Несколько недель назад я выступал с докладом про рекомендательные системы соцсетей. Готовился долго, копал академические статьи и инженерные блоги самих платформ — и в итоге набралось сильно больше материала, чем влезает в 60 минут на сцене.

Поэтому запускаю серию постов — по одной теме за раз, с источниками.

Сразу оговорюсь про подход. Многие специалисты, которые работают «в полях», имеют живой опыт и конкретные результаты — спорить с этим сложно. Но опыт одной ниши — это не опыт соцсети целиком. Даже миллионные охваты, тысячи единиц контента или сотни авторов внутри одной платформы — это капля в море. Я смотрю на то, как это работает глобально, на уровне системы. Не точечно.

Буду разбирать: — как устроена лента изнутри (все платформы — один принцип) — почему TikTok знает твоих подписчиков лучше, чем ты — откуда берётся «смерть органики» и кто в этом виноват — shadowban: миф или нет — почему два вирусных поста — это ещё не стратегия — и несколько вопросов, на которые до сих пор нет ответа даже у самих платформ

Без лайфхаков. С источниками.

«I think a broader understanding of recommendation algorithms is sorely needed. Policymakers and legal scholars must understand these algorithms so that they can craft effective regulation. Journalists and researchers need to understand them so they can get at the intricate interplay between algorithms and human behavior. Content creators would also benefit from understanding them so that they can better navigate the new landscape of algorithmic distribution.»

"Нам остро не хватает широкого понимания рекомендательных алгоритмов. Законодатели и юристы должны понимать их, чтобы регулировать эффективно. Журналистам и исследователям это нужно, чтобы разбираться в сложном переплетении алгоритмов и человеческого поведения. Создателям контента — чтобы лучше ориентироваться в новой реальности, где распределением занимается алгоритм."  — Meysenburg, Knight Institute at Columbia University, 2023

Если тема интересна — реакции и репосты дают понять, что продолжать стоит 🙂