ویرگول
ورودثبت نام
mahirokni
mahirokni
mahirokni
mahirokni
خواندن ۱۴ دقیقه·۳ روز پیش

آیا الگوریتم‌ها سلیقه ما را می‌سازند یا فقط آن را پیش‌بینی می‌کنند؟

آیا الگوریتم‌ها سلیقه ما را می‌سازند یا فقط آن را پیش‌بینی می‌کنند؟
آیا الگوریتم‌ها سلیقه ما را می‌سازند یا فقط آن را پیش‌بینی می‌کنند؟

هر روز در پلتفرم‌های مختلف با انتخاب‌هایی روبه‌رو می‌شویم که ظاهراً از میان میلیون‌ها گزینه برای ما جدا شده‌اند: آهنگی که شاید دوست داشته باشیم، ویدیویی که احتمالاً تا آخر تماشا می‌کنیم، مقاله‌ای که به موضوع مورد علاقه‌مان نزدیک است یا محصولی که ممکن است بخریم. این پیشنهادها گاهی آن‌قدر دقیق‌اند که احساس می‌کنیم پلتفرم ما را خوب می‌شناسد. اما پشت این تجربه یک پرسش مهم وجود دارد: آیا الگوریتم فقط سلیقه ما را پیش‌بینی می‌کند، یا با شکل‌دادن به آنچه می‌بینیم، در ساختن سلیقه‌مان هم نقش دارد؟

پاسخ ساده‌ای ندارد. الگوریتم‌ها از رفتار گذشته ما یاد می‌گیرند، اما همان یادگیری را به انتخاب محتوا برای آینده تبدیل می‌کنند. بنابراین، رابطه‌ای یک‌طرفه میان کاربر و فناوری وجود ندارد. ما با کلیک‌ها، جست‌وجوها، مکث‌ها و انتخاب‌هایمان به سیستم اطلاعات می‌دهیم؛ سیستم هم با پیشنهادهایش بخشی از مسیر بعدی ما را می‌چیند. آنچه در ابتدا پیش‌بینی به نظر می‌رسد، ممکن است به‌تدریج به نوعی اثرگذاری تبدیل شود.

برای فهم این رابطه باید میان «ترجیح» و «سلیقه» تفاوت بگذاریم. ترجیح می‌تواند واکنشی لحظه‌ای باشد؛ مثلاً امروز یک آهنگ شاد را به آهنگ آرام ترجیح بدهیم. سلیقه معمولاً گسترده‌تر است و در طول زمان، با تجربه، محیط، خاطره و آشنایی شکل می‌گیرد. الگوریتم ممکن است از روی رفتارهای ما، احتمال انتخاب بعدی را تخمین بزند؛ اما این به‌تنهایی به معنای شناخت کامل سلیقه، دلیل انتخاب یا هویت ما نیست.

الگوریتم پیشنهاددهنده چگونه کار می‌کند؟

الگوریتم پیشنهاددهنده سامانه‌ای است که تلاش می‌کند از میان گزینه‌های فراوان، مواردی را به هر کاربر نشان دهد که احتمالاً برای او جذاب یا مفیدند. این سامانه‌ها می‌توانند در شبکه‌های اجتماعی، سرویس‌های پخش موسیقی و فیلم، فروشگاه‌های اینترنتی و موتورهای جست‌وجو به کار بروند. هدف دقیق آن‌ها در هر پلتفرم یکسان نیست: ممکن است افزایش زمان تماشا، بالا بردن احتمال خرید، بیشتر شدن تعامل یا کمک به پیدا کردن محتوای مرتبط باشد.

