Big Data: we moeten opnieuw nadenken over de wijze waarop we filterbubbels onderzoeken

Big Data: we moeten opnieuw nadenken over de wijze waarop we filterbubbels onderzoeken

Op de RecSys 2018-conferentie had ik het in het laatste deel van mijn voordracht over het nuanceren van de mythe van de filterbubbels. Dat deed ik door de grenzen van het huidige wetenschappelijke onderzoek aan te tonen en een nieuw onderzoekkader voor te stellen.

Het onderzoek naar filterbubbels heeft zich te veel gericht op technologische aspecten

Zoals ik uitlegde in de keynote die ik gaf op de RecSys 2018-conferentie, heeft het wetenschappelijk onderzoek naar filterbubbels zich voornamelijk gericht op technologische aspecten en kan het als deterministisch worden beschouwd. Het weggaan uit de “filterbubbel” werd voornamelijk gemeten op basis van klikken en op het “springen” van een gebruiker van de ene inhoudscategorie naar de andere.

Hoewel deze benadering zeker nodig was om dit nieuwe probleem te onderzoeken (vergeet niet dat de filterbubbeltheorie in 2011 door Eli Pariser populair werd gemaakt), lijkt ze mij achteraf gezien te lijden onder de tekortkomingen die ik in dit artikel wil uitleggen.

  1. Ten eerste is de grootte van de filterbubbel (als die al bestaat) voor een bepaalde gebruiker niet noodzakelijkerwijs een constante. Het lijkt mij dat ze in de tijd kan variëren. Het huidige wetenschappelijke werk is nog niet gericht op het bestuderen van deze zogenaamde longitudinale (d.w.z. temporele) variaties.
  2. Ten tweede kan de filterbubbel niet worden gereduceerd tot een eenvoudige overgang van de ene categorie naar de andere. De definitie van “categorie” komt in heel wat studies uit de structuur van de geanalyseerde gegevens zelf. Is het niet vreemd om een fenomeen te bestuderen dat de gebruiker beïnvloedt door gebruik te maken van een technisch leesrooster in plaats van een gebruikersgerichte benadering?
  3. Ten derde (en misschien wel het belangrijkst), vereist de studie van de filterbubbel dat er rekening wordt gehouden met de herhaalde consumptie van dezelfde inhoud in de tijd. U kunt niet zeker zijn dat een gebruiker zijn filterbubbel verlaat als u niet nagaat of zijn nieuwe consumptiegewoonten in de loop van de tijd worden gehandhaafd.

De RecSys-conferentie en in het bijzonder de FATREC-workshop hebben mij in staat gesteld om mijn reflecties te laten rijpen en nieuwe onderzoeksrichtingen voor te stellen om de hierboven vermelde lacunes op te vullen.

Deze 3 dimensies werden niet in aanmerking genomen in onderzoek naar filterbubbels

De tot nu toe gevolgde technologische aanpak heeft het niet mogelijk gemaakt om rekening te houden met de volgende drie gebruikersperspectieven:

  • Intentie
  • Persoonlijkheid
  • Risico

Deze drie factoren bepalen de openheid van een gebruiker voor ontdekking en bepalen de waarschijnlijkheid om een aanbeveling te volgen op basis van exploratie in plaats van precisie.

Intentie” omvat de neiging van de gebruiker om een nieuw type aanbeveling te volgen, meer verkennend van aard, afhankelijk van de context. Gebruikers zoeken soms actief, onder specifieke omstandigheden, naar verbreding van hun kennisveld, wat een hefboom is voor het volgen van meer verkennende en dus minder precieze aanbevelingen. Dit kan bijvoorbeeld het geval zijn wanneer de gebruiker ontevreden is over eerdere aanbevelingen (hetzelfde geslacht, dezelfde muziekkunstenaar, dezelfde acteur), verzadigd is met informatie over hetzelfde onderwerp (informatie-aanbeveling), of geconfronteerd wordt met een nieuwe situatie die hem vraagt om een nieuwe oplossing te vinden (objectaanbeveling om aan een nieuwe behoefte te voldoen, aanbeveling van een nieuwe route in geval van opstopping van de normaal gebruikte route, etc.).

Persoonlijkheid” is een variabele die de openheid voor meer diverse, minder precieze aanbevelingen bepaalt. Onze emoties en stemming staan in het teken van de persoonlijkheid, zoals Marko Tkalčič aantoonde in zijn recente bijdrage. Volgens Burger (2010) wordt persoonlijkheid beschreven als “een samenhangend patroon van gedrag en interpersoonlijke processen afgeleid van het individu”. Onderzoek over dit onderwerp heeft duidelijk het oorzakelijk verband tussen persoonlijkheid en openheid aangetoond en heeft ook aangetoond dat persoonlijkheid invloed heeft op de manier waarop mensen beslissingen nemen. Openheid maakt deel uit van het vijffactorenmodel (FFM) dat door Costa en McCrae (1992) werd ontwikkeld.

Het begrip “risico” dekt het idee dat de gebruiker geconfronteerd kan worden met marginale consumptiekosten die zijn bereidheid verminderen om een nieuwe, meer verkennende aanbeveling uit te proberen. Voor abonnementsdiensten (video-on-demand, streaming) is het volgen van een aanbeveling gratis voor de gebruiker. De enige marginale kosten die verband zouden kunnen houden met een slechte aanbeveling is de potentiële frustratie van de gebruiker over het volgen van een onbevredigende aanbeveling en het verspillen van tijd. De situatie is natuurlijk heel anders als het gaat om e-commerce, waar slechte aanbevelingen financiële kosten voor de gebruiker met zich mee kunnen brengen. E-commerce platforms proberen dit risico te beperken door enerzijds klantenbeoordelingen en meningen weer te geven en anderzijds gratis rendement te bieden. In het algemeen kan dus worden gesteld dat de kosten voor de gebruiker de vorm hebben van tijdverlies wanneer definitieve financiële gevolgen kunnen worden uitgesloten.

Ik hoop dat dit artikel u een nieuw perspectief op filterbubbels heeft bijgebracht en een inspiratie kan zijn voor wetenschappers die ons in hun toekomstige onderzoeksrichtingen lezen.


Geplaatst in Onderzoek.