Upphovsman:CC0 Public Domain
Oavsett om du väljer en restaurang eller destination för din nästa semester, att fatta beslut om smakfrågor kan vara beskattande.
Ny Cornell -forskning pekar på effektivare sätt att bestämma sig - och belyser hur vi kan använda andras åsikter för att fatta egna beslut. Arbetet kan också få konsekvenser för hur online -rekommenderande algoritmer utformas och utvärderas.
Pappret, publicerad 28 maj i Natur Mänskligt beteende , föreslår att människor som har haft många upplevelser på en viss arena - oavsett om det är restauranger, hotell, filmer eller musik - kan dra nytta av att förlita sig mest på liknande människors åsikter (och rabattera åsikter från andra med olika smak). I kontrast, människor som inte har haft många erfarenheter kan inte på ett tillförlitligt sätt uppskatta deras likhet med andra och är bättre på att välja det vanliga alternativet.
"Våra resultat bekräftar att även inom smakens område, där människors gillar och ogillar är så olika, folkens visdom är ett bra sätt att gå för många människor, "sade huvudförfattaren Pantelis P. Analytis, en postdoktor vid Cornells institution för informationsvetenskap.
Analytis skrev "Social Learning Strategies for Matters of Taste" tillsammans med Daniel Barkoczi från Linköpings universitet, Sverige, och Stefan M. Herzog från Max Planck Institute for Human Development, Berlin.
Men hur många restauranger (eller filmer eller musikalbum) ska du prova innan du förlitar dig på åsikter från andra som tycks dela din smak, snarare än folkmassans visdom? Allt beror på hur vanligt (eller alternativt) en persons smak är och hur mycket deras kamrater skiljer sig åt i likhet med dem, Sade Analytis. "För människor som har vanlig smak, publikens visdom fungerar ganska bra, och det finns lite att vinna på att tilldela vikter till andra. Därför, bara människor som har upplevt många alternativ kan göra det bättre än att använda folkets visdom, "sa han." För personer med alternativ smak, i kontrast, publikens visdom kan vara en dålig idé. Snarare, de borde göra motsatsen till vad publiken föredrar. "
Forskarna undersökte prestanda för olika sociala inlärningsstrategier genom att köra datasimuleringar med data från Jester, en skämtrekommendationsmotor; utvecklad vid University of California, Berkeley, i slutet av 1990 -talet, det har körts online sedan dess. Gränssnittet tillåter användare att betygsätta upp till 100 skämt på en skala från "inte roligt" (-10) till "roligt" (+10). Ett tidigt medborgarvetenskapligt projekt, det är den enda tillgängliga rekommendatorsystemdataset där många människor har utvärderat alla alternativ.
Resultaten tyder på att människor kan lära sig sina egna preferenser på samma sätt som rekommendatorsystemalgoritmer bedömer vilka alternativ människor kommer att gilla mest, belyser vår egen kognition "Vi människor har den mest kraftfulla datorn som någonsin existerat och kör algoritmer hela tiden i våra huvuden. Vi försöker visa vad dessa algoritmer kan vara och när de förväntas trivas, "Sa Barkoczi. I det avseendet, den nya forskningen bygger broar mellan beteende- och samhällsvetenskapen och rekommendationssystemgemenskapen. Fälten har tittat på åsiktssammanställning med mycket olika terminologi, men de underliggande principerna är väldigt lika, Sa Barkoczi. "Vi har lagt mycket arbete i detta arbete för att försöka utveckla koncept som kan korsbefrukta dessa parallella litteraturer."
Forskningen har också konsekvenser för hur online -rekommenderande algoritmer utformas och utvärderas. Hittills har forskare inom rekommendationssystemgemenskapen studerat olika rekommendatoralgoritmer på aggregerad nivå, bortser från hur varje algoritm presterar för varje individ i datamängden. I kontrast, denna forskning visar att det kan finnas potential att utvärdera dessa strategier på individnivå. "I vårt arbete, vi visar hur strategiernas prestanda skiljer sig mycket åt för olika individer. Dessa individuella nivåskillnader avslöjades systematiskt för första gången, Sa Herzog.
Detta innebär att varje individs data kan ses som en datamängd med olika egenskaper, kapslade i en övergripande systemdatastruktur för rekommendatörer. "Filmrekommendationssystem som de som används av Netflix kan" lära sig "om individer har vanlig eller alternativ smak och sedan välja sina rekommendationsalgoritmer utifrån det, snarare än att använda samma anpassningsstrategier för alla, Sa Herzog.
Enligt ett gammalt ordspråk, det finns inget bråk om smak. "Detta jobb, i kontrast, visar att den bästa inlärningsstrategin för varje individ inte är subjektiv, "Analytis sa, "utan är föremål för rationell argumentation."