p Esteja você escolhendo um restaurante ou o destino para suas próximas férias, tomar decisões sobre questões de gosto pode ser desgastante. p Uma nova pesquisa da Cornell aponta para maneiras mais eficazes de se decidir - e lança luz sobre como podemos usar as opiniões de outras pessoas para tomar nossas próprias decisões. O trabalho também pode ter implicações em como os algoritmos de recomendação online são projetados e avaliados.

p O papel, publicado em 28 de maio em Nature Human Behavior , sugere que pessoas que tiveram muitas experiências em uma determinada arena - sejam restaurantes, hotéis, filmes ou música - pode se beneficiar de confiar principalmente nas opiniões de pessoas semelhantes (e descontar as opiniões de outras pessoas com gostos diferentes). Em contraste, pessoas que não tiveram muitas experiências não podem estimar com segurança sua semelhança com outras pessoas e é melhor escolher a opção convencional.

p "Nossas descobertas confirmam que mesmo no domínio do gosto, onde gostos e desgostos das pessoas são tão diferentes, a sabedoria da multidão é um bom caminho para muitas pessoas, "disse o autor principal Pantelis P. Analytis, um pesquisador de pós-doutorado no Departamento de Ciências da Informação de Cornell.

p Analytis co-escreveu "Estratégias de aprendizagem social para questões de gosto" com Daniel Barkoczi da Linköping University, Suécia, e Stefan M. Herzog, do Instituto Max Planck para o Desenvolvimento Humano, Berlim.

p Mas quantos restaurantes (ou filmes ou álbuns de música) você deve experimentar antes de confiar na opinião de outras pessoas que aparentemente compartilham de seus gostos, ao invés da sabedoria da multidão? Tudo depende de quão mainstream (ou alternativo) são os gostos de uma pessoa e quanto seus pares diferem em sua semelhança com eles, Analytis disse. "Para pessoas que têm gostos tradicionais, a sabedoria da multidão funciona muito bem, e há pouco a ganhar atribuindo pesos a outros. Portanto, apenas pessoas que experimentaram muitas opções podem fazer melhor do que usar a sabedoria da multidão, "disse ele." Para pessoas com gostos alternativos, em contraste, a sabedoria da multidão pode ser uma má ideia. Em vez, eles devem fazer o oposto do que a multidão prefere. "

p Os pesquisadores investigaram o desempenho de diferentes estratégias de aprendizagem social, executando simulações de computador com dados de Jester, um mecanismo de recomendação de piadas; desenvolvido na Universidade da Califórnia, Berkeley, no final da década de 1990, desde então está online. A interface permite que os usuários avaliem até 100 piadas em uma escala de "nada engraçado" (-10) a "engraçado" (+10). Um dos primeiros projetos de ciência cidadã, é o único conjunto de dados do sistema de recomendação disponível no qual muitas pessoas avaliaram todas as opções.

p As descobertas sugerem que as pessoas podem aprender suas próprias preferências da mesma maneira que os algoritmos dos sistemas de recomendação avaliam quais opções as pessoas mais gostam, lançando luz sobre nossa própria cognição "Nós, humanos, temos o computador mais poderoso que já existiu executando algoritmos o tempo todo em nossas cabeças. Estamos tentando mostrar o que esses algoritmos podem ser e quando se espera que prosperem, "Barkoczi disse. A esse respeito, a nova pesquisa constrói pontes entre as ciências sociais e comportamentais e a comunidade de sistemas de recomendação. Os campos analisaram a agregação de opinião usando uma terminologia muito diferente, no entanto, os princípios básicos são muito semelhantes, Barkoczi disse. "Colocamos muito esforço neste trabalho tentando desenvolver conceitos que poderiam fertilizar essas literaturas paralelas."

p A pesquisa também tem implicações em como os algoritmos de recomendação online são projetados e avaliados. Até agora, os cientistas da comunidade de sistemas de recomendação estudaram diferentes algoritmos de recomendação em nível agregado, desconsiderando o desempenho de cada algoritmo para cada indivíduo no conjunto de dados. Em contraste, esta pesquisa mostra que pode haver potencial na avaliação dessas estratégias no nível individual. “No nosso trabalho, mostramos que o desempenho das estratégias diverge muito para diferentes indivíduos. Essas diferenças de nível individual foram sistematicamente descobertas pela primeira vez, "Disse Herzog.

p Isso implica que os dados de cada indivíduo podem ser vistos como um conjunto de dados com propriedades distintas, aninhado em uma estrutura de conjunto de dados do sistema de recomendação abrangente. "Sistemas de recomendação de filmes como os usados ​​pela Netflix podem 'aprender' se os indivíduos têm gostos tradicionais ou alternativos e, em seguida, selecionar seus algoritmos de recomendação com base nisso, em vez de usar as mesmas estratégias de personalização para todos, "Disse Herzog.

p De acordo com um antigo ditado, não há como discutir o gosto. "Este trabalho, em contraste, mostra que a melhor estratégia de aprendizagem para cada indivíduo não é subjetiva, "Analytis disse, "mas sim está sujeito a argumentação racional."