อัลกอริธึมจึงต้องเรียนรู้จากความผิดพลาด

เทคโนโลยีที่เกี่ยวข้องกับอัลกอริธึมการทำนายในปัจจุบันมีความก้าวหน้าไปอย่างมากโดยพาะอย่างยิ่งในด้านที่เกี่ยวข้องกับผู้บริโภค ตั้งแต่การช็อปปิ้งออนไลน์ ความบันเทิงภายในบ้าน ไปจนถึงการเสิร์ชและการวินิจฉัยทางการแพทย์ ด้วยโมเดลแมชชีนเลิร์นนิง (Machine learning) และปัญญาประดิษฐ์ (Artificial intelligence) ทำให้บริษัททั้งหลายสามารถนำเสนอผลิตภัณฑ์และเนื้อหาให้กับผู้บริโภคได้อย่างแม่นยำและเชิงลึกมากยิ่งขึ้น ด้วยเหตุนี้จึงนำมาสู่ความเปลี่ยนแปลงในพฤติกรรม การมีปฏิสัมพันธ์ และการตัดสินใจซื้อของผู้บริโภค

แม้ว่าอัลกอริธึมจะมีบทบาทมากขึ้นในการตัดสินใจของผู้บริโภค แต่สิ่งที่เกิดขึ้นตามมาคือ การหลีกเลี่ยงอัลกอริธึม (Algorithm aversion) หรือเรียกได้ว่าผู้บริโภคมีความพึงพอใจต่อคำแนะนำจากตัวบุคคลมากกว่า ถึงแม้ว่าจะมีหลักฐานว่าอัลกอริธึมสามารถทำนายผลและให้คำแนะนำได้แม่นยำกกว่าคำแนะนำจากตัวบุคคล อันเนื่องมาจากผู้บริโภคเชื่อว่าอัลกอริธึมไม่สามารถตอบสนองความแตกต่างของแต่ละบุคคลได้รวมไปถึงยังเชื่อว่าอัลกอริธึมเป็นสิ่งที่ผิดจริยธรรมและขาดความเป็นมนุษย์

ในอีกมุมหนึ่งผู้บริโภคที่พึงพอใจต่อคำแนะนำของอัลกอริธึมให้เหตุผลว่าในบริบทที่จำเป็นต้องอาศัยคำแนะนำที่เป็นรูปธรรมมากกว่านามธรรมโดยใช้เพื่อประโยชน์มากกว่าความรู้สึก และที่สำคัญอัลกอรธึมจะต้องไม่ผิดพลาด อย่างไรก็ตามความผิดพลาดไม่ใช่สิ่งที่สามารถหลักเลี่ยงได้ไม่ว่าจะทั้งจากบุคคลหรืออัลกอริธึม ความสามารถในการเรียนรู้จากความผิดพลาดจึงเป็นสิ่งหนึ่งที่ผู้พัฒนาอัลกอริธึมสามารถจัดการได้

บุคคลที่รับคำแนะนำมองว่าผู้ที่เรียนรู้จากความผิดพลาดมีความน่าเชื่อถือมากกว่าและยังมีแนวโน้มที่จะทำตามคำแนะนำที่ได้รับมาเนื่องจากเป็นหลักฐานของความเชี่ยวชาญที่ได้เรียนรู้มาและเช่นเดียวกันกับอัลกอริธึมได้เรียนรู้จากความผิดพลาด

ในงานวิจัยของ Taly Reich อาจารย์จาก Yale University และคณะในปีค.ศ. 2022 ซึ่งได้ทำการศึกษาเรื่องการเรียนรู้จากความผิดพลาดของอัลกอริธึมโดยศึกษาทั้งหมด 6 ขั้น

ขั้นที่ 1 ทดสอบว่ากลุ่มผู้เข้าร่วมการทดลองมีความไว้วางใจในคำแนะนำของตัวบุคคลหรืออัลกอริธึมมากกว่ากันในเรื่องที่เป็นรูปธรรม อย่างเช่น การรักษาโรค และเรื่องที่เป็นนามธรรม อย่างเช่น การประเมินบุคลิกภาพของบุคคล ผลพบว่ากลุ่มผู้เข้าร่วมการทดลองทั้งไว้วางใจและรับรู้ว่าตัวบุคคลมีการเรียนรู้มากกว่าอัลกอริธึมในคำแนะนำทั้งเรื่องที่เป็นรูปธรรมและนามธรรม

