CC BY
44Демочкин Дмитрий Сергеевич
обучающийся магистратуры, факультет социальных наук и массовых коммуникаций, Финансовый университет при Правительстве Российской Федерации
Ленинградский пр-т., 49, Москва, 125167 E-mail: [email protected]
Влияние алгоритмов персонализации контента на модели медиапотребления
Современная цифровая эра привела к значительным изменениям в коммуникационных практиках. Технологический прогресс и внедрение платформ и алгоритмов стали основой управления информационными процессами в медиасреде. Эти инновации привнесли как положительные, так и отрицательные изменения в способы потребления медийного контента. В данной статье мы рассмотрим основные аспекты влияния алгоритмов персонализации контента на паттерны потребления медиа.
Ключевые слова: алгоритм, повестка дня, информационный пузырь, эхо-камера.
Для цитирования: Демочкин Д.С. Влияние алгоритмов персонализации контента на модели медиапотребления // Вопросы медиабизнеса. 2022. Т. 1. № 3. С. 23-26. DOI: 10.24412/3034-1930-2022-0180
Dmitry S. Demochkin
Master's Student, Faculty of Social Sciences and Mass Communications, Financial University under the Government of the Russian Federation
Leningradsky Ave., 49, Moscow, 125167 E-mail: [email protected]
The impact of content personalization algorithms on media consumption patterns
The modern digital era has led to significant changes in communication practices. Technological advances and the introduction of platforms and algorithms have become the basis for managing information processes in the media environment. These innovations have brought both positive and negative changes in the way media content is consumed. In this paper, we examine the main aspects of the impact of content personalisation algorithms on media consumption patterns.
Keywords: algorithm, agenda, information bubble, echo chamber. JEL Classification: L82
For citation: Demochkin D.S. The impact of content personalization algorithms on media consumption patterns. Issues of Media Business, 2022, vol. 1, no. 3, pp. 23-26. DOI: 10.24412/3034-1930-2022-0180
В современном информационном обществе цифровые медиаплатформы и алгоритмические рекомендательные системы существенно влияют на процессы медиакоммуникаций и формирование информационной повестки дня. Однако, роль и влияние этих систем остаются предметом дискуссий и различных точек зрения.
Начнем с того, что не существует определения персонализации, которое было бы принято всем исследовательским сообществом [Vesanen, 2007]. Хотя обычно это называют целенаправленным действием или стратегией индивидуального уровня [Stevenson, 2015], что подразумевает пассивность пользователя, в то время как все усилия по персонализации предпринимаются платформой. Также подчеркивается, что одной из ключевых характеристик персонализации является доставка нужного контента нужному человеку, что максимизирует ценность как для социальной медиа, так и для клиента. Согласно Lee и Cranage «в электронном бизнесе персонализация означает адаптацию и рекомендацию продуктов и услуг в соответствии с конкретными потребительскими характеристиками до того, как клиент начнет поиск» [Lee et al., 2011].
Алгоритмические рекомендательные системы появились в информационной сфере в конце 1990 гг. и изначально предоставляли возможность пользователю тщательно отбирать контент в соответствии с его предпочтениями. Они выполняли роль навигатора в информационном потоке, помогая пользователю ориентироваться в медиаландшафте [Barnhard, 2021]. Однако, с развитием цифровых медиаплатформ и внедрением алгоритмических технологий, рекомендательные системы стали играть более активную роль в формировании информационной повестки.
С развитием технологий медиасреды стали все более персонализированными. Алгоритмы анализируют предпочтения пользователей, исходя из их профиля и предыдущего взаимодействия с контентом. Это позволяет платформам предлагать пользователю наиболее интересный и релевантный контент. Публикации, которые рекомендуются в ленте «VK», или истории ваших друзей, которые первыми появляются на панели мониторинга, определяются алгоритмами.
