Selezione algoritmica
Immaginate di seguire 1,000 utenti su Twitter. Se ognuno di questi posta, in media, 1 tweet al giorno, e se per leggerlo ci mettete 10 secondi, dovrete occupare quasi tre ore al giorno per leggerli tutti. Se digito “algoritmo” su Google, i risultati sono 803,000,000. Usando sempre gli stessi 10 secondi ci metteremmo (ho fatto qualche calcolo…) circa 250 anni, sabato e domeniche incluse (e senza dormire…) per essere sicuri di guardarli tutti. Lo stesso avviene, naturalmente, per i prodotti su Amazon, per la musica sulle piattaforme digitali, le pubblicazioni scientifiche, i video su YouTube, le ricette online, insomma pensate a quello che volete.
Nel caso dei media digitali, per ovviare a questo problema, ci sono algoritmi che selezionano l’informazione per noi. Ma come lo fanno? Quali contenuti favoriscono? Qualche lettura, vecchia e nuova.
(i) Information overload, the early years (Ann Blair in The Boston Globe, 2010). Il problema, come spesso accade, non e’ nuovo. Dopo l’invenzione della stampa, gli intellettuali dell’epoca cominciarono a lamentarsi della proliferazione dei libri, e di come una moltitudine di informazioni inutili iniziasse a circolare (ricorda qualcosa?). Innovazioni come gli indici analitici, gli spazi vuoti a bordo pagina (per prendere appunti) e i cataloghi di libri vennero introdotte proprio per fare fronte questi “problemi”. Forse possiamo imparare qualcosa da questa storia?
(ii) Examining algorithmic amplification of political content on Twitter (Rumman Chowdhury, nel blog di Twitter, 21 Ottobre 2021). Un dibattito ricorrente sugli algoritmi nei social media riguarda se amplificano preferenzialmente una parte politica rispetto all’altra. In questo post nel blog di Twitter, vengono riportati i risultati di uno studio secondo il quale i contenuti di destra venivano (leggermente) favoriti dall’algoritmo rispetto a quelli di sinistra (prima di Elon Musk!). Un altro aspetto interessante da notare e’ che Twitter stesso deve cercare di capire quali contenuti vengano amplificati dal proprio algoritmo…
(iii) Epistemic agents (Tom Stafford in Reasonable People, gennaio 2022). Alcune idee di selezione algoritmica che circolavano nei primi tempi di Internet - diverse da quello che e’ accaduto in seguito - che potrebbero essere utili ancora oggi.
(iv) How Netflix Reverse-Engineered Hollywood (Alexis Madrigalis in The Atlantic, 2014). Probabilmente le cose saranno cambiate oggi (l’articolo e’ del 2014), ma la storia dello sviluppo e dei risultati ottenuti dall’algoritmo che ci propone cosa vedere su Netflix e’ molto interessante.
(v) Astronaut. A proposito della necessità di selezionare. Non una lettura, ma un sito che propone YouTube video che nessuno guarda. Informazioni online che non sono selezionate, un viaggio ipnotico nella “long tail” del social media di condivisione video.