Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces
Dit artikel stelt een Inverse Theory of Mind (IToM) pijplijn voor die door LLM gestuurde contrafactische redenering en abductieve inferentie gebruikt om gebruikersovertuigingen te reconstrueren en gestructureerde persona's te genereren op basis van browse-interacties, waarbij een superieure nauwkeurigheid wordt aangetoond in het voorspellen van gebruikerskenmerken en het mogelijk maken van dynamische, modaliteit-agnostische inhoudaanbevelingen voor toepassingen zoals VisionOS.
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 probeert te raden wat je vriend wil eten voor het diner. Als je alleen ziet dat hij één keer op een advertentie voor pizza klikt, denk je misschien: "Aha! Hij houdt van pizza!" Maar wat als hij gewoon de prijzen aan het vergelijken was? Of misschien was hij op zoek naar een cadeau voor iemand anders? In de wereld van computers is dit het grote probleem met hoe we gewoonlijk "recommender systems" (aanbevelingssystemen) bouwen. Dit zijn de slimme algoritmen die films, liedjes of producten suggereren. Traditioneel gedragen zij zich als een statisticus die alleen telt hoe vaak je op een knop klikt. Ze zien de actie (de klik), maar ze begrijpen niet de waarom erachter. Ze weten niet of je klikte omdat je het item geweldig vindt, omdat je je verveelde, of omdat je in de war was.
Om dit op te lossen, kijken wetenschappers naar een concept uit de psychologie genaamd "Theory of Mind" (Theory of Mind). Denk hierbij aan het vermogen om je voor te stellen wat er in iemands hoofd omgaat — hun overtuigingen, hun doelen en hun geheimen. Normaal gesproken proberen computers dit te gebruiken om te raden wat je volgende stap zal zijn op basis van wat ze denken dat je wilt. Maar dit artikel draait het om. Het vraagt: Wat als we achteruit konden werken? Wat als we, in plaats van de toekomst te voorspellen, naar je verleden van klikken kunnen kijken en een soort "detectivewerk in reverse" kunnen gebruiken om te ontdekken wie je werkelijk bent? Dit is de kern van het idee: rommelige, alledaagse digitale voetsporen gebruiken om een rijk, begrijpelijk verhaal over iemands persoonlijkheid op te bouwen, zonder ooit een enkele enquêtevraag aan je te hoeven stellen.
De onderzoekers achter deze studie, werkzaam bij JPMorgan Chase, stellen een nieuwe methode voor genaamd "Inverse Theory of Mind" (IToM). Denk aan een digitaal detectiebureau. In plaats van alleen te registreren dat je op een paar hardloopschoenen klikte, vraagt het systeem: "Oké, wat stond er op het scherm toen je klikte? Welke andere schoenen waren er? Waarom koos je juist deze en niet de anderen?" Door het exacte moment van de beslissing te reconstrueren, gebruikt het systeem een krachtige AI (een Large Language Model) om achteruit te redeneren. Het genereert een lijst met "overtuigingen" die jouw gedrag verklaren, zoals: "Deze persoon hecht meer waarde aan duurzaamheid dan aan stijl," of "Zij is een zorgvuldige onderzoeker die reviews leest voordat ze iets koopt."
Hier gebeurt de magie: het systeem kiest niet zoma van één gok. Het weet dat menselijk gedrag lastig is. Misschien kocht je de schoenen omdat je van hardlopen houdt, of misschien kocht je ze omdat ze in de aanbieding waren en je een cadeau nodig had. Om deze onzekerheid op te vangen, creëert de AI meerdere verschillende versies van jouw persoonlijkheidsprofiel, zoals een team van detectives dat elk een andere theorie aanbiedt. Vervolgens weegt de AI al deze theorieën zorgvuldig tegen elkaar af. Als het bewijs sterk is, leunt het systeem in de richting van de specifieke theorie; als het bewijs zwak is, speelt het het veilig en leunt het naar wat algemeen waar is voor de meeste mensen. Dit voorkomt dat de AI wilde, stereotiepe aannames doet (zoals aannemen dat elke zorgvuldige shopper een angstige introvert is).
Het team testte dit idee met een speciale dataset van echte Amazon-winkelsessies, die niet alleen de klikken bevatten, maar ook de daadwerkelijke pagina's die mensen zagen en, cruciaal, echte interviews en persoonlijkheidstests die de shoppers hadden voltooid. Ze ontdekten dat hun "reverse detective"-persona's verrassend goed waren. Sterker nog, in sommige tests was de gok van de AI over de persoonlijkheid van een gebruiker net zo goed, of zelfs beter dan, de eigenlijke persoonlijkheidstest die de gebruiker had gedaan. Ze toonden aan dat deze door AI gegenereerde profielen konden voorspellen wat een gebruiker zou doen, wat voor soort producten zij zouden leuk vinden en zelfs hoe zij vragen over hun winkelgewoonten zouden beantwoorden.
Misschien wel het meest opwindende deel is dat deze profielen geen cijfers zijn die verborgen zitten in een computer. Ze zijn geschreven in begrijpelijke, menselijke taal. Dit betekent dat de computer een profiel dat gebouwd is op basis van 2D-webbrowsen kan gebruiken om een 3D-interface te ontwerpen voor een futuristische headset (zoals de Apple Vision Pro). Bijvoorbeeld, als de AI ontdekt dat jij een "budgetbewuste planner" bent, kan het automatisch een 3D-bankenapp zo inrichten dat je spaardoelen centraal staan, terwijl opvallende beleggingsaanbiedingen worden verborgen. Het artikel suggereert dat deze aanpak de kloof overbrugt tussen eenvoudige kliktracking en diep menselijk begrip, wat een manier biedt om slimmere, empathischere interfaces te bouwen die zich aanpassen aan wie we zijn, in plaats van alleen aan waar we op klikken. De auteurs merken echter voorzichtig op dat hoewel de resultaten veelbelovend zijn, het systeem nog steeds beperkingen heeft; het werkt het beste met grote hoeveelheden data en heeft soms moeite om extreme persoonlijkheidskenmerken perfect te voorspellen, wat suggereert dat hoewel de "reverse detective" goed wordt in zijn werk, er nog steeds ruimte is om te leren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.