Towards welfare-oriented recommendations in activity-travel behavior

Jeden Tag treffen Menschen unzählige Entscheidungen darüber, wohin sie gehen und was sie tun. Von der Auswahl eines Restaurants für das Abendessen bis hin zur Entscheidung, welchen Park man besuchen möchte – diese Entscheidungen werden selten im luftleeren Raum getroffen. Immer häufiger werden sie von digitalen Assistenten und Empfehlungssystemen geleitet, die Optionen vorschlagen, basierend darauf, was anderen gefallen hat oder was derzeit beliebt ist. Diese Werkzeuge sind darauf ausgelegt, das Leben einfacher zu machen, aber sie operieren auf einer grundlegenden Annahme: dass eine Option, die populär oder hoch bewertet ist, eine gute Wahl für den einzelnen Nutzer darstellt. Diese Annahme übersieht jedoch oft einen kritischen, verborgenen Faktor im täglichen Leben: die Kosten des Hinwegs. In der Welt der Reise- und Aktivitätsplanung sind die Zeit, die man im Verkehr verbringt, das Geld, das man für Treibstoff ausgibt, und der Aufwand, der erforderlich ist, um ein Ziel zu erreichen, reale Ausgaben, die nicht erstattet werden können, wenn sich das Erlebnis enttäuschend erweist. Ein hoch bewertetes Restaurant am anderen Ende der Stadt mag auf einem Bildschirm wie eine großartige Idee erscheinen, aber wenn die Fahrt eine Stunde im schweren Verkehr dauert und das Essen lediglich durchschnittlich ist, hat der Nutzer mehr verloren als gewonnen. Diese Diskrepanz zwischen dem, was Algorithmen empfehlen, und dem, was einem Menschen tatsächlich zugutekommt, ist das zentrale Rätsel, das Forscher nun zu lösen versuchen.

Ein Team von Forschern hat eine neue Art des Denkens über diese digitalen Vorschläge entwickelt, die den Fokus von einfacher Popularität auf ein Konzept verschiebt, das sie „Nutzerwohlfahrt“ (User Welfare) nennen. Anstatt zu fragen, welche Option am häufigsten angeklickt oder am häufigsten bewertet wird, stellt ihr Ansatz eine persönlichere Frage: Wird das Befolgen dieses Vorschlags den Nutzer tatsächlich besser dastehen lassen, als wenn er sich selbst für etwas anderes entschieden hätte? Um dies zu untersuchen, bauten die Forscher eine komplexe Computersimulation, eine virtuelle Stadt, die von 250 digitalen Reisenden bevölkert wurde. Diese Reisenden waren keine einfachen Roboter; ihnen wurden unterschiedliche Persönlichkeiten, verschiedene Geduldsgrade, variierende Geldmengen und einzigartige Arten der Entscheidungsfindung gegeben. Einige waren impulsiv, einige vorsichtig und einige neigten dazu, an alten Gewohnheiten festzuhalten. Die Simulation ermöglichte es diesen digitalen Menschen, mit verschiedenen Arten von Empfehlungssystemen über einen Zeitraum von sechzig simulierten Tagen zu interagieren, wodurch eine realistische Umgebung geschaffen wurde, in der Staus, wechselnde Präferenzen und die Konsequenzen schlechter Entscheidungen beobachtet und gemessen werden konnten.

Die Forscher testeten fünf Hauptansätze in ihrer virtuellen Stadt. Der erste war eine Basiskonstruktion, bei der die Agenten Freizeitsegmente und Orte ausschließlich nach ihren eigenen Vorlieben auswählten, ohne jegliche algorithmische Intervention. Der zweite war ein Standardsystem, ähnlich dem, was heute existiert, welches Orte basierend auf Popularität und allgemeiner Relevanz rankt, ohne die spezifischen Kosten für das Individuum zu berücksichtigen. Der dritte und vierte Ansatz waren neue, wohlfahrtsorientierte Systeme. Eines dieser Systeme nutzte einen „positiven Nutzen“-Filter (Positive Utility Filter), der als Sicherheitsprüfung fungierte. Bevor das System einen Ort vorschlug, berechnete es die Wahrscheinlichkeit, dass die Freude an der Aktivität die Reisekosten überwiegt. Wenn die Mathematik nahelegte, dass die Reise ein Nettoverlust sein könnte, blieb das System einfach stumm und überließ den Nutzer seiner eigenen Wahl. Der andere neue Ansatz nutzte einen „Reue-Minimierungs“-Filter (Regret Minimization Filter). Dieses System verglich die empfohlene Option mit der bestmöglichen Alternative, die der Nutzer auf eigene Faust hätte finden können. Wenn die Empfehlung wahrscheinlich dazu führen würde, dass sich der Nutzer schlechter fühlt, als er es mit einer anderen Wahl gewesen wäre, hielt das System den Vorschlag zurück. Der fünfte Ansatz war ein hypothetisches „Orakel“-System mit perfektem Wissen über die Vorlieben jedes Nutzers, das als Obergrenze diente, um zu messen, wie viel Raum für Verbesserungen besteht.

