Gli algoritmi sono ampiamente utilizzati per personalizzare l’esperienza online. Sono in gran parte basati su sistemi di raccomandazione algoritmica. Mentre consigliare film o prodotti è relativamente semplice, proporre cibo o ricette è più complesso. La diffusione dei servizi di consegna di generi alimentari e dei siti Web di ricette ha stimolato gli sviluppi in questo settore.
In questo articolo, discuteremo
- l’utilizzo di questi algoritmi per semplificare le scelte dietetiche
- il trade-off tra “popolarità ” alimentare e salute
- il ruolo che i nudge possono svolgere in quest’area (e se funzionano)
- sfide specifiche che devono ancora essere esplorate
Cet article vous est proposé par Alain Starke, post-doctorant spécialisé dans la recommandation algorithmique appliquée à l’alimentation à l’Université de Wageningen, Pays-Bas, et professeur associé en systèmes de recommandation à l’Université de Bergen, Norvège.
Alain peut être contacté via Linkedin ou Twitter (@alainstarke)
Sommario
- Introduzione
- Algoritmi di raccomandazione applicati al cibo
- Il difficile equilibrio tra alimentazione sana e cibi preferiti?
- Applicazione di nudge alla scelta del cibo
- Attrazione visiva, un’altra forma di nudge
- Le nudge funzionano davvero?
- Nudge, raccomandazioni algoritmiche… cosa riserva il futuro?
Introduzione
Il sito Web AllRecipes.com ospita più ricette di quante si possa cucinare in una vita. I suoi utenti aggiungono quasi 200 ricette al giorno al suo già enorme database. Per aiutare gli utenti a orientarsi, è essenziale filtrare le informazioni. Come si determina quale ricetta mostrare a quale utente?
Gli algoritmi di raccomandazione applicati alla nutrizione
È qui che entrano in gioco gli algoritmi di raccomandazione. Consentono la personalizzazione in base ai dati dell’utente.
Questi algoritmi aiutano a trovare il contenuto più rilevante durante la ricerca di una ricetta. Ad esempio, se un utente digita quella ricerca, può visualizzare ricette contenenti patate dolci. Inoltre, gli algoritmi di raccomandazione considerano la cronologia dell’utente sul sito web. Se un utente ha precedentemente cercato e apprezzato altre ricette contenenti ingredienti specifici (ad es. cavolfiore), saranno preferite le ricette contenenti patate dolci e cavolfiore.
Un altro approccio è particolarmente utile quando non si conosce ancora l’utente o non ha una cronologia di ricerca significativa. Consiste nel dare la priorità alle ricette di patate dolci più popolari. Mostriamo quindi le ricette che hanno ricevuto le valutazioni più positive o accumulato il maggior numero di visualizzazioni di pagina.
Se si sa di più sugli utenti e questi sono attivi sul sito Web, possiamo utilizzare metodi collaborativi. Ad esempio, gli utenti a cui sono piaciute ricette simili possono essere sfruttati per proporre suggerimenti di contenuti pertinenti.
Il difficile equilibrio tra alimentazione sana e cibi preferiti?
C’è un problema molto specifico che riguarda la raccomandazione algoritmica del cibo. La salute è un aspetto che molti utenti considerano importante, ma questo non sempre si riflette nelle loro preferenze o scelte. Quindi, come dovrebbe un algoritmo bilanciare la salute e il piacere del cibo?
Una ricerca realizzata da Christoph Trattner e colleghi nel 2018 ha mostrato che il fattore “salute” è un predittore negativo della popolarità di una ricetta. Molti visitatori dei siti Web di ricette non sono utenti regolari e vengono presentati nella migliore delle ipotesi con contenuti popolari. Questi sono, sfortunatamente, poco sani. Questo è ciò che potremmo chiamare il “pregiudizio della popolarità ” delle ricette. Il progettista potrebbe quindi essere tentato di non includere il fattore “salute” per aumentare le prestazioni dell’algoritmo.
La ricerca del 2021 evidenzia il compromesso tra salute e accuratezza algoritmica. Questo compromesso è misurato dalle raccomandazioni che favoriscono un’alimentazione sana rispetto a quelle che suggeriscono cibi “popolari” (cioè meno sani). Per favorire un’alimentazione sana, “puniamo” (questo è il termine tecnico) le raccomandazioni che non sono salutari e premiamo quelle che lo sono. Pertanto, introduciamo una distorsione volontaria nell’algoritmo. In questo modo, le ricette consigliate erano più sane. Naturalmente, l’accuratezza dell’algoritmo è diminuita, il che dimostra che un approccio che ottimizza le preferenze non è efficiente. La sfida, quindi, è trovare un equilibrio ideale in cui i guadagni massimi di salute compensano la diminuzione della precisione.
Una delle chiavi per raccomandazioni dietetiche di successo è ascoltare gli utenti. I vincoli e gli obiettivi devono essere presi in considerazione. L’utente ha delle allergie? Sta seguendo una dieta specifica che ha vincoli dietetici? Ha un obiettivo dietetico specifico o preferenze generali, come una dieta più sostenibile o piatti a basso contenuto di grassi? Questi aspetti devono essere considerati, anche se ciò significa andare oltre l’ottimizzazione algoritmica.
