Meta ha publicado una nueva descripción general de cómo está funcionando para mejorar sus recomendaciones de Reels, mediante el uso de encuestas de respuesta de los usuarios para evaluar mejor qué elementos generan interés y participación.
Sin duda, usted mismo los ha visto en el feed de Reels, mensajes que se muestran entre videos y le preguntan cómo se sintió con respecto al Reel que acaba de ver. Meta dice que ha implementado este enfoque a gran escala y, según los comentarios proporcionados, ha obtenido más información para ayudar a refinar y mejorar sus recomendaciones de Reels.
Como lo explica Meta:
“Al ponderar las respuestas para corregir el sesgo de muestreo y falta de respuesta, creamos un conjunto de datos integral que refleja con precisión las preferencias reales de los usuarios, yendo más allá de las señales de participación implícitas para aprovechar los comentarios directos y en tiempo real de los usuarios”.
Entonces, en lugar de simplemente usar Me gusta, compartir y tiempo de visualización como indicadores de interés, Meta busca expandirse más allá de esto y considerar más elementos que puedan mejorar aún más sus recomendaciones.
Y aparentemente está funcionando.
Según Meta, antes de implementar estas encuestas, sus sistemas de recomendación solo lograban una alineación del 48,3% con los verdaderos intereses de los usuarios. Pero ahora, tras la implementación de los aprendizajes basados en estas encuestas, esa cifra ha aumentado a más del 70%.
“Al integrar la medición basada en encuestas con el aprendizaje automático, estamos creando una experiencia más atractiva y personalizada, entregando contenido en Facebook Reels que se siente verdaderamente personalizado para cada usuario y fomenta las visitas repetidas. Si bien el modelado basado en encuestas ya ha mejorado nuestras recomendaciones, aún quedan importantes oportunidades de mejora, como brindar un mejor servicio a los usuarios con escasos historiales de participación, reducir el sesgo en el muestreo y la entrega de encuestas, personalizar aún más las recomendaciones para diversas cohortes de usuarios y mejorar la diversidad de las recomendaciones”.
Este enfoque no es nuevo: Pinterest, por ejemplo, detalla cómo utiliza encuestas similares para recopilar comentarios para mejorar sus sistemas de recomendación.
Pero el ritmo de mejora es impresionante y será interesante ver si esto conduce a una mejora significativa en la relevancia de sus sugerencias de Reels.
Aunque, en realidad, Meta todavía está detrás de TikTok en este sentido.
El todopoderoso algoritmo de alimentación “Para ti” de TikTok sigue siendo el punto de referencia para la participación compulsiva, manteniendo a los usuarios desplazándose por la aplicación durante horas y horas.
Entonces, ¿qué tiene el algoritmo de TikTok que no tenga el de Meta?
Principalmente, TikTok parece haber desarrollado un mejor sistema para el reconocimiento de entidades dentro de los clips, lo que le da al sistema TikTok más datos para seguir haciendo coincidir sus preferencias.
Sin embargo, TikTok también es muy reservado sobre cómo funciona el algoritmo y no revela mucho sobre este elemento en particular, aunque sí sabemos que el sistema de TikTok puede identificar elementos visuales muy específicos dentro de los clips.
En 2019, The Intercept encontró un conjunto de principios rectores para los moderadores de TikTok, que incluían una variedad de instrucciones muy específicas para lidiar con ciertas señales visuales.
Según The Intercept:
(TikTok) ordenó a los moderadores que suprimieran las publicaciones creadas por usuarios considerados demasiado feos, pobres o discapacitados para la plataforma (así como) videos que mostraban pobreza rural, barrios marginales, barrigas cerveceras y sonrisas torcidas. Un documento llega incluso a instruir a los moderadores para que escaneen las cargas en busca de paredes agrietadas y ‘decoraciones de mala reputación’ en los propios hogares de los usuarios”.
Estas pautas tenían como objetivo maximizar la naturaleza aspiracional de la plataforma, que luego impulsaría un mayor crecimiento. TikTok admitió que tales parámetros existieron en algún momento, pero también aclaró que estos calificadores específicos nunca se implementaron en TikTok, y los parámetros se copiaron de un documento anterior destinado únicamente a Douyin, la versión china.
Aunque su propia existencia sugiere que TikTok puede detectar sistemáticamente estos elementos. Quiero decir, se podría suponer que los moderadores de TikTok buscaban administrar esto manualmente y rechazar videos que incluyeran estos elementos basándose en la detección humana. Pero a la escala de la plataforma (tanto TikTok como Douyin tienen cientos de millones de usuarios) esto haría que esto fuera una tarea imposible, lo que haría que estas notas fueran completamente inútiles. A menos que el sistema pueda detectarlo a través de visión por computadora.
Ahí es donde TikTok realmente gana, ya que puede comprender mucho más sobre lo que estás viendo y luego tenerlo en cuenta en tus recomendaciones. Entonces, si pasas tiempo mirando un video de un hombre rubio con ojos azules, puedes apostar que verás más contenido de creadores de apariencia similar.
Amplíe eso a cualquier número de rasgos físicos y elementos de fondo y podrá ver cómo TikTok puede alinearse mejor con sus preferencias específicas.
Entonces, si bien TikTok también usa la coincidencia más común, en términos de Me gusta, tiempo de visualización, etc., también está trabajando para mantener a los usuarios pegados a sus teléfonos alineándose con sus inclinaciones más primarias. Y si alguna vez se hiciera pública la verdadera profundidad de ese proceso, TikTok probablemente sería objeto de un intenso escrutinio, porque está utilizando prejuicios e inclinaciones psicológicas para obligar a sus usuarios, basándose, potencialmente, en rasgos problemáticos e incluso dañinos.
Ahí es donde Meta está perdiendo, porque no puede implementar la misma profundidad de conocimiento para mejorar sus sistemas. En teoría, podría usar más medidas psicográficas, basadas en el historial del usuario en Facebook, y con usuarios mayores que han subido más datos personales a la aplicación, eso podría ser efectivo. Pero principalmente, Meta se basa en señales de algoritmos más comunes, y ahora en encuestas de usuarios, para mejorar el feed de Reels.
¿Tus recomendaciones se ven mejor últimamente? Este podría ser el motivo, aunque también debería significar que su contenido se muestra a audiencias más comprometidas.
