Towards welfare-oriented recommendations in activity-travel behavior

Chaque jour, les gens font d'innombrables choix sur l'endroit où aller et ce qu'ils vont faire. Du choix d'un restaurant pour le dîner à la décision de quel parc visiter, ces décisions sont rarement prises dans un vide. Elles sont de plus en plus guidées par des assistants numériques et des systèmes de recommandation qui suggèrent des options basées sur ce que les autres ont aimé ou sur ce qui est actuellement populaire. Ces outils sont conçus pour faciliter la vie, mais ils reposent sur une hypothèse fondamentale : si une option est populaire ou très bien notée, elle est un bon choix pour l'utilisateur individuel. Cependant, cette hypothologie néglige souvent un facteur critique et caché de la vie quotidienne : le coût du trajet. Dans le monde de la planification de voyages et d'activités, le temps passé dans les embouteillages, l'argent dépensé en carburant et l'effort requis pour atteindre une destination sont des dépenses réelles qui ne peuvent être remboursées si l'expérience s'avère décevante. Un restaurant très bien noté à l'autre bout de la ville peut sembler être une excellente idée sur un écran, mais si le trajet prend une heure dans un trafic dense et que le repas est simplement moyen, l'utilisateur a perdu plus qu'il n'a gagné. Ce décalage entre ce que les algorithmes recommandent et ce qui bénéficie réellement à une personne est le puzzle central que les chercheurs tentent désormais de résoudre.

Une équipe de chercheurs a développé une nouvelle façon de penser ces suggestions numériques, en déplaçant l'attention de la simple popularité vers un concept qu'ils appellent le « bien-être de l'utilisateur ». Au lieu de demander quelle option est la plus cliquée ou la plus commentée, leur approche pose une question plus personnelle : suivre cette suggestion permettra-t-elle réellement à l'utilisateur d'être dans une meilleure situation que s'il avait choisi quelque chose par lui-même ? Pour explorer cela, les chercheurs ont construit une simulation informatique complexe, une ville virtuelle peuplée de 250 voyageurs numériques. Ces voyageurs n'étaient pas de simples robots ; ils recevaient des personnalités distinctes, différents niveaux de patience, des montants d'argent variables et des manières uniques de prendre des décisions. Certains étaient impulsifs, d'autres prudents, et certains avaient tendance à s'en tenir à leurs vieilles habitudes. La simulation permettait à ces personnes numériques d'interagir avec différents types de systèmes de recommandation au cours de soixante jours simulés, créant un environnement réaliste où les embouteillages, les changements de préférences et les conséquences de mauvais choix pouvaient être observés et mesurés.

Les chercheurs ont testé cinq approches principales dans leur ville virtuelle. La première était une condition de base où les agents sélectionnaient des segments de loisirs et des lieux entièrement selon leurs propres préférences, sans intervention algorithmique. La deuxième était un système standard, similaire à ce qui existe aujourd'hui, qui classe les lieux en fonction de la popularité et de la pertinence générale sans se soucier du coût spécifique pour l'individu. La troisième et la quatrième approche étaient les nouveaux systèmes orientés vers le bien-être. L'un d'eux utilisait un filtre d'« utilité positive », qui agissait comme une vérification de sécurité. Avant de suggérer un lieu, le système calculait la probabilité que le plaisir de l'activité l'emporte sur les coûts de déplacement. Si les calculs suggéraient que le voyage pourrait être une perte nette, le système restait simplement silencieux, laissant l'utilisateur faire son propre choix. L'autre nouvelle approche utilisait un filtre de « minimisation du regret ». Ce système comparait l'option recommandée à la meilleure alternative possible que l'utilisateur aurait pu trouver par lui-même. Si la recommandation était susceptible de laisser l'utilisateur dans une situation pire que s'il avait fait un autre choix, le système retenait sa suggestion. La cinquième approche était un système « Oracle » hypothétique possédant une connaissance parfaite des préférences de chaque utilisateur, servant de limite supérieure pour mesurer la marge de progression possible.

Les résultats de la simulation ont révélé un avantage clair pour l'approche orientée vers le bien-être. Dans la ville virtuelle, le système standard menait souvent les utilisateurs dans des situations où les coûts de déplacement absorbaient le plaisir de l'activité. Bien que le système standard ait légèrement amélioré l'expérience moyenne par rapport à l'absence de système, il entraînait toujours un nombre important de « mauvais trajets » où les utilisateurs étaient moins bien lotis que s'ils n'avaient jamais reçu de suggestion. En revanche, les systèmes qui filtraient pour le bien-être réduisaient considérablement le nombre de ces expériences négatives. En refusant de faire des suggestions lorsque les chances étaient faibles, ces nouveaux systèmes protégeaient les utilisateurs contre le gaspillage de temps et d'argent. La simulation a montré que lorsqu'un système se retenait, les utilisateurs qui recevaient des recommandations étaient beaucoup plus satisfaits de leurs choix. La satisfaction moyenne des trajets augmentait, et l'inégalité dans la manière dont les différents utilisateurs étaient traités diminuait. Le système ne recommandait pas seulement des endroits populaires ; il recommandait les bons endroits pour les bonnes personnes au bon moment.

Peut-être la découverte la plus surprenante fut de voir à quel point le système standard causait de tort. La simulation a montré que près de quarante pour cent du temps, une recommandation standard rendait en fait la journée d'un utilisateur pire que s'il avait simplement choisi un endroit par lui-même. Cela arrive parce que les algorithmes privilégient souvent l'engagement — inciter un utilisateur à cliquer ou à visiter — plutôt que le résultat réel pour cet utilisateur. Les nouveaux filtres orientés vers le bien-être réduisaient considérablement ce taux de préjudice, faisant tomber le nombre d'utilagers finissant dans une situation pire à environ trente et un pour cent. De plus, l'étude a révélé que ces filtres étaient particulièrement utiles pour certains types de voyageurs. Les personnes qui ont tendance à être plus prudentes face au risque ou qui sont facilement submergées par trop de choix bénéficiaient le plus de la retenue du système. Pour ces individus, l'algorithme agissait moins comme un vendeur poussant un produit que comme un ami attentionné qui sait quand rester silencieux.

Les chercheurs ont également découvert qu'il y a un équilibre délicat à trouver. Si le système devient trop strict et refuse de faire des suggestions trop souvent, il cesse d'être utile. La simulation a identifié des seuils spécifiques où le système était le plus efficace : assez strict pour filtrer les mauvaises options, mais assez souple pour continuer à offrir des conseils utiles. Lorsqu'ils étaient correctement réglés, ces systèmes orientés vers le bien-être pouvaient combler une grande partie de l'écart entre la technologie actuelle et un système parfait et idéal qui connaît exactement ce que chaque utilisateur veut. Bien que l'étude ait été menée dans un environnement simulé plutôt que dans le monde réel, la logique tient la route. Les conclusions suggèrent que la prochaine génération d'applications de voyage et d'activités ne devrait pas seulement être plus intelligente pour prédire ce que les utilisateurs vont cliquer, mais plus principielle sur le moment où elle doit s'exprimer et quand elle doit s'effacer. En traitant le temps et l'énergie de l'utilisateur comme des ressources précieuses qui ne peuvent être récupérées, ces systèmes pourraient passer d'outils de simple commodité à de véritables partenaires dans la prise de décision quotidienne.