برای رسیدن به این هدف، سیستم به مجموعه‌ای از نشانه‌ها توجه می‌کند. بعضی از نشانه‌ها آشکارند: چه چیزی را پسندیده‌ایم، ذخیره کرده‌ایم، جست‌وجو کرده‌ایم یا دنبال کرده‌ایم؟ بعضی دیگر از رفتارهای غیرمستقیم برداشت می‌شوند: روی چه محتوایی مکث کرده‌ایم، چه چیزی را زود کنار گذاشته‌ایم، کدام ویدیو را تا پایان دیده‌ایم یا چه موضوعی باعث شده از یک پست به پست دیگر برویم؟

از این داده‌ها می‌توان الگوهایی ساخت. برای مثال، اگر کاربری بارها ویدیوهای آشپزی گیاهی را ببیند، الگوریتم ممکن است محتوای مشابهی را به او پیشنهاد کند. اگر کاربر به چند فیلم علمی‌تخیلی علاقه نشان داده باشد، پیشنهاد فیلم‌های هم‌ژانر برای سیستم منطقی خواهد بود. چنین پیش‌بینی‌هایی در بسیاری از موارد کاربردی‌اند؛ چون حجم انتخاب‌ها زیاد است و پیدا کردن گزینه مناسب بدون کمک، وقت‌گیر می‌شود.

اما پیش‌بینی بر پایه گذشته، محدودیت مشخصی دارد: رفتار قبلی لزوماً بازتاب کامل علاقه یا قصد فعلی ما نیست. ممکن است ویدیویی را از روی کنجکاوی دیده باشیم، نه علاقه پایدار. شاید مقاله‌ای را باز کرده باشیم تا موضوعی را نقد کنیم. حتی ممکن است یک محتوا را به‌دلیل عنوان بحث‌برانگیزش تا انتها دیده باشیم، در حالی که آن را نپسندیده‌ایم. الگوریتم رفتار قابل‌اندازه‌گیری را ثبت می‌کند؛ معنای درونی آن رفتار همیشه برایش روشن نیست.

چرا دیدن یک محتوا می‌تواند به علاقه تعبیر شود؟

سامانه‌های پیشنهاددهنده معمولاً به نشانه‌هایی نیاز دارند که بتوان آن‌ها را اندازه‌گیری کرد. کلیک، تماشا، پسندیدن، خرید یا دنبال‌کردن، داده‌های مشخصی هستند. در مقابل، کنجکاوی، تردید، مخالفت، بی‌حوصلگی و قصد پژوهش دشوارتر اندازه‌گیری می‌شوند. همین تفاوت باعث می‌شود رفتار ثبت‌شده گاهی معنایی ساده‌تر از انگیزه واقعی ما پیدا کند.

فرض کنیم شخصی برای نوشتن یک گزارش درباره شایعات پزشکی، چند ویدیوی مرتبط را تماشا می‌کند. الگوریتم ممکن است این تماشا را نشانه علاقه بداند و محتوای بیشتری از همان نوع پیشنهاد کند. کاربر در واقع برای بررسی موضوع وارد شده، اما سیستم نمی‌تواند به‌راحتی میان «تماشای انتقادی» و «تماشای علاقه‌مندانه» فرق بگذارد. از دید سامانه، هر دو ممکن است رفتارهایی مشابه به نظر برسند.

حتی نشانه‌هایی مانند توقف روی یک ویدیو نیز چند معنا دارند. شاید محتوا جذاب بوده، شاید کاربر هنگام تماشا حواسش پرت شده، شاید تلفن را کنار گذاشته یا شاید ویدیو به‌طور خودکار پخش شده است. بنابراین، هرچه الگوریتم از داده‌های بیشتری استفاده کند، الزاماً معنای دقیق‌تری از ترجیح به دست نمی‌آورد. داده فراوان می‌تواند الگوهای رفتاری را آشکار کند، اما انگیزه انسان را بی‌واسطه نشان نمی‌دهد.

از پیش‌بینی تا اثرگذاری

الگوریتم‌ها فقط فهرستی از علاقه‌های گذشته ما تهیه نمی‌کنند؛ آن‌ها در تجربه روزمره، برخی گزینه‌ها را جلوتر از بقیه قرار می‌دهند. این انتخاب جایگاه اهمیت دارد. محتوایی که در ابتدای صفحه، در فهرست پیشنهادها یا در پخش خودکار ظاهر می‌شود، شانس بیشتری برای دیده‌شدن دارد. محتوایی که پایین‌تر قرار می‌گیرد یا اصلاً پیشنهاد نمی‌شود، ممکن است از میدان توجه ما بیرون بماند.

