Towards welfare-oriented recommendations in activity-travel behavior

Elke dag maken mensen talloze keuzes over waar ze naartoe gaan en wat ze gaan doen. Van het selecteren van een restaurant voor het diner tot het beslissen welk park ze gaan bezoeken; deze beslissingen worden zelden in een vacuüm genomen. In toenemende mate worden ze gestuurd door digitale assistenten en aanbevelingssystemen die opties voorstellen op basis van wat anderen leuk vonden of wat momenteel populair is. Deze hulpmiddelen zijn ontworpen om het leven gemakkelijker te maken, maar ze opereren op een fundamentele aanname: dat als een optie populair of hoog beoordeeld is, het een goede keuze is voor de individuele gebruiker. Deze aanname negeert echter vaak een cruciale, verborgen factor in het dagelijsingsleven: de kosten om er te komen. In de wereld van reis- en activiteitsplanning zijn de tijd die in het verkeer wordt doorgebracht, het geld dat aan brandstof wordt uitgegeven en de inspanning die nodig is om een bestemming te bereiken, reële kosten die niet kunnen worden terugbetaald als de ervaring teleurstellend blijkt te zijn. Een hoog beoordeeld restaurant aan de andere kant van de stad lijkt op een scherm misschien een geweldig idee, maar als de reis een uur duurt in de zware verkeersdrukte en de maaltijd slechts gemiddeld is, heeft de gebruiker meer verloren dan gewonnen. Deze discrepantie tussen wat algoritmen aanbevelen en wat daadwerkelijk een persoon ten goede komt, is het centrale raadsel dat onderzoekers nu proberen op te lossen.

Een team van onderzoekers heeft een nieuwe manier ontwikkeld om over deze digitale suggesties na te denken, waarbij de focus verschuift van eenvoudige populariteit naar een concept dat zij "gebruikerswelzijn" noemen. In plaats van te vragen welke optie het meest wordt aangeklikt of het meest wordt beoordeeld, stelt hun benadering een meer persoonlijke vraag: zal het volgen van deze suggestie de gebruiker daadwerkelijk beter af laten zijn dan wanneer hij op eigen houtje iets anders had gekozen? Om dit te verkennen, bouwden de onderzoekers een complexe computersimulatie, een virtuele stad bevolkt door 250 digitale reizigers. Deze reizigers waren geen simpele robots; ze kregen verschillende persoonlijkheden, verschillende niveaus van geduld, wisselende hoeveelheden geld en unieke manieren van besluitvorming. Sommigen waren impulsief, sommigen voorzichtig, en anderen waren geneigd vast te houden aan hun oude gewoonten. De simulatie stelde deze digitale mensen in staat om met verschillende soorten aanbevelingssystemen te interageren gedurende zestig gesimuleerde dagen, waardoor een realistische omgeving ontstond waarin verkeersopstoppingen, veranderende voorkeuren en de gevolgen van slechte keuzes geobserveerd en gemeten konden worden.

De onderzoekers testten vijf hoofdbenaderingen in hun virtuele stad. De eerste was een basisconditie waarbij agenten recreatiesegmenten en locaties volledig selecteerden op basis van hun eigen voorkeuren zonder enige algoritmische interventie. De tweede was een standaard systeem, vergelijkbaar met wat er vandaag de dag bestaat, dat plaatsen rangschikt op basis van populariteit en algemene relevantie zonder zich zorgen te maken over de specifieke kosten voor het individu. De derde en vierde benadering waren nieuwe, op welzijn gerichte systemen. Een van deze gebruikte een "positieve nut"-filter, die fungeerde als een veiligheidscontrole. Voordat het systeem een plek voorstelde, berekende het de waarschijnlijkheid dat het plezier van de activiteit de reiskosten zou overtreffen. Als de wiskunde suggereerde dat de reis mogelijk een netto verlies zou betekenen, bleef het systeem simpelweg stil en liet het de gebruiker zijn eigen keuze maken. De andere nieuwe benadering gebruikte een "spijtminimalisatie"-filter. Dit systeem vergeleek de aanbevolen optie met de beste mogelijke alternatieve optie die de gebruiker op eigen houtje had kunnen vinden. Als de aanbeveling waarschijnlijk zou leiden tot een slechter gevoel bij de gebruiker dan wanneer hij met een andere keuze zou hebben gehad, hield het systeem de suggestie achter. De vijfde benadering was een hypothetisch "Oracle"-systeem met perfecte kennis van de voorkeuren van elke gebruiker, dienend als een bovengrens om te meten hoeveel ruimte er is voor verbetering.

