Die Psychologie hinter Entscheidungen ist komplexer, als lange angenommen. Schon 1927 erkannte der amerikanische Psychologe L. L. Thurstone, dass Menschen bei der Auswahl zwischen Optionen stets diejenige wählen, die für sie den höchsten Nutzen stiftet – auch wenn sie diesen nicht quantifizieren können. Seine Arbeit legte den Grundstein für die sogenannten Random Utility Models (RUMs), mathematische Modelle, die menschliche Vorlieben messbar machen und Vorhersagen über hypothetische Szenarien ermöglichen.
Thurstones Ansatz war bahnbrechend: Er zeigte, dass selbst unsichtbare mentale Prozesse – wie Präferenzen – quantifiziert werden können. Heute kommen RUMs in Bereichen von der Logistik bis zur Wirtschaft zum Einsatz. Sie helfen etwa bei der Planung von Verkehrswegen oder der Verteilung öffentlicher Gelder. Doch trotz ihrer langjährigen Anwendung gibt es noch immer Lücken im Verständnis dieser Modelle.
Von zwei Optionen zu drei: Die Grenzen traditioneller Modelle
Bisher basierten RUMs hauptsächlich auf Paarvergleichen – etwa der Frage, ob jemand Kaffee oder Tee bevorzugt. Diese Methode ist intuitiv: Menschen können leichter zwei Optionen vergleichen, als einer einzelnen einen numerischen Wert zuzuordnen. Doch genau hier liegt das Problem, wie das MIT-Forschungsteam um Gabriele Farina, Constantinos Daskalakis und Sobhan Mohammadpour herausfand.
Die Standardmethode geht davon aus, dass die Nutzenwerte zweier Optionen unabhängig voneinander sind. Doch in der Realität bestehen oft versteckte Zusammenhänge. Beispielsweise könnte jemand, der Waffenkontrolle befürwortet, auch staatlich geförderte Kinderbetreuung unterstützen. Wer unabhängige Filme mag, bevorzugt möglicherweise auch fremdsprachige Produktionen – und lehnt gleichzeitig Hollywood-Actionfilme ab.
Doch solche Korrelationen lassen sich mit Paarvergleichen nicht erkennen. Die Forscher bewiesen: Erst durch die Bewertung drei Optionen in einer Rangfolge wird es möglich, diese verdeckten Muster zu identifizieren. Eine Kombination aus Best-of-Three- und Best-of-Two-Entscheidungen kann ähnliche Erkenntnisse liefern.
Warum drei Optionen mehr verraten als zwei
Das Team entwickelte Algorithmen, die individuelle Ranglisten von drei Optionen in ein umfassendes Präferenzmodell überführen. Mohammadpour erklärt: „Stellen Sie sich vor, Sie fragen 1.000 Nutzer, welche drei Filme sie in welcher Reihenfolge sehen möchten. Unsere Methode kombiniert diese Daten zu einem Modell, das die Präferenzen der gesamten Gruppe abbildet – und dabei Korrelationen sichtbar macht.“
Die Studie widerlegt damit eine jahrzehntelange Annahme: Dass Paarvergleiche ausreichen, um Präferenzen zuverlässig zu modellieren. Stattdessen zeigt sie, dass drei Optionen die Grundlage für präzisere Vorhersagen liefern. Diese Erkenntnis ist besonders für digitale Plattformen relevant. Wenn Netflix oder Amazon Nutzerpräferenzen besser verstehen, können sie personalisierte Empfehlungen verbessern – und damit die Nutzerbindung erhöhen.
Effiziente Algorithmen machen die Methode praxistauglich
Ein weiterer Durchbruch der Studie liegt in der Skalierbarkeit. Farina betont: „Unsere Algorithmen zeigen, dass die benötigte Datenmenge nicht exponentiell mit der Anzahl der Optionen wächst.“ Das bedeutet: Selbst bei großen Katalogen – etwa bei Streamingdiensten mit Tausenden Titeln – lässt sich das Modell mit vertretbarem Aufwand anwenden.
Die Forscher sehen darin ein Potenzial für Anwendungen jenseits der Marktforschung. In der Politik könnte das Modell helfen, Wählerpräferenzen besser zu verstehen, bevor Wahlprogramme gestaltet werden. Im Gesundheitswesen ließe sich eruieren, welche Behandlungsmethoden Patienten am ehesten annehmen.
Fazit: Neue Perspektiven für Präferenzforschung und KI
Die Studie des MIT-Teams markiert einen Wendepunkt in der Psychometrie. Mit dem Fokus auf drei Optionen statt zwei eröffnet sie neue Wege, um menschliche Entscheidungen zu modellieren – und Technologien wie Empfehlungssysteme zu verbessern. Während die Modelle seit Thurstones Zeiten weiterentwickelt wurden, zeigt diese Arbeit, dass selbst nach fast einem Jahrhundert noch grundlegende Erkenntnisse fehlen.
Die Zukunft der Präferenzforschung könnte nun in der Integration dieser Methoden in maschinelle Lernsysteme liegen. Wenn Algorithmen nicht nur individuelle, sondern auch soziale Präferenzmuster erkennen, könnten sie noch präzisere Vorhersagen treffen – und damit die Art und Weise, wie wir Entscheidungen treffen, grundlegend verändern.
KI-Zusammenfassung
MIT araştırmacıları, rastgele fayda modellerinde (RUM) gizli kalan korelasyonları ortaya çıkararak tercih tahminini geliştirdi. Üçlü karşılaştırma yöntemiyle nasıl daha doğru sonuçlar elde edilebilir?
