Towards welfare-oriented recommendations in activity-travel behavior

Todos os dias, as pessoas fazem inúmeras escolhas sobre para onde ir e o que fazer. Desde selecionar um restaurante para o jantar até decidir qual parque visitar, essas decisões raramente são tomadas em um vácuo. Cada vez mais, elas são guiadas por assistentes digitais e sistemas de recomendação que sugerem opções baseadas no que outros gostaram ou no que é atualmente popular. Essas ferramentas são projetadas para facilitar a vida, mas operam sob uma premissa fundamental: a de que, se uma opção é popular ou altamente avaliada, ela é uma boa escolha para o usuário individual. No entanto, essa premissa frequentemente ignora um fator crítico e oculto na vida cotidiana: o custo para chegar lá. No mundo do planejamento de viagens e atividades, o tempo gasto no trânsito, o dinheiro gasto com combustível e o esforço necessário para alcançar um destino são despesas reais que não podem ser reembolsadas se a experiência resultar decepcionante. Um restaurante altamente avaliado do outro lado da cidade pode parecer uma ótima ideia em uma tela, mas se a jornada levar uma hora em um trânsito pesado e a refeição for apenas mediana, o usuário terá perdido mais do que ganhou. Esse descompasso entre o que os algoritmos recomendam e o que realmente beneficia uma pessoa é o enigma central que pesquisadores estão tentando resolver agora.

Uma equipe de pesquisadores desenvolveu uma nova forma de pensar sobre essas sugestões digitais, mudando o foco da simples popularidade para um conceito que eles chamam de "bem-estar do usuário". Em vez de perguntar qual opção é a mais clicada ou a mais avaliada, sua abordagem faz uma pergunta mais pessoal: seguir esta sugestão realmente deixará o usuário em uma situação melhor do que se ele tivesse escolhido algo por conta própria? Para explorar isso, os pesquisadores construíram uma simulação computacional complexa, uma cidade virtual povoada por 250 viajantes digitais. Esses viajantes não eram robôs simples; eles receberam personalidades distintas, diferentes níveis de paciência, quantidades variadas de dinheiro e formas únicas de tomar decisões. Alguns eram impulsivos, outros cautelosos e alguns propensos a manter seus velhos hábitos. A simulação permitiu que essas pessoas digitais interagissem com diferentes tipos de sistemas de recomendação ao longo de sessenta dias simulados, criando um ambiente realista onde congestionamentos, mudanças de preferências e as consequências de más escolhas poderiam ser observadas e medidas.

Os pesquisadores testaram cinco abordagens principais em sua cidade virtual. A primeira foi uma condição de linha de base onde os agentes selecionavam segmentos de lazer e locais inteiramente a partir de suas próprias preferências, sem qualquer intervenção algorítmica. O segundo foi um sistema padrão, semelhante ao que existe hoje, que classifica lugares com base na popularidade e relevância geral sem se preocupar com o custo específico para o indivíduo. O terceiro e o quarto abordagens foram os novos sistemas orientados ao bem-estar. Um deles utilizou um filtro de "utilidade positiva", que atuava como uma verificação de segurança. Antes de sugerir um lugar, o sistema calculava a probabilidade de o prazer da atividade superar os custos de viagem. Se o cálculo sugerisse que a viagem poderia ser um prejuízo líquido, o sistema simplesmente permaneceria em silêncio, deixando o usuário fazer sua própria escolha. A outra nova abordagem utilizou um filtro de "minimização de arrependimento". Este sistema comparava a opção recomendada com a melhor alternativa possível que o usuário poderia ter encontrado por conta própria. Se a recomendação fosse provavelmente deixar o usuário em uma situação pior do que ele estaria com uma escolha diferente, o sistema reteria a sugestão. O quinto método era um sistema "Oráculo" hipotético com conhecimento perfeito de todas as preferências dos usuários, servindo como um limite superior para medir quanto espaço há para melhoria.

Os resultados da simulação revelaram uma vantagem clara para a abordagem orientada ao bem-estar. Na cidade virtual, o sistema padrão frequentemente levava os usuários a situações em que os custos de viagem consumiam o prazer da atividade. Embora o sistema padrão tenha melhorado ligeiramente a experiência média em comparação com não ter sistema algum, ele ainda resultou em um número significativo de "viagens ruins", onde os usuários ficaram em uma situação pior do que se nunca tivessem recebido uma sugestão. Em contraste, os sistemas que filtravam pelo bem-estar reduziram drasticamente o número dessas experiências negativas. Ao recusar fazer sugestões quando as chances eram baixas, esses novos sistemas protegeram os usuários de desperdiçar tempo e dinheiro. A simulação mostrou que, quando o sistema se retraía, os usuários que recebiam recomendações ficavam muito mais satisfeitos com suas escolhas. A satisfação média das viagens aumentou e a desigualdade na forma como diferentes usuários eram tratados diminuiu. O sistema não apenas recomendava lugares mais populares; ele recomendava os lugares certos para as pessoas certas no momento certo.

Talvez a descoberta mais surpreendente tenha sido o quanto o sistema padrão estava causando dano. A simulação mostrou que, em quase quarenta por cento das vezes, uma recomendação padrão de fato tornava o dia de um usuário pior do que se ele tivesse apenas escolhido um lugar por conta própria. Isso acontece porque os algoritmos frequentemente priorizam o engajamento — fazer um usuário clicar ou visitar — em vez do resultado real para esse usuário. Os novos filtros orientados ao bem-estar cortaram significativamente essa taxa de dano, reduzindo o número de usuários que acabavam em uma situação pior para cerca de trinta e um por cento. Além disso, o estudo descobriu que esses filtros eram particularmente úteis para certos tipos de viajantes. Pessoas que tendem a ser mais avessas ao risco ou que são facilmente sobrecarregadas por excesso de escolhas se beneficiaram mais da contenção do sistema. Para esses indivíduos, o algoritmo agia menos como um vendedor empurrando um produto e mais como um amigo atencioso que sabe quando ficar quieto.

Os pesquisadores também descobriram que há um equilíbrio delicado a ser alcançado. Se o sistema se tornar muito rigoroso e recusar fazer sugestões com muita frequência, ele deixa de ser útil. A simulação identificou limiares específicos onde o sistema era mais eficaz: rigoroso o suficiente para filtrar as opções ruins, mas flexível o suficiente para ainda oferecer orientação útil. Quando ajustados corretamente, esses sistemas orientados ao bem-estar poderiam fechar uma grande parte da lacuna entre a tecnologia atual e um sistema perfeito e ideal que sabe exatamente o que cada usuário quer. Embora o estudo tenha sido conduzido em um ambiente simulado e não no mundo real, a lógica se sustenta sob escrutínio. As descobertas sugerem que a próxima geração de aplicativos de viagem e atividades deve não apenas ser mais inteligente em prever o que os usuários clicarão, mas mais principista sobre quando falar e quando recuar. Ao tratar o tempo e a energia do usuário como recursos valiosos que não podem ser recuperados, esses sistemas poderiam transformar-se de ferramentas de mera conveniência em verdadeiros parceiros na tomada de decisões diárias.