Algoritmen worden op grote schaal gebruikt om de online ervaring te personaliseren. Terwijl het aanbevelen van films of producten relatief eenvoudig is, is het voorstellen van eten of recepten een complexere oefening. De popularisering van boodschappenbezorgdiensten en receptensites heeft de ontwikkelingen op dit gebied gestimuleerd. Ze zijn grotendeels gebaseerd op algoritmische aanbevelingssystemen.
In dit artikel zullen we het hebben over:
- het gebruik van deze algoritmen om voedingskeuzes te vergemakkelijken;
- de afweging tussen “populariteit” van voeding en gezondheid;
- de rol die nudges op dit gebied kunnen spelen (en of ze echt werken);
- specifieke uitdagingen die nog moeten worden aangepakt.
Dit artikel wordt u aangeboden door Alain Starke, postdoctoraal onderzoeker in algoritmische voedingsaanbevelingen aan de Universiteit van Wageningen, Nederland, en professor in aanbevelingssystemen aan de Universiteit van Bergen, Noorwegen.
Alain is bereikbaar via LinkedIn of Twitter (@alainstarke).
Inhoud
- Inleiding
- Aanbevelingsalgoritmen toegepast op voeding
- Het moeilijke evenwicht tussen gezond eten en lievelingseten?
- Toepassing van nudges op voedingskeuze
- Visuele aantrekkelijkheid, een andere vorm van nudge
- Werken nudges echt?
- Nudging, algoritmische aanbevelingen … wat heeft de toekomst in petto?
Inleiding
De website AllRecipes.com bevat meer recepten dan u in een mensenleven kunt bereiden. Elke dag voegen de gebruikers bijna 200 recepten toe aan de toch al enorme database. Om gebruikers te helpen hun weg te vinden, is het filteren van de informatie essentieel. Hoe bepaalt u welk recept aan welke gebruiker moet worden getoond?
Aanbevelingsalgoritmen toegepast op voeding
Hier komen aanbevelingsalgoritmen om de hoek kijken. Ze maken personalisering mogelijk op basis van gebruikersgegevens.
Bij het zoeken naar een recept helpen deze algoritmen om de meest relevante inhoud te vinden. Zij kunnen bijvoorbeeld recepten weergeven die zoete aardappelen bevatten als een gebruiker die zoekterm intikt. Bovendien houden de aanbevelingsalgoritmen rekening met de geschiedenis van de gebruiker op de website. Als een gebruiker al andere recepten met specifieke ingrediënten (bv. bloemkool) heeft gezocht en geliket, krijgen recepten met zowel zoete aardappelen als bloemkool voorrang.
Een andere benadering is vooral nuttig wanneer de gebruiker nog niet bekend is of geen noemenswaardige zoekgeschiedenis heeft. Het bestaat uit het geven van prioriteit aan de meest populaire zoete aardappel recepten. De recepten met de meeste positieve beoordelingen en/of paginaweergaves worden getoond.
Als er meer bekend is over de gebruikers en zij actief zijn op de site, kunnen samenwerkingsmethoden worden gebruikt. Gebruikers die soortgelijke recepten hebben geliket, kan bijvoorbeeld worden gevraagd relevante inhoud voor te stellen.
Het moeilijke evenwicht tussen gezond eten en lievelingseten?
Er is een zeer specifiek probleem dat betrekking heeft op algoritmische voedingsaanbevelingen. Gezondheid is een aspect dat veel gebruikers belangrijk vinden, maar dit komt niet altijd tot uiting in hun voorkeuren of keuzes. Dus hoe moet een algoritme een evenwicht vinden tussen gezondheid en eetgenot?
Uit een studie (Engelse site) van Christoph Trattner en collega’s in 2018 bleek dat de factor “gezondheid” een negatieve voorspeller is van de populariteit van recepten. Veel bezoekers van receptensites zijn geen regelmatige gebruikers en krijgen in het beste geval populaire inhoud voorgeschoteld. Helaas zijn deze relatief ongezond. Dit is wat we de “populariteitsbias” van recepten kunnen noemen. Om de prestaties van het algoritme te verhogen, zou de ontwerper dus geneigd kunnen zijn de factor “gezondheid” niet op te nemen.
Een studie (Engelse site) uit 2021 belicht de afweging tussen gezondheid en algoritmische nauwkeurigheid. Deze afweging wordt gemeten aan de hand van aanbevelingen die de voorkeur geven aan een gezonde voeding boven aanbevelingen die “populaire” (d.w.z. minder gezonde) voedingsmiddelen suggereren. Om gezonde voeding te bevorderen, “bestraffen” wij (dit is de technische term) aanbevelingen die niet gezond zijn en belonen wij aanbevelingen die dat wel zijn. Dit introduceert een vrijwillige bias in het algoritme. Daarbij waren de aanbevolen recepten gezonder. Uiteraard nam de nauwkeurigheid van het algoritme af, wat aantoont dat een aanpak die eenvoudigweg voorkeuren optimaliseert niet efficiënt is. De uitdaging is om een ideaal evenwicht te vinden waarbij de afname in nauwkeurigheid wordt gecompenseerd door maximale gezondheidswinst.
Het is duidelijk dat luisteren naar de gebruiker een van de sleutels tot een succesvolle voedingsaanbeveling is. Er moet rekening worden gehouden met beperkingen en doelstellingen. Heeft de gebruiker allergieën? Volgen zij momenteel een specifiek dieet met dieetbeperkingen? Heeft hij of zij een specifiek dieetdoel of algemene voorkeuren, zoals een duurzamer dieet of vetarme gerechten? Met deze aspecten moet rekening worden gehouden, ook al betekent dit dat men verder moet gaan dan algoritmische optimalisatie.