وقتی چیزی بیشتر دیده می‌شود، احتمال واکنش به آن هم افزایش می‌یابد. کاربر ممکن است آن را امتحان کند، درباره‌اش بخواند یا برای مدتی به موضوعی تازه علاقه‌مند شود. سپس رفتار جدید ثبت می‌شود و پیشنهادهای بعدی را تغییر می‌دهد. این روند می‌تواند حلقه‌ای بسازد: الگوریتم محتوایی را بر اساس رفتار قبلی پیشنهاد می‌کند؛ کاربر به بخشی از آن واکنش نشان می‌دهد؛ و سیستم آن واکنش را به‌عنوان داده‌ای تازه وارد محاسبات می‌کند.

به همین دلیل، پیش‌بینی می‌تواند خودش در ساختن تجربه‌ای که پیش‌بینی می‌کند سهم داشته باشد. اگر پلتفرم حدس بزند که من به موسیقی آرام علاقه دارم و مرتب همان نوع موسیقی را در دسترسم بگذارد، ممکن است بیشتر با آن آشنا شوم. در ادامه، آشنایی می‌تواند به علاقه واقعی تبدیل شود. در چنین وضعی، الگوریتم از ابتدا علاقه را خلق نکرده است، اما به آن میدان، تکرار و فرصت رشد داده است.

البته اثرگذاری همیشه به معنای تحمیل نیست. کاربر می‌تواند پیشنهاد را رد کند، جست‌وجو کند، از صفحه خارج شود یا مسیر متفاوتی را انتخاب کند. با این حال، استقلال انتخاب به این معنا نیست که محیط انتخاب بی‌اهمیت است. ما معمولاً از میان گزینه‌هایی انتخاب می‌کنیم که در دسترس و در معرض دیدمان قرار گرفته‌اند. طراحی محیط و ترتیب پیشنهادها، بدون اینکه تصمیم را به‌طور کامل تعیین کند، می‌تواند احتمال بعضی تصمیم‌ها را بیشتر کند.

حلقه بازخورد چگونه شکل می‌گیرد؟

حلقه بازخورد زمانی شکل می‌گیرد که خروجی الگوریتم بر رفتار بعدی کاربر اثر بگذارد و رفتار تازه نیز به ورودی سیستم تبدیل شود. این چرخه می‌تواند ساده باشد: کاربر چند محتوای ورزشی می‌بیند، پیشنهادهای بیشتری از همان حوزه دریافت می‌کند، چند مورد را باز می‌کند و سامانه برداشت می‌کند که علاقه او افزایش یافته است.

این روند ممکن است مفید باشد. اگر کاربر واقعاً در پی یادگیری تمرین‌های ورزشی است، پیشنهادهای مرتبط می‌توانند دسترسی او را به منابع مناسب بیشتر کنند. مسئله زمانی پیچیده می‌شود که سیستم، نشانه‌های محدود را بیش از اندازه تعمیم دهد یا محتواهای مشابه را پی‌درپی عرضه کند. در آن صورت، فرصت روبه‌رو شدن با موضوعات دیگر کاهش می‌یابد و تصویر پلتفرم از کاربر باریک‌تر می‌شود.

پژوهش‌های مربوط به سامانه‌های پیشنهاددهنده، از جمله بررسی‌های مربوط به حلقه‌های بازخورد، به این مسئله توجه کرده‌اند که پیشنهادها و رفتار کاربران می‌توانند یکدیگر را تقویت کنند. در حوزه موسیقی هم مرورهای پژوهشی درباره خدمات پخش جریانی نشان می‌دهند که الگوریتم‌ها بر مسیر کشف موسیقی و نحوه توزیع توجه اثر دارند. این یافته‌ها به این معنا نیست که همه کاربران به شکل یکسان تحت تأثیر قرار می‌گیرند؛ بلکه نشان می‌دهد طراحی پیشنهادها می‌تواند بر آنچه بیشتر در دسترس و قابل‌کشف است اثر بگذارد.

حباب فیلتر و تنوع سلیقه

یکی از نگرانی‌های رایج درباره پیشنهادهای شخصی‌سازی‌شده، شکل‌گیری «حباب فیلتر» است. منظور از این اصطلاح وضعیتی است که کاربر بارها با محتواهای نزدیک به علایق یا دیدگاه‌های قبلی خود روبه‌رو می‌شود و کمتر به گزینه‌های متفاوت دسترسی پیدا می‌کند. این نگرانی به‌خصوص در موضوعات خبری و سیاسی مطرح است، اما در موسیقی، فیلم، کتاب و سرگرمی هم مصداق دارد.

