Na naslovnoj strani portala, u aplikaciji ili na društvenoj mreži publika retko vidi sav dostupan sadržaj istim redosledom. Neko mora da odluči šta se pojavljuje prvo, šta ostaje niže, a šta korisnik možda uopšte neće videti.
Ranije je veliki deo tog izbora bio vidljivo urednički: urednik je odlučivao koja vest ide na vrh naslovne strane. Danas se taj proces često deli između ljudi i automatizovanih sistema koji procenjuju koji sadržaj bi mogao biti relevantan određenom korisniku u određenom trenutku.
To ne znači da algoritam „zna“ koja je vest najvažnija ili najistinitija. Sistem uglavnom rangira sadržaj prema ciljevima i signalima koje su ljudi prethodno definisali: relevantnosti, svežini, interesovanjima, klikovima, čitanju, pretplatama, povratku korisnika ili drugim pokazateljima.
Zato pitanje nije samo „šta algoritam bira?“, već i „prema kom cilju je naučen da pravi taj izbor?“.
Algoritam ne bira vesti izvan pravila koja mu je neko postavio
Sistem preporuke nije nezavisni urednik sa sopstvenim novinarskim vrednostima.
On dobija određeni skup mogućeg sadržaja, podatke ili signale o korisniku i cilj prema kojem treba da rangira opcije.
Pojednostavljeno, sistem može pokušavati da proceni:
- kolika je verovatnoća da će korisnik otvoriti tekst;
- koliko dugo bi mogao da ga čita;
- da li će pogledati još jedan sadržaj;
- da li će se vratiti na platformu;
- da li će se pretplatiti;
- koliko je tema slična njegovim prethodnim interesovanjima;
- koliko je sadržaj nov ili trenutno popularan.
Koje od tih signala sistem koristi i koliku težinu im daje zavisi od konkretnog proizvoda.
Rangiranje i preporuka nisu potpuno ista stvar
Algoritamski izbor može imati više oblika.
Rangiranje određuje kojim redosledom će se prikazati sadržaj iz već definisanog skupa.
Preporuka pokušava da iz mnogo većeg skupa pronađe sadržaj koji bi mogao biti relevantan konkretnom korisniku.
Na portalu, na primer, uredništvo može unapred odabrati deset najvažnijih dnevnih priča, dok algoritam personalizuje samo deo „Preporučujemo za vas“.
Na drugoj platformi automatizovani sistem može imati mnogo veću ulogu i odlučivati koje objave iz ogromnog broja dostupnih izvora korisnik uopšte vidi.
Zato nije dovoljno reći da „algoritmi biraju vesti“. Važno je znati gde algoritam ima slobodu izbora, a gde postoje uredničke granice.
Cilj optimizacije menja ono što publika vidi
Isti skup tekstova može izgledati potpuno drugačije u zavisnosti od toga šta sistem pokušava da maksimizuje.
| Cilj sistema | Šta može dobiti prednost | Mogući rizik |
|---|---|---|
| Broj klikova | Naslovi koji brzo privlače pažnju | Senzacionalizam i clickbait |
| Vreme čitanja | Duži ili detaljniji sadržaji | Važne kratke informacije mogu biti potcenjene |
| Povratak korisnika | Teme koje stvaraju naviku | Preveliko oslanjanje na postojeća interesovanja |
| Pretplata | Sadržaj povezan sa dugoročnom vrednošću za čitaoca | Teme važne široj javnosti možda nisu direktno konverzione |
| Raznovrsnost | Širi izbor tema i izvora | Ponekad niža neposredna stopa klika |
Zato optimizacija nije neutralna tehnička odluka. Ona predstavlja izbor onoga što organizacija smatra uspehom.
Klik nije isto što i zadovoljstvo korisnika
Naslov može izazvati klik zato što je dramatičan, zbunjujući ili emocionalno snažan.
To ne znači da je korisnik zadovoljan onim što je dobio.
Ako sistem nagrađuje samo CTR, medij može nenamerno davati dodatnu distribuciju sadržajima koji najbolje privlače klik, čak i kada nakon otvaranja razočaraju čitaoca.
Zato kvalitet preporuke treba posmatrati kroz više signala.
