\n<\/p>\n
Redes sociales, noticias,<\/span> Los sitios de m\u00fasica, compras y otros se basan en sistemas de recomendaci\u00f3n: algoritmos que personalizan lo que ve cada usuario individual. Estos sistemas est\u00e1n impulsados \u200b\u200ben gran medida por predicciones de lo que cada persona har\u00e1 clic, le gustar\u00e1, compartir\u00e1, comprar\u00e1, etc., generalmente abreviado como \u00abcompromiso\u00bb. Estas reacciones pueden contener informaci\u00f3n \u00fatil sobre lo que es importante para nosotros, pero, como lo demuestra la existencia de clickbait, el hecho de que hagamos clic en \u00e9l no significa que sea bueno. <\/p>\n Muchos cr\u00edticos argumentan que las plataformas no deber\u00edan 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 est\u00e1n de acuerdo: Meta y otras plataformas de redes sociales, por ejemplo, han estado trabajando durante alg\u00fan tiempo para incorporar comentarios m\u00e1s directos en los sistemas de recomendaci\u00f3n. <\/p>\n Durante los \u00faltimos dos a\u00f1os, hemos estado colaborando con los empleados de Meta, as\u00ed como con investigadores de la Universidad de Toronto, UC Berkeley, MIT, Harvard, Stanford y KAIST, adem\u00e1s 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 clasificaci\u00f3n de feeds de Facebook, para los usuarios que eligen participar en nuestro estudio, para que responda a sus comentarios durante un per\u00edodo de varios meses. <\/p>\n As\u00ed es como funcionar\u00e1 nuestro estudio, que se lanzar\u00e1 m\u00e1s adelante este a\u00f1o: 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 l\u00ednea con amigos y recibir buenos consejos. . (Nuestra encuesta es una versi\u00f3n modificada de la Escala de apoyo social en l\u00ednea previamente validada). Luego, intentaremos modelar la relaci\u00f3n entre lo que hab\u00eda en el feed de un participante, por ejemplo, qu\u00e9 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 conducir\u00e1 a los mejores resultados con el tiempo, seg\u00fan lo medido por las encuestas recurrentes.<\/p>\n Nuestro objetivo es demostrar que es t\u00e9cnicamente posible impulsar algoritmos de selecci\u00f3n de contenido preguntando a los usuarios sobre sus experiencias durante un per\u00edodo prolongado de tiempo, en lugar de depender principalmente de sus reacciones en l\u00ednea inmediatas. <\/p>\n No estamos sugiriendo que Meta, o cualquier otra compa\u00f1\u00eda, deba priorizar las preguntas espec\u00edficas de la encuesta que estamos usando. Hay muchas formas de evaluar el impacto a largo plazo y el valor de las recomendaciones, y todav\u00eda no hay consenso sobre qu\u00e9 m\u00e9tricas usar o c\u00f3mo equilibrar los objetivos contrapuestos. M\u00e1s bien, el objetivo de esta colaboraci\u00f3n es mostrar c\u00f3mo, potencialmente, cualquier<\/em> la medida de la encuesta podr\u00eda usarse para impulsar las recomendaciones de contenido hacia los resultados elegidos a largo plazo. Esto podr\u00eda aplicarse a cualquier sistema de recomendaci\u00f3n en cualquier plataforma. Si bien el compromiso siempre ser\u00e1 una se\u00f1al clave, este trabajo establecer\u00e1 tanto el principio como la t\u00e9cnica para incorporar otra informaci\u00f3n, incluidas las consecuencias a m\u00e1s largo plazo. Si esto funciona, podr\u00eda ayudar a toda la industria a crear productos que conduzcan a mejores experiencias de usuario.<\/p>\n un estudio como<\/span> el nuestro nunca se ha hecho antes, en parte debido a la gran desconfianza entre los investigadores que estudian c\u00f3mo mejorar los sistemas de recomendaci\u00f3n y las plataformas que los operan. Nuestra experiencia muestra lo dif\u00edcil que es organizar un experimento de este tipo y lo importante que es hacerlo.<\/p>\n El proyecto surgi\u00f3 de conversaciones informales entre un investigador independiente y un gerente de producto de Meta hace m\u00e1s de dos a\u00f1os. Luego reunimos al equipo acad\u00e9mico, as\u00ed como a investigadores de organizaciones sin fines de lucro y grupos de defensa para ayudar a mantener el enfoque en el beneficio p\u00fablico. Tal vez fuimos ingenuos, pero nos sorprendieron los rechazos de personas que, sin embargo, coincidieron en que est\u00e1bamos haciendo preguntas valiosas. Algunas organizaciones aprobaron debido al riesgo de comunicaci\u00f3n, o porque parte de su personal argument\u00f3 que las colaboraciones con Big Tech son esfuerzos de relaciones p\u00fablicas en el mejor de los casos, si no totalmente poco \u00e9ticos.<\/p>\n<\/div>\n