I. El sesgo de confirmación
El sesgo de confirmación ocurre cuando las personas buscan o evalúan información de tal forma en que dicha búsqueda o evaluación arroja resultados que se ajustan a su forma de pensar, sus preferencias o sus prejuicios. Al ser finalmente un sesgo, se trata de lo que la RAE (2020) define como: “Un error sistemático en el que se puede incurrir cuando al hacer muestreos o ensayos se seleccionan o favorecen unas respuestas frente a otras.”
II. YouTube y el sesgo de confirmación
¿YouTube propicia mayor sesgo de confirmación en sus usuarios? Según una entrevista documentada por el PEW Research Center (2018), el 70% del tiempo que pasan los usuarios en YouTube se debe principalmente al algoritmo que sugiere videos relacionados con lo que ven. Lo anterior favorece el modelo de negocios de esta empresa que forma parte de Google: funcionar como un broker de anuncios entre creadores, contenidos y anunciantes (entre más videos vea un usuario, más anuncios puede mostrar); pero entonces … ¿cómo nos engancha?
De acuerdo con la socióloga Zeynep Tufekci (2018) son los algoritmos de YouTube los que hacen que las personas se sientan atraídas por contenidos que son más “extremos” que los videos que los llevan a la plataforma en un inicio.
“Lo que estamos presenciando es la explotación computacional de un deseo natural de los humanos: mirar “detrás de la cortina”, profundizar en algo que nos involucra. A medida que hacemos clics y clics, nos dejamos llevar por la emocionante sensación de descubrir más secretos y más “verdades” profundas. YouTube lleva a los espectadores a un “rabbit hole” de extremismo, mientras que Google acumula ventas de anuncios.
Los seres humanos tienen muchas tendencias naturales que necesitan ser monitoreadas atentamente en el contexto de la vida moderna. Por ejemplo, nuestra ansiedad evolutivamente heredada por consumir grasa, sal y azúcar (que nos sirvió bien cuando la comida escaseaba), puede llevarnos ahora por un mal camino en donde ya estos ingredientes son demasiado abundantes y procesados para nosotros. Así también nuestra curiosidad natural por lo desconocido puede llevarnos por mal camino en un sitio web que nos lleva en una dirección de mentiras, engaños y desinformación.”
Rodriguez, A. (2018). CES 2018: YouTube’s algorithms drive 70% of what we watch. Quartz.
III. ¿Cómo funcionan las redes neuronales de Google Brain en YouTube?
YouTube tiene un diseño de plataforma en donde el usuario, al ver un video de su interés de repente van apareciendo videos del mismo canal o de la misma temática al inicio, pero, sobre todo, dentro de cada video se encuentra la sección de reproducción automática en donde el video sugerido puede ser del mismo canal o de un tema similar para que el usuario siga consumiendo. De acuerdo los desarrolladores de Google (Covington et al., 2016), la manera en la que YouTube determina qué video sugerir es a través del desarrollo de redes neuronales que toman en cuenta una serie de factores (siendo el número de vistas, el historial de videos vistos por los usuarios, y las interacciones -incluyendo comentarios- previas de los usuarios con otros videos; algunos de los factores más relevantes) que determinan una puntuación o score en cada video; al final, los videos con la mejor puntuación se presentan a los usuarios que los algoritmos determinen que pueden ser más relevantes para los usuarios. La arquitectura del sistema de recomendación de videos es el siguiente:
Covington, P., Adams, J., & Sargin, E. (2016).
IV. Una prueba a los algoritmos que sugieren videos en YouTube
Para este ejercicio quisimos entender si YouTube recomienda videos que refuerzan las opiniones o creencias de sus usuarios. Para lograrlo, realizamos los siguientes cinco pasos:
1) A través del desarrollo en node.js, Puppeteer, simulamos un usuario (persona) que realiza una primera consulta: “¿La tierra es plana?” en YouTube y que comienza a interactuar con los videos que se le sugieren.
2) Empleando R Studio y la librería tidy, construimos dos tablas con las palabras más frecuentes en los comentarios hacia los dos videos que sugirió YouTube de forma más frecuente luego de que el “títere” interactuara (programado) con los videos recomendados. Para eliminar las stop-words aplicamos el filtro Google Code Archive Stop-Words (https://code.google.com/archive/p/stop-words/).
Las 30 palabras más recurrentes en los comentarios al video: Dross hablando sobre los TERRAPLANISTAS y los ANTIVACUNAS | The Wild Project
Las 30 palabras más recurrentes en los comentarios al video: Historias Innecesarias: El ORIGEN de los ANTIVACUNAS (y el PELIGRO que representan)
3) La base de datos anterior se procesó para construir un archivo de grafo dirigido que permite visualizar la relación entre los videos que nos sugirió YouTube. En este punto fuimos capaces de encontrar la relación entre los videos sobre la Tierra plana con los videos relacionados a temas anti-vacunas. En las siguientes imágenes se muestran dichos grafos:
4) Con la librería D3.js obtuvimos una serie de visualizaciones de tipo aluvial en las que se muestra la relación, canales y categorías de los cien videos con más vistas que YouTube sugirió al “títere”. La siguiente visualización es un diagrama aluvial que muestra la relación de los canales y videos con respecto a las categorías temáticas establecidas por YouTube. Entre más gruesa es una línea, significa que existe mayor frecuencia en la variable, por ejemplo, “Entretainment” es la categoría a la que pertenece la mayoría de los videos que YouTube sugirió al “títere”.
HAZ CLIC EN LA IMAGEN PARA AGRANDAR – Diagrama aluvial que muestra la relación canal, video y categoría de los cien videos con más visualizaciones dentro del total del corpus (451 videos sugeridos).
Descarga aquí esta visualización
Descarga aquí el diagrama aluvial en formato de mayor resolución.
Alluvial Diagram Terraplanista-01.png
Formato Portable Network Image 3.3 MB
5) Finalmente elaboramos esta nube de la palabras con los títulos de los 451 videos que YouTube recomendó:
HAZ CLIC EN LA IMAGEN PARA AGRANDAR – Nube de palabras con los títulos de los 451 videos sugeridos por YouTube.
Descarga aquí esta visualización
Descarga aquí la nube de palabras en formato de mayor resolución.
wordcloud_Videos sugeridos por YouTube_T
Formato Portable Network Image 1.4 MB
REFERENCIAS
- Covington, P., Adams, J., & Sargin, E. (2016). Deep Neural Networks for YouTube Recommendations. RecSys. https://doi.org/10.1145/2959100.2959190
- Rodriguez, A. (2018). CES 2018: YouTube’s algorithms drive 70% of what we watch. Quartz. https://qz.com/1178125/youtubes-recommendations-drive-70-of-what-we-watch/
- Smith, A., Toor, S., & Kessel, P. (2018). Many Turn to YouTube for Children’s Content, News, How-To Lessons. Pew Research Center: Internet, Science & Tech. https://www.pewresearch.org/internet/2018/11/07/many-turn-to-youtube-for-childrens-content-news-how-to-lessons/
- Tufekci, Z. (2018). YouTube, the Great Radicalizer. The New York Times. https://www.nytimes.com/2018/03/10/opinion/sunday/youtube-politics-radical.html
Ilustración del banner de Polina Alexeenko.
