Inverse Theory of Mind Modeling for Content Recommendation: From Web Browsing to Dynamic Intelligent Interfaces
Este artigo propõe um pipeline de Teoria da Mente Inversa (IToM) que utiliza o raciocínio contrafactual e a inferência abdutiva impulsionados por LLM para reconstruir crenças do usuário e gerar personas estruturadas a partir de interações de navegação, demonstrando precisão superior na previsão de traços do usuário e permitindo recomendações de conteúdo dinâmicas e agnósticas à modalidade em aplicações como o VisionOS.
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 esteja tentando adivinhar o que seu amigo quer para o jantar. Se você apenas observar ele clicar em um anúncio de pizza uma única vez, você pode pensar: "Aha! Ele ama pizza!". Mas e se ele estivesse apenas comparando preços? Ou talvez estivesse procurando um presente para outra pessoa? No mundo dos computadores, este é o grande problema de como costumamos construir "sistemas de recomendação". Estes são algoritmos inteligentes que sugerem filmes, músicas ou produtos. Tradicionalmente, eles agem como um estatístico que apenas conta quantas vezes você clica em um botão. Eles veem a ação (o clique), mas não entendem o porquê por trás dele. Eles não sabem se você clicou porque ama o item, porque estava entediado ou porque ficou confuso.
Para corrigir isso, cientistas têm buscado um conceito da psicologia chamado "Teoria da Mente". Pense nisso como a capacidade de imaginar o que está acontecendo dentro da cabeça de outra pessoa — suas crenças, seus objetivos e seus segredos. Normalmente, os computadores tentam usar isso para adivinhar o que você fará a seguir com base no que eles acham que você deseja. Mas este artigo inverte o roteiro. Ele pergunta: E se pudéssemos trabalhar de trás para frente? E se, em vez de adivinhar o futuro, pudéssemos olhar para seus cliques passados e usar uma espécie de "trabalho de detetive reverso" para descobrir quem você realmente é? Esta é a ideia central: pegar pegadas digitais desordenadas do dia a dia e usá-las para construir uma história rica e compreensível sobre a personalidade de uma pessoa, sem nunca ter que fazer uma única pergunta de pesquisa.
Os pesquisadores por trás deste estudo, trabalhando no JPMorgan Chase, propõem um novo método chamado "Teoria da Mente Inversa" (IToM). Pense nisso como uma agência de detetives digitais. Em vez de apenas registrar que você clicou em um par de tênis de corrida, o sistema pergunta: "Ok, o que estava na tela quando você clicou? Quais outros tênis estavam lá? Por que você escolheu estes e não os outros?". Ao reconstruir o momento exato da decisão, o sistema usa uma IA poderosa (um Modelo de Linguagem Grande) para raciocinar de trás para frente. Ele gera uma lista de "crenças" que explicam seu comportamento, tais como: "Esta pessoa valoriza a durabilidade acima do estilo" ou "Eles são um pesquisador cuidadoso que lê avaliações antes de comprar".
É aqui que acontece a mágica: o sistema não apenas escolhe um palpite. Ele sabe que o comportamento humano é complexo. Talvez você tenha comprado os tênis porque ama correr, ou talvez tenha comprado porque estavam em promoção e você precisava de um presente. Para lidar com essa incerteza, a IA cria múltiplas versões diferentes do seu perfil de personalidade, como uma equipe de detetives oferecendo cada um uma teoria diferente. Então, ela pondera cuidadosamente todas essas teorias. Se a evidência for forte, ela se inclina para a teoria específica; se a evidência for fraca, ela joga pelo seguro e se inclina para o que é geralmente verdadeiro para a maioria das pessoas. Isso evita que a IA faça suposições estereotipadas e absurdas (como assumir que todo comprador cuidadoso é um introvertido ansioso).
A equipe testou essa ideia usando um conjunto de dados especial de sessões reais de compras da Amazon, que incluía não apenas os cliques, mas também as páginas reais que as pessoas viram e, crucialmente, entrevistas reais e testes de personalidade que os compradores haviam realizado. Eles descobriram que as personas de "detetive reverso" eram surpreendentemente boas. Na verdade, em alguns testes, o palpite da IA sobre a personalidade de um usuário foi tão bom quanto, ou até melhor do que, o teste de personalidade real que o usuário havia feito. Eles mostraram que esses perfis gerados por IA podiam prever o que um usuário faria a seguir, que tipo de produtos ele gostaria e até como ele responderia a perguntas sobre seus hábitos de compra.
Talvez a parte mais emocionante seja que esses perfis não são apenas números escondidos dentro de um computador. Eles são escritos em linguagem humana clara. Isso significa que o computador pode pegar um perfil construído a partir de navegação web 2D e usá-lo para projetar uma interface 3D para um headset futurista (como o Apple Vision Pro). Por exemplo, se a IA descobrir que você é um "planejador consciente do orçamento", ela pode organizar automaticamente um aplicativo bancário 3D para mostrar suas metas de economia em destaque, enquanto esconde ofertas de investimentos chamativas. O artigo sugere que esta abordagem preenche a lacínio entre o simples rastreamento de cliques e a compreensão humana profunda, oferecendo uma maneira de construir interfaces mais inteligentes e empáticas que se adaptam a quem somos, não apenas ao que clicamos. No entanto, os autores são cuidadosos ao notar que, embora os resultados sejam promissores, o sistema ainda tem limites; ele funciona melhor com grandes quantidades de dados e às vezes tem dificuldade em prever traços de personalidade extremos perfeitamente, sugerindo que, embora o "detetive reverso" esteja ficando bom em seu trabalho, ele ainda tem espaço para aprender.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.