A influência que tem os algoritmos nas opiniões e preferências de milhões de usuários

Um feed que parece feito sob medida para você pode moldar o que chama sua atenção antes mesmo de você formar uma opinião. Algoritmos digitais ajudam a selecionar vídeos, publicações, resultados de busca e anúncios a partir de uma enorme quantidade de informações online. Suas escolhas podem influenciar o que você percebe, mas não determinam todas as suas opiniões ou preferências.

Diariamente, as pessoas utilizam serviços que classificam e sugerem conteúdo, muitas vezes sem conhecer as regras por trás dessas escolhas. Uma publicação familiar pode aparecer ao lado de algo surpreendente, enquanto outros materiais permanecem bem abaixo na tela. Essa seleção pode moldar o que parece interessante, familiar ou que vale o seu tempo.

Esta explicação para iniciantes mostra como esses sistemas funcionam, onde você os encontra e como pensar sobre sua influência. O objetivo não é considerar toda recomendação como prejudicial ou benéfica. Encare uma recomendação personalizada como uma sugestão, não como um retrato neutro ou completo do mundo.

O que é um algoritmo e quais são suas partes básicas?

Uma receita é um algoritmo simples: os ingredientes entram, as etapas sequenciais executam o trabalho e o resultado é um prato pronto. Um algoritmo de computador é um conjunto ordenado e finito de instruções para concluir uma tarefa ou resolver um problema. Suas partes básicas são entrada, processamento e saída, que juntas transformam uma tarefa em um resultado.

Entrada significa a informação fornecida a um processo antes de ele começar. Em uma receita, a entrada inclui os ingredientes e as quantidades. O processo é a sequência de ações, como misturar e assar. A saída é o prato finalizado, desde que os passos e as medidas estejam de acordo com a receita.

A verificação de formulários digitais utiliza o mesmo padrão. A entrada de dados pode incluir nome, endereço de e-mail e data. O processo verifica se os campos obrigatórios foram preenchidos e se o e-mail segue o padrão esperado. O resultado pode indicar que o formulário está pronto ou apontar para um campo ausente.

Instruções claras Um algoritmo ajuda um procedimento a funcionar de forma consistente. Suas etapas precisam de uma ordem definida, um ponto de parada e detalhes suficientes para lidar com casos comuns. Um algoritmo pode ser um procedimento escrito ou um processo codificado e não precisa ser executado em um computador.

Para que uma tarefa seja repetível, suas instruções devem atribuir a cada etapa um lugar claro na sequência.

Uma receita pode seguir etapas algorítmicas sem um computador, assim como um cheque digital pode aplicar regras às informações. Ambos precisam de uma maneira de processar as informações recebidas e produzir um resultado útil. Um procedimento com etapas faltantes pode funcionar uma vez por sorte, mas falhar em um caso ligeiramente diferente.

O A explicação dos algoritmos feita pelo The Conversation Descreve como as instruções transformam a entrada em saída por meio de decisões e repetição. Etapas claras também facilitam a identificação de onde um procedimento falhou. Verifique se um procedimento tem um ponto de parada claro e se contempla os casos comuns que ele deve tratar.

Como funcionam os algoritmos na programação e na IA?

Um programa começa com um procedimento que especifica o que fazer antes que o código diga ao computador como fazê-lo. Um algoritmo é a lógica por trás de um programa, enquanto o código expressa essa lógica em uma linguagem que o computador consegue executar. Você pode planejar os passos antes de escolher uma linguagem de programação.

Como construir um algoritmo passo a passo

Comece nomeando a tarefa em uma única frase, como "verificar se um número é par". Identifique a entrada e, em seguida, descreva a saída esperada. Para esta tarefa, a entrada é um número e a saída é uma mensagem informando se ele é par ou não.

Escreva as instruções na seguinte ordem: leia o número, divida-o por dois, verifique o resto e exiba a mensagem correta. Em seguida, teste o procedimento com entradas comuns, como 8 e 11. Um bom teste verifica se cada resultado corresponde à regra que você definiu.

Experimente também com casos extremos, como zero ou um valor que a tarefa não permite. Scratch, Blockly, Flowgorithm, PSeInt e RAPTOR ajudam iniciantes a representar ou praticar algoritmos. Alguns oferecem blocos visuais ou fluxogramas, para que você possa se concentrar na sequência antes de escrever códigos mais complexos.