نباید تصور کرد هر پیشنهاد شخصی‌سازی‌شده فوراً حبابی کامل ایجاد می‌کند. افراد از منابع مختلف استفاده می‌کنند، با دوستانشان گفت‌وگو دارند، جست‌وجوی مستقل انجام می‌دهند و گاهی به‌صورت اتفاقی با چیزهای تازه مواجه می‌شوند. افزون بر این، الگوریتم‌ها در پلتفرم‌های مختلف یکسان نیستند و اهداف، داده‌ها و روش‌های رتبه‌بندی متفاوتی دارند. با این حال، اگر یک سرویس بارها محتوای مشابه را بر محتوای متنوع ترجیح دهد، دامنه مواجهه کاربر ممکن است محدودتر شود.

تنوع برای سلیقه اهمیت دارد، چون آشنایی با گزینه‌های تازه می‌تواند علاقه‌هایی را آشکار کند که پیش‌تر فرصت بروز نداشته‌اند. کسی که همیشه موسیقی پاپ گوش داده، ممکن است با شنیدن موسیقی جَز، موسیقی محلی یا موسیقی بی‌کلام به ژانری تازه علاقه‌مند شود. اما اگر سامانه فقط بر اساس انتخاب‌های قبلی پیشنهاد دهد، ممکن است همین فرصت کشف را کم‌رنگ کند.

در نتیجه، مسئله فقط این نیست که الگوریتم چه چیزهایی را می‌داند؛ مهم است که چه چیزهایی را به ما نشان نمی‌دهد. پیشنهاددهنده‌ای که صرفاً به شباهت گذشته توجه دارد، احتمالاً در پیدا کردن محتوای آشنا موفق است. اما برای گسترش افق انتخاب، باید جایی هم برای تنوع، غافلگیری و مواجهه با محتوای متفاوت در نظر گرفته شود.

سلیقه شخصی یا سلیقه قابل‌اندازه‌گیری؟

الگوریتم‌ها معمولاً با نسخه‌ای قابل‌اندازه‌گیری از سلیقه کار می‌کنند. آن‌ها می‌توانند احتمال کلیک، تماشا یا خرید را تخمین بزنند؛ اما این احتمال، معادل ارزش شخصی یا علاقه عمیق ما نیست. ممکن است محتوایی را بارها مصرف کنیم چون در دسترس است، نه چون آن را بهترین انتخاب می‌دانیم. گاهی هم چیزی را دوست داریم اما آن را در پلتفرم جست‌وجو نمی‌کنیم، یا به‌دلیل هزینه و محدودیت دسترسی سراغش نمی‌رویم.

در اینجا تفاوت میان «آنچه انتخاب می‌کنیم» و «آنچه می‌پسندیم» اهمیت پیدا می‌کند. انتخاب به شرایط وابسته است: گزینه‌های موجود، زمان، قیمت، موقعیت اجتماعی و حتی حال‌وهوای لحظه‌ای. سلیقه نیز ثابت و جدا از این شرایط نیست، اما نمی‌توان آن را به یک سابقه کلیک تقلیل داد. اگر سامانه رفتار گذشته را تمام حقیقت فرض کند، ممکن است کاربر را به تصویری محدود از خودش تبدیل کند.

این موضوع در خدمات موسیقی و فیلم به‌خوبی دیده می‌شود. یک نفر ممکن است در مسیر رفت‌وآمد به موسیقی پرانرژی گوش دهد، اما برای مطالعه موسیقی آرام را ترجیح دهد. ممکن است برای تماشای تنهایی، فیلمی خاص انتخاب کند و در جمع خانوادگی سراغ ژانری دیگر برود. اگر الگوریتم همه این انتخاب‌ها را در یک نمایه واحد ادغام کند، تفاوت موقعیت‌ها و نیازها را نادیده می‌گیرد.

