Pourquoi demander une recommandation à une machine ?

Source : Gerd Altmann/Pixabay

Supposons que vous souhaitiez obtenir une recommandation : vous recherchez peut-être un livre, un film ou un restaurant qui pourrait vous plaire. Vous pourriez demander à un ami qui vous connaît bien, à un inconnu ou à un algorithme informatique. Vers lequel vous tourneriez-vous ?

Il n’est peut-être pas surprenant que la plupart des gens préfèrent recevoir une recommandation d’une autre personne. Pourtant, une étude récente suggère que les recommandations basées sur des machines peuvent être plus efficaces pour prédire ce que les gens vont aimer. En effet, un algorithme informatique relativement simple peut surpasser les recommandations d’étrangers, d’amis et de membres de la famille. Et il peut le faire sans aucune information sur la nature des articles qu’il recommande.

Attendez, quoi?

C’est exact. Certains algorithmes informatiques peuvent mieux correspondre aux préférences réelles d’une personne sans aucune information sur la nature des articles recommandés – ils n’ont pas besoin de détails sur les livres, les films ou les restaurants considérés. En fait, les algorithmes n’ont même pas besoin d’informations sur la catégorie (livres, films ou restaurants) pour laquelle ils font une recommandation.

Dans une étude récente, des chercheurs ont comparé dans quelle mesure les recommandations formulées par des personnes et par des ordinateurs correspondaient aux préférences réelles des gens. Et ils l’ont fait dans un domaine qui pourrait être assez difficile pour les ordinateurs : l’humour. En particulier, les chercheurs ont examiné les recommandations générées par l’ordinateur et celles générées par les personnes au sujet des blagues que les gens trouveraient drôles. L’humour étant sans doute une expérience exclusivement humaine, prédire les blagues que les gens trouveront drôles devrait être un défi pour un système basé sur une machine qui ne connaît pas les sujets des blagues, ce qui tend à rendre une blague drôle, ou d’autres informations de ce type. Pourtant, les chercheurs ont constaté qu’un algorithme utilisant les évaluations d’un échantillon de blagues par un certain nombre de personnes génère des recommandations qui correspondent mieux aux préférences des personnes en matière de blagues que les recommandations de personnes qui les connaissent bien.

Dans une expérience, les chercheurs ont fait varier à la fois la source réelle des recommandations de blagues – une personne ou un algorithme informatique – et la source perçue de ces recommandations. Pour certains participants, la source perçue et la source réelle correspondaient : si les recommandations provenaient d’une personne, les participants étaient informés qu’elles provenaient d’une personne, et si elles provenaient d’un ordinateur, ils en étaient informés. Pour d’autres participants, la source perçue et la source réelle différaient : les participants étaient informés que les recommandations provenaient d’une personne alors qu’elles étaient en fait générées par un ordinateur, ou vice versa. Cela a permis aux chercheurs de distinguer l’exactitude des prédictions de leur source perçue. Même si les recommandations de l’algorithme informatique correspondaient plus précisément à leurs propres préférences en matière de blagues, les participants accordaient des notes plus élevées à l’auteur de la recommandation lorsqu’ils pensaient qu’ il s’agissait d’une personne que lorsqu’ils pensaient qu’il s’agissait d’une machine.

Les chercheurs ont également constaté que les personnes étaient davantage d’accord avec des affirmations telles que « Je pouvais comprendre pourquoi le recommandataire pensait que j’aimerais ces blagues », lorsque le recommandataire était un être humain. Cela suggère que les gens préfèrent les recommandations humaines en partie parce qu’ils ont l’impression de mieux comprendre comment d’autres personnes font des recommandations (la question est de savoir si c’est vraiment le cas !). Lorsqu’on leur a expliqué plus en détail le processus de recommandation informatique, les gens l’ont jugé plus facile à comprendre et ont également accordé plus d’importance à la qualité des recommandations que ceux qui ont reçu moins d’informations sur le processus.

