Impact of Variety and Control on Users' Reactions to Recommender Systems

Empfehlungssysteme (RECOMMENDER SYSTEMS) bezeichnen auf Algorithmen basierende Softwarewerkzeuge und -techniken, die darauf abzielen, die Entscheidungsfindung von Nutzern zu unterstützen, indem sie Elemente vorschlagen, die für die Nutzer von Interesse sind. Sehr bekannte Anwendungen aus der Praxis finden sich beispielsweise bei Netflix, Amazon, YouTube und Facebook wieder.

Die meisten Empfehlungssysteme konzentrieren sich in ihren Algorithmen darauf, die Treffgenauigkeit (ACCURACY) der Empfehlungen zu optimieren, d. h. die Identifizierung der Empfehlung mit dem höchsten Nutzen für den Benutzer auf der Grundlage der geschätzten bzw. in der Vergangenheit beobachteten Präferenzen eines Nutzers. Die Konzentration auf die Treffgenauigkeit führt jedoch oft zu monotonen, wenig überraschenden Empfehlungen.

Die Forschung hat daher vorgeschlagen, dass Empfehlungssysteme andere Kriterien - z. B. Vielfalt (VARIETY) in Empfehlungen - berücksichtigen sollten. Empfehlungen, die eine größere Vielfalt zulassen, sind jedoch potenziell weniger genau und könnten daher zu negativen Reaktionen der Nutzer führen (z. B. Reaktanz). Eine Möglichkeit, solchen negativen Reaktionen entgegenzuwirken, ist es, den Nutzern eine Kontrollmöglichkeit (USER CONTROL) über ihre Empfehlungen zu geben, indem sie die Empfehlungen austauschen können und dadurch das Gefühl der Kontrolle erhalten.

Die Dissertation hat zwei zentral verbundene Ziele: Zum einen gilt es, ein Empfehlungssystem zu entwickeln, welches neben der Treffgenauigkeit und der Vielfalt in Empfehlungen auch einen Mechanismus zur Benutzerkontrolle berücksichtigt. Zum anderen soll untersucht werden, ob die Berücksichtigung von Vielfalt und Benutzerkontrolle in einem Empfehlungssystem die Leistungsfähigkeit des Systems in Bezug auf Benutzerbewertungen verbessert.

Um diese Ziele zu erreichen, befasst sich die Dissertation mit einem Anwendungsfallbeispiel der Diversifizierung der Speiseplanung von Nutzern. Die Problemstellung liegt interdisziplinär im Schnittfeld zwischen Marketingwissenschaft, (Wirtschafts-)Informatik, Informationswissenschaft, Verhaltensökonomie, Psychologie und Ernährungswissenschaft (bezogen auf die Anwendungsdomäne). Die Dissertation entwickelt ein Empfehlungssystem für Mahlzeiten, welches Empfehlungen für eine gesunde Ernährung ausspricht und dabei auf den verhaltensökonomischen Ansatz der liberalen Bevormundung (LIBERTARIAN PATERNALISM) setzt. Auf dieser Basis spielt das System initiale Vorschläge im voraussichtlich besten Interesse des Nutzers aus, ermöglicht dem Nutzer jedoch eine sofortige und bequeme Tauschmöglichkeit von nicht gemochten Empfehlungen. Konkret argumentiert die Dissertation, dass die systematische Einbeziehung der Vielfalt neben der Berücksichtigung der Treffgenauigkeit nicht monotone, positiv überraschende Empfehlungen hervorruft, die die Nutzer - im Gegensatz zu monotonen Empfehlungen - zufriedenstellen. Gleichermaßen wird das Problem der Abwägung der Wahlfreiheit vs. der Befreiung von der Wahl (Komplexitätsreduktion) gelöst, wenn man den Nutzern eine eingeschränkte Kontrolle über die Empfehlungen gibt. Dies wirkt sich wiederum positiv auf die Nutzerbewertung der Empfehlungen und des zugrundeliegenden Empfehlungssystems aus.

In einem groß angelegten Online-Experiment mit mehr als 1.000 Nutzern untersucht die Dissertation die Leistung von Empfehlungssystemen mit einem unterschiedlichen Grad an Vielfalt der Empfehlungen gepaart mit keiner vs. eingeschränkter Kontrolle der Nutzer über die Empfehlungen. Die Ergebnisse zeigen, wie wichtig es ist, den Nutzern eine eingeschränkte Kontrolle über ihre Empfehlungen zu geben. Darüber hinaus zeigen die Ergebnisse, dass eine größere Vielfalt in Empfehlungen unter gleichzeitiger Berücksichtigung der Präferenzen überraschende Empfehlungen hervorruft, die vom Nutzer positiv bewertet werden (SERENDIPITY).

Unternehmen, die Empfehlungssysteme einsetzen, sollten daher systematisch die Vielfalt ihrer Empfehlungen erhöhen und einen Kontrollmechanismus für Nutzer in den Empfehlungsprozess einbeziehen. Die Forschung wird ermutigt, sich mehr auf die Untersuchung der tatsächlichen Nutzererfahrungen zu konzentrieren anstatt in erster Linie die Genauigkeit von Empfehlungssystemen zu optimieren.