הפקולטה לניהול. על איכות ההמלצות שאנחנו מקבלים ברשת / צילום: Shutterstock
נתוני העתק (ביג דאטה) שנאספים עלינו בקצב מסחרר מייצרים אצל חברות הטכנולוגיה פרופיל שלם עלינו: תחומי העניין שלנו, המקומות בהם טיילנו, החברים שאנו מכירים והתפקידים שבהם עבדנו. אבל האם נרצה להיחשף למוצרים שהכי מתאימים לפרופיל שלנו? והאם חשבנו מספיק על ההשלכות ועל הספקים שמאחורי המוצרים הללו?
בעידן הדיגיטלי, אלגוריתם ההמלצה הוא זה שעוזר למשתמשים לאתר פריטים רלוונטיים מתוך היצע נרחב במיוחד ומספק המלצות על פריטים שעשויים לעניין אותנו. בספוטיפיי למשל, האלגוריתם לומד את הטעם המוזיקלי שלנו ובהתבסס על כך מנסה להתאים לנו את השיר הבא. ככל שנאסף מידע רב יותר על השירים שהמשתמש האזין להם והאמנים השונים שהוא נחשף אליהם, כך המערכת לומדת טוב יותר את הפרופיל המוזיקלי של המשתמש ויודעת להתאים לו את השיר הבא ברשימת ההשמעה.
אך ככל שהמערכת תדייק בלמידת הטעם המוזיקלי של המשתמש, כך היא עלולה לייצר שירותי תוכן נישתיים שאיכותם מוגבלת במיוחד. במחקרים שבוצעו בשיתוף עם ספוטיפיי ופורסמו ב־2020 הראו דיויד הולץ, אשטון אנדרסון ושותפיהם שככל שמשתמשים פעילים יותר במערכת ומחפשים תכנים בעצמם, ללא הסתמכות באופן עיוור על המלצות אוטומטיות בפלטפורמה, אופן הצריכה שלהם מגוון יותר לאורך זמן והיכולת להיחשף ליוצרים חדשים גדולה יותר.
אז מה נעדיף? להסתמך על המערכת ולהסתכן בתכנים נישתיים שפחות נאהב או לצרוך תוכן איכותי שידרוש מאיתנו השתתפות פעילה? זה לגמרי תלוי בנו ובאופן השימוש שלנו לאורך זמן באפליקציה.
הדינמיות של טיקטוק
ומה לגבי טיקטוק? כאן זה מעניין ומפתיע יותר. בשונה מפייסבוק, מאינסטגרם ומטוויטר, הלומדות את פרופיל המשתמשים באמצעות החברים המשותפים שלהם והתמונות והחוויות ששיתפו, טיקטוק מאפשרת לנו להיות צופים מן הצד. המשתמשים בטיקטוק יכולים להיות "שקופים" לגמרי, ללא שיתוף של תכנים או מידע אישי, כך שהמידע שנשמר מכיל בעיקר את נתוני הצפייה שלהם בתכנים (כגון משך צפייה, תגובות ולייקים). המידע המוגבל שנשמר מכריח את מערכת ההמלצה ללמוד את תחומי העניין אך ורק מתוך נתוני הצפייה העדכניים של המשתמש.
המידע החסר יצר אלגוריתם המלצה דינמי וייחודי שמאפשר לנו, המשתמשים, לשלוט בתוכן שנצרוך. אם נבחר לצפות בכל משך הסרטון ואף בצפייה חוזרת, הרי שאנו מסמנים לאלגוריתם שאנו אוהבים את התוכן שצרכנו וכך משפיעים על התכנים הבאים שיומלצו לנו. כך בעצם טיקטוק יצרה אלגוריתם שמאפשר להציג תכנים מתחומים שונים ומגוונים שלא בהכרח מותאמים ומדויקים לפרופיל הכללי של המשתמש, אלא להעדפות החקר והגילוי העדכניות שלו.