Notez que cela a un certain sens : il est raisonnable de considérer les recommandations avec prudence lorsque l’on ne sait pas grand-chose de ce qui les a motivées. Il sera intéressant de voir si la compréhension du processus en soi amène les gens à juger les recommandations comme étant meilleures ; il semble probable que les jugements dépendent non seulement de la compréhension du processus, mais aussi de sa concordance avec les croyances générales des gens sur ce qui conduit à des recommandations exactes.

Ainsi,

• Des algorithmes généraux assez simples peuvent générer des recommandations qui prédisent mieux les préférences réelles des gens que les recommandations d’autres personnes. La technologie actuelle facilite plus que jamais la collecte et l’accès aux types d’évaluations qui constituent les données d’entrée de ces algorithmes. Les algorithmes générés par des machines pourraient-ils offrir des recommandations améliorées dans une variété de domaines au-delà des blagues ? En effet, les approches algorithmiques sont déjà utilisées dans certains domaines – pensez, par exemple, à votre écran d’accueil Netflix et à ce qui y apparaît ou non.
• Des recommandations utiles peuvent être générées à partir de très peu d’informations. Il convient de noter que les algorithmes utilisés dans cette recherche récente ne disposaient pas d’autres informations sur les participants que leur évaluation d’un ensemble de blagues – les informations démographiques et de personnalité que l’on pourrait penser nécessaires pour prédire avec précision ce qu’une personne va trouver drôle ne faisaient pas partie de l’algorithme. Et comme indiqué plus haut, l’algorithme a utilisé très peu d’informations sur les éléments recommandés eux-mêmes – juste les évaluations des blagues par un certain nombre de personnes, et aucune information sur la nature générale de ces éléments (c’est-à-dire qu’il s’agissait de blagues) ou sur leur contenu spécifique n’était requise. Dans quels autres contextes une seule information provenant d’un grand nombre de personnes pourrait-elle être utilisée pour améliorer les recommandations ?
• Bien que les gens préfèrent les recommandations générées par une personne à celles générées par une machine, les résultats de Yeomans et de ses collègues suggèrent que cela peut être modifié. Si c’est avant tout la perception de la source des recommandations qui importe, les manipulations qui amènent les gens à croire que la source est une personne pourraient vraisemblablement accroître la confiance dans les recommandations. On peut imaginer des situations dans lesquelles la source est explicitement (mal) représentée comme une personne, ou dans lesquelles le système mécanique est doté de caractéristiques plus proches de celles de l’homme. En effet, Yeomans et ses collègues proposent la possibilité que « les algorithmes fassent une pause, comme s’ils « réfléchissaient », avant de faire une recommandation » (p. 10). Il est également possible de ne rien dire sur la source des recommandations. Une autre approche suggérée par les résultats ci-dessus viserait à améliorer la compréhension perçue et/ou réelle par les gens de la manière dont un algorithme donné génère des prédictions et de ce que les algorithmes peuvent (et ne peuvent pas) faire pour nous.
• Même si certaines recommandations basées sur des algorithmes sont plus précises, les recommandations générées par des personnes peuvent toujours avoir de la valeur. Le fait de générer et de partager de telles recommandations, de les recevoir et de les utiliser peut contribuer à créer des liens sociaux et à renforcer la confiance dans les décisions prises, entre autres choses. De nombreuses questions intéressantes se posent quant à l’interaction entre les avantages potentiels des recommandations générées par des personnes et ceux des recommandations générées par des machines.

En fin de compte, il reste à voir quels types d’algorithmes informatiques conduisent réellement à de meilleures prédictions dans quels contextes. Il est clair que leur valeur dépendra non seulement de leur précision, mais aussi de la façon dont les gens les envisagent, les comprennent et les ressentent. Dans cette optique, plutôt que d’opposer l’ homme à la machine, nous ferions bien de considérer l’homme et la machine.