Voedingsadvies is een zogenaamd multi-objectief optimalisatieprobleem. Voorkeuren van gebruikers kunnen van dag tot dag en op langere termijn veranderen.
Toepassing van nudges op de voedingskeuze
Aanbevelingsalgoritmen werken niet op zichzelf. Het beïnvloeden van gebruikersgedrag hangt ook af van de manier waarop aanbevelingen worden weergegeven.
De algoritmen bepalen wat er getoond wordt. De interfaces bepalen hoe de aanbevelingen worden weergegeven.
Hoewel de term “nudging” in veel publicaties lukraak wordt gebruikt, gaat het om aanpassingen die leiden tot voorspelbare veranderingen bij gebruikers. Over het algemeen maken nudges gebruik van menselijke vooroordelen.
Het meest klassieke voorbeeld van food nudge is het in het zicht plaatsen van de producten die u wilt “pushen” in een supermarkt.
Aanbevelingsalgoritmen en nudging kunnen worden gecombineerd. De gegenereerde aanbevelingen kunnen bijvoorbeeld worden uitgelegd aan de gebruikers. Het algoritme van Netflix doet dit door een film voor te stellen op basis van uw kijkgeschiedenis.
Voor aanbevelingssystemen van voeding is de studie van Cataldo Musto et al. uit 2021 (Engelse site) een goed voorbeeld. De studie had tot doel na te gaan of systemen voor voedingsaanbevelingen aan gebruikers kunnen uitleggen waarom een gezonde optie gunstig zou kunnen zijn. De uitleg was gebaseerd op de voedingsstoffen en dieetkenmerken van het voorgestelde recept. Dergelijke rechtvaardigingen maken recepten aantrekkelijker en kunnen helpen om populariteitsvooroordelen te overwinnen.
Om dit te bereiken kunnen aanbevelingsalgoritmen gebruik maken van natuurlijke taalverwerking (NLP) om dit proces te automatiseren. Verklaringen of rechtvaardigingen kunnen worden gezien als een extra “nudge” dat boven op de aanbevelingen van het algoritme komt.
Visuele aantrekkelijkheid, een andere vorm van nudge
Een meer “indirecte” manier om mensen aan het eten te krijgen is door bepaalde voedingsmiddelen of recepten aantrekkelijker te maken.
Het is aangetoond dat afbeeldingen naast recepten kunnen laten voorspellen of mensen die recepten willen proberen. Deze methode kan worden gebruikt om vertekening door populariteit van voeding te voorkomen, zoals aangetoond in deze studie uit 2020 (Engelse site). Het berust op het volgende mechanisme:
- sommige receptfoto’s aantrekkelijker maken
- het uiterlijk van anderen verslechteren.
In deze studie zag de helft van de gebruikers aantrekkelijke afbeeldingen met gezondere recepten, terwijl de andere helft de originele inhoud zag. Dit “visuele aansporingsmechanisme” vermindert de populariteitsvertekening, aangezien de gezondheid van de geselecteerde recepten met één punt steeg op een schaal van 9 punten (zie bovenstaande resultaten). Uiteraard roept een dergelijke strategie ethische bezwaren op, aangezien de gebruikers zich er waarschijnlijk niet van bewust zijn dat zij worden beïnvloed.
Werken nudges echt?
De werkelijke doeltreffendheid van nudging is onlangs besproken in de psychologie en marketing. Onderzoekers hebben meta-analyses uitgevoerd. Deze onderzoeken de doeltreffendheid van nudging in een breed scala van studies. Hoewel dit sommige onderzoekers heeft doen besluiten dat nudging helemaal niet werkt,(Engelse site), lijkt de realiteit te zijn dat de doeltreffendheid sterk afhangt van het domein en het soort nudge.
Met betrekking tot voeding en gezonde voeding is uit eerdere analyses al gebleken dat het specifieke type nudge een belangrijke rol speelt bij de effectiviteit ervan. Uit een studie in 2020 (Engelse site) blijkt dat gedragsnudges beter werken dan cognitieve nudges.
Zo kan het herschikken van de rekken in een supermarkt meer effect hebben op het koopgedrag dan het etiketteren van een reeks producten met een hoge Nutri-score. Het lijkt erop dat veel van onze voedingskeuzes nogal automatisch verlopen en dus sterk worden beïnvloed door de manier waarop ze aan de gebruiker worden gepresenteerd. Als specifieke opties niet direct beschikbaar zijn, kunnen zij daaronder lijden.
Nudging, algoritmische aanbevelingen … wat heeft de toekomst in petto?
De reikwijdte van het meeste onderzoek naar aanbevelingssystemen is van korte duur of beperkt. Vaak worden verschillende interfaces vergeleken in een soort A/B-test, waarna een analyse wordt uitgevoerd om te begrijpen hoe de besluitvorming van de gebruiker wordt beïnvloed. Dit is meestal het einde van het verhaal.
Er zijn echter mogelijkheden om te bestuderen hoe gedrag op langere termijn daadwerkelijk verandert. Dit zou een meer algoritmische aanpassing inhouden, in die zin dat gebruikers een specifiek dieetdoel kunnen hebben en dat dit in de loop van de tijd kan veranderen. Deze aanbevelingsalgoritmen zouden dan moeten “meegroeien” met de voorkeuren van de gebruiker, zodat zij het “klanttraject” kunnen volgen.
Posted in Onderzoek.
