Towards welfare-oriented recommendations in activity-travel behavior

Ogni giorno, le persone compiono innumerevoli scelte su dove andare e cosa fare. Dal selezionare un ristorante per cena al decidere quale parco visitare, queste decisioni sono raramente prese in un vuoto. Sempre più spesso, sono guidate da assistenti digitali e sistemi di raccomandazione che suggeriscono opzioni basate su ciò che ad altri è piaciuto o su ciò che è attualmente popolare. Questi strumenti sono progettati per rendere la vita più facile, ma operano su un presupposto fondamentale: che se un'opzione è popolare o altamente valutata, sia una buona scelta per l'utente individuale. Tuttavia, questo presupposto spesso trascura un fattore critico e nascosto nella vita quotidiana: il costo per arrivarci. Nel mondo della pianificazione di viaggi e attività, il tempo trascorso nel traffico, i soldi spesi per il carburante e lo sforzo richiesto per raggiungere una destinazione sono spese reali che non possono essere rimborsate se l'esperienza si rivela deludente. Un ristorante molto apprezzato dall'altra parte della città potrebbe sembrare un'ottima idea su uno schermo, ma se il viaggio richiede un'ora nel traffico intenso e il pasto è solo mediocre, l'utente ha perso più di quanto abbia guadagnato. Questo disallineamento tra ciò che gli algoritmi raccomandano e ciò che effettivamente avvantaggia una persona è il puzzle centrale che i ricercatori stanno ora cercando di risolvere.

Un team di ricercatori ha sviluppato un nuovo modo di pensare a questi suggerimenti digitali, spostando l'attenzione dalla semplice popolarità a un concetto che chiamano "benessere dell'utente" (user welfare). Invece di chiedere quale opzione sia la più cliccata o la più recensita, il loro approccio pone una domanda più personale: seguire questo suggerimento lascerà davvero l'utente in una condizione migliore rispetto a quella che avrebbe avuto scegliendo qualcosa da solo? Per esplorare questo, i ricercatori hanno costruito una complessa simulazione informatica, una città virtuale popolata da 250 viaggiatori digitali. Questi viaggiatori non erano semplici robot; a loro sono state date personalità distinte, diversi livelli di pazienza, varie quantità di denaro e modi unici di prendere decisioni. Alcuni erano impulsivi, altri cauti e altri ancora inclini a mantenere le vecchie abitudini. La simulazione ha permesso a queste persone digitali di interagire con diversi tipi di sistemi di raccomandazione nel corso di sessanta giorni simulati, creando un ambiente realistico in cui ingorghi stradali, cambiamenti di preferenze e le conseguenze di cattive scelte potevano essere osservati e misurati.

I ricercatori hanno testato cinque approcci principali nella loro città virtuale. Il primo era una condizione di base in cui gli agenti selezionavano segmenti di svago e località interamente in base alle proprie preferenze, senza alcuna interazione algoritmica. Il secondo era un sistema standard, simile a quelli esistenti oggi, che classifica i luoghi in base alla popolarità e alla rilevanza generale senza preoccuparsi del costo specifico per l'individuo. Il terzo e il quarto approccio erano i nuovi sistemi orientati al benessere. Uno di questi utilizzava un filtro di "utilità positiva", che fungeva da controllo di sicurezza. Prima di suggerire un luogo, il sistema calcolava la probabilità che il piacere dell'attività superasse i costi di viaggio. Se il calcolo suggeriva che il viaggio potesse essere una perdita netta, il sistema restava semplicemente in silenzio, lasciando che l'utente facesse la propria scelta. L'altro nuovo approccio utilizzava un filtro di "minimizzazione del rimpianto". Questo sistema confrontava l'opzione raccomandata con la migliore alternativa possibile che l'utente avrebbe potuto trovare da solo. Se la raccomandazione era probabile che lasciasse l'utente in una condizione peggiore rispetto a quella che avrebbe avuto con una scelta diversa, il sistema riteneva di non proporre il suggerimento. Il quinto approccio era un sistema ipotetico "Oracolo" con una conoscenza perfetta di ogni preferenza dell'utente, servendo come limite superiore per misurare quanto spazio per il miglioramento esistesse.

I risultati della simulazione hanno rivelato un chiaro vantaggio per l'approccio orientato al benessere. Nella città virtuale, il sistema standard portava spesso gli utenti in situazioni in cui i costi di viaggio mangiavano il piacere dell'attività. Sebbene il sistema standard migliorasse leggermente l'esperienza media rispetto all'avere nessun sistema, produceva comunque un numero significativo di "brutte esperienze" in cui gli utenti erano peggio di quanto sarebbero stati senza un suggerimento. Al contrario, i sistemi che filtravano per il benessere riducevano drasticamente il numero di queste esperienze negative. Rifiutando di fare suggerimenti quando le probabilità erano scarse, questi nuovi sistemi proteggevano gli utenti dallo spreco di tempo e denaro. La simulazione ha mostato che quando il sistema si tratteneva, gli utenti che ricevevano le raccomandazioni erano molto più soddisfatti delle loro scelte. La soddisfazione media dei viaggi è aumentata e l'ineguaglianza nel modo in cui i diversi utenti venivano trattati è diminuita. Il sistema non raccomandava solo posti popolari; raccomandava i posti giusti per le persone giuste al momento giusto.

Forse il risultato più sorprendente è stato quanto danno il sistema standard stesse causando. La simulazione ha mostato che quasi il quaranta per cento delle volte, una raccomandazione standard rendeva effettivamente la giornata di un utente peggiore rispetto a se avesse scelto un posto da solo. Questo accade perché gli algoritmi spesso danno priorità all'engagement — far sì che un utente clicchi o visiti — piuttosto che al risultato effettivo per quell'utente. I nuovi filtri orientati al benessere hanno ridotto significativamente questo tasso di danno, riducendo il numero di utenti che finivano peggio a circa il trentuno per cento. Inoltre, lo studio ha scoperto che questi filtri erano particolarmente utili per certi tipi di viaggiatori. Le persone che tendono a essere più avverse al rischio o che sono facilmente sopraffatte da troppe scelte beneficiavano maggiormente dalla restrizione del sistema. Per questi individui, l'algoritmo agiva meno come un venditore che spinge un prodotto e più come un amico premuroso che sa quando stare in silenzio.

I ricercatori hanno anche scoperto che c'è un equilibrio delicato da mantenere. Se il sistema diventa troppo severo e rifiuta di fare suggerimenti troppo spesso, smette di essere utile. La simulazione ha identificato soglie specifiche in cui il sistema era più efficace: abbastanza rigoroso da filtrare le opzioni scadenti, ma abbastanza permissivo da offrire comunque una guida utile. Quando tarato correttamente, questi sistemi orientati al benessere potevano colmare una grande parte del divario tra la tecnologia attuale e un sistema perfetto e ideale che sa esattamente cosa vuole ogni utente. Sebbene lo studio sia stato condotto in un ambiente simulato piuttosto che nel mondo reale, la logica regge al controllo. I risultati suggeriscono che la prossima generazione di app di viaggio e attività non dovrebbe solo essere più intelligente nel prevedere cosa gli utenti cliccheranno, ma più principiata su quando intervenire e quando fare un passo indietro. Trattando il tempo e l'energia dell'utente come risorse preziose che non possono essere recuperate, questi sistemi potrebbero trasformarsi da strumenti di mera comodità in veri partner nel processo decisionale quotidiano.