پس پرسش اصلی این نیست که آیا الگوریتم «سلیقه واقعی» ما را می‌فهمد یا نه؛ پرسش دقیق‌تر این است که چه بخشی از رفتار ما را می‌بیند، آن را چگونه تفسیر می‌کند و بر اساس آن چه گزینه‌هایی را در دسترس‌مان قرار می‌دهد. همین پرسش، بحث را از یک تصور مبهم درباره هوشمندی فناوری به بررسی مشخص‌تر طراحی و پیامدهای آن می‌برد.

چرا الگوریتم‌ها گاهی سلیقه را شبیه‌سازی می‌کنند؟

گاهی احساس می‌کنیم یک سامانه سلیقه ما را می‌شناسد، چون پیشنهادهایش با انتخاب‌های قبلی‌مان شباهت دارند. اما این شباهت می‌تواند از چند منبع متفاوت بیاید. یکی از آن‌ها خود رفتار ماست: مثلاً بارها یک ژانر را انتخاب کرده‌ایم. منبع دیگر، شباهت رفتاری میان کاربران است: افرادی که انتخاب‌های نزدیک به ما داشته‌اند، شاید به محتوای دیگری هم علاقه نشان داده باشند. سامانه از این هم‌زمانی‌ها برای پیشنهاد استفاده می‌کند.

روش‌های پیشنهاددهی متفاوت‌اند، اما به‌طور کلی برخی از آن‌ها بر ویژگی‌های خود محتوا تکیه می‌کنند و برخی از شباهت میان کاربران یا تعامل‌ها بهره می‌برند. روش‌های ترکیبی نیز می‌توانند چند نوع داده را کنار هم بگذارند. این روش‌ها در پیدا کردن گزینه‌های مناسب مؤثرند، اما گاهی به مسئله «شروع سرد» برمی‌خورند: وقتی کاربر تازه‌وارد است یا محتوای تازه‌ای هنوز تعامل کافی نگرفته، داده لازم برای پیش‌بینی محدود است.

برای غلبه بر این محدودیت، پلتفرم ممکن است از محبوبیت عمومی، دسته‌بندی موضوعی یا رفتار کاربران مشابه کمک بگیرد. این کار باعث می‌شود پیشنهادها در ابتدا قابل‌استفاده باشند، اما ممکن است محتوای مشهور را بیشتر در معرض دید قرار دهد. به این ترتیب، الگوریتم نه‌فقط سلیقه یک فرد، بلکه ساختار توزیع‌شده توجه میان کاربران را نیز بازتاب می‌دهد.

این نکته به یک پرسش اجتماعی‌تر می‌رسد: چه کسی یا چه چیزی تعیین می‌کند چه محتوایی «قابل‌کشف» باشد؟ وقتی پیشنهادها به‌طور مداوم برخی آثار را برجسته می‌کنند، آن آثار فرصت بیشتری برای دیده‌شدن و گرفتن واکنش پیدا می‌کنند. محبوبیت بیشتر نیز می‌تواند به پیشنهادهای بیشتر منجر شود. در چنین چرخه‌ای، سلیقه فردی با اقتصاد توجه و تصمیم‌های طراحی پلتفرم درهم می‌آمیزد.

آیا الگوریتم می‌تواند سلیقه را غنی‌تر کند؟

بله، الگوریتم الزاماً نیرویی برای محدودکردن سلیقه نیست. اگر طراحی آن فقط بر تکرار علایق شناخته‌شده متمرکز نباشد، می‌تواند به کشف کمک کند. برای مثال، ممکن است میان دو ژانر نزدیک پلی بزند، اثری کمترشناخته‌شده را در کنار اثر محبوب پیشنهاد کند یا به کاربر اجازه دهد انتخاب‌های تازه‌ای را امتحان کند. پیشنهادهای خوب گاهی ما را با چیزی آشنا می‌کنند که به‌تنهایی دنبالش نمی‌رفتیم.

نکته مهم در اینجا، تعادل میان «آشنایی» و «تازگی» است. اگر همه پیشنهادها کاملاً آشنا باشند، تجربه ممکن است تکراری شود. اگر همه پیشنهادها نامرتبط و غافلگیرکننده باشند، اعتماد کاربر کاهش می‌یابد. یک سامانه مفید باید هم نیاز به مرتبط‌بودن را در نظر بگیرد و هم فرصتی برای کشف فراهم کند.

