Kai atidarai Facebook, YouTube ar TikTok, tu niekada nematai to, kas iš tikrųjų buvo paskelbta pastarosiomis minutėmis chronologine tvarka. Vietoj to prieš tave išsirikiuoja kruopščiai apskaičiuotas turinio rinkinys, kurį parinko sistema, žinanti apie tave gerokai daugiau, nei norėtum pripažinti. Algoritminiai naujienų srautai – tai ne tik technologinė naujovė, bet ir visa architektūra, kuri per pastarąjį dešimtmetį pakeitė žiniasklaidos vartojimo įpročius iš pagrindų. Ir kaip IT specialistui ar tiesiog žmogui, kuris domisi, kaip veikia jo naudojamos platformos, verta pažvelgti giliau nei į paviršinį „algoritmas rodo tai, kas man patinka”.
Kas slypi po gaubtu: ranking sistemos anatomija
Techniškai kalbant, naujienų srautas nėra vienas monolitinis algoritmas, o daugiapakopis pipeline. Pirmoje stadijoje – candidate generation, kai iš milijardų galimų įrašų sistema atrenka kelis tūkstančius potencialiai tinkamų. Čia dažniausiai naudojami embedding modeliai, kurie paverčia tekstą, vaizdą ar vartotojo elgesį skaitiniais vektoriais ir ieško panašumų daugiadimensinėje erdvėje.
Antroje stadijoje veikia ranking modelis – dažniausiai gradient boosting (pvz., XGBoost, LightGBM) arba giliojo mokymosi tinklai, kurie tuos kelis tūkstančius kandidatų surikiuoja pagal numatomą tikimybę, kad vartotojas su turiniu sąveikaus. Meta savo naujienų sraute naudoja modelius, kurie skaičiuoja dešimtis tūkstančių signalų vienam įrašui – nuo to, kiek laiko draugai praleido skaitydami panašų turinį, iki to, kokiu telefono modeliu naudojatės.
Svarbu suprasti, kad šie modeliai nėra statiški. Jie treniruojami iš naujo kelis kartus per dieną, nes vartotojų elgesio modeliai kinta labai greitai – tai, kas veikė vakar, šiandien gali duoti visiškai kitokius rezultatus.
Signalai, kuriuos sistema renka apie tave
Dažnai galvojame, kad algoritmas orientuojasi tik į „like” ar „share”. Realybėje signalų rinkinys yra gerokai platesnis:
- Dwell time – kiek sekundžių sustojai prie įrašo, net jei jo nepaspaudei;
- Scroll velocity – kaip greitai slenki toliau po tam tikro turinio tipo;
- Negatyvūs signalai – paslėpimas, pažymėjimas „man nepatinka”, praleidimas be sąveikos;
- Kontekstiniai duomenys – laikas, vieta, prijungimo tipas (Wi-Fi vs mobilus ryšys), baterijos lygis (taip, kai kurios platformos tai naudoja);
- Socialiniai grafai – kas iš tavo tinklo su tuo turiniu sąveikavo prieš tave.
YouTube atveju vienas iš stipriausių signalų yra ne tiek pats žiūrėjimas, kiek tai, ar peržiūrėjai visą vaizdo įrašą, ar grįžai prie kanalo dar kartą per kelias dienas. TikTok pasižymi tuo, kad jo algoritmas priima sprendimus labai greitai – jau po kelių sekundžių žiūrėjimo sistema pradeda koreguoti tolimesnį srautą, todėl „For You” puslapis jaučiasi taip įtraukiantis.
Filtrų burbulas ir kodėl jis nėra taip paprastas, kaip skamba
Terminas „filter bubble” jau tapo beveik klišė, bet techninė jo pusė dažnai lieka nepaaiškinta. Iš esmės algoritmas optimizuoja vieną metriką – engagement, ir jei tam tikras turinio tipas generuoja stiprią reakciją (dažniausiai emocinę, ne racionalią), sistema jį stiprina. Tai reiškia, kad polarizuojantis ar emociškai intensyvus turinys statistiškai turi didesnę tikimybę patekti aukščiau sraute nei neutralus, faktais pagrįstas.
Čia kyla problema, kuri nėra tiesiog „algoritmas blogas” – tai optimizacijos funkcijos pasekmė. Jei metrika yra laikas platformoje arba paspaudimų skaičius, sistema natūraliai palankiau vertina turinį, kuris tas metrikas maksimizuoja, nepriklausomai nuo to, ar tai naudinga vartotojui ilgalaikėje perspektyvoje. Kai kurios platformos (pavyzdžiui, po 2021 m. Facebook pakeitimų) bandė įtraukti „meaningful social interactions” signalus, tačiau tai iš esmės tik pakeitė optimizacijos tikslą, ne pačią logiką.
