Resumo

Os algoritmos de recomendação estão diretamente ou indiretamente influenciando a vida cotidiana das pessoas e o seu estudo tem chamado a atenção dos pesquisadores da área de marketing, principalmente no que tange ao comportamento dos indivíduos com as recomendações apresentadas pelos algoritmos. Ao longo dos anos, as pesquisas expandiram para o estudo de aplicativos em aparelhos celulares e ultimamente surgiram pesquisas investigando a aceitação de algoritmos de recomendação em novas plataformas tecnológicas e campos de atuação, como veículos autônomos.

De forma geral, as recentes pesquisas sobre a aceitação de algoritmos de recomendação indicam caminhos conflitantes com respeito ao comportamento do consumidor: uma linha de pesquisa indica que os indivíduos aceitam a recomendação, mas outra linha indica que os indivíduos desenvolvem uma aversão à recomendação. Portanto a literatura ainda não explica totalmente esse fenônome e faltam estudos empíricos que comprovem quais fatores levam o consumidor a aceitar uma recomendação proveniente de um algoritmo de recomendação.

Baseado em recentes pesquisas sobre o tema de algoritmos de recomendação, mas dentro do enfoque do comportamento do consumidor frente a decisão de adoção da recomendação, será explorado o tema Processo de Elicitação de Preferências, interação entre o algoritmo e o indivíduo na obtenção de preferências, necessidades e gostos do usuário. Essa interação pode gerar uma expectativa sobre a qualidade de recomendação, que por conseguinte pode influenciar na satisfação geral do indivíduo com o algoritmo de recomendação.

A metodologia desta pesquisa foi a execução de um experimento, manipulando diferentes maneiras de obter as informações sobre as preferências do usuário e sua reação com a recomendação. O plano de fundo do experimento é a simulação de um algoritmo de recomendação de cervejas especiais baseado em inteligência artificial. Os estímulos do experimento foram as formas de elicitação das preferências de cervejas das pessoas, apresentadas de cinco maneiras distintas. Foram avaliadas também o conhecimento subjetivo de cada participante e traços individuais.

Uma vez que as mesmas cervejas foram apresentadas aleatoriamente a cada um dos respondentes, diferenças na preferência declarada e na intenção de compra só poderiam ser explicadas pelas diferenças nos procedimentos de elicitação de preferências iniciais. Uma MANOVA com 5 grupos sobre as variáveis dependentes preferência e intenção de compra revelaram um efeito principal do conhecimento subjetivo.

O campo de recomendação deste estudo foi a cerveja, considerado um domínio subjetivo uma vez que cada indivíduo tem a sua preferência pessoal e de acordo como estudos anteriores, passível de rejeição da recomendação do algoritmo. Porém de forma contrária, observou-se no estudo que os indivíduos aceitaram as recomendações de cervejas na medida que foi possível atribuir características comparativas como por exemplo, o grau de amargor, coloração e estilos, e dessa forma quantificar uma recomendação subjetiva, aumentando a sua aceitação.

CASTELO, N.; BOS, M. W.; LEHMANN, D. R. Task-Dependent Algorithm Aversion. Journal of Marketing Research, v. 56, n. 5, p. 809–825, 2019. DIETVORST, B. J.; SIMMONS, J.; MASSEY, C. Understanding Algorithm Aversion: Forecasters Erroneously Avoid Algorithms After Seeing them Err. Academy of Management Proceedings, v. 2014, n. 1, p. 12227–12227, 2015. KNIJNENBURG, B. P.; WILLEMSEN, M. C. Chapter 9 Evaluating Recommender Systems with User Experiments. In: RICCI, F.; ROKACH, L.; SHAPIRA, B. (Eds.). . Recommender Systems Handbook, Second Edition. 2nd. ed. New York: Springer, Berlin, Heidelberg, 2015