L. L. Thurstone, ein amerikanischer Psychologe, stellte 1927 eine f\u00fcr seine Zeit revolution\u00e4re Idee vor \u2013 dargelegt in seiner Abhandlung \u201cA law of comparative judgment\u201d. Im Wesentlichen besagte Thurstones These, dass Menschen, wenn ihnen mehrere Optionen angeboten werden, sich ausnahmslos f\u00fcr diejenige entscheiden, die sie am meisten sch\u00e4tzen, auch wenn sie nicht genau begr\u00fcnden k\u00f6nnen, warum.<\/p>\n
Thurstone war ein Pionier auf dem Gebiet der Psychometrie, deren Kernaussage darin besteht, dass auch mentale Prozesse, die man weder sehen noch anfassen kann, wissenschaftlich gemessen und verstanden werden k\u00f6nnen. Dies ebnete den Weg f\u00fcr die sp\u00e4tere Entwicklung von Random-Utility-Modellen (RUMs) \u2013 mathematischen Rahmenwerken, die dazu dienen, menschliche Pr\u00e4ferenzen zu veranschaulichen und vorherzusagen.<\/p>\n
RUMs k\u00f6nnen dazu verwendet werden, den Nutzen oder die \u201cN\u00fctzlichkeit\u201d einer bestimmten Entscheidung zu bewerten. Nehmen wir an, Sie suchen sich aus einem Stapel in der Bibliothek ein Buch aus, das Sie als N\u00e4chstes lesen m\u00f6chten \u2013 ein RUM k\u00f6nnte dabei helfen, Ihre Wahl vorherzusagen. Diese Modelle beinhalten ein Zufallselement, das der Tatsache Rechnung tr\u00e4gt, dass individuelle Vorlieben recht wechselhaft sein und sich im Laufe der Zeit \u00e4ndern k\u00f6nnen. Wie Gabriele Farina, Assistenzprofessor am MIT, erkl\u00e4rt, mag man morgens vielleicht Kaffee bevorzugen, sich abends aber stattdessen f\u00fcr eine Tasse Tee entscheiden.<\/p>\n
Diese Modelle finden in einer Vielzahl von Bereichen Anwendung, von der \u00f6ffentlichen Verwaltung bis zur Industrie, und helfen dabei, Verhaltensweisen in verschiedenen Szenarien vorherzusagen, beispielsweise bei der Wahl der optimalen Verkehrsmittel w\u00e4hrend Bauarbeiten oder bei der bestm\u00f6glichen Verteilung von Mitteln zum Wohle der Allgemeinheit. Trotz ihrer weit verbreiteten Nutzung gibt es bei diesen Modellen jedoch immer noch Verbesserungspotenzial.<\/p>\n
K\u00fcrzlich wurde auf der Internationalen Konferenz \u201eLearning Representations\u201c in Rio de Janeiro ein aufschlussreicher Beitrag vorgestellt. Dieser Beitrag, verfasst von einem Team, zu dem Yeshwanth Cherapanamjeri, Gabriele Farina, Constantinos Daskalakis und Sobhan Mohammadpour geh\u00f6rten, zeigte, dass herk\u00f6mmliche Methoden zur Sch\u00e4tzung von Pr\u00e4ferenzen, die sich weitgehend auf den Vergleich von jeweils zwei Optionen st\u00fctzen, deutliche M\u00e4ngel aufweisen. Sie stellten fest, dass solche paarweisen Vergleiche es erschweren, die Korrelationen zu erkennen, die h\u00e4ufig zwischen mehreren Auswahlm\u00f6glichkeiten bestehen. Das Erkennen dieser Korrelationen, so argumentieren sie, ist der Schl\u00fcssel zu genauen Pr\u00e4ferenzsch\u00e4tzungen.<\/p>\n
Ein wichtiges Ergebnis ihrer Untersuchung ist, dass Zusammenh\u00e4nge besser erkennbar sind, wenn die Befragten drei statt zwei Alternativen bewerten. Dies f\u00fchrt zu einem umfassenderen Verst\u00e4ndnis der Pr\u00e4ferenzen und vermittelt ein klareres Gesamtbild.<\/p>\n
Der Schwerpunkt dieser Gruppe vom MIT liegt auf der rechnerischen Seite von RUMs, wobei ein besonderes Interesse der Entwicklung von Algorithmen gilt, die Pr\u00e4ferenzdaten effizient extrahieren. Emma Frejinger, Informatikerin an der Universit\u00e4t Montreal, hebt diese Arbeit hervor, da sie mathematisch belegt, warum herk\u00f6mmliche Datenerhebungsmethoden unzureichend sind, und zudem das Potenzial der \u201eBest-of-Three\u201c-Auswahl f\u00fcr ein pr\u00e4zises Modelltraining aufzeigt.<\/p>\n
Das Forschungsteam ist der Ansicht, dass die Entwicklung von Utility-Modellen auch weiterhin ein wichtiger Schwerpunkt in diesem Bereich sein wird. Diese Modelle waren seit Ende der 1990er Jahre von entscheidender Bedeutung f\u00fcr internetbasierte Unternehmen und werden auch weiterhin eine wichtige Rolle bei der Feinabstimmung von KI-Modellen spielen. Ihr Nutzen erstreckt sich auch auf Sprachmodelle (LLMs), bei denen w\u00e4hrend des Trainings Ranglisten von Pr\u00e4ferenzen verwendet werden, um die Leistung des Modells zu verbessern.<\/p>\n
In einer Welt, in der es mehr Auswahlm\u00f6glichkeiten gibt als je zuvor, ist es unrealistisch zu erwarten, dass Menschen ihre Pr\u00e4ferenzen f\u00fcr jedes einzelne Szenario festlegen. Stattdessen m\u00fcssen Modelle Pr\u00e4ferenzen vorhersagen und sich kontinuierlich weiterentwickeln, um immer bessere Vorhersagen zu treffen. Weitere Einzelheiten finden Sie im Originalartikel. hier<\/a>.<\/p>\n