ขั้นที่ 2 ถึงแม้ว่ากลุ่มผู้เข้าร่วมการทดลองจะได้เห็นตัวเลขบ่งบอกโอกาสที่ผลลัพธ์จะถูกต้องและผิดพลาดในการประเมินบุคลิกภาพแต่กลุ่มผู้เข้าร่วมการทดลองยังให้ความไว้วางใจกับตัวบุคคลมากกว่าอัลกอริธึม ข้อค้นพบที่สำคัญคือถึงแม้ว่ากลุ่มผู้เข้าร่วมการทดลองจะรับรู้ว่าทั้งสองกลุ่มมีโอกาสผิดพลาดเท่ากันแต่หากอัลกอริธึมประเมินผิดพลาดจะมีความน่าเชื่อถือน้อยกว่าตัวบุคคล

ขั้นที่ 3 ในครั้งนี้กลุ่มผู้เข้าร่วมการทดลองสองกลุ่ม กลุ่มหนึ่งจะได้เห็นว่าอัลกอริธึมมีตัวเลขการประเมินบุคลิกภาพได้แม่นยำมากขึ้นในช่วงหนึ่งปีที่ผ่านมา กับอีกกลุ่มที่เห็นแค่โอกาสในการทำนายได้ถูกต้องและผิดพลาด ผลพบว่ากลุ่มผู้เข้าร่วมการทดลองยังเห็นว่าอัลกอริธึมมีความสามารถในการเรียนรู้ต่ำกว่าตัวบุคคลทั้งสองกรณี แต่ในขณะเดียวกันในกลุ่มที่ได้เห็นตัวเลขการเรียนรู้ที่เพิ่มสูงขึ้นทำให้มีความไว้วางในอัลกอริธึมระดับที่เทียบเท่ากับตัวบุคคล

ขั้นที่ 4 จากขั้นที่แล้วที่ศึกษาเพียงการตัดสินใจว่าน่าไว้วางใจหรือไม่ แต่ในขั้นนี้จะทำการศึกษาว่ากลุ่มผู้เข้าร่วมการทดลองจะตัดสินใจเลือกรับผลการประเมินบุคลิกภาพจากอัลกอริธึมหรือไม่ โดยมีเงื่อนไขด้านผลตอบแทนเข้ามาเกี่ยวข้องหากกลุ่มผู้เข้าร่วมการทดลองเลือกแล้วได้ผลลัพธ์ที่ถูกต้อง ผลพบว่ากลุ่มผู้เข้าร่วมการทดลองเลือกอัลกอริธึมที่มีการเรียนรู้แล้วถึง 66.3% (อีก 33.7% เลือกตัวบุคคล) ซึ่งสูงกว่าอัลกอริธึมที่ไม่ได้แสดงตัวเลขการเรียนรู้ที่ระดับ 50.5% (อีก 49.5% เลือกตัวบุคคล) และอัลกอริธึมที่ไม่ได้แสดงข้อมูลโอกาสในความผิดพลาดที่ระดับ 26.7% (อีก 73.3% เลือกตัวบุคคล) การทดลองในขั้นนี้จึงมีความใกล้เคียงกับโลกแห่งความเป็นจริงมากขึ้นเมื่อมีเรื่องของผลตอบแทนเข้ามาเกี่ยวข้องกับการตัดสินใจซึ่งกลุ่มผู้เข้าร่วมการทดลองยังตัดสินใจเลือกอัลกอริธึมเหนือตัวบุคคล

ขั้นที่ 5 การศึกษาในขั้นนี้เน้นผลลัพธ์ที่เกิดขึ้นในโลกความเป็นจริงมากขึ้นด้วยการทดลองในบริบทอัลกอริธึมในการหาคู่ โดยการแบ่งกลุ่มผู้เข้าร่วมการทดลองเป็น 4 กลุ่ม แต่ละกลุ่มจะได้อ่านข้อความจากบริษัทจัดหาคู่ว่ามีตัวเลขเปอร์เซ็นต์ความสำเร็จในการหาคู่มากน้อยเพียงใดจากผู้วิเคราะห์ที่แตกต่างกันได้แก่ ตัวบุคคล อัลกอริธึมแบบดั้งเดิม อัลกอริธึมแมชชีนเลิร์นนิง และอัลกอริธึมที่ผ่านการเรียนรู้แล้ว จากนั้นสอบถามกลุ่มผู้เข้าร่วมการทดลองว่ามีความไว้วางใจในผู้วิเคราะห์มากน้อยเพียงใด ผลการทดลองพบว่ากลุ่มผู้เข้าร่วมการทดลองไว้วางใจตัวบุคคล อัลกอริธึมแมชชีนเลิร์นนิง และอัลกอริธึมที่ผ่านการเรียนรู้แล้วในระดับที่ใกล้เคียงกัน ในขณะที่ไว้วางใจอัลกอริธึมแบบดั้งเดิมน้อยกว่า ผลการวิจัยชี้ให้เห็นว่าการเลือกใช้คำที่เกี่ยวข้องกับอัลกอริธึม อย่างเช่น แมชชีนเลิร์นนิง ช่วยให้ผู้คนมีระดับความไว้วางใจเท่ากับการตัวบุคคลและอัลกอริธึมที่ผ่านการเรียนรู้แล้ว

