🤖 AI

Nudging Sustainable Choices through LLM-Generated Recommendation Explanations

Este estudo demonstra que, embora a mera divulgação de informações de sustentabilidade em explicações de recomendações geradas por LLM falhe em alterar as escolhas dos usuários, o enquadramento de tais informações ou a invocação de normas sociais descritivas induz efetivamente os consumidores em direção a seleções sustentáveis em domínios de baixo e alto envolvimento.

Autores originais: Haya Halimeh, Dietmar Jannach, Oliver Müller

Publicado 2026-07-29

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Haya Halimeh, Dietmar Jannach, Oliver Müller

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está caminhando por um supermercado digital gigante, onde um robô assistente prestativo está tentando adivinhar o que você quer comprar. Este robô é um "sistema de recomendação", um software que sugere itens com base no que você gostou antes. Agora, imagine que o mundo está tentando fazer com que todos façam escolhas que sejam melhores para o planeta, como escolher um café que use menos plástico ou um hotel que economize energia. Cientistas estão perguntando: Podemos ensinar este robô não apenas a encontrar o que você gosta, mas a gentilmente direcioná-lo para o que é bom para a Terra sem forçá-lo?

Para fazer isso, os pesquisadores usam duas ideias principais. Primeiro, eles usam "explicações". Em vez de apenas dizer "Aqui está um café", o robô diz: "Aqui está um café porque você gosta de torra escura". Isso é como um garçom dizendo por que um prato é bom. Segundo, eles usam "nudges" (empurrões sutis). Um "nudge" não é um empurrão forte; é uma mudança sutil na forma como a informação é apresentada para tornar a escolha certa mais fácil ou atraente, como colocar frutas ao nível dos olhos em uma cafeteria. A grande questão é: Se dissermos ao robô para explicar por que um item é ecológico, as pessoas realmente o comprarão? E importa como o robô diz isso?

Este artigo mergulha nessa questão transformando a explicação do robô em um contador de histórias superinteligente, movido por IA. Os pesquisadores, Haya Halimeh, Dietmar Jannach e Oliver Müller, queriam ver se poderiam usar Modelos de Linguagem de Grande Escala (LLMs) — o mesmo tipo de IA que escreve ensaios e conversa com você — para gerar essas explicações ecológicas em tempo real. Eles testaram isso em dois mundos muito diferentes: comprando uma xícara barata de café instantâneo (uma decisão rápida, de baixo risco) e reservando um hotel para as férias (uma decisão grande, cara, de alto risco).

A equipe configurou um jogo onde 529 pessoas reais tiveram que escolher entre quatro itens que combinavam perfeitamente com seus gostos pessoais. Alguns itens eram mais "verdes" (como ter embalagens recicláveis ou uma certificação ecológica) e outros não eram. A reviravolta estava na explicação que a IA dava para cada item. Eles testaram quatro maneiras diferentes de falar sobre as características verdes:

Apenas os fatos: "Este item é recomendado porque possui embalagem reciclável."
O enquadramento de "Boas Notícias": "Este item é recomendado porque sua embalagem reciclável ajuda a reduzir o desperdício em aterros sanitários e apoia um futuro mais limpo." (Focando no benefício positivo).
O empurrão do "Todo Mundo Mais": "Este item é recomendado porque muitos outros clientes que buscaram produtos semelhantes o escolheram por sua embalagem reciclável." (Focando no que os pares fazem).
Sem informação verde: Apenas explicando por que ele se ajusta ao seu gosto, sem mencionar o meio ambiente.

Aqui está o que eles descobriram, e é um pouco de uma reviravolta no enredo. Simplesmente dizer às pessoas os fatos verdes (o grupo "Apenas os fatos") não mudou suas mentes de forma alguma. As pessoas ainda escolhiam os itens não verdes com a mesma frequência de antes. A IA não fez com que elas se importassem magicamente apenas listando os dados.

No entanto, quando a IA usou o enquadramento de "Boas Notícias" ou o empurrão do "Todo Mundo Mais", os resultados foram dramáticos. Nesses grupos, o número de pessoas escolhendo a opção sustentável saltou de cerca de 51% (basicamente um cara ou coroa) para cerca de 69% e 67%, respectivamente. Os pesquisadores descobriram que não era apenas ter a informação que importava; era como a informação era embrulhada. O enquadramento de "Boas Notícias", que destacava a consequência positiva da escolha, foi o mais poderoso, fazendo a decisão parecer mais fácil e satisfatória.