De resultaten van de simulatie toonden een duidelijk voordeel voor de op welzijn gerichte benadering. In de virtuele stad leidde het standaard systeem gebruikers vaak naar situaties waarin de reiskosten het plezier van de activiteit opaten. Hoewel het standaard systeem de gemiddelde ervaring iets verbeterde vergeleken met het hebben van geen enkel systeem, resulteerde het nog steeds in een aanzienlijk aantal "slechte trips" waarbij gebruikers er slechter aan toe waren dan wanneer ze geen suggestie hadden ontvangen. In contrast hiermee verminderden de systemen die filterden op welzijn het aantal van deze negatieve ervaringen drastisch. Door geen suggesties te doen wanneer de kansen klein waren, beschermden deze nieuwe systemen gebruikers tegen het verspillen van tijd en geld. De simulatie toonde aan dat wanneer het systeem zich terughoudend opstelde, de gebruikers die wel aanbevelingen ontvingen, veel tevredener waren met hun keuzes. De gemiddelde tevredenheid van de trips nam toe, en de ongelijkheid in de manier waarop verschillende gebruikers werden behandeld, nam af. Het systeem raadde niet alleen populairdere plaatsen aan; het raadde de juiste plaatsen aan voor de juiste mensen op het juiste moment.

Misschien wel de meest verrassende bevinding was hoeveel schade het standaard systeem aanrichtte. De simulatie toonde aan dat bijna veertig procent van de tijd een standaard aanbeveling de dag van een gebruiker slechter maakte dan wanneer hij zelf een plek had gekozen. Dit gebeurt omdat algoritmen vaak prioriteit geven aan betrokkenheid—het krijgen van een gebruiker om te klikken of te bezoeken—boven de werkelijke uitkomst voor die gebruiker. De nieuwe welzijnsgerichte filters verminderden deze mate van schade aanzienlijk, waardoor het aantal gebruikers dat er slechter aan toe kwam rond de eenendertig procent werd gebracht. Bovendien toonde het onderzoek aan dat deze filters bijzonder nuttig waren voor bepaalde typen reizigers. Mensen die de neiging hebben om risicomijdend te zijn of die gemakkelijk overweldigd worden door te veel keuzes, profiteerden het meest van de terughoudendheid van het systeem. Voor deze individuen fungeerde het algoritme minder als een verkoper die een product pusht en meer als een bedachtzame vriend die weet wanneer hij stil moet blijven.

De onderzoekers ontdekten ook dat er een delicaat evenwicht moet worden gevonden. Als het systeem te strikt wordt en te vaak weigert suggesties te doen, stopt het met behulpzaam te zijn. De simulatie identificeerde specifieke drempels waarbij het systeem het meest effectief was: streng genoeg om de slechte opties te filteren, maar los genoeg om nog steeds nuttige begeleiding te bieden. Wanneer correct afgesteld, konden deze welzijnsgerichte systemen een groot deel van de kloof tussen de huidige technologie en een perfect, ideaal systeem dat precies weet wat elke gebruiker wil, overbruggen. Hoewel de studie in een gesimuleerde omgeving werd uitgevoerd in plaats van in de echte wereld, houdt de logica stand onder kritische beschouwing. De bevindingen suggereren dat de volgende generatie reis- en activiteitsapps niet alleen slimmer moet zijn in het voorspellen van wat gebruikers zullen aanklikken, maar ook meer principieel moet zijn over wanneer ze zich moeten uitspreken en wanneer ze een stap terug moeten doen. Door de tijd en energie van de gebruiker te behanden als waardevolle middelen die niet kunnen worden herwonnen, zouden deze systemen kunnen transformeren van instrumenten van louter gemak naar echte partners in dagelijkse besluitvorming.