Алгоритмы на платформах социальных сетей можно определить как технические средства сортировки сообщений на основе релевантности вместо времени публикации, чтобы расставить приоритеты, какой контент пользователь видит первым, в соответствии с вероятностью того, что он действительно заинтересуется таким контентом [Назаров, 2020]. Для понимания роли алгоритмических рекомендательных систем необходимо изучить различные теоретические концепции, такие как эхо-камеры и информационные пузыри. Эхо-камеры представляют собой сообщества, в которых пользователи попадают в медиаменю, содержание которого согласуется с их предпочтениями и ценностями. Информационные пузыри, в свою очередь, ограничивают доступ пользователя к разнообразному контенту и создают искусственную социальность [Кин, 2015].
Алгоритмы могут быть написаны программистами, использующими машинное обучение. «Машинное обучение» означает, что алгоритмы «учатся» выполнять задачи под различным уровнем человеческого контроля [Вартанова, 2022]. Алгоритмы управляют несколькими задачами, выполнение которых было бы утомительным для людей, такими как управление потоками контента с помощью активных рекомендаций, а также негативных теневых запретов и посредническое взаимодействие с информацией через лайки и комментарии для улучшения обнаружения контента. Кроме того, алгоритмы ранжируют и фильтруют информацию способами, которые создают стимулы и условия взаимодействия для создателей контента, аналогичные рыночным.
Функция алгоритма заключается в предоставлении пользователям релевантного контента. Причина, по которой платформы социальных сетей используют алгоритмы, заключается в более органичной фильтрации объема контента, доступного на каждой платформе [Barnhard, 2021]. Алгоритмы выполняют работу по доставке контента, который потенциально более «интересен» для пользователя, в ущерб публикациям, которые считаются неактуальными или низкого качества — либо в целом, либо для конкретного пользователя. Что касается критериев, на основе которых алгоритмы предоставляют контент, иногда платформы социальных сетей явно указывают, какой контент они считают высококачественным и продвигают на своей платформе. Следует иметь в виду, что платформы социальных сетей — это реальный бизнес, который получает часть своих доходов от маркетинга. Это может включать маркетинг бренда или контента, который публичные страницы хотят продвигать, выплачивая вознаграждение то, чтобы алгоритмы продвигали их.
Алгоритмы разработаны таким образом, чтобы учитывать различные аспекты. Некоторые из этих аспектов основаны на контенте, что означает, что такого рода алгоритмический дизайн стремится соответствовать вкусу пользователя, основанному на его профиле, конкретным публикациям, которые, по предположению системы, понравятся пользователю. Как только пользователи проявляют интерес к тегу или категории, они направляются к другим элементам категории.
Более того, алгоритмы могут работать совместно. Совместная фильтрация заключается в сопоставлении пользователей с другими пользователями, которые, разделяют схожие интересы; таким образом, пользователь перенаправляется на публикации или видео, которые он, возмож-
Влияние алгоритмов персонализации контента на модели медиапотребления
но, захочет посмотреть, основываясь на том факте, что пользователь с похожим профилем искал этот конкретный источник. Алгоритмы могут учитывать контекст в том смысле, что они могут индивидуализировать персональные данные, такие как точное географическое местоположение пользователя, чтобы включить их в алгоритмические вычисления. Наконец, машинное обучение использует компьютеры для имитации обучения людей, что позволяет им идентифицировать и приобретать знания из реального мира, а также улучшать выполнение некоторых задач, таких как рекомендации с помощью алгоритмов, основанных на этих новых знаниях.
В академическом сообществе и индустрии медиа нет единого мнения о конкретной специфике и влиянии алгоритмических рекомендательных систем. Одни исследователи считают, что эти системы способствуют развитию новой культуры участия [Hunt et al., 2019], тогда как другие считают, что они разрывают общество на поляризованные части и способствуют реконструкции социального [Poepsel, 2018]. Персонализация контента имеет свои преимущества и недостатки.
С одной стороны, она позволяет пользователям получать информацию, которая наиболее соответствует их интересам, что повышает удовлетворенность их потребностей [Barnhard, 2021]. Часто алгоритмы могут создаваться с целью повышения осведомленности в цифровом обществе по определенному вопросу, некоторые пользователи могут внезапно увидеть в своей ленте увеличение количества постов, касающихся питания, или зарубежного кино, или политики.
