Towards welfare-oriented recommendations in activity-travel behavior

Cada día, las personas toman innumerables decisiones sobre a dónde ir y qué hacer. Desde seleccionar un restaurante para la cena hasta decidir qué parque visitar, estas decisiones rara vez se toman en el vacío. Cada vez más, están guiadas por asistentes digitales y sistemas de recomendación que sugieren opciones basadas en lo que a otros les ha gustado o en lo que es popular actualmente. Estas herramientas están diseñadas para facilitar la vida, pero operan bajo un supuesto fundamental: que si una opción es popular o está altamente valorada, es una buena elección para el usuario individual. Sin embargo, este supuesto a menudo pasa por alto un factor crítico y oculto en la vida diaria: el coste de llegar allí. En el mundo de la planificación de viajes y actividades, el tiempo pasado en el tráfico, el dinero gastado en combustible y el esfuerzo requerido para alcanzar un destino son gastos reales que no pueden reembolsarse si la experiencia resulta ser decepcionante. Un restaurante muy bien valorado al otro lado de la ciudad puede parecer una gran idea en una pantalla, pero si el viaje toma una hora en medio de un tráfico intenso y la comida es simplemente mediocre, el usuario ha perdido más de lo que ha ganado. Este desencuentro entre lo que los algoritmos recomiendan y lo que realmente beneficia a una persona es el rompecabezas central que los investigadores intentan resolver ahora.

Un equipo de investigadores ha desarrollado una nueva forma de pensar sobre estas sugerencias digitales, cambiando el enfoque de la simple popularidad hacia un concepto que llaman "bienestar del usuario". En lugar de preguntar qué opción es la más clicada o la más reseñada, su enfoque hace una pregunta más personal: ¿seguirá esta sugerencia dejando al usuario mejor de lo que estaría si hubiera elegido algo por su cuenta? Para explorar esto, los investigadores construyeron una compleja simulación informática, una ciudad virtual poblada por 250 viajeros digitales. Estos viajeros no eran simples robots; se les dotó de personalidades distintas, diferentes niveles de paciencia, diversas cantidades de dinero y formas únicas de tomar decisiones. Algunos eran impulsivos, otros cautelosos y otros propensos a mantener sus viejos hábitos. La simulación permitió que estas personas digitales interactuaran con diferentes tipos de sistemas de recomendación a lo largo de sesenta días simulados, creando un entorno realista donde se podían observar y medir los atascos de tráfico, los cambios en las preferencias y las consecuencias de las malas decisiones.

Los investigadores probaron cinco enfoques principales en su ciudad virtual. El primero fue una condición de base donde los agentes seleccionaban segmentos de ocio y ubicaciones enteramente a partir de sus propias preferencias sin ninguna intervención algorítmica. El segundo fue un sistema estándar, similar al que existe hoy en día, que clasifica los lugares basándose en la popularidad y la relevancia general sin preocuparse por el coste específico para el individuo. El tercer y cuarto enfoque fueron los nuevos sistemas orientados al bienestar. Uno de ellos utilizó un filtro de "utilidad positiva", que actuaba como un control de seguridad. Antes de sugerir un lugar, el sistema calculaba la probabilidad de que el disfrute de la actividad superara los costes de viaje. Si la matemática sugería que el viaje podría ser una pérdida neta, el sistema simplemente guardaba silencio, dejando que el usuario tomara su propia decisión. El otro nuevo enfoque utilizó un filtro de "minimización del arrepentimiento". Este sistema comparaba la opción recomendada frente a la mejor alternativa posible que el usuario podría haber encontrado por su cuenta. Si la recomendación era probable que dejara al usuario sintiéndose peor de lo que se habría sentido con una elección diferente, el sistema retiraba la sugerencia. El quinto enfoque era un sistema "Oráculo" hipotético con conocimiento perfecto de todas las preferencias de los usuarios, sirviendo como un límite superior para medir cuánto espacio hay para la mejora.

Los resultados de la simulación revelaron una clara ventaja para el enfoque orientado al bienestar. En la ciudad virtual, el sistema estándar a menudo conducía a los usuarios a situaciones donde los costes de viaje consumían el disfrute de la actividad. Aunque el sistema estándar mejoraba ligeramente la experiencia promedio en comparación con no tener ningún sistema, seguía resultando en un número significativo de "malos viajes" donde los usuarios estaban peor que si no hubieran recibido ninguna sugerencia. En contraste, los sistemas que filtraban por bienestar reducían drásticamente el número de estas experiencias negativas. Al negarse a hacer sugerencias cuando las probabilidades eran bajas, estos nuevos sistemas protegían a los usuarios de perder tiempo y dinero. La simulación mostró que cuando el sistema se contenía, los usuarios que sí recibían recomendaciones estaban mucho más contentos con sus elecciones. La satisfacción promedio de los viajes aumentó y la desigualdad en cómo se trataba a los diferentes usuarios disminuyó. El sistema no solo recomendaba lugares más populares; recomendaba los lugares adecuados para las personas adecuadas en el momento adecuado.

Quizás el hallazgo más sorprendente fue cuánto daño estaba causando el sistema estándar. La simulación mostró que casi el cuarenta por ciento de las veces, una recomendación estándar de hecho empeoraba el día de un usuario en comparación con si simplemente hubiera elegido un lugar por su cuenta. Esto sucede porque los algoritmos a menudo priorizan el compromiso (engagement) —lograr que un usuario haga clic o visite un lugar— sobre el resultado real para ese usuario. Los nuevos filtros orientados al bienestar recortaron significativamente esta tasa de daño, reduciendo el número de usuarios que terminaban peor a alrededor del treinta y uno por ciento. Además, el estudio encontró que estos filtros eran particularmente útiles para ciertos tipos de viajeros. Las personas que tienden a ser más reacias al riesgo o que se sienten fácilmente abrumadas por demasiadas opciones se beneficiaron más del autocontrol del sistema. Para estos individuos, el algoritmo actuaba menos como un vendedor presionando para vender un producto y más como un amigo atento que sabe cuándo guardar silencio.

Los investigadores también descubrieron que hay un delicado equilibrio que lograr. Si el sistema se vuelve demasiado estricto y se niega a hacer sugerencias con demasiada frecuencia, deja de ser útil. La simulación identificó umbrales específicos donde el sistema era más efectivo: lo suficientemente estricto como para filtrar las malas opciones, pero lo suficientemente flexible como para seguir ofreciendo una guía útil. Cuando se ajustaban correctamente, estos sistemas orientados al bienestar podían cerrar una gran parte de la brecha entre la tecnología actual y un sistema ideal y perfecto que sabe exactamente qué quiere cada usuario. Aunque el estudio se realizó en un entorno simulado en lugar del mundo real, la lógica se sostiene bajo escrutinio. Los hallazgos sugieren que la próxima generación de aplicaciones de viajes y actividades no solo debería ser más inteligente al predecir en qué hará clic el usuario, sino más íntegra sobre cuándo hablar y cuándo dar un paso atrás. Al tratar el tiempo y la energía del usuario como recursos valiosos que no pueden recuperarse, estos sistemas podrían transformarse de herramientas de mera conveniencia en verdaderos compañeros en la toma de decisiones diarias.