และนอกจากนี้ในอีกการทดลองหนึ่งที่ถามกลุ่มผู้เข้าร่วมการทดลองสองกลุ่มว่าจะให้อัลกอริธึมตัดสินใจเรื่องงานศิลปะหรือจะตัดสินใจด้วยตนเอง โดยที่กลุ่มหนึ่งมีจะพบกับคำว่า “อัลกอริธึมแมชชีนเลิร์นนิง” กับอีกกลุ่มหนึ่งจะพบกับคำว่า “อัลกอริธึม” เท่านั้น ผลการทดลองพบว่ากลุ่มผู้เข้าร่วมการทดลองยังเลือก “อัลกอริธึมแมชชีนเลิร์นนิง” สูงกว่า “อัลกอริธึม”

ขั้นที่ 6 จากทั้งหมดห้าขั้นที่ผ่านมาการทดลองได้แสดงให้เห็นตัวเลขประสิทธิภาพสูงเท่านั้น อย่างเช่น โอกาสในการทำนายถูก 85% การทดลองในขั้นนี้จึงศึกษาว่าหากอัลกอริธึมแสดงตัวเลขประสิทธิภาพต่ำ อย่างเช่น 65% และยังเรียนรู้ช้าอีกด้วย ผลการทดลองพบว่าถึงแม้ว่าอัลกอริธึมจะเรียนรู้ช้ามากกลุ่มผู้เข้าร่วมการทดลองก็ยังมีความพึงพอใจที่จะเลือกใช้งานมากกว่าอัลกอริธึมที่ไม่มีการเรียนรู้เลย

โดยสรุปแล้วจะเห็นได้ว่าถึงแม้ว่าผู้ใช้งานอัลกอริธึมในชีวิตประจำวันอย่างผู้ใช้งานสื่อสังคมออนไลน์ที่ต้องพบกับเนื้อหาและโฆษณาผลิตภัณฑ์โดยอัลกอริธึมอาจจะมีความไว้วางใจในอัลกอริธึมน้อยกว่าคำแนะนำจากตัวบุคคล แต่จากผลการทดลองในหลายขั้นชี้ให้เห็นว่าการเรียนรู้จากความผิดพลาดเป็นปัจจัยหนึ่งที่สำคัญแม้ว่าประสิทธิภาพโดยรวมจะสูงหรือต่ำก็ตาม และยังรวมไปถึงการเลือกใช้คำที่มีนัยยะสื่อถึงการเรียนรู้ อย่างเช่น “แมชชีนเลิร์นนิง” ช่วยให้ผู้ใช้งานโซเชียลมีเดียหรือผู้รับสารจากอัลกอริธึมมีความไว้วางใจและเลือกใช้งานอัลกอริธึม ดังนั้นในฐานะผู้ประกอบการที่ใช้อัลกอริธึมในการนำเสนอเนื้อหาและโฆษณาผลิตภัณฑ์ให้กับผู้ใช้งานสื่อออนไลน์จึงอาจนำประเด็นเรื่องของการเรียนรู้จากความผิดพลาดหรือการเติบโตขึ้นของอัลกอริธึมไปใช้ในการสื่อสารเพื่อสร้างความไว้วางใจและการตัดสินใจเลือกใช้งานอัลกอริธึมได้ในอนาคต

บทความต้นฉบับ

Reich, T., Kaju, A., & Maglio, S. J. (2023). How to overcome algorithm aversion: Learning from mistakes. Journal of Consumer Psychology, 33(2), 285-302.