Kaip skiriasi didžiųjų platformų požiūris
Verta palyginti keletą platformų, nes jų architektūriniai sprendimai skiriasi gana ženkliai:
- Facebook/Instagram – stiprus socialinis grafas kaip signalas, daug dėmesio skiriama „connection strength” tarp vartotojų;
- YouTube – ilgalaikio žiūrėjimo sesijos optimizavimas, session-based ranking, kur svarbu ne vienas video, o visa sesija;
- TikTok – itin greita adaptacija, minimalus priklausomumas nuo socialinio grafo, didesnis akcentas į content-based signalus (audio, vizualiniai elementai, hashtag’ai);
- X (Twitter) – hibridinis modelis, kuriame realaus laiko signalai (trending topics) derinami su ilgalaikiais interesų profiliais.
TikTok atveju itin įdomu tai, kad algoritmas mažiau priklauso nuo to, kiek sekėjų turi paskyra – tai leidžia visiškai naujam turiniui „išsprogti” per kelias valandas, kai tradiciniuose sraute su stipriu socialinio grafo svoriu tai praktiškai neįmanoma.
Kūrėjų pusė: kaip optimizuoti turinį algoritmui
Jei kuri turinį – ar tai blog’as, YouTube kanalas, ar TikTok profilis – ignoruoti algoritminę logiką yra tolygu ignoruoti SEO 2010-aisiais. Keletas praktinių dalykų, kurie iš tikrųjų veikia:
- Pirmosios sekundės/minutės kritiškai svarbios – dauguma algoritmų sprendimą „stiprinti ar ne” priima remdamiesi pačiu pradiniu vartotojų atsaku, todėl publikavimo laikas ir pirminė auditorija turi didelę reikšmę;
- Retention over reach – geriau turėti mažesnę, bet įsitraukusią auditoriją, nei didelę pasyvią. YouTube tiesiogiai matuoja „audience retention” grafiką ir tai vienas svarbiausių rankingo faktorių;
- Native format – turinys, kuris „atrodo” kaip platformos formatas (pvz., vertikalus video TikTok’e, o ne horizontalus, perkeltas iš YouTube), sistemingai gauna didesnį pasiekiamumą;
- Komentarų generavimas – klausimai aprašyme ar video pabaigoje skatina komentarus, kurie yra stiprus engagement signalas visose platformose;
- Nuoseklumas – reguliarus publikavimas leidžia algoritmui geriau „modeliuoti” tavo turinio kategoriją ir tikslinę auditoriją.
Vartotojo pusė: kaip išsivaduoti iš sraute paruoštos realybės
Nebūtinai turi likti pasyviu algoritmo objektu. Yra keletas praktinių žingsnių, kurie realiai veikia:
- Sąmoningai ieškok ir sąveikauk su turiniu, kuris skiriasi nuo tavo įprasto – tai „moko” algoritmą platesnio profilio, nors efektas nėra momentinis;
- Naudok RSS skaitytuvus (Feedly, Inoreader) svarbiems informacijos šaltiniams – tai vienintelis būdas garantuotai matyti chronologinį, nefiltruotą srautą;
- Dauguma platformų turi „chronological” arba „following only” režimą (X, Instagram, Facebook) – jį verta naudoti bent periodiškai, kad matytum, kas realiai vyksta, o ne kas tau „parinkta”;
- Reguliariai tikrinkite privatumo/reklamos nustatymus – dauguma platformų leidžia peržiūrėti ir iš dalies koreguoti interesų profilį, kurį sistema apie tave sukūrė;
- Jei jauti, kad turinys sukelia stiprų emocinį reakciją be konkretaus tikslo – tai signalas, kad greičiausiai patenki į engagement optimizacijos spąstus, ne informacijos ieškojimo procesą.
Vietoj išvadų: algoritmas kaip veidrodis, ne kaip nuosprendis
Algoritminiai naujienų srautai nėra piktavališka jėga, sąmoningai bandanti tave manipuliuoti – bet tai ir nėra neutrali technologija. Tai matematinė optimizacijos sistema, kuri tiesiog atlieka tai, kam buvo sukurta: maksimizuoja tam tikrą metriką, dažniausiai laiką platformoje ar sąveikų kiekį. Problema kyla tada, kai pamirštame, kad tas metrikas kuria žmonės, dirbantys pagal verslo modelius, kur mūsų dėmesys yra pagrindinis produktas.
Suprasti, kaip veikia ranking modeliai, candidate generation etapai ir signalų rinkimas – tai ne akademinė smulkmena, o praktinis įrankis, leidžiantis sąmoningiau naudotis technologijomis, kurios šiaip ar taip formuoja didžiąją dalį mūsų informacinio lauko. Kūrėjams tai reiškia galimybę efektyviau pasiekti auditoriją nesileidžiant į kičinį clickbait; vartotojams – galimybę išlikti informacijos vartotoju, ne vien sistemos treniravimo duomenų šaltiniu. Ir tiesą sakant, tai vienintelis realus atsvaras – ne bėgti nuo algoritmų, o tiesiog žinoti, kaip jie veikia, ir naudotis šiuo žinojimu savo, ne tik platformos, naudai.