האלגוריתם מתוכנן באופן כזה שבתחילה הוא מקדם תכנים פופולריים יותר עם מספר לייקים ותגובות גבוה, אך גם כזה שלומד באופן מתמשך את נתוני הצפייה של המשתמש ומייצר המלצות דינמיות בהתאם לחקר ולגילוי שלו. יתרון מהותי של אלגוריתם כזה עשוי להיות קידום תכנים חדשים ומגוונים, שלא בהכרח פופולריים, עם מגוון רחב של יוצרים. כפי שהראו ראויואן גאו וצ'יראג שאה במחקר מ־2021, אתגר חשוב של אלגוריתמי המלצה כאלו הוא היכולת למנוע הטיות ולהתייחס באופן שקול והוגן לכל היוצרים בפלטפורמה.
הקושי לאמנים חדשים
ומה לגבי ההשלכות על אמנים חדשים והתכנים שלהם? אם אני אמן מתחיל ומעוניין לפרסם את השירים שלי בפלטפורמה דיגיטלית, מיהו האמרגן הדיגיטלי שיקדם אותי? אם נתבונן על ספוטיפיי, היכולת לחשוף אותנו לתכנים חדשים ולאמנים שאינם מספיק פופולריים היא מוגבלת, מכיוון שמערכת זו מבוססת בעיקרה על שיתוף מידע בין משתמשים ואין למערכת מספיק מידע על השמעות של אמנים חדשים. ואם אין מספיק מידע מי אהב (או לא אהב) את השיר, הרי שקשה למערכת למצוא משתמשים דומים להם ניתן להמליץ על שירים של אמן זה. בעיה זו נפוצה במערכות המלצה ומכונה בעיית ה־Cold Start, בה ישנו קושי לבצע חיזוי המלצות כל עוד לא נאסף מידע מספק על בעלי עניין במערכת (כגון משתמשים ואמנים חדשים) ועל מוצרים חדשים.
ומה לגבי יוצרים בטיקטוק? כאן כל יוצר תוכן יכול להיהפך למפורסם ביום אחד. זו הסיבה העיקרית לפעילות אקטיבית ויזומה מצד המפרסמים בטיקטוק, בהבנה שיש להם איך להשפיע על קידום התכנים. מצד שני, בעולם דיגיטלי בו הכל נמדד לפי פופולריות ומספר לייקים, מי אחראי לוודא שהתוכן בעל ערך ומהימן? במחקרים מ־2019 הראו צ'ן לו ויואן שופיי ויוהנס קונקל ושותפיו, שערך הפרסום ואמינותו משפיעים על אמון הצרכנים בפלטפורמה ושהם הכרחיים לאפקטיביות של שיווק משפיענים.
המסקנה המתבקשת היא שלפני שאתם מחליטים לקנות מוצר מסוים או לצרוך תוכן כלשהו - נסו לחשוב איך אתם בעצמכם משפיעים על התוכן שתצרכו בעתיד וכיצד יוצרי התוכן יושפעו מכך. כיום בעידן הדיגיטלי הם הרי מוגבלים ביכולתם לקדם את התכנים שלהם ולהשפיע על ההמלצות.
לקריאה נוספת:
Holtz, David, et al. "The engagement-diversity connection: Evidence from a field experiment on spotify." Proceedings of the 21st ACM Conference on Economics and Computation. 2020.
Anderson, Ashton, et al. "Algorithmic effects on the diversity of consumption on spotify." Proceedings of The Web Conference 2020. 2020.
Gao, Ruoyuan, and Chirag Shah. "Addressing bias and fairness in search systems." Proceedings of the 44th international ACM SIGIR conference on research and development in information retrieval. 2021.
Lou, Chen, and Shupei Yuan. "Influencer marketing: how message value and credibility affect consumer trust of branded content on social media." Journal of Interactive Advertising 19.1 (2019): 58-73.
Kunkel, Johannes, et al. "Let me explain: Impact of personal and impersonal explanations on trust in recommender systems." Proceedings of the 2019 CHI conference on human factors in computing systems. 2019.