Sådan crowdsource din beslutningstagning (eller ej)

Uanset om du vælger en restaurant eller destinationen for din næste ferie, at træffe beslutninger om smagsspørgsmål kan være beskattende.

Ny Cornell -forskning peger på mere effektive måder at beslutte sig på - og belyser, hvordan vi kan bruge andres meninger til at træffe vores egne beslutninger. Arbejdet kan også have konsekvenser for, hvordan online anbefalingsalgoritmer er designet og evalueret.

Papiret, udgivet 28. maj i Natur Menneskelig adfærd , tyder på, at folk, der har haft en masse oplevelser på en bestemt arena - uanset om det er restauranter, hoteller, film eller musik - kan drage fordel af at stole mest på lignende menneskers meninger (og diskontere andres meninger med forskellig smag). I modsætning, mennesker, der ikke har haft mange oplevelser, kan ikke pålideligt estimere deres lighed med andre og er bedre til at vælge den almindelige løsning.

"Vores fund bekræfter, at selv inden for smagsområdet, hvor folks likes og dislikes er så forskellige, mængdenes visdom er en god vej at gå for mange mennesker, "sagde hovedforfatter Pantelis P. Analytis, en postdoktor i Cornells Institut for Informationsvidenskab.

Analytis skrev sammen "Social Learning Strategies for Matters of Taste" med Daniel Barkoczi fra Linköping University, Sverige, og Stefan M. Herzog fra Max Planck Institute for Human Development, Berlin.

Men hvor mange restauranter (eller film eller musikalbum) skal du prøve, før du stoler på meninger fra andre, der tilsyneladende deler din smag, frem for mængdenes visdom? Det hele afhænger af, hvor almindelig (eller alternativ) en persons smag er, og hvor meget deres jævnaldrende adskiller sig i deres lighed med dem, Analytis sagde. "For folk, der har almindelig smag, mængdenes visdom klarer sig ganske godt, og der er lidt at hente ved at tildele vægte til andre. Derfor, kun mennesker, der har oplevet masser af muligheder, kan gøre det bedre end at bruge mængden af ​​visdom, "sagde han." For folk med alternativ smag, i modsætning, mængden af ​​visdom kan være en dårlig idé. Hellere, de burde gøre det modsatte af, hvad mængden foretrækker. "

Forskerne undersøgte udførelsen af ​​forskellige sociale læringsstrategier ved at køre computersimuleringer med data fra Jester, en joke-anbefalingsmotor; udviklet ved University of California, Berkeley, i slutningen af ​​1990'erne, det har kørt online lige siden. Interfacet giver brugerne mulighed for at bedømme op til 100 vittigheder på en skala fra "ikke sjov" (-10) til "sjov" (+10). Et tidligt borgervidenskabeligt projekt, det er det eneste tilgængelige datasystem med anbefalere, hvor mange mennesker har vurderet alle mulighederne.

Resultaterne tyder på, at folk kunne lære deres egne præferencer på samme måde, som anbefalingssystemalgoritmer vurderer, hvilke muligheder folk vil lide mest, kaster lys over vores egen erkendelse "Vi mennesker har den mest kraftfulde computer, der nogensinde har eksisteret, og kører algoritmer hele tiden i vores hoveder. Vi forsøger at vise, hvad disse algoritmer kan være, og hvornår de forventes at trives, "Sagde Barkoczi. I den henseende, den nye forskning bygger broer mellem adfærds- og samfundsvidenskab og anbefalingssystemfællesskabet. Felterne har set på meningsaggregat ved hjælp af meget forskellig terminologi, men de underliggende principper er meget ens, Sagde Barkoczi. "Vi har lagt en stor indsats i dette arbejde med at forsøge at udvikle koncepter, der kunne krydskunngøre de parallelle litteraturer."

Forskningen har også konsekvenser for, hvordan online anbefalingsalgoritmer er designet og evalueret. Hidtil har forskere i anbefalingssystemfællesskabet undersøgt forskellige anbefalingsalgoritmer på det samlede niveau, ser bort fra, hvordan hver algoritme fungerer for hver enkelt i datasættet. I modsætning, denne forskning viser, at der kan være potentiale i at evaluere disse strategier på individuelt niveau. "I vores arbejde, vi viser, at strategiernes ydeevne afviger meget fra forskellige individer. Disse individuelle niveauforskelle blev systematisk afdækket for første gang, "Sagde Herzog.

Dette indebærer, at hver enkelt persons data kan ses som et datasæt med forskellige egenskaber, indlejret i en overordnet anbefalersystem -datasætstruktur. "Filmanbefalingssystemer som dem, der bruges af Netflix, kunne 'lære', om personer har almindelig eller alternativ smag og derefter vælge deres anbefalingsalgoritmer baseret på det, frem for at bruge de samme personaliseringsstrategier for alle, "Sagde Herzog.

Ifølge et gammelt ordsprog, der er ingen skænderier om smag. "Dette arbejde, i modsætning, viser, at den bedste læringsstrategi for hvert individ ikke er subjektiv, "Analytis sagde, "men er snarere genstand for rationel argumentation."