Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces
Ce document propose un pipeline de Théorie de l'Esprit Inverse (IToM) qui utilise le raisonnement contrefactuel piloté par les LLM et l'inférence abductive pour reconstruire les croyances des utilisateurs et générer des personas structurés à partir d'interactions de navigation, démontrant une précision supérieure dans la prédiction des traits des utilisateurs et permettant des recommandations de contenu dynamiques et agnostiques de la modalité à travers des applications telles que VisionOS.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez de deviner ce que votre ami veut pour le dîner. Si vous le voyez simplement cliquer une fois sur une publicité pour une pizza, vous pourriez vous dire : « Aha ! Il adore la pizza ! » Mais et s'il était simplement en train de comparer les prix ? Ou peut-être cherchait-il un cadeau pour quelqu'un d'autre ? Dans le monde de l'informatique, c'est le grand problème de la manière dont nous construisons habituellement les « systèmes de recommandation ». Ce sont ces algorithmes intelligents qui suggèrent des films, des chansons ou des produits. Traditionnellement, ils agissent comme un statisticien qui se contente de compter combien de fois vous cliquez sur un bouton. Ils voient l'action (le clic), mais ils ne comprennent pas le pourquoi derrière celui-ci. Ils ne savent pas si vous avez cliqué parce que vous aimez l'article, parce que vous vous ennuyiez, ou parce que vous étiez confus.
Pour corriger cela, des scientifiques se sont penchés sur un concept issu de la psychologie appelé la « Théorie de l'esprit ». Voyez cela comme la capacité d'imaginer ce qui se passe dans la tête de quelqu'un d'autre — ses croyances, ses objectifs et ses secrets. Habituellement, les ordinateurs essaient d'utiliser cela pour deviner ce que vous ferez ensuite en fonction de ce qu'ils pensent que vous voulez. Mais ce document renverse la situation. Il pose la question suivante : Et si nous pouvions travailler à rebours ? Et si, au lieu de deviner le futur, nous pouvions regarder vos clics passés et utiliser une sorte de « travail de détective inversé » pour découvrir qui vous êtes réellement ? C'est l'idée centrale : prendre des empreintes numériques désordonnées et quotidiennes et les utiliser pour construire un récit riche et compréhensible sur la personnalité d'une personne, sans jamais avoir à lui poser la moindre question de sondage.
Les chercheurs derrière cette étude, travaillant chez JPMorgan Chase, proposent une nouvelle méthode appelée « Théorie de l'esprit inverse » (IToM - Inverse Theory of Mind). Voyez cela comme une agence de détectives numériques. Au lieu de simplement enregistrer que vous avez cliqué sur une paire de chaussures de course, le système demande : « D'accord, qu'y avait-il sur l'écran quand vous avez cliqué ? Quelles autres chaussures y avait-il ? Pourquoi avez-vous choisi celles-ci et pas les autres ? » En reconstruisant le moment exact de la décision, le système utilise une IA puissante (un grand modèle de langage) pour raisonner à rebours. Il génère une liste de « croyances » qui expliquent votre comportement, telles que : « Cette personne privilégie la durabilité au style » ou « C'est un chercheur prudent qui lit les avis avant d'acheter ».
C'est ici que la magie opère : le système ne choisit pas une seule supposition. Il sait que le comportement humain est complexe. Peut-être avez-vous acheté les chaussures parce que vous aimez la course à pied, ou peut-être les avez-vous achetées parce qu'elles étaient en promotion et que vous aviez besoin d'un cadeau. Pour gérer cette incertitude, l'IA crée plusieurs versions différentes du profil de votre personnalité, comme une équipe de détectives proposant chacune une théorie différente. Ensuite, elle pèse soigneusement toutes ces théories ensemble. Si les preuves sont solides, elle se penche sur la théorie spécifique ; si les preuves sont faibles, elle joue la prudence et s'appuie sur ce qui est généralement vrai pour la plupart des gens. Cela empêche l'IA de faire des suppositions stéréotypées extrêmes (comme supposer que chaque acheteur prudent est un introverti anxieux).
L'équipe a testé cette idée en utilisant un ensemble de données spécial composé de véritables sessions d'achat Amazon, qui incluaient non seulement les clics, mais aussi les pages réellement vues par les utilisateurs et, surtout, de véritables entretiens et tests de personnalité que les acheteurs avaient passés. Ils ont constaté que leurs personas de « détective inversé » étaient étonnamment performants. En fait, lors de certains tests, la supposition de l'IA sur la personnalité d'un utilisateur était aussi bonne, voire meilleure, que le véritable test de personnalité que l'utilisateur avait passé. Ils ont montré que ces profils générés par l'IA pouvaient prédire ce qu'un utilisateur ferait ensuite, quel type de produits il aimerait, et même comment il répondrait à des questions sur ses habitudes d'achat.
Le plus excitant est peut-être que ces profils ne sont pas de simples chiffres cachés dans un ordinateur. Ils sont écrits en langage humain courant. Cela signifie que l'ordinateur peut prendre un profil construit à partir d'une navigation web en 2D et l'utiliser pour concevoir une interface 3D pour un casque futuriste (comme l'Apple Vision Pro). Par exemple, si l'IA comprend que vous êtes un « planificateur soucieux du budget », elle peut automatiquement organiser une application bancaire en 3D pour afficher vos objectifs d'épargne au premier plan, tout en cachant les offres d'investissement tape-à-l'œil. Le document suggère que cette approche comble le fossé entre le simple suivi des clics et une compréhension humaine profonde, offrant un moyen de construire des interfaces plus intelligentes et plus empathiques qui s'adaptent à qui nous sommes, et non seulement à ce sur quoi nous cliquons. Cependant, les auteurs précisent avec prudence que, bien que les résultats soient prometteurs, le système présente encore des limites ; il fonctionne mieux avec de grandes quantités de données et éprouve parfois des difficultés à prédire parfaitement les traits de personnalité extrêmes, suggérant que si le « détective inversé » devient bon dans son travail, il a encore de la marge pour progresser.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.