23 septembre 2022 1798 mots, 8 min. de lecture

Nudge : comment influencer l’alimentation grâce aux algorithmes ?

Par Pierre-Nicolas Schwab Docteur en marketing, directeur de IntoTheMinds
Les algorithmes sont largement utilisés pour personnaliser l’expérience online. Alors que recommander des films ou des produits est relativement simple, proposer des aliments ou des recettes reste un exercice plus complexe. La popularisation des services de livraisons de course et […]

Les algorithmes sont largement utilisés pour personnaliser l’expérience online. Alors que recommander des films ou des produits est relativement simple, proposer des aliments ou des recettes reste un exercice plus complexe. La popularisation des services de livraisons de course et des sites de recettes, ont stimulé les développements dans ce domaine. Ils reposent en grande partie sur des systèmes algorithmiques de recommandation.

Dans cet article nous traiterons

  • de l’utilisation de ces algorithmes pour faciliter les choix alimentaires
  • du compromis entre “popularité” d’un aliment et la santé
  • du rôle que les nudges peuvent jouer dans ce domaine (et s’ils fonctionnent vraiment)
  • des challenges spécifiques qui doivent encore être approfondis

Alain StarkeCet 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)


Sommaire

Introduction

Le site Web AllRecipes.com héberge plus de recettes qu’il n’est possible d’en cuisiner dans une vie. Chaque jour, ses utilisateurs ajoutent près de 200 recettes à sa base de données déjà immense. Pour aider les utilisateurs à s’y retrouver, filtrer l’information est essentiel. Comment déterminer quelle recette montrer à quel utilisateur ?

Les algorithmes de recommandation appliqués à l’alimentation

C’est là qu’interviennent les algorithmes de recommandation. Ils permettent une personnalisation basée sur les données de l’utilisateur.

Lors de la recherche d’une recette, ces algorithmes aident à retrouver le contenu le plus pertinent. Ils peuvent ainsi afficher recettes qui contiennent des patates douces si un utilisateur tape ce terme de recherche. En outre, les algorithmes de recommandation tiennent compte de l’historique de l’utilisateur sur le site web. Si un utilisateur a déjà recherché et aimé d’autres recettes contenant des ingrédients spécifiques (par exemple, du chou-fleur), les recettes contenant à la fois des patates douces et du chou-fleur seront privilégiées.

Une autre approche est particulièrement utile lorsque l’utilisateur n’est pas encore connu ou n’a pas un historique de recherche importante. Elle consiste à donner la priorité aux recettes de patates douces les plus populaires. On montre alors les recettes qui ont reçu le plus d’évaluations positives et/ou qui ont cumulé le plus de pages vues.

Si l’on en sait plus sur les utilisateurs et qu’ils sont actifs sur le site, des méthodes collaboratives peuvent être utilisées. Par exemple, les utilisateurs qui ont aimé des recettes similaires peuvent être mis à contribution pour proposer des suggestions de contenu pertinent.


L’équilibre difficile entre alimentation saine et aliments préférés ?

Il existe un problème très spécifique qui a trait à la recommandation algorithmique des aliments. La santé est un aspect que de nombreux utilisateurs jugent important, mais cela ne se reflète pas toujours dans leurs préférences ou leurs choix. Comment un algorithme doit-il dès lors équilibrer santé et plaisirs gourmands ?

Une étude réalisée par Christoph Trattner et ses collègues en 2018 a montré que le facteur “santé” est un prédicteur négatif de la popularité d’une recette. De nombreux visiteurs de sites de recettes ne sont pas des utilisateurs réguliers et se voient présenter, au mieux, des contenus populaires. Ceux-ci sont malheureusement relativement malsains. C’est ce que l’on pourrait appeler le « biais de popularité » des recettes. Pour augmenter les performances de l’algorithme, son concepteur pourrait donc être tenté de ne pas inclure le facteur “santé”.

Une étude de 2021 met en lumière le compromis qui existe entre santé et la précision algorithmique. Ce compromis se mesure à l’aune des recommandations qui privilégient une alimentation saine à celle qui suggèrent des aliments “populaires” (c’est-à-dire moins sains). Pour privilégie rune alimentation saine, on “punit” (c’est le terme technique) les recommandations qui ne sont pas saines et on récompensent celles qui le sont. On introduit donc un biais volontaire dans l’algorithme. Ce faisant les recettes recommandées étaient plus saines. Naturellement, la précision de l’algorithme a diminué, ce qui montre qu’une approche qui optimise simplement les préférences n’est pas efficiente. Tout l’enjeu consiste donc à trouver un équilibre idéal où la diminution de la précision serait compensée par des gains maximaux en termes de santé.

Il est clair que l’une des clés d’une recommandation alimentaire réussie réside dans l’écoute des utilisateurs. Il faut tenir compte des contraintes et des objectifs. L’utilisateur a-t-il des allergies ? Suit-il actuellement un régime spécifique qui comporte des contraintes alimentaires ? A-t-il un objectif alimentaire spécifique ou des préférences générales, comme une alimentation plus durable ou des plats pauvres en graisses ? Il faut tenir compte de ces aspects, même si cela implique d’aller au-delà de l’optimisation algorithmique.

