De blog van het marketing agentschap IntoTheMinds
Marktonderzoek en ondernemers coaching

Aanbevelingsalgoritmes: hoe groot is de « filter bubble »

Share This Post On

Aanbevelingsalgoritmes worden ervan beschuldigd de gebruiker op te sluiten in een  filter bubble (Engels) en het informatiebereik en de mogelijkheid van ontdekkingen te beperken (wat de Engelsen « serependity » (Engels) noemen). De grootste tegenstander van aanbevelingssystemen is wellicht Eli Pariser (Engels), die de term « filter bubble » uitvond om de wijze te illustreren waarop externe « filters » ons in een bubble opsluiten.

Ondanks de zeer overtuigende argumenten uit zijn boek uit 2011 is Pariser er niet helemaal in geslaagd om zijn theorie te staven met cijfers (wat perfect te begrijpen is gezien het in 2011 om iets geheel nieuws ging). In dit artikel geven wij u de resultaten van een wetenschappelijk onderzoek over dit fenomeen. De resultaten zijn misschien niet wat u ervan verwacht.

Het onderzoekskader

De studie (Engels) is gebaseerd op het aanbevelingssysteem van MovieLens (Engels) en vooral op de activiteit van 217.267 unieke gebruikers sinds 1997. Ongeveer 20.000 films kregen een score en er werden 20 miljoen punten toegekend.

Wat werd onderzocht

Er werden twee groepen gebruikers onderzocht : zij die de aanbevelingen van het algoritme volgden (de « volgers) en zij die dat niet deden (de “niet-volgers”). De onderzoekers bekeken de diversiteit van de gebruikte inhoud via de metagegevens van elke film. We gaan niet in detail, want dat zou enkel een klein deel van onze lezers interesseren. Als u een datawetenschapper bent en meer informatie wenst, neem gerust contact met ons op.

Laten we nu de resultaten bekijken.

Resultaten: bestaat de filter bubble ?

De eerste conclusie is dat de diversiteit van de inhoud in de loop der tijd lichtjes verminderd, ook voor gebruikers die de aanbevelingen niet opvolgden. Het lijkt er dus op dat gebruikers niet blootstellen aan aanbevelingen hen niet verhindert om zelf het gebruik van inhoud te verminderen.

De tweede conclusie is dat de diversiteit van bekeken films meer vermindert bij « niet volgers» dan bij «volgers». Dat is een zeer onverwacht resultaat.

De derde conclusie is dat de volgers meer tevreden waren met de filmpjes die ze bekeken dan de niet-volgers. In de loop der tijd waren de scores van volgers inderdaad hoger dan die van niet-volgers, wat doet vermoeden dat het aanbevelingssysteem zijn werk naar behoren uitvoert door goede films aan te bevelen.

Conclusie

Deze studie gaat in tegen het bestaan van een filter bubble en toont aan dat aanbevelingsalgoritmes inderdaad een licht positieve invloed hebben op het vinden van inhoud.

Toch is het effect zo zwak dat het marginaal wordt en er is nog veel onderzoek nodig om van aanbevelingssystemen ontdekkingssystemen te maken die de nieuwsgierigheid en “serependiteit” aanmoedigen.

Author: Pierre-Nicolas Schwab

Pierre-Nicolas is de directeur van de marketing agentschap IntoTheMinds. Hij heeft speciaal interesse voor e-commerce, retail, HoReCa en supply-chain projecten. Hij is ook een onderzoeker aan de Vrije Universiteit Brussel en werkt ook als coach voor meerde publieke organisaties. Hij verwelkomt Linkedin uitnodigingen : gelieve gewoon een paar woorden toe te voegen en uit te leggen waarom U wilt connecteren.

Share This Post On

Submit a Comment

Your email address will not be published. Required fields are marked *