Como a IA e o aprendizado de máquina usam algoritmos

Inteligência artificial, ou IA, é um campo da ciência da computação. Um algoritmo é um processo ou conjunto de regras que um sistema de IA pode usar. A IA em si não é um único algoritmo: os sistemas combinam algoritmos com dados e poder computacional para realizar tarefas.

A aprendizagem de máquina é uma abordagem de IA na qual um sistema usa exemplos para identificar padrões e ajustar previsões. Por exemplo, um sistema pode aprender com exemplos passados para estimar qual item pode interessar a alguém. Seu resultado depende das informações recebidas e do processo usado para interpretá-las.

Uma cifra de deslocamento de letras mostra como um processo preciso manipula o texto. Para decodificar uma mensagem, cada letra é movida cinco posições para trás em um alfabeto espanhol que inclui o ñ. Quando um deslocamento ultrapassa o início do alfabeto, ele retorna ao final, deixando os espaços inalterados.

Usando essas regras, “KJQNE INF IJ QTX UW TLWF RFI TWJX” decodifica para “FELIZ DIA DE LOS PROGRAMADORES” somente se o texto codificado estiver espaçado e deslocado de forma consistente. Neste exemplo, a saída depende do alfabeto e da regra de deslocamento, não do aprendizado. Teste um algoritmo em uma entrada próxima ao limite de suas regras, não apenas no exemplo que o fez funcionar pela primeira vez.

Que tipos de algoritmos resolvem problemas diferentes?

A busca binária restringe a busca em uma coleção ordenada verificando o elemento do meio e, em seguida, escolhendo a metade relevante. É um dos vários tipos de algoritmos, cada um desenvolvido para um problema diferente. O método correto depende da tarefa e do que é mais importante: velocidade, precisão ou facilidade de verificação.

Sequências, condicionais e repetições são estruturas de controle básicas: elas descrevem como as instruções são executadas. Métodos de busca, ordenação, algoritmos gulosos, programação dinâmica e probabilísticos descrevem estratégias mais amplas para resolver problemas. Cada estratégia tem casos de uso úteis, mas nenhum método isolado se adequa a todas as tarefas.

Algoritmos de busca Localizar um item. A busca sequencial verifica os itens um por um, enquanto a busca binária restringe repetidamente uma coleção já ordenada. Os algoritmos de ordenação organizam os itens, sendo o bubble sort, o selection sort e o quick sort alguns exemplos conhecidos. Esses exemplos mostram diferentes maneiras de organizar uma coleção.

Algoritmos gulosos escolhem uma opção local promissora a cada passo. O método do caminho mais curto de Dijkstra usa esse tipo de estratégia para encontrar rotas em uma rede. Uma escolha gulosa pode não alcançar o ótimo global, portanto, o método funciona melhor quando suas regras favorecem o resultado desejado.

A programação dinâmica armazena resultados de problemas menores e os reutiliza. Um cálculo de Fibonacci pode usar valores armazenados anteriormente em vez de resolver repetidamente os mesmos subproblemas. Algoritmos probabilísticos usam aleatoriedade para encontrar um resultado adequado; os métodos de Monte Carlo e Las Vegas são dois exemplos.

Os algoritmos também podem ser descritos como quantitativos ou qualitativos, e computacionais ou não computacionais. Um algoritmo matemático pode calcular 1 + 1 = 2, usando 1 e 1 como entradas e 2 como saída. Um procedimento baseado em regras pode formar plurais, mas deve levar em conta exceções, como matrizes se tornando matrizes.

A codificação de Huffman comprime informações atribuindo códigos com base na frequência com que os símbolos aparecem. A ordenação por seleção e a ordenação por bolha oferecem outras maneiras de ordenar itens, enquanto o método de Las Vegas usa aleatoriedade, mas verifica o resultado. Esses exemplos não representam uma classificação dos algoritmos mais utilizados.

A velocidade, a precisão e a facilidade de validação de um método podem ter impactos opostos. A abordagem mais rápida pode ser mais difícil de verificar, enquanto um método simples e exato pode levar mais tempo em uma tarefa complexa. Antes de escolher um método, defina se a tarefa prioriza velocidade, precisão ou facilidade de validação.

Como os algoritmos digitais classificam o que você vê online?

Um feed classificado é uma seleção, não um registro completo de tudo o que é publicado online. Um sistema de recomendação prevê o que pode lhe interessar e, em seguida, ordena publicações, resultados de pesquisa, vídeos ou anúncios. Sua classificação reflete os sinais que considera, e não uma medida completa do que importa.

Esses algoritmos podem usar atividades anteriores, interesses inferidos, padrões entre usuários semelhantes e contexto, como horário do dia ou dispositivo. Eles podem estimar com o que você interagirá e, em seguida, classificar o conteúdo com base nessa previsão. A combinação de dados e sua importância podem variar de acordo com a plataforma e o contexto.

Um feed classificado ordena os itens de um fluxo contínuo de conteúdo. Uma página de resultados de pesquisa responde a uma consulta específica, portanto, a relevância para essa pesquisa ajuda a determinar sua ordem. No Google, a classificação de pesquisa também pode considerar a qualidade dos links recebidos e o contexto geográfico.

As redes sociais podem levar em consideração sua atividade e seu relacionamento com o autor de uma publicação. Os sinais de classificação do Instagram incluem interesse, relevância e esse relacionamento. EdgeRank era um nome anterior para o sistema de classificação do feed do Facebook, não o nome do sistema de classificação atual.

As recomendações também influenciam o conteúdo exibido nas plataformas de vídeo. O YouTube estima que mais de 70% das visualizações em sua plataforma sejam provenientes de recomendações, e não de buscas ou links compartilhados. Os algoritmos de publicidade online também podem selecionar o público-alvo para anúncios específicos.

Esses sistemas processam grandes quantidades de informação, o que torna um fluxo ordenado útil para encontrar itens rapidamente. Uma combinação diferente de sinais pode colocar materiais diferentes no topo da lista, mesmo quando duas pessoas usam o mesmo serviço. Lembre-se de que ver um item no topo significa que ele foi classificado com destaque, não que seja o item mais preciso ou importante.

Como os algoritmos podem mudar opiniões e preferências?

Em um experimento de campo realizado em 2023, sete semanas no feed algorítmico de X aumentaram o engajamento e influenciaram algumas opiniões políticas em uma direção conservadora. As mudanças observadas afetaram algumas opiniões, mas não todas as posições políticas testadas. Essa distinção é importante quando se considera como um feed pode influenciar a exposição.

O que o Experimento X Feed de 2023 descobriu

O experimento de campo randomizado envolveu usuários ativos do X nos EUA em 2023. Os pesquisadores trocaram o feed cronológico dos participantes por um feed algorítmico durante sete semanas. A mudança aumentou o engajamento e direcionou algumas opiniões para uma postura mais conservadora.

Essas mudanças envolveram pontos de vista sobre prioridades políticas, investigações criminais contra Donald Trump e a guerra na Ucrânia. Experimento de alimentação X 2023 Não foi encontrado nenhum efeito significativo na polarização afetiva ou no partidarismo autodeclarado. Uma mudança em algumas opiniões não significa que todas as medidas políticas tenham mudado.

O algoritmo X estudado promoveu conteúdo conservador e reduziu a visibilidade de publicações da mídia tradicional. Alguns usuários continuaram seguindo contas de ativistas conservadores que haviam começado a seguir mesmo após o algoritmo ser desativado. Esse padrão demonstra como mudanças na exposição podem influenciar as escolhas posteriores dos usuários.

O que o ranking baseado no engajamento amplificou

Um experimento randomizado, realizado entre 11 e 27 de fevereiro de 2023, contou com a participação de 806 usuários únicos do Twitter nos EUA. Eles participaram 1.730 vezes. Os pesquisadores compararam os 10 primeiros tweets classificados por engajamento com os 10 primeiros tweets classificados em ordem cronológica inversa.

A classificação baseada no engajamento amplificou conteúdo emocionalmente carregado e hostil a grupos externos. Os usuários relataram que esse conteúdo os fez sentir pior em relação ao seu grupo político externo. Os participantes não preferiram os tweets políticos selecionados pelo algoritmo baseado no engajamento.

Uma análise exploratória descobriu que a classificação por preferências declaradas reduziu o conteúdo raivoso, partidário e hostil a grupos externos. Essa abordagem também pode reforçar câmaras de eco. Um método de classificação pode reduzir um efeito indesejado, mas criar um risco diferente.

Como o Facebook mudou seus objetivos no feed

Em 2015, o Facebook alterou seu algoritmo de feed para maximizar o tempo gasto lendo ou assistindo a conteúdo. Essa mudança levou a um uso mais passivo, conteúdo produzido mais profissionalmente, menos interação social e menos compartilhamento de conteúdo original. Uma meta baseada no tempo pode moldar o tipo de material que atrai a atenção.

Posteriormente, o Facebook enfatizou as “interações sociais significativas”, impulsionando publicações de amigos e familiares e publicações com muitos comentários. A maior ponderação das reações emocionais provou ser problemática, pois as publicações com muitos comentários também deixavam as pessoas mais irritadas. Uma métrica que parece sinalizar interesse também pode recompensar conteúdo que provoca sentimentos fortes.

Cada experimento mediu usuários, períodos de tempo e resultados específicos, e não uma resposta universal a todas as publicações. Uma publicação pode afetar a exposição e algumas opiniões sem produzir uma mudança mensurável em todas as atitudes políticas.

Os algoritmos criam bolhas de filtro?

Uma bolha de filtro é a previsão de que a personalização irá restringir sistematicamente o leque de notícias que uma pessoa encontra. A hipótese descreve um padrão esperado, não um resultado garantido para todos os usuários. É algo relacionado a uma câmara de eco, mas diferente dela.

O que prevê a hipótese da bolha de filtro

A hipótese da bolha de filtro afirma que a seleção personalizada pode mostrar repetidamente a uma pessoa conteúdo que corresponda a seus interesses preexistentes. Com o tempo, essa pessoa pode se deparar com menos pontos de vista ou tópicos. Os resultados de busca do Google e os feeds do Facebook são diferentes ambientes digitais onde a seleção pode moldar a exposição.

Uma câmara de eco descreve um ambiente onde as pessoas encontram principalmente opiniões semelhantes às suas. Isso pode acontecer por meio de escolhas sociais e conversas, não apenas por meio de algoritmos. Uma bolha de filtro se concentra na seleção personalizada; uma câmara de eco se concentra nas opiniões que uma pessoa encontra.

O que a pesquisa sobre diversidade nas notícias revela

Uma revisão de pesquisas constatou que a seleção algorítmica por mecanismos de busca, mídias sociais e outras plataformas digitais geralmente leva a um consumo de notícias ligeiramente mais diversificado. Esse padrão geral difere da previsão da bolha de filtros, que apontava para uma exposição a notícias mais restrita. Ele descreve um resultado amplo encontrado em diversas pesquisas, e não a experiência de cada indivíduo.

O revisão de pesquisa sobre o uso de notícias digitais Descobriu-se que as câmaras de eco online são menos comuns do que se supõe e não se encontrou suporte para a hipótese da bolha de filtro. Isso não significa que todas as pessoas veem uma gama equilibrada de opiniões, ou que as câmaras de eco online não existam.

As pessoas ainda podem ter hábitos de consumo de notícias restritos, e plataformas ou escolhas específicas podem limitar o que elas encontram. O padrão geral da análise corrige uma afirmação excessivamente ampla sobre personalização. Considere o padrão geral da análise como uma correção a uma afirmação excessivamente ampla, e não como uma garantia sobre o feed de notícias de qualquer pessoa em particular.

Em que outros lugares os algoritmos são usados no dia a dia?

Os algoritmos podem lidar silenciosamente com tarefas tão diversas quanto estimar uma rota, sinalizar uma cobrança suspeita e verificar um formulário digital. Eles podem automatizar trabalhos repetitivos, processar informações e auxiliar na tomada de decisões. Um resultado útil ainda depende das informações que entram no processo.

Os usos diários incluem correção automática de teclado, texto preditivo, filtragem de spam, desbloqueio facial e agrupamento de fotos. Também incluem escolha de rotas por GPS, estimativas de tráfego, horários de ônibus, busca de caronas e roteamento de encomendas. Cada tarefa segue regras adequadas a uma entrada específica e ao resultado esperado.

Previsão do tempo, controle de termostato, ciclos de máquina de lavar roupa, alertas de fraude e autorização de cartão de crédito são outros exemplos. O mesmo ocorre com cheques em caixas eletrônicos, negociações automatizadas, reconhecimento de voz, legendas de acessibilidade e validação de formulários online. Essas 20 tarefas mostram com que frequência procedimentos automatizados estão por trás de serviços familiares.

O Google Maps e o Waze usam algoritmos para fornecer atualizações de trânsito em tempo real e sugestões de rotas. Suas escolhas de rota dependem de informações sobre as estradas e as condições do trânsito. Uma situação em constante mudança pode afetar a rota recomendada pelo sistema.

A Netflix usa sistemas de recomendação para sugerir filmes, enquanto a Amazon recomenda produtos. Algoritmos financeiros ajudam a detectar fraudes e a realizar negociações automatizadas. Essas aplicações processam informações para apoiar uma decisão ou selecionar uma opção, mas seus objetivos são diferentes.

Os fluxos de trabalho digitais podem combinar regras, integrações e IA para classificar informações e movê-las entre sistemas. Sistemas de documentos podem extrair e validar detalhes em faturas, contratos e formulários. Por exemplo, um fluxo de trabalho de fatura pode ler uma data e um valor e, em seguida, verificar se os campos obrigatórios estão presentes.

A automação não corrige informações inseridas incorretamente ou omitidas. Uma entrada de dados incorreta pode levar a uma saída errada, mesmo quando o processo segue suas instruções. Quando um resultado automatizado for importante, verifique se as informações inseridas no sistema estão completas e atualizadas.

Como você pode avaliar e influenciar um feed de recomendações?

Suas ações podem moldar o que um sistema de recomendação aprende, mas o efeito depende de como o sistema interpreta essas ações. A resposta de um serviço à sua atividade não é uma promessa de que você controla sua classificação. As crenças sobre como as recomendações funcionam também podem influenciar suas escolhas.

Em um experimento de laboratório, 750 participantes usaram um reprodutor de música personalizado. O comportamento deles mudou dependendo do que eles acreditavam que o algoritmo de recomendação priorizava e se eles acreditavam que suas ações afetariam as recomendações pessoais.

O experimento variou essas duas crenças: o que o algoritmo recompensa e se as ações do usuário influenciam as sugestões personalizadas. As pessoas podem ajustar suas atividades com base no que acreditam que o sistema valoriza, mesmo sem conhecer suas regras exatas.

O experimento de laboratório com reprodutor de música Mostra por que as suposições sobre personalização podem ser importantes. Não demonstra que todos os serviços respondem da mesma maneira. A crença de um participante pode moldar o comportamento mesmo quando a lógica real do sistema é diferente.

Se um serviço oferece controles de preferências ou feedback, faça uma alteração deliberada de cada vez. Você pode marcar uma recomendação como indesejada ou atualizar um interesse selecionado e, em seguida, observar o que aparece ao longo do uso repetido. Evite alterar vários controles ao mesmo tempo se quiser perceber qual ação pode ter feito a diferença.

Uma mudança no feed após um único ajuste não prova que o ajuste causou a diferença. Outras atividades, o tempo ou atualizações da plataforma também podem afetar o que é exibido. Faça pequenas alterações deliberadas e avalie os resultados com base no uso repetido, em vez de considerar uma única recomendação como prova definitiva.

Uma recomendação alterada não prova que um controle causou a mudança.

Conclusão

Os algoritmos fazem parte da lógica por trás de muitas experiências digitais, mas seus resultados ainda são seleções moldadas por regras e dados. Eles podem influenciar o que você percebe e como um sistema responde, mas não ditam todas as suas opiniões. Saber essa diferença ajuda você a usar as sugestões automatizadas com cautela.

Antes de agir com base em um resultado automatizado importante, considere quais informações e suposições o moldaram. Uma recomendação pode ser adequada à sua atividade recente sem representar todas as opções úteis. Da próxima vez que uma recomendação for relevante, pare para refletir sobre o que ela pode estar priorizando antes de confiar nela.