همچنین، هدف سیستم اهمیت دارد. اگر پلتفرم تنها موفقیت را با مدت‌زمان استفاده یا تعداد کلیک بسنجد، ممکن است محتواهایی را ترجیح دهد که واکنش فوری ایجاد می‌کنند. اما اگر کیفیت، رضایت بلندمدت، تنوع و امکان کنترل کاربر نیز در طراحی دخیل باشند، نوع پیشنهادها می‌تواند متفاوت شود. هیچ معیار واحدی تمام تجربه انسانی را اندازه نمی‌گیرد؛ انتخاب معیارها در نهایت بر آنچه سامانه بهینه می‌کند اثر می‌گذارد.

نقش کاربر در شکل‌دادن به پیشنهادها

کاربران کاملاً بی‌قدرت نیستند. بسیاری از پلتفرم‌ها امکان‌هایی برای تنظیم تجربه فراهم می‌کنند: دنبال‌کردن یا کنارگذاشتن موضوعات، پاک‌کردن سابقه، علامت‌زدن محتوای نامرتبط، انتخاب حالت زمانی یا موضوعی و مدیریت پیشنهادها. قابلیت‌ها در هر سرویس فرق دارند، اما استفاده آگاهانه از آن‌ها می‌تواند تصویر الگوریتم از ما را اصلاح کند.

یکی از راه‌های ساده، تنوع‌دادن عمدی به ورودی‌هاست. اگر همیشه از صفحه پیشنهادها انتخاب کنیم، سیستم فرصت کمتری برای دیدن علایق تازه خواهد داشت. گاهی جست‌وجوی مستقیم نام یک هنرمند، کتاب یا موضوع متفاوت می‌تواند مسیر دیگری ایجاد کند. همچنین می‌توان به‌جای واکنش لحظه‌ای، در صورت امکان از گزینه‌هایی مانند «این محتوا را کمتر نشان بده» استفاده کرد؛ زیرا کلیک‌کردن برای مخالفت یا تمسخر ممکن است همچنان به‌عنوان تعامل ثبت شود.

پاک‌کردن سابقه هم همیشه راه‌حل کامل نیست. این کار ممکن است برخی پیشنهادها را از نو تنظیم کند، اما تضمینی نیست که الگوریتم همه زمینه‌ها را فراموش کند یا نتیجه‌ای دقیقاً مطابق انتظار به وجود آورد. بهتر است تنظیمات حریم خصوصی و توصیه‌های هر پلتفرم را جداگانه بررسی کنیم و فرض نکنیم همه سرویس‌ها یک روش دارند.

مهم‌تر از همه، می‌توانیم از خود بپرسیم: آیا این انتخاب از علاقه من می‌آید، یا فقط چون پیش روی من قرار گرفته آن را امتحان کرده‌ام؟ پاسخ همیشه روشن نیست و لازم هم نیست هر انتخاب دیجیتال را با بدگمانی بررسی کنیم. اما این پرسش کمک می‌کند میان کشف واقعی، عادت و دسترس‌پذیری تفاوت بگذاریم.

مسئولیت پلتفرم‌ها چیست؟

مسئولیت فقط بر دوش کاربر نیست. پلتفرم‌ها تصمیم می‌گیرند چه داده‌هایی را جمع‌آوری کنند، چه نشانه‌هایی را مهم بدانند، پیشنهادها را چگونه رتبه‌بندی کنند و چه میزان کنترل در اختیار مردم بگذارند. این تصمیم‌ها فنی به نظر می‌رسند، اما پیامدهای انسانی دارند؛ زیرا بر دیده‌شدن محتوا، کشف آثار تازه و شکل‌گیری تجربه روزمره تأثیر می‌گذارند.

شفافیت می‌تواند به کاربران کمک کند بفهمند چرا چیزی به آن‌ها پیشنهاد شده است. کنترل‌های روشن نیز این امکان را می‌دهند که فرد درباره موضوعات مورد علاقه یا نخواسته خود تصمیم بگیرد. البته توضیح یک سامانه پیچیده به زبان ساده دشوار است، اما دشواری نباید بهانه‌ای برای پنهان‌ماندن کامل سازوکارها باشد.

