🤖 AI

Nudging Sustainable Choices through LLM-Generated Recommendation Explanations

Deze studie toont aan dat hoewel het louter onthullen van duurzaamheidsinformatie in door LLM gegenereerde aanbevelingsverklaringen er niet in slaagt om gebruikerskeuzes te veranderen, het inkaderen van dergelijke informatie of het aanroepen van beschrijvende sociale normen consumenten effectief naar duurzame selecties stuurt in zowel lage als hoge betrokkenheidsdomeinen.

Oorspronkelijke auteurs: Haya Halimeh, Dietmar Jannach, Oliver Müller

Gepubliceerd 2026-07-29

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Haya Halimeh, Dietmar Jannach, Oliver Müller

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je door een enorme, digitale supermarkt loopt waar een behulpzame robotassistent probeert te raden wat je wilt kopen. Deze robot is een "recommender system" (aanbevelingssysteem), een stuk software dat artikelen voorstelt op basis van wat je eerder leuk vond. Stel je nu voor dat de wereld probeert iedereen keuzes te laten maken die beter zijn voor de planeet, zoals het kiezen van koffie met minder plastic of een hotel dat energie bespaart. Wetenschappers vragen zich af: kunnen we deze robot leren om niet alleen te vinden wat jij leuk vindt, maar ook om je subtiel richting wat goed is voor de aarde te sturen zonder je te dwingen?

Om dit te doen, gebruiken ze twee hoofdzaken. Ten eerste gebruiken ze "uitleg". In plaats van alleen te zeggen: "Hier is een koffie," zegt de robot: "Hier is een koffie omdat je van donkere branding houdt." Dit is als een ober die vertelt waarom een gerecht lekker is. Ten tweede gebruiken ze "nudges" (duwtjes). Een nudge is geen duw; het is een subtiele verandering in de manier waarop informatie wordt gepresenteerd, waardoor de juiste keuze gemakkelijker of aantrekkelijker aanvoelt, zoals het plaatsen van fruit op ooghoogte in een cafetaria. De grote vraag is: als we de robot vertellen waarom een artikel milieuvriendelijk is, zullen mensen het dan ook echt kopen? En maakt het uit hoe de robot het zegt?

Dit artikel duikt in die vraag door de uitleg van de robot te veranderen in een super-slimme, door AI aangedreven verhalenverteller. De onderzoekers, Haya Halimeh, Dietmar Jannach en Oliver Müller, wilden zien of ze Large Language Models (LLM's) — dezelfde soort AI die essays schrijft en met je chat — konden gebruiken om deze milieuvriendelijke uitleg ter plekke te genereren. Ze testten dit in twee totaal verschillende werelden: het kopen van een goedkope kop instantkoffie (een snelle beslissing met lage inzet) en het boeken van een hotel voor een vakantie (een grote, dure beslissing met hoge inzet).

Het team zette een spel op waarbij 529 echte mensen moesten kiezen tussen vier artikelen die allemaal perfect pasten bij hun persoonlijke smaak. Sommige artikelen waren "groener" (zoals het hebben van recyclebare verpakkingen of een groene certificering) en andere niet. De twist zat in de uitleg die de AI gaf voor elk artikel. Ze testten vier verschillende manieren om over de groene kenmerken te praten:

Alleen de feiten: "Dit artikel wordt aanbevolen omdat het recyclebare verpakking heeft."
Het "Goed Nieuws"-kader: "Dit artikel wordt aanbevolen omdat de recyclebare verpakking helpt om afval op stortplaatsen te verminderen en een schonere toekomst te ondersteunen." (Focus op het positieve voordeel).
De "Iedereen Anders"-nudge: "Dit artikel wordt aanbevolen omdat veel andere klanten die naar soortgelijke producten keken, hiervoor kozen vanwege de recyclebare verpakking." (Focus op wat leeftjes doen).
Geen groene info: Alleen uitleg over waarom het bij hun smaak past, zonder enige vermelding van het milieu.

Hier is wat ze vonden, en het is een beetje een plotwending. Het simpelweg vertellen van de groene feiten (de groep "Alleen de feiten") veranderde de mening van mensen helemaal niet. Mensen kozen nog steeds even vaak de niet-groene artikelen als voorheen. De AI maakte hen niet magisch bezorgd door simpelweg de data op te sommen.

Echter, wanneer de AI het "Goed Nieuws"-kader gebruikte of de "Iedereen Anders"-nudge, waren de resultaten spectaculair. In deze groepen steeg het aantal mensen dat de duurzame optie koos van ongeveer 51% (eigenlijk een kop of munt) naar respectievelijk ongeveer 69% en 67%. De onderzoekers ontdekten dat het niet alleen belangrijk was dat de informatie aanwezig was; het ging erom hoe de informatie werd verpakt. Het "Goed Nieuws"-kader, dat de nadruk legde op de positieve consequentie van de keuze, was het krachtigst en maakte de beslissing gemakkelijker en bevredigender.

