Los algoritmos se usan de manera extensa para personalizar la experiencia online, y se basan principalmente en sistemas de recomendación algorÃtmicos. Aunque recomendar pelÃculas o productos es relativamente simple, proponer comida o recetas es bastante más complejo. La popularización de las entregas a domicilio de la compra y las páginas de recetas han promovido los desarrollos en esa área.
En este artÃculo hablaremos de:
- El uso de dichos algoritmos para simplificar las elecciones dietéticas
- El intercambio entre lo «popular» de una comida y la salud
- El papel que los nudges (empujones en inglés) pueden interpretar en esta área (y si funcionan de verdad)
- Retos concretos que todavÃa deben explorarse
Este artÃculo ha sido propuesto por Alain Starke, que cuenta con un postdoctorado en recomendación algorÃtmica aplicada a la comida por la Universidad de Wageningen, ubicada en Holanda, además de ser profesor asociado en sistemas de recomendación en la Universidad de Bergen, en Noruega.
Puedes contactar con Alain por LinkedIn o Twitter (@alainstarke)
Resumen
- Introducción
- Algoritmos de recomendación aplicados a la alimentación
- ¿El difÃcil equilibrio entre comer sano y comer lo que más prefieres?
- La aplicación de nudges en elecciones alimentarias
- Atractivo visual, otra forma de nudge
- ¿De verdad funcionan los nudges?
- El nudging, las recomendaciones algorÃtmicas… ¿Qué nos aguarda el futuro?
Introducción
La página web AllRecipes.com contiene más recetas de las que podrÃas preparar en toda una visa. Sus usuarios añaden casi 200 nuevas recetas cada dÃa a una base de datos ya de por sà gigantesca. Para ayudar a los usuarios a navegar la página, el filtrado de información es imprescindible. ¿Cómo decides qué receta le muestras a cada usuario?
Los algoritmos de recomendación aplicados a la alimentación
Ahà es donde entran los algoritmos de recomendación, que permiten la personalización basándose en los datos de los usuarios.
Estos algoritmos ayudan a encontrar el contenido más relevante cuando se busca una receta. Por ejemplo, si un usuario escribe en el campo de búsqueda, pueden mostrar recetas con boniatos. Además, los algoritmos de recomendación tienen en consideración el historial del usuario en la página web. Si un usuario ha buscado previamente o ha marcado como interesantes otras recetas que contienen ingredientes concretos (ej.: coliflor), las recetas que contengan boniatos y coliflor tendrán preferencia.
Otra estrategia especialmente útil es cuando todavÃa no se conoce al usuario o no tiene un historial de búsqueda significativo, y consiste en priorizar las recetas de boniatos más populares. En ese momento mostramos las recetas que han recibido las valoraciones más positivas o que más visitas han acumulado.
Si sabemos cosas sobre el usuario y este es activo en la página, podremos usar métodos colaborativos. Por ejemplo, se puede recurrir a los usuarios que han marcado como interesantes recetas parecidas para proponer sugerencias de contenido relevantes.
¿El difÃcil equilibrio entre comer sano y comer lo que más prefieres?
Existe un problema muy concreto relacionado con la recomendación de alimentos por algoritmo. La salud es un aspecto que muchos usuarios consideran importantes, pero eso no siempre se refleja en sus preferencias o elecciones. ¿Cómo deberÃa equilibrar un algoritmo la comida sana y la que se disfruta?
Un estudio llevado a cabo por Christoph Trattner y sus colegas en 2018 mostró que el factor «salud» es un predictor negativo para la popularidad de una receta. Muchos visitantes de páginas de recetas no son usuarios habituales y como mucho se les presenta el contenido popular. Por desgracia, el contenido popular es relativamente poco saludable; se trata de lo que podrÃamos llamar como el «sesgo de popularidad» de las recetas. El diseñador podrÃa, por lo tanto, sentirse tentado para no incluir el factor «salud» para aumentar el rendimiento del algoritmo.
Un estudio de 2021 pone de manifiesto el equilibrio entre la salud y la precisión de los algoritmos. Este equilibrio se mide por las recomendaciones que favorecen comer sano por encima de los que sugieren comidas «populares» (es decir, menos sanas). Para favorecer la comida sana, «castigamos» (es un término técnico) las recomendaciones que no son saludables y premiamos aquellas que sà lo son, introduciendo asà un sesgo voluntario en el algoritmo. Al hacerlo, las recetas recomendadas se vuelven más sanas. Naturalmente, la exactitud del algoritmo disminuye, lo cual muestra que una estrategia que optimice las preferencias no es eficiente. El reto se ubica en encontrar un equilibrio ideal donde las ganancias en cuanto a salud sean máximas y compensen la disminución en precisión.
Una de las claves para recomendaciones dietéticas de éxito es escuchar a los usuarios, teniendo en cuenta limitaciones y objetivos. ¿Tiene el usuario alguna alergia? ¿Están siguiendo en este momento alguna dieta concreta con limitaciones dietéticas? ¿Tiene un objetivo dietético especÃfico o preferencias generales como podrÃa ser una dieta sostenible o platos bajos en grasas? Son aspectos que deben considerarse, incluso si hacerlo significa ir más allá de la optimización algorÃtmica.