پلتفرم‌ها همچنین می‌توانند موفقیت را فقط با کلیک و زمان استفاده نسنجند. معیارهایی مانند رضایت کاربر، کیفیت تجربه، تنوع محتوا و امکان خروج از چرخه‌های تکراری نیز می‌توانند مهم باشند. تعیین دقیق این معیارها ساده نیست، اما همین بحث نشان می‌دهد که الگوریتم‌ها خارج از ارزش‌ها و اولویت‌های انسانی عمل نمی‌کنند. کسی، در جایی از فرایند، تصمیم گرفته است چه چیزی موفقیت به حساب بیاید.

پس الگوریتم‌ها سلیقه ما را می‌سازند یا پیش‌بینی می‌کنند؟

آن‌ها هر دو کار را انجام می‌دهند، اما نه به یک اندازه و نه در همه شرایط. الگوریتم‌ها از رفتار گذشته ما برای پیش‌بینی انتخاب‌های احتمالی استفاده می‌کنند. در عین حال، با گزینش و مرتب‌کردن آنچه در برابرمان قرار می‌دهند، بر فرصت‌های مواجهه و کشف اثر می‌گذارند. این اثر می‌تواند علاقه‌ای را تقویت کند، توجهی تازه بسازد یا مسیر انتخاب را محدودتر کند.

با این حال، بهتر است از دو برداشت افراطی فاصله بگیریم. از یک طرف، الگوریتم‌ها ذهن‌خوان نیستند و همه هویت و انگیزه ما را درک نمی‌کنند. از طرف دیگر، پیشنهادهایشان هم کاملاً خنثی نیستند؛ چون هر نظام رتبه‌بندی، بعضی گزینه‌ها را برجسته و برخی را کم‌پیدا می‌کند. رابطه میان انسان و الگوریتم، نه تسلط کامل فناوری بر انسان است و نه پیش‌بینی بی‌اثر و بی‌طرف.

سلیقه در تعامل با تجربه شکل می‌گیرد. خانواده، دوستان، فرهنگ، خاطره، آموزش، شرایط زندگی و انتخاب‌های فردی همه در این مسیر نقش دارند. پلتفرم‌های دیجیتال یکی از محیط‌هایی هستند که این تجربه در آن‌ها رخ می‌دهد. آن‌ها می‌توانند به ما کمک کنند چیزهایی را پیدا کنیم که دوست داریم، اما هم‌زمان بر چیزهایی که فرصت دوست‌داشتنشان را پیدا می‌کنیم هم اثر بگذارند.

شاید بهترین پاسخ این باشد: الگوریتم‌ها سلیقه ما را از هیچ نمی‌سازند، اما در تعیین این‌که چه چیزی بیشتر دیده شود و چه انتخابی آسان‌تر باشد نقش دارند. پیش‌بینی آن‌ها می‌تواند به شکل‌گیری عادت و علاقه کمک کند، به‌خصوص وقتی پیشنهادها تکرار شوند و گزینه‌های دیگر کمتر در دسترس باشند. در نهایت، سلیقه ما نه کاملاً محصول الگوریتم است و نه کاملاً جدا از آن. این سلیقه در گفت‌وگویی پیوسته میان انتخاب‌های ما، محیط دیجیتال و فرصت‌هایی شکل می‌گیرد که در اختیارمان قرار می‌گیرند.

منابع پیشنهادی برای مطالعه بیشتر

۱. «The impact of algorithmically driven recommendation systems on music consumption and production: a literature review»، مرور پژوهشی منتشرشده در وب‌سایت دولت بریتانیا.

۲. Krauth و همکاران، پژوهش درباره کاهش حلقه‌های بازخورد در سامانه‌های پیشنهاددهنده، دانشگاه میشیگان، ۲۰۲۵.

۳. مقاله پژوهشی «Feedback Loop and Bias Amplification in Recommender Systems»، منتشرشده در arXiv.

ماهی رکنی

موسیقی فیلمشبکه های اجتماعیالگوریتم
۰
۰
mahirokni
mahirokni
شاید از این پست‌ها خوشتان بیاید