Earn money by answering our surveys

Register now!

Nudge: Wie beeinflusst man die Ernährung mit Algorithmen?

Earn up to 50€ by participating in one of our paid market research.

Register now!

Algorithmen werden häufig verwendet, um das Online-Erlebnis zu personalisieren. Sie basieren weitgehend auf algorithmischen Empfehlungssystemen. Während die Empfehlung von Filmen oder Produkten relativ einfach ist, ist das Vorschlagen von Speisen oder Rezepten komplexer. Die Popularisierung von Lebensmittellieferdiensten und Rezept-Websites hat die Entwicklungen in diesem Bereich angekurbelt.

In diesem Artikel werden wir

  • die Verwendung dieser Algorithmen zur Vereinfachung der diätetischen Auswahl
  • der Kompromiss zwischen Lebensmittel- „Popularität“ und Gesundheit
  • die Rolle, die Nudges in diesem Bereich spielen können (und ob sie funktionieren)
  • spezifische Herausforderungen, die noch erforscht werden müssen

Alain StarkeDieser Artikel wird von Alain Starke, einem Post-Doktoranden in algorithmischer Empfehlung für Lebensmittel an der Universität Wageningen, Niederlande, und einem außerordentlichen Professor für Empfehlungssysteme an der Universität Bergen, Norwegen, vorgeschlagen.

Sie können Alain über LinkedIn oder Twitter (@ alainstarke) kontaktieren.


Zusammenfassung

Einleitung

Die Website AllRecipes.com beherbergt mehr Rezepte, als Sie in einem Leben kochen können. Seine Benutzer fügen fast 200 Rezepte täglich zu seiner bereits riesigen Datenbank hinzu. Um den Benutzern zu helfen, sich zurechtzufinden, ist die Filterung der Informationen unerlässlich. Wie bestimmen Sie, welches Rezept welchem Benutzer angezeigt werden soll?

Die auf die Ernährung angewandten Empfehlungsalgorithmen

Hier kommen Empfehlungsalgorithmen ins Spiel. Sie ermöglichen eine Personalisierung auf Basis von Benutzerdaten.

Diese Algorithmen helfen, die relevantesten Inhalte bei der Suche nach einem Rezept zu finden. Wenn ein Benutzer beispielsweise in diese Suche eingibt, kann er Rezepte mit Süßkartoffeln anzeigen. Darüber hinaus berücksichtigen die Empfehlungsalgorithmen die Historie des Nutzers auf der Website. Wenn ein Benutzer zuvor andere Rezepte gesucht und gemocht hat, die bestimmte Zutaten enthalten (z. B. Blumenkohl), werden Rezepte mit Süßkartoffeln und Blumenkohl bevorzugt.

Eine andere Vorgehensweise ist insbesondere dann sinnvoll, wenn der Benutzer noch nicht bekannt ist oder keine nennenswerte Suchhistorie hat. Es besteht darin, die beliebtesten Süßkartoffelrezepte zu priorisieren. Wir zeigen dann die Rezepte, die die positivsten Bewertungen erhalten oder die meisten Seitenaufrufe angesammelt haben.

Wenn mehr über die Benutzer bekannt ist und sie auf der Website aktiv sind, können wir kollaborative Methoden verwenden. Zum Beispiel können Benutzer, die ähnliche Rezepte mögen, angetippt werden, um relevante Inhaltsvorschläge vorzuschlagen.


Die schwierige Balance zwischen gesunder Ernährung und Lieblingsspeisen?

Es gibt ein sehr spezifisches Problem, das sich auf algorithmische Speiseempfehlungen bezieht. Gesundheit ist ein Aspekt, den viele Nutzer für wichtig halten, aber dies spiegelt sich nicht immer in ihren Präferenzen oder Entscheidungen wider. Wie soll also ein Algorithmus Gesundheit und Genuss ausgleichen?

Untersuchungen von Christoph Trattner und Kollegen im Jahr 2018 haben gezeigt, dass der Faktor „Gesundheit“ ein negativer Prädiktor für die Popularität eines Rezepts ist. Viele Besucher von Rezept-Websites sind keine regelmäßigen Benutzer und werden bestenfalls mit beliebten Inhalten präsentiert. Diese sind leider relativ ungesund. Dies ist, was wir die „Popularität Voreingenommenheit“ von Rezepten nennen könnte. Der Konstrukteur könnte daher versucht sein, den Faktor „Gesundheit“ nicht einzubeziehen, um die Leistung des Algorithmus zu erhöhen.