Las recomendaciones alimentarias es lo que llamamos un problema de optimización multiobjetivo. Las preferencias de los usuarios pueden cambiar de un dÃa para otro, además de a largo plazo.
Usando nudges en elecciones alimentarias
Los algoritmos de recomendación no funcionan aislados. Influir en el comportamiento del usuario también depende de cómo se muestran esas recomendaciones.
Los algoritmos determinan lo que deberÃa mostrarte, mientras que las interfaces determinan cómo se muestran esas recomendaciones.
Aunque el «nudging» se usa de manera laxa en muchas publicaciones, el término se refiere a modificaciones que dan como resultados cambios predecibles en los usuarios. En general, los nudges se aprovechan de los sesgos humanos.
El ejemplo clásico de nudging alimenticio es colocar los productos a los que quieres darles ese «empujón» bien a la vista en el supermercado.
Podemos combinar los algoritmos de recomendación con las técnicas de nudging. Por ejemplo, podemos explicar a los usuarios las recomendaciones que se generan. El algoritmo de Netflix te propone una pelÃcula según las que hayan en tu historial de visualizaciones.
Para los sistemas de recomendaciones alimentarias, un buen ejemplo serÃa un estudio llevado a cabo por Cataldo Musto et al. en 2021. Dicho estudio se centró en si los sistemas de recomendación de alimentos podÃan justificar a los usuarios por qué una opción más sana podrÃa ser favorable. La explicación se basaba en nutrientes y caracterÃsticas dietéticas de la receta propuesta, y dichas justificaciones hacÃan que las recetas fueran más atractivas y podÃan ayudar a superar el sesgo de popularidad.
Para lograr estos resultados, los algoritmos de recomendación pueden recurrir al procesamiento del lenguaje natural (PLN) para automatizar este proceso. Las explicaciones o justificaciones pueden verse como un «nudge» adicional superpuesto a las recomendaciones del algoritmo.
Atractivo visual, otra forma de nudge
Una forma más «indirecta» de conseguir que la gente coma serÃa hacer más atractivos determinados alimentos o recetas.
Se ha demostrado que las imágenes que se muestran junto a las recetas predicen si a la gente le gustará probar esas recetas. Este método puede superar el sesgo de popularidad de los alimentos, como se demuestra en esta investigación de 2020 que se basa en el siguiente mecanismo:
- Hacer las fotografÃas de algunas recetas más atractivas
- Deteriorar el aspecto visual de otras
En este estudio, la mitad de los usuarios veÃan imágenes atractivas con recetas más sanas, mientras que la otra mitad veÃa el contenido original. Este mecanismo de «nudging visual» mitiga el sesgo de popularidad, ya que lo saludable de las recetas elegidas aumentó en un punto en una escala de 9 puntos (ver resultados más arriba). Una estrategia como esta presenta objeciones éticas, ya que los usuarios seguramente no sean conscientes de que se les está influyendo.
¿De verdad funcionan los nudges?
Los investigadores han llevado a cabo meta-análisis examinando la eficacia del nudging en una amplia gama de investigaciones. La eficacia real del nudging se ha debatido recientemente en psicologÃa y marketing. Aunque esto ha llevado a que algunos investigadores concluyan que el nudging podrÃa no funcionar, la realidad parece ser que la eficacia depende en gran medida del ámbito y el tipo de nudge en cuestión.
En lo que respecta a la alimentación y a la comida sana, los análisis anteriores ya han demostrado que el tipo especÃfico de nudge desempeña un papel importante en su eficacia. Las investigaciones realizadas en 2020 muestran que los nudges conductuales funcionan mejor que los cognitivos.
Parece que muchas de nuestras elecciones alimentarias son más bien automáticas y, por tanto, están fuertemente influenciadas por la forma en que se presentan al usuario. Si las opciones especÃficas no están fácilmente disponibles, pueden salir perjudicadas. Por ejemplo, reorganizar las estanterÃas de un supermercado puede ser más eficaz para influir en el comportamiento de compra que etiquetar un conjunto de productos con una puntuación alta en el Nutriscore.
El nudging, las recomendaciones algorÃtmicas… ¿Qué nos aguarda el futuro?
El tamaño de la mayorÃa de las investigaciones sobre sistemas de recomendación es a corto plazo o limitado. A menudo se comparan distintas interfaces en una prueba A/B, tras lo cual se realiza un análisis para comprender por qué se ve afectada la toma de decisiones del usuario, y ahà acostumbra a terminar la historia.
Pero existe la posibilidad de estudiar cómo cambiar el comportamiento en un plazo más largo, algo que incluirÃa más adaptación algorÃtmica en el sentido de que los usuarios pueden tener un objetivo dietético concreto en mente y su objetivo puede cambiar a lo largo del tiempo. Estos algoritmos de recomendación tendrÃan que «evolucionar» junto a las preferencias del usuario para seguir la «experiencia del cliente».
Posted in Investigación.