U zavisnosti od proizvoda, to mogu biti:
- čitanje ili gledanje sadržaja;
- povratak korisnika;
- pretplate;
- odjave;
- skrivanje preporuke;
- prijave sadržaja;
- raznovrsnost pročitanih tema;
- zadovoljstvo iz anketa;
- dugoročni odnos sa medijem.
Nijedna od ovih metrika sama po sebi ne definiše kvalitet novinarstva, ali zajedno daju bolju sliku od prostog broja klikova.
Algoritam uči iz ponašanja koje je sam pomogao da proizvede
Ovde nastaje zanimljiva povratna sprega.
Zamislimo da sistem jednom članku da više početne vidljivosti.
Više ljudi ga zatim vidi, pa više ljudi klikne. Sistem registruje veliki broj interakcija i zaključuje da je sadržaj popularan, zbog čega ga prikazuje još većem broju ljudi.
Na taj način početna odluka o distribuciji može uticati na podatke koji se kasnije koriste kao dokaz da sadržaj treba dodatno distribuirati.
Zato popularnost nije uvek potpuno nezavisna osobina članka. Delom može biti rezultat mesta i količine pažnje koju mu je sistem već dao.
Popularni sadržaj može postati još popularniji
Sistemi koji snažno koriste prethodne interakcije mogu razviti popularity bias: sadržaj koji već ima mnogo signala dobija više prilika da ih prikupi još.
To može otežati poziciju:
- novih autora;
- novih tema;
- lokalnih priča;
- specijalizovanog novinarstva;
- tekstova koji nemaju veliki početni talas pažnje.
Zbog toga kvalitetan sistem preporuke ne treba samo da koristi ono što već zna, već povremeno mora da testira i sadržaj za koji još nema mnogo podataka.
Eksploatacija poznatog i istraživanje novog
U sistemima preporuke postoji praktičan konflikt između dve strategije.
Eksploatacija znači prikazivanje sadržaja za koji sistem već ima razlog da veruje da će se korisniku dopasti.
Istraživanje znači povremeno prikazivanje nečeg novog kako bi sistem saznao da li korisnika zanima i sadržaj van postojećeg obrasca.
Ako se koristi samo prvi pristup, preporuke mogu postati veoma predvidive.
Ako se koristi samo drugi, sistem gubi relevantnost.
Dobar proizvod pokušava da pronađe ravnotežu.
Personalizacija može biti korisna
Personalizacija sama po sebi nije problem.
Čitalac koji redovno prati ekonomiju možda zaista želi da brzo vidi najnovije ekonomske analize. Osoba koja prati lokalne teme može ceniti da joj aplikacija istakne novu priču iz njenog grada.
Personalizacija može:
- smanjiti količinu nerelevantnog sadržaja;
- pomoći otkrivanju tema koje bi korisnik inače propustio;
- olakšati navigaciju kroz veliki broj članaka;
- povećati vrednost medijskog proizvoda za konkretnog čitaoca.
Problem nastaje kada relevantnost postane jedini kriterijum i kada korisnik vidi samo ono što potvrđuje njegove prethodne navike.
„Filter bubble“ nije neizbežan rezultat svake personalizacije
Često se govori da algoritamske preporuke automatski zatvaraju korisnika u informacioni mehurić u kojem vidi samo sadržaj sličan prethodnim interesovanjima.
Rizik sužavanja izloženosti postoji, ali situacija nije toliko jednostavna.
Na ono što osoba vidi utiču i:
- njene sopstvene navike;
- ljudi koje prati;
- platforma koju koristi;
- urednički izbor;
- popularnost pojedinih tema;
- pretrage koje sama pokreće;
- dizajn sistema preporuke.
Personalizovan sistem čak može povećati raznovrsnost ako je namerno dizajniran da povremeno preporučuje teme i izvore van uobičajenog obrasca.
Zato je korisnije pitati koliko je sistem raznovrstan i kakve podsticaje stvara nego pretpostaviti da svaka personalizacija proizvodi isti efekat.
Javni interes se ne može svesti na verovatnoću klika
Jedna od glavnih razlika između medijskog proizvoda i običnog sistema preporuke proizvoda jeste javna uloga novinarstva.
Korisnik možda nikada ranije nije kliknuo na vest o poplavama, izborima, epidemiji ili promeni zakona.
To ne znači da mu takva informacija nije važna.
Upravo zato potpuno personalizovana naslovna strana može biti problematična ako iz nje nestanu teme koje imaju veliki javni značaj samo zato što ne odgovaraju prethodnom ponašanju korisnika.