Curiosamente, os pesquisadores notaram uma lacuna engraçada entre o que as pessoas diziam e o que elas faziam. Quando as pessoas viam os fatos puros, elas achavam as explicações úteis e claras. Mas isso não se traduziu em comprar o item verde. Foi apenas quando a explicação foi enquadrada como um benefício ou uma tendência social que as pessoas realmente mudaram seu comportamento. Isso sugere que saber que algo é "bom" não é suficiente; você precisa sentir o impacto positivo ou ver que outros estão fazendo isso para realmente fazer a mudança.

O estudo também verificou se isso funcionava tanto para decisões rápidas (café) quanto para grandes decisões (hotéis). A resposta foi sim: as mesmas regras se aplicavam a ambos. Quer você esteja gastando US$ 5 ou US$ 500, um enquadramento bem feito pode direcioná-lo para uma escolha mais verde sem tirar sua liberdade de escolha. Os pesquisadores concluem que usar a IA para criar essas histórias específicas, baseadas em teorias, é uma ferramenta poderosa para incentivar hábitos sustentáveis, mas só funciona se você contar a história do jeito certo. Apenas listar os fatos não é suficiente para mover a agulha.

Resumo Técnico: Induzindo Escolhas Sustentáveis através de Explicações de Recomendação Geradas por LLM

Definição do Problema
Os sistemas de recomendação (SR) influenciam significativamente os padrões de consumo globais, apresentando uma oportunidade crítica para direcionar os usuários em direção a escolhas sustentáveis alinhadas com os Objetos de Desenvolvimento Sustentável da ONU. Embora pesquisas anteriores sugiram que as explicações podem melhorar a tomada de decisão, as explicações de sustentabilidade existentes são, em grande parte, estáticas, baseadas em modelos (templates) e limitadas em sua capacidade de personalizar o conteúdo. Além disso, as evidências empíricas sobre a eficácia de tais explicações em contextos personalizados são escassas. Existe uma lacuna fundamental em entender se apenas a divulgação de informações de sustentabilidade é suficiente para mudar o comportamento, ou se a apresentação dessa informação (via mecanismos de indução comportamental ou nudging) é necessária. Adicionalmente, permanece incerto se esses efeitos se generalizam através de domínios com diferentes níveis de envolvimento do usuário (ex: compras cotidianas de baixo risco vs. reservas de viagens de alto risco).

Metodologia
Os autores conduziram dois estudos experimentais com usuários ( $N=529$ ) em dois domínios distintos: um domínio de baixo envolvimento (café instantâneo, $n=262$ ) e um domínio de alto envolvimento (reservas de hotéis, $n=267$ ).

Design Experimental: Os estudos empregaram um design entre sujeitos com quatro condições. Os participantes primeiro elicitaram preferências explícitas (ex: nível de torra, instalações do hotel) que foram utilizadas para gerar recomendações compatíveis com as preferências. Cada participante recebeu quatro itens (dois de alta sustentabilidade, dois de baixa sustentabilidade) acompanhados de explicações geradas por LLM.
- Linha de Base de Apenas Preferência (Preference-only Baseline): As explicações descreviam a correspondência entre as preferências do usuário e os atributos do item, omitindo o conteúdo de sustentabilidade.
- Sem Mecanismo (Mechanism-free): As explicações divulgavam o atributo de sustentabilidade (ex: embalagem reciclável, certificação Green Key) de forma factual, sem enquadramento comportamental.
- Enquadramento (Framing): As explicações apresentavam o atributo de sustentabilidade utilizando um enquadramento positivo e orientado ao ganho (destacando consequências benéficas).
- Normas Sociais Descritivas (Descriptive Social Norms): As explicações apresentavam o atributo de sustentabilidade citando o comportamento de pares semelhantes (ex: "muitos hóspedes escolheram este...").
Implementação Técnica:
- Recomendador: Um recomendador baseado em conhecimento e preferências pontuou os itens contra as características declaradas pelo usuário, garantindo que itens de alta e baixa sustentabilidade fossem compatíveis com o ajuste de preferência para isolar o efeito da explicação.
- Geração por LLM: As explicações foram geradas em tempo real usando o Claude Sonnet 4.6. O sistema utilizou uma abordagem de engenharia de prompt onde a estrutura central (duas sentenças, <50 palavras) era fixa, mas a segunda sentença era instanciada dinamicamente com base na condição atribuída (Tabela 1).
- Validação: Um pipeline de auditoria rigoroso garantiu a qualidade dos estímulos. Isso incluiu análise estatística de propriedades do texto (comprimento, complexidade), uma avaliação de "LLM-como-juiz" para verificar a adesão ao mecanismo pretendido e a fidelidade factual (taxa de suporte de 99,2%) e validação humana de uma subamostra estratificada.
Análise: Os autores utilizaram regressão logística binária para analisar o comportamento de escolha (selecionar um item de alta sustentabilidade) e regressão linear para avaliações subjetivas (satisfação, dificuldade, clareza, usabilidade, impacto de sustentabilidade). Os modelos controlaram demografia, expertise no domínio e orientação de valores biosféricos.