Interessant genoeg merkten de onderzoekers een grappige kloof op tussen wat mensen zeiden en wat ze deden. Wanneer mensen de kale feiten zagen, vonden ze de uitleg nuttig en duidelijk. Maar dat vertaalde zich niet naar het kopen van het groene artikel. Het was pas wanneer de uitleg werd gekaderd als een voordeel of een sociale trend dat mensen daadwerkelijk hun gedrag veranderden. Dit suggereert dat weten dat iets "goed" is niet genoeg is; je moet de positieve impact voelen of zien dat anderen het ook doen om daadwerkelijk de overstap te maken.

De studie controleerde ook of dit werkte voor zowel snelle beslissingen (koffie) als grote beslissingen (hotels). Het antwoord was ja: dezelfde regels golden voor beide. Of je nu $5 of $500 uitgeeft: een goed geformuleerde uitleg kan je naar een groenere keuze nudgen zonder je keuzevrijheid af te nemen. De onderzoekers concluderen dat het gebruik van AI om deze specifieke, op theorie gebaseerde verhalen te creëren een krachtig middel is om duurzame gewoonten aan te moedigen, maar het werkt alleen als je het verhaal goed vertelt. Gewoon de feiten opsommen is niet genoeg om de koers te veranderen.

Technische Samenvatting: Nudging naar Duurzame Keuzes via door LLM gegenereerde Aanbevelingsuitleg

Probleemstelling
Aanbevelingssystemen (RS) beïnvloeden het wereldwijde consumptiepatroon aanzienlijk, wat een cruciale kans biedt om gebruikers te sturen naar duurzame keuzes die in lijn zijn met de duurzame ontwikkelingsdoelstellingen van de VN. Hoewel eerder onderzoek suggereert dat uitleg de besluitvorming kan verbeteren, zijn bestaande duurzaamheidsbewuste uitlegmodellen grotendeels statisch, gebaseerd op sjablonen en beperkt in hun vermogen om content te personaliseren. Bovendien is het empirische bewijs met betrekking tot de effectiviteit van dergelijke uitleg in gepersonaliseerde settings schaars. Er bestaat een belangrijke kloof in het begrip van de vraag of het louter onthullen van duurzaamheidsinformatie voldoende is om gedrag te veranderen, of dat de presentatie van die informatie (via mechanismen voor gedragsnudging) vereist is. Daarnaast blijft het onduidelijk of deze effecten generaliseerbaar zijn naar domeinen met verschillende niveaus van gebruikersbetrokkenheid (bijv. lage inzet bij dagelijkse aankopen versus hoge inzet bij hotelboekingen).

Methodologie
De auteurs voerden twee gerandomiseerde gebruikersstudies uit ( $N=529$ ) over twee verschillende domeinen: een domein met lage betrokkenheid (instant koffie, $n=262$ ) en een domein met hoge betrokkenheid (hotelboekingen, $n=267$ ).

Experimenteel Ontwerp: De studies maakten gebruik van een between-subjects ontwerp met vier condities. Deelnemers gaven eerst expliciete voorkeuren op (bijv. brandingsniveau, hotelvoorzieningen), die werden gebruikt om voorkeursgematchte aanbevelingen te genereren. Elke deelnemer kreeg vier items te zien (twee met een hoge duurzaamheid, twee met een lage duurzaamheid), vergezeld van door LLM gegenereerde uitleg.
- Alleen Voorkeur (Baseline): Uitleg beschreef de match tussen gebruikersvoorkeuren en itemattributen, waarbij duurzaamheidscontent werd weggelaten.
- Mechanisme-vrij: Uitleg onthulde het duurzaamheidsattribuut (bijv. recyclebare verpakking, Green Key-certificering) feitelijk zonder gedragsmatige inkadering.
- Framing: Uitleg presenteerde het duurzaamheidsattribuut met een positieve, winstgerichte frame (het benadrukken van gunstige gevolgen).
- Beschrijvende Sociale Normen: Uitleg presenteerde het duurzaamheidsattribuut door het gedrag van soortgelijke leeftijdsgenoten/peers aan te halen (bijv. "veel gasten hebben gekozen voor...").
Technische Implementatie:
- Aanbeveler: Een op voorkeuren gebaseerde, kennisgebaseerde aanbeveler scoorde items tegen door de gebruiker opgegeven kenmerken, waardoor items met een hoge en lage duurzaamheid werden gematcht op voorkeursfit om het effect van de uitleg te isoleren.
- LLM Generatie: Uitleg werd on-the-fly gegenereerd met behulp van Claude Sonnet 4.6. Het systeem maakte gebruik van een prompt-engineering aanpak waarbij de kernstructuur (twee zinnen, <50 woorden) vaststond, maar de tweede zin dynamisch werd geïnstantieerd op basis van de toegewezen conditie (Tabel 1).
- Validatie: Een rigoureuze audit-pipeline waarborgde de kwaliteit van de stimuli. Dit omvatte statistische analyse van teksteigenschappen (lengte, complexiteit), een "LLM-as-a-judge" evaluatie om te verifiëren of de bedoelde mechanismen en feitelijke getrouwheid werden nageleefd (99,2% support rate), en menselijke validatie van een gestratificeerde subset.
Analyse: De auteurs gebruikten binaire logistische regressie om keuzegedrag (het selecteren van een item met hoge duurzaamheid) te analyseren en lineaire regressie voor subjectieve evaluaties (tevredenheid, moeilijkheidsgraad, helderheid, bruikbaarheid, duurzaamheidsimpact). Modellen controleerden voor demografie, domeinkennis en biosferische waardeoriëntatie.