Urednički prioritet može biti ograničenje algoritma
Medij ne mora da bira između „sve određuju urednici“ i „sve određuje algoritam“.
Hibridni sistem može, na primer:
- zadržati nekoliko glavnih pozicija koje bira redakcija;
- obavezno prikazivati najvažnije breaking news informacije;
- personalizovati sekundarne preporuke;
- ograničiti koliko puta ista tema može dominirati feedom;
- namerno uključiti sadržaje iz različitih oblasti.
Algoritam tada rešava problem velikog izbora sadržaja, dok redakcija zadržava mogućnost da zaštiti novinarske prioritete.
Breaking news zahteva drugačija pravila
U normalnom danu sistem može koristiti istoriju ponašanja da personalizuje preporuke.
Tokom velike prirodne katastrofe, bezbednosne krize ili druge hitne situacije, ista logika možda više nije odgovarajuća.
Informacija od javnog značaja može dobiti prioritet čak i kod korisnika koji ranije nisu pokazivali interesovanje za tu temu.
Zato redakcijski sistem treba da ima mogućnost:
- ručnog prioritizovanja sadržaja;
- privremenog menjanja pravila distribucije;
- uklanjanja problematične preporuke;
- reagovanja na netačne ili zastarele informacije.
Algoritam može uticati i na uredničke odluke
Uticaj nije samo u smeru:
redakcija → algoritam → publika.
Postoji i povratni smer:
publika → analitika → redakcija.
Ako novinari svakog jutra vide koje teme imaju najviše klikova, vremena čitanja ili deljenja, ti podaci mogu uticati na izbor budućih tema.
To može biti korisno jer redakcija bolje razume publiku.
Ali ako se svaki urednički izbor donosi prema tome šta je prethodno imalo najveći CTR, medij može postepeno početi da proizvodi sve više sadržaja koji najbolje funkcioniše u metrikama, a sve manje sadržaja čija je vrednost dugoročnija ili manje komercijalno vidljiva.
Metrički uspeh i javna vrednost nisu uvek isti
Ozbiljno istraživanje može zahtevati mesece rada i privući manje čitalaca od kratke priče o poznatoj ličnosti.
Ako oba teksta procenjujemo isključivo po broju pregleda, drugi može izgledati „uspešniji“.
Ali urednička vrednost ne mora biti ista.
Zbog toga medijska organizacija treba unapred da razdvoji:
- metrike distribucije;
- metrike odnosa sa publikom;
- poslovne rezultate;
- uredničku i javnu vrednost.
Nisu sve ove kategorije moguće pretvoriti u jedan zajednički broj.
Clickbait može postati sistemski problem, ne samo urednička greška
Ako sistem dosledno nagrađuje sadržaj koji dobija klik, ljudi koji proizvode sadržaj brzo uče šta algoritam nagrađuje.
Tada se optimizacija ne odvija samo unutar softvera.
I autori mogu početi da:
- pišu dramatičnije naslove;
- biraju emocionalnije fotografije;
- prave više sadržaja o temama koje redovno generišu reakcije;
- izbegavaju teme za koje znaju da slabije prolaze u distribuciji.
Na taj način cilj algoritma može indirektno menjati i sam sadržaj koji ulazi u sistem.
Preporuka može pojačati postojeće pristrasnosti
Ako sistem uči iz istorijskih podataka, on uči i iz obrazaca koji su već postojali.
Ako je jedna tema godinama dobijala više prostora, sistem može imati mnogo više podataka o njenoj publici nego o temi koja je prethodno bila zanemarena.
Zato audit preporuka treba da pita:
- da li određene teme sistematski dobijaju manje vidljivosti;
- da li novi sadržaj dobija dovoljno prilike;
- da li preporuke postaju previše homogene;
- da li neki izvori ili autori dominiraju bez uredničkog razloga;
- da li se određene greške ponavljaju za pojedine grupe korisnika.
Raznovrsnost treba meriti, ne samo pretpostavljati
Medij može imati stotine kategorija, a da prosečan korisnik ipak redovno vidi veoma uzak skup tema.
Zato nije dovoljno reći da je ceo katalog raznovrstan.
Može se analizirati koliko različitih tema, autora ili vrsta sadržaja ulazi u preporuke pojedinačnog korisnika tokom vremena.