Principais Contribuições

Prompting de LLM Baseado em Teoria: O artigo operacionaliza teorias de indução comportamental (framing e normas sociais descritivas) em templates de nível de prompt, permitindo a geração escalável de explicações de sustentabilidade personalizadas e fundamentadas em teoria.
Validação Empírica de Estratégias de Apresentação: O estudo isola o efeito de como a informação de sustentabilidade é apresentada versus o fato de ela ser apresentada. Demonstra que a mera presença de conteúdo de sustentabilidade não impulsiona a mudança de comportamento, enquanto enquadramentos comportamentais específicos o fazem.
Generalização entre Domínios: A pesquisa valida que esses efeitos se mantêm tanto em contextos de decisão de baixo envolvimento (rotina) quanto de alto envolvimento (complexos), sugerindo que a intervenção é robusta a variados níveis de deliberação do usuário.
Divergência entre Percepção e Comportamento: O estudo destaca uma divergência crítica onde a simples divulgação melhora a percepção subjetiva do sistema sem alterar o comportamento de escolha, enquanto explicações enquadradas alteram o comportamento sem comprometer a satisfação do usuário.

Resultos

Comportamento de Escolha (RQ1 & RQ2): Explicações conscientes da sustentabilidade aumentaram a probabilidade de escolhas sustentáveis em comparação com a linha de base de apenas preferência. No entanto, esse efeito foi inteiramente impulsionado pelo mecanismo de apresentação.
- Sem Mecanismo: A divulgação simples de atributos de sustentabilidade resultou em uma taxa de escolha sustentável de ~~54%, estatisticamente indistinguível da linha de base (~~51%).
- Enquadramento (Framing): Aumentou as escolhas sustentáveis para 69% (Razão de Chances/Odds Ratio = 2,39 vs. linha de base).
- Normas Sociais Descritivas: Aumentou as escolhas sustentáveis para 67% (Razão de Chances/Odds Ratio = 1,89 vs. linha de base).
- Comparação: Tanto o enquadramento quanto as normas sociais superaram significativamente a condição sem mecanismo. O enquadramento mostrou o efeito mais forte e a maior redução na dificuldade de escolha relatada.
Avaliação Subjetiva: Todas as condições conscientes de sustentabilidade melhoraram a percepção de "impacto de sustentabilidade" e "usabilidade" das explicações em comparação com a linha de base. No entanto, apenas as condições baseadas em mecanismos (enquadramento e normas) reduziram significativamente a "dificuldade de escolha". Crucialmente, adicionar conteúdo de sustentabilidade não impactou negativamente a "satisfação com a escolha" ou a "clareza da explicação".
Generalização (RQ3): Testes estatísticos para interação entre condição e domínio foram não significativos, confirmando que os efeitos comportamentais e experienciais foram consistentes tanto no cenário de café instantâneo quanto no de reserva de hotéis.

Significância e Alegações
Os autores concluem que as explicações geradas por LLM servem como uma ferramenta escalável para induzir o comportamento sustentável, mas apenas quando o conteúdo é estrategicamente enquadrado usando mecanismos comportamentais estabelecidos. O artigo argumenta contra um modelo de "déficit de informação", postulando que fornecer fatos ambientais isoladamente é insuficiente para mudar escolhas em SRs personalizados. Em vez disso, a apresentação da informação — especificamente através de enquadramento positivo ou normas sociais — é o ingrediente ativo que facilita a tomada de decisão e impulsiona a seleção sustentável.

O trabalho demonstra que a IA generativa pode ser usada para criar intervenções adaptativas e fundamentadas em teoria que preservam a autonomia do usuário (ao não restringir as opções) enquanto guiam efetivamente o comportamento para o bem social. Os autores enfatizam que suas descobertas são específicas aos domínios e mecanismos testados, observando que a divergência entre a melhoria da percepção (da simples divulgação) e a mudança real de comportamento (do enquadramento) oferece um insight matizado para o design futuro de explicações adaptativas.

Mais como este