Различные подходы к алгоритмическому проектированию имеют последствия при обработке культурного контента. Персонализация может создавать так называемые «пузыри фильтров», в которых пользователь видит только определенный тип контента, что может приводить к ограничению мнений и искажению реальности. Например, когда инженеры настраивают компьютеры с помощью машинного обучения на создание алгоритмов, основанных на географическом местоположении пользователей, они ограничивают — или, по крайней мере, направляют — распространение определенного вида искусства или информации в этой конкретной области.
Одним из следствий алгоритмизации медиа является возникновение «пузырей фильтров» [Moeller et al., 2018]. Алгоритмы предлагают пользователю контент, который соответствует его предпочтениям, что может приводить к формированию замкнутых информационных сегментов. Это означает, что пользователь видит только контент, который подтверждает его мнение, исключая разнообразие и альтернативные взгляды. Алгоритмы также могут модифицировать информационное поведение пользователя. Они анализируют прошлое коммуникативное поведение и предлагают контент, основанный на предполагаемых интересах пользователя. Это может приводить к ограничению разнообразия новых идей и взглядов, так как пользователь ограничивается уже знакомым и привычным контентом. Одной из основных проблем алгоритмических рекомендательных систем является их влияние на медиаповедение. Во-первых, остро стоит вопрос конфиденциальности: алгоритмы работают с личными данными пользователя социальных сетей, чтобы «знать», как отображать контент на платформе социальных сетей (например, алгоритмы используют конфиденциальные данные, такие как местоположение, друзья и знакомые, с которыми он чаще всего взаимодействует, страницы и хэштеги, которые они часто ищут, и так далее).
Говоря о проблеме конфиденциальности, в литературе существует несколько определений и факторов, из-за которых она возникает. Забота о неприкосновенности частной жизни концептуализирована в работе [Smith et al., 1996]. В свою очередь [Featherman et al., 2003] подчеркивают, что «проблемы конфиденциальности относятся к потенциальной потере контроля над личной информацией при ее передаче». Что касается уязвимости, авторы утверждают, что она возникает при отсутствии чувства контроля над персональными данными, что может привести к тому, что пользователь почувствует себя незащищенным и бессильным [Aguirre et al., 2015].
Во-вторых, исследователи отмечают, что алгоритмы влияют на мнение и интересы пользователей социальных сетей и, следовательно, на цифровое общество в соответствии с настройкой. Пользователи, полагаясь на рекомендации системы, сужают свой выбор контента до небольших «репертуаров», что может привести к узкому кругу информации и формированию информационных пузырей. Это ограничивает доступ к разнообразной информации и может приводить к понижению уровня осведомленности. Из-за использования теневых запретов алгоритмы могут создавать информационные пробелы, поскольку они скрывают или игнорируют определенные публикации, отдавая приоритет приносящему доход контенту. Этот аспект алгоритмического проектирования является спорным, поскольку он претендует на определение того, какой контент пользователи должны считать важным или заслуживающим оценки. Это может привести к необъективному и поляризованному решению о том, кто и что оказывается в центре внимания.
С другой стороны, потребитель, скорее всего, получит выгоду от персонализации. Ценность строится из утилитарных и гедонистических компонентов. Два основных утилитарных компонента включают в себя сокращение времени и усилий, лучший процесс поиска необходимого 25 контента. Авторы также отмечают, что «ценность персонализации в режиме онлайн для пользо-
вателя в первую очередь связана с удобством, которое обеспечивает продукт или услуга, и удобством их доставки проактивным способом» [Chellappa et al, 2018], что подтверждает сконструированные измерения ценности персонализации. Получат ли клиенты выгоду от персонализации, будет в значительной степени зависеть от того, как были собраны данные о пользователе, были ли они уведомлены об использовании их персональных данных и где и когда была показана реклама. Не зная о сборе данных и получении персонализированных предложений и рекламы, пользователь, скорее всего, будет подвержен более высокой степени уязвимости [Aguirre, 2015].