2021 zeigt die Forschung den Kompromiss zwischen Gesundheit und algorithmischer Genauigkeit auf. Dieser Kompromiss wird durch Empfehlungen gemessen, die eine gesunde Ernährung gegenüber denjenigen bevorzugen, die auf „beliebte“ (d. h. weniger gesunde) Lebensmittel hindeuten. Um gesunde Lebensmittel zu bevorzugen, „bestrafen“ wir (das ist der Fachbegriff) die Empfehlungen, die nicht gesund sind, und wir belohnen diejenigen, die es sind. Wir führen daher eine freiwillige Voreingenommenheit in den Algorithmus ein. Dadurch waren die empfohlenen Rezepte gesünder. Natürlich nahm die Genauigkeit des Algorithmus ab, was zeigt, dass ein Ansatz, der Präferenzen optimiert, nicht effizient ist. Die Herausforderung besteht also darin, eine ideale Balance zu finden, bei der maximale Gesundheitsgewinne die Abnahme der Genauigkeit ausgleichen.

Einer der Schlüssel zu erfolgreichen Ernährungsempfehlungen ist das Zuhören der Nutzer. Zwänge und Ziele müssen berücksichtigt werden. Hat der Benutzer irgendwelche Allergien? Befinden sie sich derzeit auf einer bestimmten Diät, die Ernährungseinschränkungen unterliegt? Haben sie ein bestimmtes Ernährungsziel oder allgemeine Vorlieben, wie eine nachhaltigere Ernährung oder fettarme Gerichte? Diese Aspekte müssen berücksichtigt werden, auch wenn sie über die algorithmische Optimierung hinausgehen.

Essensempfehlung ist ein so genanntes Multiziel-Optimierungsproblem. Die Benutzerpräferenzen können sich von einem Tag zum anderen sowie langfristig ändern.


Anwendung von Stößen auf die Auswahl von Lebensmitteln

Empfehlungsalgorithmen funktionieren nicht isoliert. Die Beeinflussung des Nutzerverhaltens hängt auch davon ab, wie Empfehlungen angezeigt werden.

Algorithmen bestimmen, was dargestellt wird. Schnittstellen bestimmen, wie Empfehlungen angezeigt werden.

Obwohl „Nudging“ in vielen Publikationen lose verwendet wird, bezieht es sich auf Modifikationen, die zu vorhersehbaren Benutzeränderungen führen. Im Allgemeinen nutzen Nudges menschliche Vorurteile aus.

Das klassische Beispiel für Food Nudging ist, Produkte, die Sie „pushen“ wollen, in einem Supermarkt in Sichtweite zu platzieren.

Wir können Empfehlungsalgorithmen und Nudgestechniken kombinieren. Beispielsweise können wir den Anwendern die generierten Empfehlungen erklären. Netflix Algorithmus schlägt einen Film auf der Grundlage Ihrer Anzeige Geschichte.

Ein gutes Beispiel für Lebensmittelempfehlungssysteme ist eine Forschung von Cataldo Musto et al. im Jahr 2021. Die Forschung untersuchte, ob Lebensmittelempfehlungssysteme den Nutzern rechtfertigen könnten, warum eine gesunde Option günstig sein könnte. Die Erklärung basierte auf den Nährstoffen und Ernährungsmerkmalen des vorgeschlagenen Rezepts. Solche Begründungen machen Rezepte attraktiver und könnten dazu beitragen, Beliebtheitsverzerrungen zu überwinden.

Um dieses Ergebnis zu erzielen, können Empfehlungsalgorithmen auf die Verarbeitung natürlicher Sprache (NLP) zurückgreifen, um diesen Prozess zu automatisieren. Erklärungen oder Begründungen können als ein zusätzlicher „Nudge“ angesehen werden, der den Empfehlungen des Algorithmus überlagert ist.


