به گزارش تازه‌نیوز، تا همین چند سال پیش، اگر کسی علاقه چندانی به اخبار نداشت، باز هم احتمال داشت در مسیر وب‌گردی، تلویزیون یا شبکه‌های اجتماعی به‌طور اتفاقی با یک خبر مواجه شود. اما الگوریتم‌های جدید شبکه‌های اجتماعی این وضعیت را تغییر داده‌اند: آنها تلاش می‌کنند بفهمند کاربر چه محتوایی را بیشتر می‌پسندد و همان را بیشتر در مقابل او قرار دهند. یک پژوهش جدید در حوزه روزنامه‌نگاری نشان می‌دهد این سازوکار می‌تواند برای افرادی که ناخواسته از اخبار فاصله می‌گیرند، فاصله را به مرور بیشتر کند.
این پژوهش که ۲۱ سپتامبر ۲۰۲۶ در نشریه علمی Digital Journalism منتشر شده، تعامل میان «اجتناب از خبر» و الگوریتم‌های پیشنهاددهنده شبکه‌های اجتماعی را بررسی کرده است.
وقتی «خبر ندیدن» انتخاب آگاهانه نیست
پژوهشگران میان دو نوع اجتناب از خبر تفاوت مهمی قائل شده‌اند.
گروهی عمداً اخبار را دنبال نمی‌کنند؛ مثلاً به دلیل خستگی از اخبار، اضطراب یا بی‌علاقگی به مسائل روز. اما گروه دیگری لزوماً از خبر بدشان نمی‌آید؛ آنها فقط محتوای سرگرمی را ترجیح می‌دهند.
همین گروه دوم برای پژوهش اهمیت بیشتری دارد.
فرض کنید کاربری وارد یک شبکه اجتماعی می‌شود و بیشتر ویدئوهای سرگرمی، ورزشی یا محتوای سبک را می‌بیند. الگوریتم از این رفتار یاد می‌گیرد و به‌تدریج محتوای مشابه بیشتری پیشنهاد می‌کند. در چنین شرایطی، خبر الزاماً حذف نمی‌شود؛ اما سهم آن می‌تواند در میان حجم بیشتری از محتوای مورد علاقه کاربر کوچک‌تر شود.
پژوهشگران این فرایند را در چارچوبی به نام اثر متیو (Matthew Effect) بررسی کرده‌اند؛ مفهومی که در اینجا به زبان ساده یعنی تفاوت‌های اولیه کاربران می‌تواند در طول زمان، تحت تأثیر الگوریتم، بیشتر شود.
الگوریتم فقط سلیقه ما را دنبال نمی‌کند
یکی از نقاط قوت این مطالعه، روش تحقیق آن است. پژوهشگران به جای اینکه فقط از کاربران بپرسند چه محتوایی دیده‌اند، یک پلتفرم آزمایشی شبیه فید شبکه‌های اجتماعی ساختند که از یک الگوریتم توصیه‌گر یادگیرنده استفاده می‌کرد.
شرکت‌کنندگان در چهار مرحله از این پلتفرم استفاده کردند و پژوهشگران تغییرات مصرف اخبار آنها را در طول زمان بررسی کردند. نمونه مطالعه در مجموع شامل ۳۷۷۴ مشاهده از کاربران بود؛ میانگین سنی شرکت‌کنندگان ۳۸ سال بود و حدود ۵۲ درصد آنها زن بودند.
این طراحی به پژوهشگران اجازه داد اثر تعامل میان رفتار کاربر و الگوریتم را بهتر از مطالعات صرفاً مشاهده‌ای بررسی کنند.
یک شکاف خبری در حال بزرگ‌تر شدن
مهم‌ترین یافته پژوهش این بود که میان افرادی که به‌صورت ناخواسته از اخبار فاصله می‌گیرند و کسانی که علاقه بیشتری به خبر دارند، در طول زمان شکاف بیشتری در مصرف خبر ایجاد شد.
مدل آماری پژوهش نشان داد برای هر واحد افزایش زمانی، گروه دارای اجتناب ناخواسته از خبر با ۳.۵ واحد درصد کاهش در سهم اخبار مصرف‌شده مواجه شد. این اثر از نظر آماری معنادار بود.
اما یک نکته مهم وجود دارد: چنین اثری برای افرادی که آگاهانه و عمدی از اخبار اجتناب می‌کنند، مشاهده نشد.
به بیان ساده، مسئله لزوماً کسی نیست که تصمیم گرفته خبر نخواند؛ مسئله می‌تواند کاربری باشد که فقط سرگرمی را بیشتر دوست دارد و در محیطی الگوریتمی، به‌تدریج فرصت کمتری برای مواجهه با خبر پیدا می‌کند.
رسانه در رقابت با سرگرمی
این یافته برای رسانه‌ها اهمیت زیادی دارد. در مدل سنتی رسانه، مخاطب ممکن بود بدون اینکه قصد قبلی داشته باشد، با خبر مواجه شود. اما در محیط‌های دیجیتال، توجه کاربر تبدیل به یک انتخاب لحظه‌به‌لحظه شده است.
اگر الگوریتم تشخیص دهد یک کاربر بیشتر به سرگرمی واکنش نشان می‌دهد، محتوای سرگرمی بیشتری عرضه می‌کند. این چرخه می‌تواند باعث شود خبر سهم کمتری از تجربه روزانه او داشته باشد.
بنابراین رقابت رسانه دیگر فقط میان چند سایت خبری نیست؛ رسانه با تمام محتوایی رقابت می‌کند که می‌تواند چند ثانیه بیشتر توجه کاربر را نگه دارد.
الگوریتم و مسئولیت رسانه
البته پژوهش نمی‌گوید الگوریتم‌ها به‌تنهایی باعث کاهش مصرف اخبار می‌شوند. خود پژوهشگران تأکید می‌کنند که نتیجه حاصل تعامل میان ترجیحات اولیه کاربر و سازوکار انتخاب الگوریتمی است. همچنین آنها هشدار می‌دهند که الگوریتم‌ها و شیوه تعامل کاربران در پلتفرم‌های مختلف یکسان نیست و نتایج ممکن است در شبکه‌هایی مانند تیک تاک با پلتفرم‌های مبتنی بر فید متفاوت باشد.
برای رسانه‌ها، شاید مسئله آینده فقط تولید محتوای خوب نباشد؛ بلکه این باشد که چطور اصلاً دوباره وارد میدان توجه کاربری شوند که الگوریتم از قبل آموخته است خبر را کمتر به او نشان دهد.