Amazon-Einkaufssitzungen, der nicht nur die Klicks enthielt, sondern auch die tatsächlich gesehenen Seiten und – entscheidend – echte Interviews und Persönlichkeitstests, die die Käufer absolviert hatten. Sie fanden heraus, dass ihre „Reverse-Detective“-Personas überraschend gut waren. In der Tat waren die Vermutungen der KI über die Persönlichkeit eines Nutzers in einigen Tests genauso gut wie, oder sogar besser als, der tatsächliche Persönlichkeitstest, den der Nutzer gemacht hatte. Sie zeigten, dass diese KI-generierten Profile vorhersagen konnten, was ein Nutzer als Nächstes tun würde, welche Produkte er mögen würde und sogar, wie er Fragen zu seinen Einkaufsgewohnheiten beantworten würde.
Der vielleicht spannendste Teil ist, dass diese Profile nicht nur Zahlen sind, die in einem Computer verborgen sind. Sie sind in klarer, menschlicher Sprache geschrieben. Das bedeutet, dass der Computer ein Profil, das aus 2D-Webbrowsing aufgebaut wurde, nutzen kann, um ein 3D-Interface für ein futuristisches Headset (wie das Apple Vision Pro) zu entwerfen. Wenn die KI beispielsweise herausfindet, dass Sie ein „budgetbewusster Planer“ sind, kann sie automatisch eine 3D-Banking-App so anordnen, dass Ihre Sparziele im Vordergrund stehen, während auffällige Investment-Angebote ausgeblendet werden. Die Arbeit legt nahe, dass dieser Ansatz die Lücke zwischen einfachem Klick-Tracking und tiefem menschlichem Verständnis schließt und einen Weg bietet, smartere, empathischere Schnittstellen zu bauen, die sich danach anpassen, wer wir sind, und nicht nur danach, was wir klicken. Die Autoren weisen jedoch vorsichtig darauf hin, dass das System zwar vielversprechend ist, aber immer noch Grenzen hat; es arbeitet am besten mit großen Datenmengen und hat manchmal Schwierigkeiten, extreme Persönlichkeitsmerkmale perfekt vorherzusagen, was darauf hindeutet, dass der „Reverse Detective“ zwar gut bei der Arbeit wird, aber noch Raum zum Lernen hat.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.