La recommandation alimentaire est ce qu’on appelle un problème d’optimisation multi-objectifs Les préférences de l’utilisateur peuvent en effet changer d’un jour à l’autre, ainsi que sur le plus long terme.


Application des nudges au choix des aliments

Les algorithmes de recommandation ne fonctionnent pas de manière isolée. Influencer les comportements des utilisateurs dépend également de la manière dont les recommandations sont affichées.

Les algorithmes déterminent ce qui est montré. Les interfaces déterminent comment les recommandations sont affichées.

Bien que le terme « nudging » soit utilisé à tort et à travers dans de nombreuses publications, il fait référence à des modifications qui entraînent des changements prévisibles chez les utilisateurs. En général, les nudges exploitent les biais de l’être humain.

L’exemple le plus classique en matière de nudge alimentaire consiste à placer les produits que l’on veut “pousser” à portée de vue dans un supermarché

Les algorithmes de recommandation et la technique du nudging peuvent être combinés. Par exemple, les recommandations générées peuvent être expliquées aux utilisateurs. L’algorithme de Netflix le fait en proposant un film en fonction de votre historique de visionnage.

Pour les systèmes de recommandation alimentaire, un bon exemple est une étude réalisée par Cataldo Musto et al. en 2021. L’étude visait à déterminer si les systèmes de recommandation alimentaire pouvaient justifier auprès des utilisateurs les raisons pour lesquelles une option saine pourrait être favorable. L’explication se basait sur les nutriments et les caractéristiques alimentaires de la recette proposée. De telles justifications rendent les recettes plus attrayantes et pourraient aider à surmonter les biais de popularité.

Pour parvenir à ce résultat, les algorithmes de recommandation peuvent s’appuyer sur le traitement du langage naturel (NLP) pour automatiser ce processus. Les explications ou justifications peuvent être considérées comme un “nudge” supplémentaire qui se superpose aux recommandations de l’algorithme.


L’attractivité visuelle, une autre forme de nudge

Une façon plus « détournée » d’inciter les gens à manger serait de rendre des aliments ou des recettes spécifiques plus attrayants.

Il a été démontré que les images présentées à côté des recettes permettent de prédire si les gens aiment essayer ces recettes. Cette méthode peut être utilisée pour surmonter le biais de popularité des aliments, comme démontré dans cette étude de 2020. Elle s’appuie sur le mécanisme suivant :

  • rendre plus attrayantes certaines photos de recettes
  • détériorer l’apparence visuelle d’autres.

 

recommendation food : starke et al

Dans cette étude, la moitié des utilisateurs voyaient des images attrayantes accompagnées de recettes plus saines, tandis que l’autre moitié a vu le contenu original. Ce mécanisme de “nudging visuel” permet d’atténuer le biais de popularité, puisque le caractère sain des recettes choisies augmentait d’un point sur une échelle de 9 points (voir résultats ci-dessus). Il va sans dire qu’une telle stratégie soulève des objections d’ordre éthique, car les utilisateurs ne sont probablement pas conscients d’être influencés.


Les nudges fonctionnent-ils vraiment ?

L’efficacité réelle du nudging a récemment fait l’objet de discussions en psychologie et en marketing. Des chercheurs ont réalisé des méta-analyses. Elles permettent d’examiner l’efficacité du nudging à travers un large ensemble d’études. Bien que cela ait conduit certains chercheurs à conclure que le nudging pourrait ne pas fonctionner du tout, la réalité semble être que l’efficacité dépend fortement du domaine et du type de nudge impliqué.

En ce qui concerne la nourriture et l’alimentation saine, des analyses antérieures ont déjà montré que le type spécifique de « nudge » joue un rôle important dans son efficacité. Une étude réalisée en 2020 montre ainsi que les « nudges » orientés vers le comportement fonctionnent mieux que les « nudges » faisant appel à la cognition.

Par exemple, le réarrangement de l’ordre des rayons dans un supermarché peut être plus efficace pour affecter le comportement d’achat que l’étiquetage d’un ensemble de produits ayant un Nutri-score élevé. Il semble que nombre de nos choix alimentaires soient plutôt automatiques et qu’ils soient donc fortement influencés par la manière dont ils sont présentés à l’utilisateur. Si des options spécifiques ne sont pas facilement accessibles, elles risquent d’en pâtir.


Nudging, recommandations algorithmiques … que nous réserve le futur ?

La portée de la plupart des recherches sur les systèmes de recommandation est à court-terme ou limitée. Souvent différentes interfaces sont comparées dans une sorte d’A/B test puis une analyse est réalisée pour comprendre comment la prise de décision de l’utilisateur en est affectée. Cela s’arrête généralement là.

Des possibilités existent cependant pour étudier comment le comportement change réellement, à plus long-terme. Ceci impliquerait davantage d’adaptation algorithmique, dans le sens où les utilisateurs pourraient avoir un objectif alimentaire spécifique et que celui-ci pourrait changer au fil du temps. Ces algorithmes de recommandation devraient dès lors « évoluer » en même temps que les préférences de l’utilisateur, de manière à pouvoir accompagner le « parcours client« .



Publié dans Recherche.

Donnez votre avis

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *