Creados para ofrecerte única y exclusivamente aquel contenido que más se adapta a tus gustos, preferencias y creencias, los algoritmos de recomendación pueden convertirse en un arma de doble filo, haciéndote vivir en una burbuja informativa.
En los portales de ventas es muy evidente: en cuanto le echas un vistazo a algún producto de Amazon, o de Asos, te verás abrumado por una avalancha de sugerencias similares a tu búsqueda.
Algo más sutiles son las recomendaciones en el ámbito noticioso. Hasta hace poco, y a pesar del fenómeno de la homofilia, hemos estado más o menos expuestos, y hemos dedicado mayor o menor atención, a noticias y contenidos de distintas tendencias e ideologías. Podíamos dejar de comprar el periódico más alejado de nuestra orientación política, pero aún en el que adquiríamos hallábamos distintas noticias, de varios sectores y distintos autores, corriendo el “riesgo” de sufrir una disonancia cognitiva, este “estrés” o “desasosiego” que nos entra cuando nos vemos expuestos a ideas o creencias que chocan con nuestra propia biblioteca de emociones y pensamientos.
Pero ahora este “riesgo”de tener que confrontar tu ideario a distintos puntos de vista se ha visto radicalmente disminuido, con todo lo que ello conlleva, por lo menos en el entorno digital.
Creímos que en Internet diversas voces podían llegar a todos los usuarios, en una perfecta democracia de contenidos donde todos teníamos cabida. Eso fue hace mucho tiempo. La web 3.0 conlleva una personalización de contenidos presente en todas las esferas, y no sólo en plataformas de comercios, donde el usuario espera ya este tipo de recomendaciones y está con las defensas altas.
Algoritmos y Big Data
Los algoritmos, operaciones a través de las cuales se lleva a cabo esta personalización de contenidos, están estrechamente ligados al Big Data y son aplicables a cualquier área, pero en realidad se llevan empleando desde hace más de 3.500 años, cuando los babilonios comenzaron a plasmar raíces cuadradas sobre arcilla. Sin embargo, para la aparición de los primeros sistemas de recomendación todavía habríamos de esperar hasta 1992, cuando dos investigadores informáticos, Paul Resnick y John Riedl, desarrollaron un método de recomendación para los artículos de Usenet, una red global de discusión online creada en 1979, predecesora de la famosa Arpanet.
Este sistema, desarrollado por Resnick y Riedl, trabajaba a partir de las notas elaboradas por los usuarios de Usenet sobre sus lecturas de los artículos. Los comentarios se utilizaban entonces para predecir hasta qué punto un usuario que no hubiese leído el artículo en cuestión sería proclive a apreciarlo. Estas recomendaciones se basaban, como en el “mundo real”, en sugerencias de los pares, y eran conocidas como “filtro colaborativo”.
Hoy en día, la recomendación la hacemos nosotros mismos. Bueno, nuestro “yo del pasado”. Todos los estados de Facebook, contenido compartido, likes, favoritos en Twitter, tiempo pasado en una página, visionados de películas, etc. que hemos ido generando nosotros mismos conforma nuestro “filtro colaborativo”, y que viene a sumarse a la información archisabida fácilmente localizable en Internet: nombre, profesión, edad, sexo, lugar de origen, entre otras. Todos estos datos, y más, es el pienso que come el algoritmo de recomendación, digerido en complejas operaciones matemáticas, llenas de letras griegas, comas, subíndices, y líneas.
Y es que, matemáticamente, existen numerosas variaciones con las que realizar estas predicciones, que, en resumidas cuentas, es de lo que se trata un algoritmo de recomendación.
Además de su complejidad, este tipo de algoritmos presentan otras muchas dificultades y consecuencias. Una de las dificultades es el “arranque en frío”; cuando un usuario llega nuevo, ¿qué se le recomienda? Lo único que se le pueden sugerir son contenidos populares, corriendo el riesgo de que le resulten irrelevantes y, por ende, pierda interés.
Otra complicación que entrañan los algoritmos es la escasez de profesionales capaces de trabajar con ellos hoy en día (ya adelantábamos que estos perfiles triunfarían allá por 2020). Estos profesionales se cuentan en centenas en todo el mundo, y se han formado en unas escasas 300 instituciones. Cobran sueldos, mínimo, de 135.000 euros al año, y Facebook, Google y Amazon los acaparan. A esta escasez de perfiles se le suma el desconocimiento del resto de la sociedad, y la falta de códigos éticos o deontológicos que los regulen. ¿Qué pasa si un algoritmo decide no mostrar tu perfil profesional en los portales de búsqueda de empleo?
Pero, sin embargo, la consecuencia más imprevisible que traen consigo los algoritmos de recomendación es la ausencia de diversidad, que puede manifestarse de manera global y local.
La ausencia de diversidad global, como explicaba Raphaël Fournier-S’niehotta (profesor de Ciencias de la Computación en CNAM) para el diario Le Monde, consiste en recomendar a los usuarios única y exclusivamente el contenido popular. Un contenido poco visitado se recomendará poco; y a la inversa, un contenido popular será aún más recomendado.
Mass self-communication
Al mismo tiempo, la ausencia de diversidad local consiste en no recomendar al usuario más que lo que su “yo del pasado” ha retuiteado, gustado, compartido o visionado, lo que ya se conoce como “mass self-communication” (autocomunicación de masas, término acuñado por Nikki Usher Layser, de la Universidad de George Washington). Según esta ausencia de diversidad, un partidario de Clinton no recibiría nunca contenido relacionado con Trump, por ejemplo.
No en balde, los algoritmos de recomendación son señalados por muchos como uno de los motivos que dio a Donald Trump la victoria en las elecciones estadounidenses del pasado 8 de noviembre. Concebidos para suscitar el click y el engagement, muchos de los bulos que circularon por Internet en aquellos días lograron gran popularidad, por lo que los algoritmos los recomendaban más todavía. Según Buzfeed, 20 artículos falsos provenientes de sitios fraudulentos lograron 8,7 millones de shares, comentarios, y reacciones, frente a artículos de grandes diarios reconocidos (7,4 respectivamente). ¿Estarían los algoritmos de recomendación favoreciendo el sensacionalismo?
Junto al auge de los bulos, los algoritmos reforzarían además la homofilia, en detrimento de la disonancia cognitiva, llevándonos a vivir, en un extremo, en una burbuja informativa, un show de Truman: el confort ideológico, el no verse nunca expuesto a la contradicción ni a puntos de vista opuestos. Basados en reacciones y gustos del pasado, el algoritmo de recomendación configuraría nuestra opinión del mañana.
Nosotros mismos podemos pinchar esta burbuja informativa troleando a los algoritmos de recomendación reaccionando ante aquel contenido al que normalmente no daríamos like. En Facebook, otra opción es la de seleccionar en nuestro tablón de noticias la opción de “más recientes”, en lugar de “historias destacadas”. En Twitter bastaría con desmarcar la opción de “mostrarme los mejores tweets primero”.
Entender las dinámicas de los movimientos geográficos de las personas, predecir el gasto energético de una determinada instalación, o la creación de contenido audiovisual atractivo (House of Cards fue creada sobre algoritmos) son sólo algunas de las aplicaciones positivas que podemos extraer de los algoritmos, que, como casi todo en la vida, depende del uso que las personas le demos, alejándose de blancos y negros puros, con numerosos matices de gris.
