Des signaux subtils peuvent déterminer si les gens font confiance aux recommandations en ligne

Des signaux subtils peuvent déterminer si les gens font confiance aux recommandations en ligne

Des étiquettes subtiles peuvent indiquer comment les systèmes de recommandation en ligne choisissent leurs sélections et cela peut influencer si les utilisateurs font confiance à ces recommandations. Crédit : Glenn Carstens-Peters/Unsplash

Selon une équipe de chercheurs, des étiquettes subtiles qui indiquent comment les systèmes de recommandation en ligne choisissent leurs sélections, comme les choix de livres et de films, peuvent influencer la confiance des gens dans ces systèmes. Ils peuvent également indiquer aux personnes à qui s’en prendre lorsque ces recommandations tournent mal.

Dans une étude, les chercheurs ont cherché à savoir si les gens faisaient confiance à trois des filtres les plus courants pour faire des recommandations de films, à savoir les filtres de contenu, collaboratifs et démographiques. Le filtrage collaboratif, qui était le système le plus fiable, fournit des recommandations basées sur les choix effectués par d’autres utilisateurs ayant des goûts similaires. Le filtrage basé sur le contenu propose des recommandations similaires au contenu précédent sélectionné par un utilisateur, tandis que le filtrage démographique présente des choix basés sur les informations démographiques fournies par l’utilisateur, telles que l’âge et le sexe.

Gagner la confiance des utilisateurs dans ces systèmes pourrait aider les organisations à fournir du contenu et des services plus efficacement, selon les chercheurs, qui rapportent leurs conclusions aujourd’hui (2 mai) dans les actes de la conférence ACM sur les facteurs humains dans les systèmes informatiques (CHI’22), la première publication de recherche sur l’interaction homme-machine.

“Ce sont les types de systèmes de recommandation que nous utilisons quotidiennement – sur des plateformes comme Netflix et Amazon – qui nous recommandent du contenu et des produits”, a déclaré S. Shyam Sundar, professeur James P. Jimirro d’effets médiatiques au Donald P. Bellisario College of Communications et co-directeur du Media Effects Research Laboratory à Penn State. “Ce que nous avons découvert, c’est que lorsque ces systèmes nous disent un peu pourquoi ils recommandent certains contenus et comment ils ont formulé cette recommandation particulière, ces informations sont importantes pour établir la confiance avec l’utilisateur.”

Les participants étaient beaucoup plus susceptibles de faire confiance au filtrage collaboratif même lorsqu’il ne fournissait pas les meilleures recommandations, a déclaré Sundar, qui est également affilié à l’Institut pour les sciences computationnelles et des données (ICDS) de Penn State. “Ils ont estimé que le système faisait des recommandations de meilleure qualité par rapport aux participants à qui on avait dit que le système utilisait un filtrage basé sur le contenu.” Il a ajouté que cela suggère que les utilisateurs se soucient davantage de ce que les autres recommandent, soulignant la puissante influence des recommandations sociales.

Parmi les deux autres types de systèmes, les participants à l’étude faisaient davantage confiance au filtrage basé sur le contenu qu’au filtrage démographique, car ils considéraient les suggestions de films comme reflétant leur identité personnelle.

Se pourrait-il que les utilisateurs aient préféré différents systèmes de recommandation parce qu’un type fait en fait des recommandations plus préférables ? C’est possible, mais pas cette fois, selon Joseph Walther, co-auteur de l’étude, président présidentiel Bertelsen et directeur du Center for Information Technology and Society de l’Université de Californie à Santa Barbara.

“Nous avons pris cela en compte en nous assurant qu’il apparaissait seulement que l’un ou l’autre système de recommandation différent fonctionnait. Les recommandations réelles ne différaient pas, seule la source apparente des recommandations le faisait”, a ajouté Walther.

L’équipe a également constaté que lorsqu’un système collaboratif ou basé sur le contenu suggérait de bons films, les utilisateurs du système s’attribuaient généralement les bonnes performances. Cependant, lorsque les recommandations ont produit de mauvais films, ils ont blâmé le système pour les mauvais choix.

“Nous avons ce préjugé selon lequel lorsque nous recevons de bonnes recommandations, nous sommes plus susceptibles de penser que c’est grâce à nous”, a déclaré Mengqi Liao, doctorant en communication de masse à Penn State et premier auteur de l’article. “Après tout, nous saisissons nos informations, nous aidons donc le système à faire des choix. Mais, d’un autre côté, nous sommes plus susceptibles de penser que c’est la faute du système s’il nous donne de mauvaises recommandations.”

Selon Liao, ce “biais égoïste” était cependant moins prononcé lorsque les participants utilisaient le système de filtrage démographique. Elle a ajouté que les utilisateurs ont des attentes différentes pour le système de recommandation démographique.

“Cela pourrait être dû à la tendance humaine à faire confiance aux choses dont nous sommes responsables, par opposition aux choses dont les machines sont responsables, afin de maintenir notre estime de soi et notre maîtrise de soi, ce qui est crucial dans l’interaction homme-ordinateur. “, a déclaré Liao.

Les chercheurs ont déclaré que les concepteurs et les développeurs pourraient vouloir garder l’utilisateur à l’esprit lorsqu’ils étiquettent leurs systèmes de recommandation. Les signaux d’interface de la contribution de l’utilisateur peuvent servir à déclencher «l’heuristique de propriété», ce qui peut ajouter à la crédibilité du système.

“Une implication de conception évidente de cette découverte est que la contribution de l’utilisateur au résultat du système doit être explicite à chaque étape de l’interaction”, a déclaré Liao. “L’interface doit mettre l’accent sur la collaboration, avec l’utilisateur dans le siège du conducteur, prenant les décisions clés liées au résultat.”

Selon les chercheurs, plutôt que de simplement afficher des recommandations, les concepteurs et les développeurs devraient également indiquer aux utilisateurs la logique derrière les recommandations.

“Il est important d’inclure un message sur l’interface qui indique aux utilisateurs comment ces produits ont été recommandés”, a déclaré Liao. “Cela aura un énorme attrait persuasif. Cet effet psychologique pourrait même être indépendant des performances du système car nous avons montré que le filtrage collaboratif est plus fiable, que le système offre de bonnes ou de mauvaises recommandations.”

Les chercheurs ont recruté 226 participants à partir d’une plateforme de recherche participative en ligne. Les participants ont été assignés au hasard à l’un des six différents types de systèmes de recommandation de films, présentant deux résultats différents (bonnes recommandations ou mauvaises recommandations) à partir de trois systèmes de filtrage différents : filtrage de contenu, collaboratif ou démographique.

Après avoir rempli une enquête démographique ou un questionnaire évaluant leurs goûts cinématographiques, les participants ont été invités à interagir avec les systèmes. Il n’y avait aucune différence dans les recommandations, la seule différence entre les systèmes était plutôt l’étiquetage et les descriptions sur la façon dont les trois systèmes fonctionnaient.


Les consommateurs prennent des décisions en fonction de comment et pourquoi les produits sont recommandés en ligne


Fourni par l’Université d’État de Pennsylvanie

Citation: Des signaux subtils peuvent déterminer si les gens font confiance aux recommandations en ligne (2022, 3 mai) récupéré le 3 mai 2022 sur https://techxplore.com/news/2022-05-subtle-people-online.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.