To ne znači da feed mora biti matematički jednak između svih tema. Cilj je proveriti da li sistem toliko snažno optimizuje prošlo ponašanje da praktično onemogućava otkrivanje nečeg novog.
Svežina i kvalitet nisu isto
Za vesti je vreme važno. Nova informacija često treba da dobije veću vidljivost od starijeg teksta.
Ali „najnovije“ nije automatski isto što i „najbolje“.
Analiza objavljena sat vremena kasnije može pružiti više konteksta od prve kratke vesti. Evergreen objašnjenje može biti najkorisniji sadržaj korisniku koji prvi put pokušava da razume temu.
Sistem zato može razlikovati:
- najnoviju informaciju;
- najvažniju informaciju;
- najrelevantnije objašnjenje;
- sadržaj koji odgovara trenutnoj nameri korisnika.
Preporuke na sopstvenom portalu i društvenim mrežama nisu isti problem
Medijska kuća ima mnogo veću kontrolu nad algoritmom na sopstvenoj naslovnoj strani nego nad distribucijom na velikoj društvenoj platformi.
Na sopstvenom sajtu može definisati:
- šta ulazi u skup preporuka;
- koji signali se koriste;
- koje pozicije su uredničke;
- koliko personalizacije postoji;
- koje metrike određuju uspeh.
Na eksternoj platformi deo tih odluka donosi sama platforma, a medij vidi samo ograničen deo sistema.
To je jedan od razloga zbog kojih je odnos medija i publike preko sopstvenih kanala važan za budućnost medija u digitalnom dobu.
Medij ne treba da prilagođava celu strategiju nepoznatom algoritmu platforme
Kada veliki deo saobraćaja dolazi sa društvene mreže, lako je početi proizvoditi sadržaj prema pretpostavci šta njen algoritam trenutno „voli“.
Problem je što se pravila distribucije mogu menjati, a redakcija nema potpunu kontrolu nad njima.
Zato je rizično graditi celu uređivačku strategiju oko:
- jednog formata;
- jedne mreže;
- jedne metrike angažmana;
- kratkoročnog algoritamskog trenda.
Platforme su distribucioni kanali, ali urednička strategija treba da ostane vezana za publiku i svrhu medija.
Korisniku treba dati određeni nivo kontrole
Personalizacija je razumljivija kada korisnik može da utiče na nju.
Kontrole mogu biti jednostavne:
- „Prikaži manje ovakvih tema“;
- „Ne preporučuj ovog autora“;
- izbor tema koje želi da prati;
- praćenje lokalnog područja;
- promena preference;
- resetovanje istorije preporuka;
- prelazak na hronološki ili urednički prikaz kada proizvod to omogućava.
Takve opcije nisu samo korisnički dodatak. One mogu sistemu dati kvalitetnije informacije od pokušaja da svaku preferenciju zaključuje iz ponašanja.
Transparentnost ne zahteva objavljivanje izvornog koda
Medij ne mora korisniku objašnjavati matematičku arhitekturu modela da bi bio transparentniji.
Korisna objašnjenja mogu biti:
„Ovo preporučujemo jer pratite tehnologiju.“
ili:
„Popularno među čitaocima u vašem regionu.“
Takva informacija daje korisniku osnovni kontekst zašto nešto vidi.
Još je važnije jasno reći kada je deo naslovne strane personalizovan, a kada predstavlja urednički izbor.
Urednička odgovornost ne nestaje zato što je odluku doneo sistem
Ako preporučivač kontinuirano promoviše obmanjujući ili štetan sadržaj, odgovor ne može biti samo:
„Algoritam je tako izabrao.“
Ljudi su definisali:
- ciljeve;
- ulazne podatke;
- ograničenja;
- metrike;
- pravila intervencije.
Zato redakcija i produkt tim moraju znati ko je odgovoran kada sistem proizvodi neočekivane posledice.
To je posebno važno za medije koji već posluju u okruženju smanjenog poverenja publike.
Kako testirati sistem preporuke bez gubitka uredničke kontrole
Zamislimo portal koji želi da personalizuje blok „Još za vas“ ispod svakog članka.
Umesto da odmah prepusti izbor celom sistemu, može početi ograničenim eksperimentom.
- Definiše cilj. Na primer, više relevantnog čitanja bez smanjenja raznovrsnosti.
- Odredi skup sadržaja. Isključuje zastarele ili neodgovarajuće tekstove.
