ある企業は、強化学習を使用して、サイトの訪問者に表示するおすすめ記事を選ぶシステムを構築しています。記事がクリックされるとプラスの値、すぐに離脱されるとマイナスの値を行動の結果として受け取ります。 この値を表す用語は、次のうちどれですか。