Redes sociales, noticias, Los sitios de música, compras y otros se basan en sistemas de recomendación: algoritmos que personalizan lo que ve cada usuario individual. Estos sistemas están impulsados en gran medida por predicciones de lo que cada persona hará clic, le gustará, compartirá, comprará, etc., generalmente abreviado como «compromiso». Estas reacciones pueden contener información útil sobre lo que es importante para nosotros, pero, como lo demuestra la existencia de clickbait, el hecho de que hagamos clic en él no significa que sea bueno.
Muchos críticos argumentan que las plataformas no deberían tratar de maximizar el compromiso, sino optimizarlas para obtener alguna medida de valor a largo plazo para los usuarios. Algunas de las personas que trabajan para estas plataformas están de acuerdo: Meta y otras plataformas de redes sociales, por ejemplo, han estado trabajando durante algún tiempo para incorporar comentarios más directos en los sistemas de recomendación.
Durante los últimos dos años, hemos estado colaborando con los empleados de Meta, así como con investigadores de la Universidad de Toronto, UC Berkeley, MIT, Harvard, Stanford y KAIST, además de representantes de organizaciones sin fines de lucro y de defensa, para realizar investigaciones que promuevan estos esfuerzos Esto implica un cambio experimental en la clasificación de feeds de Facebook, para los usuarios que eligen participar en nuestro estudio, para que responda a sus comentarios durante un período de varios meses.
Así es como funcionará nuestro estudio, que se lanzará más adelante este año: durante tres meses, preguntaremos repetidamente a los participantes sobre sus experiencias en el feed de Facebook mediante una encuesta que tiene como objetivo medir las experiencias positivas, incluido pasar tiempo en línea con amigos y recibir buenos consejos. . (Nuestra encuesta es una versión modificada de la Escala de apoyo social en línea previamente validada). Luego, intentaremos modelar la relación entre lo que había en el feed de un participante, por ejemplo, qué fuentes y temas vieron, y sus respuestas a lo largo del tiempo. Usando este modelo predictivo, ejecutaremos el experimento nuevamente, esta vez tratando de seleccionar el contenido que creemos que conducirá a los mejores resultados con el tiempo, según lo medido por las encuestas recurrentes.
Nuestro objetivo es demostrar que es técnicamente posible impulsar algoritmos de selección de contenido preguntando a los usuarios sobre sus experiencias durante un período prolongado de tiempo, en lugar de depender principalmente de sus reacciones en línea inmediatas.
No estamos sugiriendo que Meta, o cualquier otra compañía, deba priorizar las preguntas específicas de la encuesta que estamos usando. Hay muchas formas de evaluar el impacto a largo plazo y el valor de las recomendaciones, y todavía no hay consenso sobre qué métricas usar o cómo equilibrar los objetivos contrapuestos. Más bien, el objetivo de esta colaboración es mostrar cómo, potencialmente, cualquier la medida de la encuesta podría usarse para impulsar las recomendaciones de contenido hacia los resultados elegidos a largo plazo. Esto podría aplicarse a cualquier sistema de recomendación en cualquier plataforma. Si bien el compromiso siempre será una señal clave, este trabajo establecerá tanto el principio como la técnica para incorporar otra información, incluidas las consecuencias a más largo plazo. Si esto funciona, podría ayudar a toda la industria a crear productos que conduzcan a mejores experiencias de usuario.
un estudio como el nuestro nunca se ha hecho antes, en parte debido a la gran desconfianza entre los investigadores que estudian cómo mejorar los sistemas de recomendación y las plataformas que los operan. Nuestra experiencia muestra lo difícil que es organizar un experimento de este tipo y lo importante que es hacerlo.
El proyecto surgió de conversaciones informales entre un investigador independiente y un gerente de producto de Meta hace más de dos años. Luego reunimos al equipo académico, así como a investigadores de organizaciones sin fines de lucro y grupos de defensa para ayudar a mantener el enfoque en el beneficio público. Tal vez fuimos ingenuos, pero nos sorprendieron los rechazos de personas que, sin embargo, coincidieron en que estábamos haciendo preguntas valiosas. Algunas organizaciones aprobaron debido al riesgo de comunicación, o porque parte de su personal argumentó que las colaboraciones con Big Tech son esfuerzos de relaciones públicas en el mejor de los casos, si no totalmente poco éticos.