- Definiše signale. Tema članka, svežina i prethodna interesovanja.
- Zadržava uredničke zabrane. Određeni sadržaji ne ulaze u automatizovane preporuke.
- Testira na delu publike.
- Meri više rezultata. Klik, čitanje, povratak i širinu tema.
- Pregleda loše preporuke ručno.
- Tek zatim širi sistem.
Na taj način eksperiment meri korist, ali istovremeno traži neželjene posledice.
Kako meriti kvalitet preporuka
Nema jedne metrike koja pokazuje da je algoritam „dobar“.
Koristan set može uključiti:
| Oblast | Primer signala |
|---|---|
| Relevantnost | Otvaranje preporučenog sadržaja |
| Kvalitet čitanja | Stvarno korišćenje sadržaja nakon klika |
| Dugoročni odnos | Povratak korisnika i pretplata |
| Raznovrsnost | Broj tema i izvora kojima je korisnik izložen |
| Negativni signal | Skrivanje, odjava ili prijava preporuke |
| Urednička kontrola | Broj slučajeva koji zahtevaju ručnu intervenciju |
Visok CTR uz mnogo brzih povrataka ili skrivenih preporuka može ukazivati na drugačiji problem nego što bi sam CTR sugerisao.
Ne optimizujte ono što ne želite da postane cilj sistema
Kada se jedna metrika pretvori u glavni cilj, ljudi i algoritmi počinju da se prilagođavaju toj metrici.
Ako redakcija nagrađuje samo klikove, sadržaj će vremenom prirodno težiti onome što dobija više klikova.
Ako je cilj samo vreme provedeno na platformi, sistem možda neće imati razlog da korisniku brzo pruži kratku informaciju koja mu je potrebna i pusti ga da ode.
Zato metriku treba birati prema stvarnoj ulozi proizvoda, a ne prema tome šta je najlakše izmeriti.
Uticaj algoritama na javno mnjenje nije jednostavna jednačina
Algoritamska distribucija može snažno uticati na to koje informacije dobijaju vidljivost, ali ona nije jedini faktor koji oblikuje stavove ljudi.
Na percepciju utiču i:
- porodica i društveno okruženje;
- tradicionalni mediji;
- politička komunikacija;
- lična iskustva;
- pretraga;
- izbor izvora kojima korisnik već veruje.
Zato je bolje govoriti o algoritmima kao o važnom posredniku pažnje nego kao o mašini koja sama proizvodi stavove publike.
Širi odnos između medijskog izbora i percepcije obrađen je i u tekstu kako mediji utiču na javno mnjenje.
Praktična kontrolna lista za medijski sistem preporuke
- Da li je jasno šta sistem pokušava da optimizuje?
- Da li CTR ima preveliku težinu u odnosu na druge pokazatelje?
- Da li korisnik povremeno dobija sadržaj van postojećih interesovanja?
- Da li novi članci i autori imaju priliku da dobiju početnu vidljivost?
- Da li se meri raznovrsnost tema i izvora?
- Da li javno važne informacije mogu dobiti urednički prioritet?
- Da li redakcija može brzo da interveniše tokom velike vesti ili krize?
- Da li je jasno koji delovi stranice predstavljaju urednički, a koji personalizovani izbor?
- Može li korisnik da promeni ili koriguje svoje preference?
- Postoje li negativni signali poput „ne zanima me“ ili „prikaži manje“?
- Da li sistem previše favorizuje već popularan sadržaj?
- Da li se redovno pregledaju očigledno loše preporuke?
- Da li se poslovne metrike posmatraju odvojeno od uredničke vrednosti?
- Da li postoji osoba ili tim odgovoran za posledice automatizovanog izbora?
Algoritmi mogu pomoći medijima da organizuju ogroman broj tekstova i svakom korisniku lakše pronađu relevantan sadržaj. Problem nastaje kada se cilj sistema — klik, vreme, angažman ili prihod — neprimetno pretvori u zamenu za uredničku procenu vrednosti informacije.
Najodrživiji pristup zato nije potpuna automatizacija niti potpuno odbacivanje personalizacije. Algoritam može pomoći u distribuciji, ali redakcija mora da odluči šta želi da nagradi, koje granice ne želi da pređe i koje informacije smatra dovoljno važnim da ne zavise samo od prethodnih klikova publike.