Come funzionano i sistemi di raccomandazione sulle piattaforme digitali?

Poche cose sono vitali per la democrazia quanto il libero flusso di informazioni. Se una cittadinanza illuminata è essenziale per la democrazia, come ha suggerito Thomas Jefferson, allora i cittadini hanno bisogno di un modo per essere tenuti informati. Per gran parte dell’era moderna, questo ruolo è stato svolto dalla stampa, e in particolare dagli editori e dai produttori che esercitano il controllo su quali notizie pubblicare e mandare in onda.

Tuttavia, man mano che il flusso di informazioni è cambiato, la distribuzione e il consumo di notizie si sono spostati sempre più dai media tradizionali ai social media e alle piattaforme digitali, con oltre un quarto degli americani che ora riceve notizie solo da YouTube e più della metà dai social media. Mentre un tempo gli editori decidevano quali storie dovevano ricevere la più ampia portata, oggi i sistemi di raccomandazione determinano quali contenuti gli utenti incontrano sulle piattaforme online e quali informazioni godono di una distribuzione di massa. Di conseguenza, i sistemi di raccomandazione alla base di queste piattaforme – e gli algoritmi di raccomandazione e i modelli addestrati che comprendono – hanno acquisito una nuova importanza. Se un’informazione accurata e affidabile è la linfa vitale della democrazia, i sistemi di raccomandazione ne costituiscono sempre più il cuore.

Man mano che i sistemi di raccomandazione sono cresciuti fino ad occupare un ruolo centrale nella società, un numero crescente di studi ha documentato potenziali collegamenti tra questi sistemi e una serie di danni, dalla diffusione dell’incitamento all’odio, alla propaganda straniera, all’estremismo politico. Ciononostante, i modelli stessi rimangono poco compresi, sia tra il pubblico che tra le comunità politiche incaricate di regolamentarli e supervisionarli. Data la loro enorme importanza e la necessità di una supervisione informata, questo articolo mira a demistificare i sistemi di raccomandazione illustrando come si sono evoluti e come funzionano i moderni algoritmi e modelli di raccomandazione. L’obiettivo è offrire ai ricercatori e ai politici una base di partenza da cui poter prendere decisioni informate su come supervisionarli e governarli.

Supponiamo che tu gestisca un social media o una piattaforma digitale. Ogni volta che i tuoi utenti aprono la tua app, vuoi mostrare loro contenuti accattivanti entro un secondo. Come faresti a far emergere quel contenuto?

L'approccio più rapido ed efficiente è semplicemente ordinare i contenuti in base al tempo. Poiché la maggior parte dei social network e delle piattaforme digitali dispongono di un ampio catalogo di contenuti, è più probabile che i contenuti più recenti o "più freschi" siano convincenti rispetto ai contenuti estratti a caso. La semplice visualizzazione degli elementi più recenti in ordine cronologico inverso è quindi un buon punto di partenza. Come bonus, questo approccio è facile da implementare e semplice da comprendere: i tuoi utenti avranno sempre un'idea chiara del motivo per cui vedono un determinato contenuto e un modello mentale accurato di come si comporta l'app. Sebbene l’industria sia andata oltre, gli algoritmi di raccomandazione cronologica inversa hanno alimentato la prima generazione di feed di social media e sono il motivo per cui la maggior parte dei feed sono ancora conosciuti oggi come “timeline”.

Sebbene attraenti nella loro semplicità, i feed puramente cronologicamente inversi presentano un enorme svantaggio: non si adattano bene. Man mano che le piattaforme si espandono, la quantità di contenuti che ospitano cresce in modo esponenziale, ma il tempo libero di un utente no. Il contenuto aggiunto più di recente fungerà quindi da proxy sempre meno efficace per il contenuto più interessante. Quel che è peggio, gli utenti che desiderano creare un vasto pubblico inonderanno la piattaforma con nuovi contenuti nel tentativo di rimanere in cima ai feed degli altri utenti. Di conseguenza, la tua app diventerà rapidamente distorta verso gli utenti più attivi piuttosto che verso quelli più interessanti. Contenuti meno coinvolgenti, o addirittura spam, inizieranno a inondare le tempistiche degli utenti.

Per risolvere questo problema, potresti creare regole codificate per dare priorità ai contenuti più recenti. Ad esempio, potresti scrivere una regola che dice: Se a Nicole sono piaciuti i post di Dia più di qualsiasi altro utente, mostra l'ultimo post di Nicole Dia di oggi prima di ogni altra cosa. Oppure potresti scrivere una regola che dica: Se a Nicole sono piaciuti i video più di qualsiasi altra forma di contenuto, allora il video aggiunto più recentemente dai suoi amici dovrebbe essere mostrato a Nicol per primo, prima di qualsiasi altro contenuto. Mescolando e abbinando queste regole manuali, gli algoritmi di raccomandazione basati su attributi e categorie possono far emergere in modo più affidabile contenuti accattivanti rispetto a un feed puramente cronologico inverso.