Ya sea que elija un restaurante o el destino para sus próximas vacaciones, tomar decisiones sobre cuestiones de gusto puede resultar agotador.

La nueva investigación de Cornell apunta a formas más efectivas de tomar una decisión y arroja luz sobre cómo podemos usar las opiniones de otras personas para tomar nuestras propias decisiones. El trabajo también puede tener implicaciones sobre cómo se diseñan y evalúan los algoritmos de recomendación en línea.

El papel, publicado el 28 de mayo en Comportamiento humano de la naturaleza , sugiere que las personas que han tenido muchas experiencias en un ámbito en particular, ya sean restaurantes, hoteles, películas o música:pueden beneficiarse de confiar principalmente en las opiniones de personas similares (y descartar las opiniones de otras personas con gustos diferentes). A diferencia de, las personas que no han tenido muchas experiencias no pueden estimar de manera confiable su similitud con los demás y es mejor que elijan la opción convencional.

"Nuestros hallazgos confirman que incluso en el dominio del gusto, donde los gustos y disgustos de las personas son tan diferentes, la sabiduría de la multitud es un buen camino a seguir para muchas personas, "dijo el autor principal Pantelis P. Analytis, investigador postdoctoral en el Departamento de Ciencias de la Información de Cornell.

Analytis coescribió "Estrategias de aprendizaje social para cuestiones de gusto" con Daniel Barkoczi de la Universidad de Linköping, Suecia, y Stefan M. Herzog del Instituto Max Planck para el Desarrollo Humano, Berlina.

Pero, ¿cuántos restaurantes (o películas o álbumes de música) debería probar antes de confiar en las opiniones de otras personas que aparentemente comparten sus gustos? en lugar de la sabiduría de la multitud? Todo depende de cuán convencionales (o alternativos) sean los gustos de una persona y cuánto difieran sus compañeros en su similitud con ellos. Analytis dijo. "Para las personas que tienen gustos convencionales, la sabiduría de la multitud funciona bastante bien, y hay poco que ganar asignando pesos a otros. Por lo tanto, solo las personas que han experimentado muchas opciones pueden hacerlo mejor que usar la sabiduría de la multitud, ", dijo." Para las personas con gustos alternativos, a diferencia de, la sabiduría de la multitud podría ser una mala idea. Bastante, deberían hacer lo contrario de lo que prefiere la multitud ".

Los investigadores investigaron el desempeño de diferentes estrategias de aprendizaje social ejecutando simulaciones por computadora con datos de Jester, un motor de recomendación de bromas; desarrollado en la Universidad de California, Berkeley, a finales de la década de 1990, se ha estado ejecutando en línea desde entonces. La interfaz permite a los usuarios calificar hasta 100 chistes en una escala de "no gracioso" (-10) a "gracioso" (+10). Un proyecto temprano de ciencia ciudadana, es el único conjunto de datos del sistema de recomendación disponible en el que muchas personas han evaluado todas las opciones.

Los hallazgos sugieren que las personas podrían aprender sus propias preferencias de la misma manera que los algoritmos de los sistemas de recomendación evalúan qué opciones le gustarán más a la gente. arrojar luz sobre nuestra propia cognición "Los humanos tenemos la computadora más poderosa que jamás haya existido ejecutando algoritmos en nuestras cabezas todo el tiempo. Estamos tratando de mostrar cuáles podrían ser esos algoritmos y cuándo se espera que prosperen, "Dijo Barkoczi. En ese sentido, La nueva investigación tiende puentes entre las ciencias sociales y del comportamiento y la comunidad de sistemas de recomendación. Los campos han analizado la agregación de opiniones utilizando una terminología muy diferente, sin embargo, los principios subyacentes son muy similares, Dijo Barkoczi. "Hemos puesto mucho esfuerzo en este trabajo para tratar de desarrollar conceptos que puedan fertilizar esas literaturas paralelas".

La investigación también tiene implicaciones sobre cómo se diseñan y evalúan los algoritmos de recomendación en línea. Hasta ahora, los científicos de la comunidad de sistemas de recomendación han estudiado diferentes algoritmos de recomendación a nivel agregado, sin tener en cuenta el rendimiento de cada algoritmo para cada individuo en el conjunto de datos. A diferencia de, esta investigación muestra que podría haber potencial en la evaluación de estas estrategias a nivel individual. "En nuestro trabajo, mostramos que el desempeño de las estrategias diverge mucho para diferentes individuos. Estas diferencias de nivel individual se descubrieron sistemáticamente por primera vez, "Dijo Herzog.

Esto implica que los datos de cada individuo pueden verse como un conjunto de datos con propiedades distintas, anidado dentro de una estructura de conjunto de datos del sistema de recomendación general. "Los sistemas de recomendaciones de películas como los que usa Netflix podrían 'aprender' si las personas tienen gustos convencionales o alternativos y luego seleccionar sus algoritmos de recomendación basados ​​en eso, en lugar de utilizar las mismas estrategias de personalización para todos, "Dijo Herzog.

Según un antiguo adagio, no hay discusión sobre el gusto. "Este trabajo, a diferencia de, muestra que la mejor estrategia de aprendizaje para cada individuo no es subjetiva, "Analytis dijo, "sino que está sujeto a una argumentación racional".