La raccomandazione del cibo è ciò che chiamiamo un problema di ottimizzazione multi-obiettivo. Le preferenze dell’utente possono cambiare da un giorno all’altro, così come nel lungo termine.
Applicare le nudge alla selezione del cibo
Gli algoritmi di raccomandazione non funzionano in isolamento. L’influenza sul comportamento degli utenti dipende anche da come vengono visualizzati i consigli.
Gli algoritmi determinano ciò che viene mostrato. Le interfacce determinano come vengono visualizzati i consigli.
Sebbene in molte pubblicazioni il termine “nudging” sia usato in modo approssimativo, si riferisce a modifiche che si traducono in cambiamenti prevedibili dell’utente. In generale, i nudge sfruttano i pregiudizi umani.
L’esempio classico di cibo nudging è mettere i prodotti che si vogliono “spingere” in vista in un supermercato.
Possiamo combinare algoritmi di raccomandazione e tecniche di nudging. Ad esempio, possiamo spiegare agli utenti i consigli generati. L’algoritmo di Netflix propone un film in base alla cronologia delle visualizzazioni.
Per i sistemi di raccomandazione alimentare, un buon esempio è una ricerca realizzata da Cataldo Musto et al. nel 2021. La ricerca ha esaminato se i sistemi di raccomandazione degli alimenti potessero giustificare agli utenti il motivo per cui un’opzione salutare potrebbe essere favorevole. La spiegazione si basava sui nutrienti e sulle caratteristiche dietetiche della ricetta proposta. Tali giustificazioni rendono le ricette più attraenti e potrebbero aiutare a superare i pregiudizi di popolarità .
Per ottenere questo risultato, gli algoritmi di raccomandazione possono fare affidamento sull’elaborazione del linguaggio naturale (NLP) per automatizzare questo processo. Spiegazioni o giustificazioni possono essere viste come una “spinta” aggiuntiva sovrapposta alle raccomandazioni dell’algoritmo.
Attrazione visiva, un’altra forma di nudge
Un modo più “indiretto” per convincere le persone a mangiare sarebbe quello di rendere più attraenti cibi o ricette specifici.
Le immagini visualizzate accanto alle ricette hanno dimostrato di prevedere se alle persone piace provare quelle ricette. Questo metodo può superare il pregiudizio della popolarità del cibo, come dimostrato in questa ricerca del 2020. Si basa sul seguente meccanismo:
- rendere più accattivanti alcune foto di ricette
- deteriorare l’aspetto visivo degli altri.
In questa ricerca, metà degli utenti ha visto immagini attraenti con ricette più sane, mentre l’altra metà ha visto il contenuto originale. Questo meccanismo di “nudge visivo” mitiga il pregiudizio di popolarità , poiché la salubrità delle ricette selezionate è aumentata di un punto su una scala di 9 punti (vedi risultati sopra). Tale strategia solleva obiezioni etiche, poiché gli utenti probabilmente non sono consapevoli di essere influenzati.
I nudge funzionano davvero?
I ricercatori hanno realizzato meta-analisi. Esaminano l’efficacia del nudging in un’ampia gamma di ricerche. L’effettiva efficacia del nudging è stata recentemente discussa in psicologia e marketing. Sebbene ciò abbia portato alcuni ricercatori a concludere che il nudge potrebbe non funzionare affatto, la realtà sembra essere che l’efficacia dipende fortemente dal dominio e dal tipo di nudge coinvolti.
Quando si tratta di cibo e alimentazione sana, precedenti analisi hanno già dimostrato che il tipo specifico di nudge gioca un ruolo importante nella sua efficacia. La ricerca realizzata nel 2020 mostra che i nudge comportamentali funzionano meglio di quelli cognitivi.
Sembra che molte delle nostre scelte alimentari siano piuttosto automatiche e siano, quindi, fortemente influenzate da come vengono presentate all’utente. Se opzioni specifiche non sono prontamente disponibili, potrebbero risentirne. Ad esempio, riorganizzare l’ordine degli scaffali in un supermercato può essere più efficace nell’influenzare il comportamento di acquisto rispetto all’etichettare un insieme di prodotti con un punteggio Nutri elevato.
Nudging, raccomandazioni algoritmiche… cosa riserva il futuro?
L’ambito della maggior parte della ricerca sui sistemi di raccomandazione è a breve termine o limitato. Spesso in alcuni test A/B vengono confrontate interfacce diverse, quindi viene realizzata un’analisi per capire come viene influenzato il processo decisionale dell’utente. Di solito questa è la fine della storia.
Tuttavia, è possibile studiare come cambia il comportamento a lungo termine. Ciò comporterebbe un adattamento più algoritmico, nel senso che gli utenti potrebbero avere un obiettivo dietetico specifico e che questo obiettivo potrebbe cambiare nel tempo. Questi algoritmi di raccomandazione dovrebbero “evolversi” insieme alle preferenze dell’utente per seguire l'”esperienza del cliente“.
Posted in Ricerca.