Существуют определенные методы, которые позволяют управлять негативными последствиями персонализации. Большинство из них связаны с установлением доверительных отношений между платформой и пользователем. Например, модель доверия-приверженности [Ameen, et al., 2020] и модель принятия технологии [Davis, 1989] полезны, когда необходимо понять, как построить доверительные отношения и как технология может быть принята. Таким образом, алгоритмический дизайн неизбежно влияет на распространение культуры и определенным образом формирует цифровое общество: он решает, какому типу контента или теме следует уделять приоритетное внимание в каждой отдельной ленте, и какие исполнители, создатели контента или бренды заслуживают большей известности, чем другие.
Внедрение платформ и алгоритмов в медиасреду имеет как положительные, так и отрицательные последствия. С одной стороны, персонализация контента позволяет пользователям получать информацию, соответствующую их интересам, что повышает удовлетворенность их потребностей. С другой стороны, она может приводить к созданию замкнутых информационных сегментов и ограничению разнообразия мнений. Поэтому важно найти баланс между персона-лизацией и доступностью разнообразного контента, чтобы обеспечить свободный и объективный обмен информацией в медиасреде. Алгоритмические рекомендательные системы имеют значительное влияние на медиапотребление и медиаповедение пользователей. Они формируют информационную повестку дня, ограничивают доступ к разнообразной информации и могут приводить к формированию информационных пузырей. Важно продолжать исследования в этой области, чтобы развивать более эффективные и этичные алгоритмические рекомендательные системы, которые способствуют разностороннему и глубокому медиапотреблению.
References
Aguirre E., Mahr D., Grewal D., de Ruyter K., Wetzels M. Unraveling the personalization paradox: The effect of information collection and trust-building strategies on online advertisement effectiveness. Journal of Retailing, 2015, vol. 91, no. 1, pp. 34-49.
Ameen N., Tarhini A., Shah M., Madichie N.O. Going with the flow: smart shopping malls and omnichannel retailing. Journal of Services Marketing, 2021, vol. 35, no. 3, pp. 325-348.
Barnhard B. Everything that you need to know about social media algorithms. URL: https://sproutsocial.com/insights/social-media-algorithms/ (access date: 25.06.2022).
Chellappa R.K., Sin R.G. Personalization versus privacy: An empirical examination of the online consumer's dilemma. Information technology and management, 2005, vol. 6, pp. 181-202.
Davis F.D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, 1989, pp. 319-340.
Featherman M.S., Pavlou P.A. Predicting e-services adoption: a perceived risk facets perspective. International journal of humancomputer studies, 2003, vol. 59, no. 4, pp. 451-474.
Hunt R., McKelvey F. Algorithmic regulation in media and cultural policy: A framework to evaluate barriers to accountability. Journal of Information Policy, 2019, vol. 9, pp. 307-335.
Keen D. Democracy and media decadence. Moscow: Higher School of Economics, 2015, 312 p. (In Russian)
Lee C.H., Cranage D.A. Personalisation-privacy paradox: The effects of personalisation and privacy assurance on customer responses to travel Web sites. Tourism Management, 2011, vol. 32, no. 5, pp. 987-994.
Moeller J., Helberger N. Beyond the filter bubble: Concepts, myths, evidence and issues for future debates. Amsterdam. University of Amsterdam. Retrieved January, 2018, vol. 19, pp. 2022.
Nazarov M.M. Media Platforms and Algorithms: content and social implications. Communicology, 2020, vol. 8, no. 2, pp. 108124. (In Russian)
Poepsel M. Media, society, culture and you. 2018.
Smith H.J., Milberg S.J., Burke S.J. Information privacy: Measuring individuals' concerns about organizational practices. MIS quarterly, 1996, pp. 167-196.
Stevenson D., Pasek J. Privacy concern, trust, and desire for content personalization. TPRC, 2015.
26 Vartanova E.L. Changing media architecture and digital platforms. MediaAlmanah, 2022, no. 1 (108), pp. 8-13. (In Russian)
Vesanen J. What is personalization? A conceptual framework. European Journal of Marketing, 2007, vol. 41, no. 5/6, pp. 409-418.
