“`html
Использование когнитивных предубеждений для улучшения рекомендаций
Когнитивные предубеждения, ранее воспринимавшиеся как недостатки в принятии решений человеком, теперь признаются их потенциальным положительным влиянием на обучение и принятие решений. В машинном обучении, особенно в системах поиска и ранжирования, изучение когнитивных предубеждений все еще нуждается в улучшении. Большинство исследований фокусируются на обнаружении предубеждений и оценке их влияния на поведение при поиске, несмотря на то, что некоторые исследования сосредоточены на том, как эти предубеждения могут влиять на обучение моделей и этическое поведение машин. Это представляет собой вызов в использовании когнитивных предубеждений для улучшения алгоритмов поиска, что является в значительной степени неисследованной областью, но представляет как возможности, так и вызовы для исследователей.
Изучение когнитивных предубеждений в рекомендательных системах
Существующие подходы, такие как исследования систем рекомендаций, изучали некоторые психологически обусловленные человеческие предубеждения, например, эффекты первенства и последнего места в рекомендациях от сверстников, а также страх перед риском и предубеждения в рекомендациях о продуктах. Однако подробное изучение когнитивных предубеждений в рекомендациях до сих пор остается неисследованным. Данная область не имеет систематического исследования того, как эти предубеждения проявляются на разных этапах процесса рекомендаций. Этот пробел удивителен, учитывая, что исследования систем рекомендаций часто были влияны психологическими теориями, моделями и фактическими данными о принятии решений человеком.
Исследователи из Университета Иоганна Кеплера в Линце и Линцкого института технологий в Австрии предложили комплексный подход к изучению когнитивных предубеждений в рамках рекомендательной экосистемы. Данное инновационное исследование исследует потенциальные признаки этих предубеждений на различных этапах процесса рекомендаций и с точки зрения различных заинтересованных сторон. Исследователи сделали первые шаги к пониманию сложного взаимодействия между когнитивными предубеждениями и системами рекомендаций. Модели пользователей и товаров были улучшены за счет оценки и использования положительных эффектов этих предубеждений, что привело к улучшению алгоритмов рекомендаций и увеличению удовлетворенности пользователей.
Практические исследования когнитивных предубеждений
Исследование когнитивных предубеждений в системах рекомендаций проводится на примере Feature-Positive Effect (FPE) в системах рекомендаций в области трудоустройства с использованием набора данных из 272 вакансий и 336 соискателей по 6 категориям. Обученная модель системы рекомендаций используется для прогнозирования соответствия между кандидатами и вакансиями, что приводит к 13 607 верным положительным и 1 625 ложным негативным прогнозам. Этот анализ направлен на понимание того, как FPE влияет на рекомендации по трудоустройству. Кроме того, Ikea Effect анализируется через платформу Prolific, которая включает 100 участников из США, использующих музыкальные стриминговые сервисы. Участники оценивают свои привычки в создании, редактировании и потреблении музыкальных коллекций по шкале Ликерта-5.
Полученные результаты показывают, что удаление прилагательных из описаний вакансий привело к увеличению ложных негативных прогнозов, что подчеркивает важную роль описательного языка в точности рекомендаций по трудоустройству. Оценки релевантности улучшаются для 52,0% ложных негативных образцов, причем 12,9% из них становятся верными положительными благодаря использованию уникальных прилагательных из объявлений о вакансиях с высоким уровнем отклика. Что касается Ikea Effect, 48 из 88 участников заявили, что потребляют свои плейлисты чаще, чем другие, средняя разница в частоте потребления составила 0,65 (SD = 1,52). Это предпочтение к самостоятельному контенту свидетельствует о наличии Ikea Effect в системах музыкальных рекомендаций.
Заключение и рекомендации
Исследователи представили подробный подход к изучению когнитивных предубеждений в рамках рекомендательной экосистемы. Данная статья демонстрирует наличие и влияние когнитивных предубеждений, таких как Feature-Positive Effect (FPE), Ikea Effect и культурная гомофилия, в системах рекомендаций. Эти исследования заложили основу для дальнейшего изучения в этой многообещающей области. Исследование подчеркивает важность оснащения исследователей и практиков систем рекомендаций глубоким пониманием когнитивных предубеждений и их потенциального воздействия на процесс рекомендаций.
Для получения дополнительной информации ознакомьтесь с научной статьей. Вся заслуга за это исследование принадлежит его авторам. Также не забудьте подписаться на наш Twitter и присоединиться к нашему Telegram каналу и LinkedIn группе. Если вам понравилась наша работа, вы полюбите нашу рассылку.
Не забудьте присоединиться к нашему сабреддиту по машинному обучению.
Вот очень рекомендуемый вебинар от нашего спонсора: “Построение производительных приложений искусственного интеллекта с помощью NVIDIA NIMs и Haystack”.
Этот пост был впервые опубликован на MarkTechPost.
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте The Bright Side of Bias: How Cognitive Biases Can Enhance Recommendations.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI. Определитесь, какие ключевые показатели эффективности (KPI) вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI. На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на наш телеграм канал.
Попробуйте ИИ ассистент в продажах. Этот ИИ ассистент в продажах помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от Flycode.
“`
