21 september 2016 940 woorden, 4 min. gelezen

Hoe we ons aanpassen aan de verwachtingen van algoritmes

Door Pierre-Nicolas Schwab Gepromoveerd in marketing, directeur van IntoTheMinds
De technologie en vooral algoritmes hebben de openbare ruimte ingenomen. Volgens Alain Damasio “is vrijheid geen wenselijk concept meer” (Frans). Veiligheid en gebruiksgemak zijn de belangrijkste hefbomen voor succes; het succes van aanbevelingssystemen bewijst dat. We zijn omringd door informaticacodes […]

De technologie en vooral algoritmes hebben de openbare ruimte ingenomen. Volgens Alain Damasio “is vrijheid geen wenselijk concept meer” (Frans). Veiligheid en gebruiksgemak zijn de belangrijkste hefbomen voor succes; het succes van aanbevelingssystemen bewijst dat.

We zijn omringd door informaticacodes die ons bemoederen, adviseren en beslissingen nemen in onze plaats. De zoekrobot van Google geeft ons zoekresultaten, Netflix zegt ons wat te bekijken en het algoritme van Facebook (EdgeRange) wat we moeten lezen op onze Facebook-pagina’s.

Natuurlijk zijn deze algoritmes in zekere zin een hulp. De hoeveelheid informatie rondom ons is simpelweg enorm geworden (de infobesitas JL Servan Schreiber in zijn laatste boek (Frans) aanklaagt) en zonder algoritmes zouden we online veel minder efficiënt zijn, meer heuristisch zijn. Toch hebben deze algoritmes ook een donkere kant. Ze maken dat wij ons eigen gedrag veranderen, meer gaan rekening houden met de algoritmes en dat te doen wat ze van ons verwachten.

Laten we twee voorbeelden nemen: Facebook en Netflix.

Gebruikers van Facebook wijzigen hun gedrag om meer zichtbaar te zijn

Bekijken we eerst het algoritme van Facebook, EdgeRank genaamd. Hoewel het mechanisme erachter verborgen blijft in een dubbel gesloten zwarte doos, zijn experts het erover eens dat het succes van een « status » op Facebook afhangt van het aantal likes, commentaren en het aantal keren gedeeld te zijn. De populariteit van de auteur speelt ook een rol, zoals Taina Bucher het opmerkelijk aantoont in een artikel uit 2012 (Engels). EdgeRank heeft een beloningsmechanisme ingevoerd, waaraan gebruikers zich hebben gehecht. Het geld dat EdgeRank hanteert is zichtbaarheid. Bucher schrijft:

In Facebook there is not so much a ‘threat of visibility’ as there is a ‘threat of invisibility’ that seems to govern the actions of its subjects. The problem as it appears is not the possibility of constantly being observed, but the possibility of constantly disappearing, of not being considered important enough. In order to appear, to become visible, one needs to follow a certain platform logic embedded in the architecture of Facebook.

Vrije vertaling:

Facebook bevat niet zozeer een «zichtbaarheidsrisico», maar eerder een «onzichtbaarheidsrisico» dat de acties van de gebruikers lijkt te sturen. Het probleem zoals het zich voordoet is niet de mogelijkheid van voortdurend bekeken te worden, maar eerder de kans om permanent onzichtbaar te zijn, om niet belangrijk genoeg geacht te worden. Om op te vallen en zichtbaar te zijn, moet men een logica volgen die inherent is aan Facebook.

Het algoritme « leert » (om niet te zeggen « dresseert ») de gebruikers die overigens niet voor de gek worden gehouden. Zij herkennen inderdaad de impact van het algoritme (zoals wordt aangetoond in de studies van Rader en Gray (2015) (Engels) en Eslami en al. (2015) (Engels). Zoals bij een grootschalig Pavlov-experiment wachten Facebook-gebruikers op hun beloning (hun dosis zichtbaarheid) in ruil voor hun gedrag conform het algoritme. Zoals Bucher het beschrijft:

EdgeRank, dat als een opgelegde discipline werkt, creëert mensen die voortdurend hun gedrag wijzigen om normaal te kunnen lijken.

Netflix creëert films die de beste cijfers krijgen

Het aanbevelingssysteem van Netflix gebruikt scores om te voorspellen welke films een klant graag zou willen zien. Netflix heeft aanzienlijke kennis opgedaan in details die invloed hebben op het succes van een film en op de kans dat een klant ernaar zou kijken. De studie van zeer uiteenlopende factoren heeft het voor hen mogelijk gemaakt om een segmentering te ontwikkelen die volledig breekt met de gebruikelijke socio-demografische regels. Netflix heeft een verfijnde algoritmische kennis van de invloed van de kenmerken van een film, waardoor het een recept op maat kan maken voor een maximale kans op succes (d.w.z. zoveel mogelijk kans op een goede score). Hallinan en Striphas (2016) verklaren dit fenomeen:

Het verzamelen en de interpretatie van gegevens sijpelt door via tal van facetten, vanaf de besluitneming door bedrijven, het blokkeren van potentiële aankopen tot de ontwikkeling van de aankoopcontext. Netflix neemt niet alleen auteurs in dienst waarbij de visie het haalt op al het andere. In het geval van Orange is the New Black, meldt Sarandos dat Netflix de keuze van de casting heeft beïnvloed om tegemoet te komen aan de suggesties van de algoritmes wat betreft de keuze van acteurs die de kijker zou kunnen behagen en zo nieuwe inschrijvingen kan opleveren (citaat uit Rose, 2013). Het bedrijf heeft nog een andere grens overschreden door een volledig seizoen in één keer online te zetten in plaats van iedere week op een vast uur een episode uit te zenden. Het afstappen van een vaste programmatie, een dagelijkse praktijk bij televisie, ten gunste van « binge watching » is ontstaan uit de analyse van Netflix-gegevens, waaruit bleek dat kijkers meer dan één episode per keer bekijkt. Die ontdekking heeft ook de structuur en inhoud van die uitzendingen aangepast, zodat scenaristen herhalingen aan het begin van een uitzending, cliffhangers en andere verhaallijnen bedoeld om kijkers tussen reclameblokken te behouden, kunnen weglaten. Daar waar Netflix niet zegt hoe hun productiebeslissingen door gegevens zijn beïnvloed, bevestigt Sarandos wel dat het doel van het bedrijf een « optimalisatie van beste uitzendingen » is op basis van feitelijke gegevens (citaat uit Karpel, 2012).

Conclusie

Het geval van Facebook en Netflix toont aan hoe gedragingen gewijzigd kunnen worden (al dan niet impliciet) om te beantwoorden aan de verwachtingen van algoritmes. In het eerste geval wijzigen gebruikers hun verwachtingen; in het tweede passen producenten de inhoud van hun uitzendingen aan om de reactie op het logaritme te optimaliseren. Het gevaar van een algoritmische regeling (voorbij de hier aangehaalde vrijheid) is de normalisering van gedragingen. “Commentaren en participatie worden acties waarmee iemand de gewenste middelmaat kan bereiken”. (Bucher, 2012).

En wat is een maatschappij waarin iedereen naar de middelmaat neigt? Een middelmatige maatschappij.

 

 



Posted in Innovation, Marketing.

Plaats uw mening

Je e-mailadres zal niet getoond worden. Vereiste velden zijn gemarkeerd met *