Belangrijkste Bijdragen

Theorie-gegronde LLM Prompting: Het artikel operationaliseert gedragsnudging-theorieën (framing en beschrijvende sociale normen) in prompt-niveau sjablonen, wat de schaalbare generatie van gepersonaliseerde, theorie-gegronde duurzaamheidsuitleg mogelijk maakt.
Empirische Validatie van Presentatiestrategieën: De studie isoleert het effect van hoe duurzaamheidsinformatie wordt gepresenteerd versus het feit dat het wordt gepresenteerd. Het toont aan dat de loutere aanwezigheid van duurzaamheidscontent de gedragsverandering niet drijft, terwijl specifieke gedragsmatige inkaderingen dat wel doen.
Cross-domein Generaliseerbaarheid: Het onderzoek valideert dat deze effecten standhouden in zowel lage betrokkenheid (routinematig) als hoge betrokkenheid (complex) beslissingscontexten, wat suggereert dat de interventie robuust is tegen variërende niveaus van gebruikersoverweging.
Divergentie tussen Perceptie en Gedrag: De studie belicht een kritische divergentie waarbij eenvoudige onthulling de subjectieve perceptie van het systeem verbetert zonder het keuzegedrag te veranderen, terwijl geframed uitleg het gedrag verandert zonder de gebruikerssatisfactie aan te tasten.

Resultaten

Keuzegedrag (RQ1 & RQ2): Duurzaamheidsbewuste uitleg verhoogde de waarschijnlijkheid van duurzame keuzes vergeleken met de alleen-voorkeur baseline. Dit effect werd echter volledig gedreven door het presentatiemechanisme.
- Mechanisme-vrij: Eenvoudige onthulling van duurzaamheidsattributen resulteerde in een duurzame keuze ratio van ~~54%, statistisch niet te onderscheiden van de baseline (~~51%).
- Framing: Verhoogde duurzame keuzes naar 69% (Odds Ratio = 2,39 vs. baseline).
- Beschrijvende Sociale Normen: Verhoogde duurzame keuzes naar 67% (Odds Ratio = 1,89 vs. baseline).
- Vergelijking: Zowel framing als sociale normen presteerden significant beter dan de mechanisme-vrije conditie. Framing vertoonde het sterkste effect en de grootste reductie in gerapporteerde keuze-moeilijkheid.
Subjectieve Evaluatie: Alle duurzaamheidsbewuste condities verbeterden de waargenomen "duurzaamheidsimpact" en "gebruiksvriendelijkheid" van de uitleg vergeleken met de baseline. Echter, alleen de mechanisme-gebaseerde condities (framing en normen) verminderden de "keuze-moeilijkheid" significant. Cruciaal is dat het toevoegen van duurzaamheidscontent geen negatieve impact had op de "keuze-tevredenheid" of "uitleghelderheid".
Generaliseerbaarheid (RQ3): Statistische tests voor interactie tussen conditie en domein waren niet-significant, wat bevestigt dat de gedragsmatige en ervaringsgerichte effecten consistent waren over zowel de instant koffie als de hotelboekingsscenario's.

Betekenis en Claims
De auteurs concluderen dat door LLM gegenereerde uitleg dient als een schaalbaar instrument om duurzaam gedrag te nudgen, maar alleen wanneer de content strategisch wordt ingekaderd met gevestigde gedragsmechanismen. Het artikel pleit tegen een "informatie-tekort"-model en stelt dat het verstrekken van milieufacten alleen onvoldoende is om keuzes in gepersonaliseerde RS te verschuiven. In plaats daarvan is de presentatie van informatie — specif gezien door positieve framing of sociale normen — het actieve ingrediënt dat het besluitvormingsproces vergemakkelijkt en duurzame selectie stimuleert.

Het werk demonstreert dat generatieve AI kan worden gebruikt om adaptieve, theorie-gegronde interventies te creëren die de autonomie van de gebruiker respecteren (door opties niet te beperken) terwijl ze effectief gedrag sturen naar het algemeen belang. De auteurs benadrukken dat hun bevindingen specifiek zijn voor de geteste domeinen en mechanismen, waarbij zij opmerken dat de divergentie tussen verbeterde perceptie (door eenvoudige onthulling) en daadwerkelijke gedragsverandering (door framing) een genuanceerd inzicht biedt voor toekomstig adaptief uitlegontwerp.

Technische Samenvatting: Nudging naar Duurzame Keuzes via door LLM gegenereerde Aanbevelingsuitleg

Meer zoals dit