Visuelle Attraktivität, eine andere Form des Nudges

Ein „Kreisverkehr“ Weg, um Menschen zu essen wäre es, bestimmte Lebensmittel oder Rezepte attraktiver zu machen.

Neben den Rezepten angezeigte Bilder wurden angezeigt, um vorherzusagen, ob die Leute diese Rezepte gerne ausprobieren. Diese Methode kann Lebensmittelpopularität überwinden, wie diese Studie aus dem Jahr 2020zeigt. Sie beruht auf folgendem Mechanismus:

  • einige Rezeptfotos ansprechender machen
  • das visuelle Erscheinungsbild anderer verschlechtern.

 

recommendation food : starke et al

Bei dieser Recherche sah die Hälfte der Nutzer attraktive Bilder mit gesünderen Rezepten, während die andere Hälfte den ursprünglichen Inhalt sah. Dieser „visuelle Nudge“ -Mechanismus mildert die Beliebtheitsverzerrung, da die Gesundheit der ausgewählten Rezepte auf einer 9-Punkte-Skala um einen Punkt zunimmt (siehe Ergebnisse oben). Eine solche Strategie wirft ethische Einwände auf, da die Nutzer sich wahrscheinlich nicht bewusst sind, beeinflusst zu werden.


Funktionieren die Stupser wirklich?

Forscher haben Meta-Analysen durchgeführt. Sie untersuchen die Effektivität von Nudging in einer breiten Palette von Forschungsarbeiten. Die tatsächliche Wirksamkeit von Nudging wurde kürzlich in der Psychologie und im Marketing diskutiert. Dies hat einige Forscher zu der Schlussfolgerung veranlasst, dass Nudging möglicherweise überhaupt nicht funktioniert, aber die Realität scheint zu sein, dass die Wirksamkeit in hohem Maße von der Domäne und der Art des Nudges abhängt.

In Sachen Ernährung und gesunde Ernährung haben frühere Analysen bereits gezeigt, dass die spezifische Art von Stößen eine wichtige Rolle für ihre Wirksamkeit spielt. Die im Jahr 2020 durchgeführten Untersuchungen zeigen, dass Verhaltensstöße besser funktionieren als kognitive Stöße.

Es scheint, dass viele unserer Lebensmittelwahlen eher automatisch sind und daher stark davon beeinflusst werden, wie sie dem Benutzer präsentiert werden. Wenn bestimmte Optionen nicht ohne weiteres verfügbar sind, können sie darunter leiden. Zum Beispiel kann die Neuordnung der Regalbestellung in einem Supermarkt effektiver sein, um das Kaufverhalten zu beeinflussen, als eine Reihe von Produkten mit einem hohen Nutri-Score zu kennzeichnen.


Nudging, algorithmische Empfehlungen … was hält die Zukunft bereit?

Der Umfang der meisten Forschungsarbeiten über Empfehlungssysteme ist kurzfristig oder begrenzt. Oft werden in einigen A/B-Tests verschiedene Schnittstellen verglichen und dann eine Analyse durchgeführt, um zu verstehen, wie die Entscheidungsfindung des Benutzers beeinflusst wird. Dies ist in der Regel das Ende der Geschichte.

Es ist jedoch möglich, zu untersuchen, wie sich das Verhalten längerfristig ändert. Dies würde eine stärkere algorithmische Anpassung in dem Sinne erfordern, dass die Nutzer ein bestimmtes Ernährungsziel haben können und dass sich dieses Ziel im Laufe der Zeit ändern kann. Diese Empfehlungsalgorithmen müssten sich zusammen mit den Präferenzen des Benutzers „weiterentwickeln“, um der „Kundenerfahrung“ zu folgen.

Schlagwörter:

Author: Pierre-Nicolas Schwab

Pierre-Nicolas est Docteur en Marketing et dirige l'agence d'études de marché IntoTheMinds. Ses domaines de prédilection sont le BigData l'e-commerce, le commerce de proximité, l'HoReCa et la logistique. Il est également chercheur en marketing à l'Université Libre de Bruxelles et sert de coach et formateur à plusieurs organisations et institutions publiques. Il peut être contacté par email, Linkedin ou par téléphone (+32 486 42 79 42)

Share This Post On

Kommentar absenden

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.