Die Ergebnisse der Simulation zeigten einen klaren Vorteil für den wohlfahrtsorientierten Ansatz. In der virtuellen Stadt führte das Standardsystem die Nutzer oft in Situationen, in denen die Reisekosten die Freude an der Aktivität auffraßen. Während das Standardsystem das durchschnittliche Erlebnis im Vergleich zu gar keinem System leicht verbesserte, führte es dennoch zu einer signifikanten Anzahl von „schlechten Ausflügen“, bei denen die Nutzer schlechter gestellt waren, als wenn sie gar keinen Vorschlag erhalten hätten. Im Gegensatz dazu reduzierten die Systeme, die nach Wohlfahrt filterten, die Anzahl dieser negativen Erfahrungen drastisch. Indem sie Vorschläge verweigerten, wenn die Chancen schlecht waren, schützten diese neuen Systeme die Nutzer davor, Zeit und Geld zu verschwenden. Die Simulation zeigte, dass, wenn das System sich zurückhielt, die Nutzer, die Vorschläge erhielten, viel zufriedener mit ihren Entscheidungen waren. Die durchschnittliche Zufriedenheit mit den Ausflügen stieg an, und die Ungleichheit darin, wie gut die verschiedenen Nutzer behandelt wurden, nahm ab. Das System empfahl nicht nur populäre Orte; es empfahl die richtigen Orte für die richtigen Menschen zur richtigen Zeit.

Vielleicht war die überraschendste Erkenntnis, wie viel Schaden das Standardsystem anrichtete. Die Simulation zeigte, dass das Standardsystem in fast vierzig Prozent der Fälle den Tag eines Nutzers tatsächlich schlechter machte, als wenn er sich selbst einen Ort ausgesucht hätte. Dies geschieht, weil Algorithmen oft auf Engagement abzielen – darauf, einen Nutzer zum Klicken oder Besuchen zu bewegen – statt auf das tatsächliche Ergebnis für diesen Nutzer. Die neuen wohlfahrtsorientierten Filter schnitten diesen Schaden erheblich ab und reduzierten die Anzahl der Nutzer, die am Ende schlechter gestellt waren, auf etwa einunddreißig Prozent. Darüber hinaus fanden die Forscher heraus, dass diese Filter besonders hilfreich für bestimmte Typen von Reisenden waren. Menschen, die eher risikoscheu sind oder die leicht von zu vielen Auswahlmöglichkeiten überwältigt werden, profitierten am meisten von der Zurückhaltung des Systems. Für diese Individuen agierte der Algorithmus weniger wie ein Verkäufer, der ein Produkt aufdrängt, sondern eher wie ein aufmerksamer Freund, der weiß, wann er schweigen sollte.

Die Forscher entdeckten auch, dass ein empfindliches Gleichgewicht gewahrt werden muss. Wenn das System zu streng wird und zu oft keine Vorschläge macht, hört es auf, hilfreich zu sein. Die Simulation identifizierte spezifische Schwellenwerte, an denen das System am effektivsten war: streng genug, um die schlechten Optionen herauszufiltern, aber locker genug, um weiterhin nützliche Orientierung zu bieten. Wenn es korrekt abgestimmt war, konnten diese wohlfahrtsorientierten Systeme einen großen Teil der Lücke zwischen heutiger Technologie und einem perfekten, idealen System, das genau weiß, was jeder Nutzer will, schließen. Obwohl die Studie in einer simulierten Umgebung und nicht in der realen Welt durchgeführt wurde, hält die Logik einer Überprüfung stand. Die Ergebnisse legen nahe, dass die nächste Generation von Reise- und Aktivitäts-Apps nicht nur besser darin sein sollte, vorherzusagen, worauf Nutzer klicken, sondern auch prinzipienbewusster darin, wann sie sprechen und wann sie sich zurückziehen sollten. Indem sie die Zeit und Energie des Nutzers als wertvolle Ressourcen behandeln, die nicht wiederhergestellt werden können, könnten sich diese Systeme von Werkzeugen bloßer Bequemlichkeit zu echten Partnern in der täglichen Entscheidungsfindung verwandeln.