Curación algorítmica

La curación algorítmica es la selección de medios en línea mediante tecnologías como sistemas de recomendación y búsqueda personalizada . La curación implica compartir selectivamente contenido en línea y recomendaciones basadas en intereses inferidos. ^{[ 1 ]} Los algoritmos de curación implementan diferentes enfoques de filtrado, como el filtrado colaborativo y el filtrado basado en contenido. Algunos ejemplos incluyen productos de motores de búsqueda y redes sociales como el feed de Twitter , el feed de noticias de Facebook y la búsqueda personalizada de Google . ^[²^]

Historia

Curación algorítmica temprana

Las plataformas en línea utilizan algoritmos de noticias para determinar qué contenido presentar a cada usuario. ^{[ 3 ]}^{[ 4 ]} El volumen de contenido publicado en las plataformas de redes sociales creó la necesidad de un filtrado automatizado, ya que la revisión manual de todo el contenido disponible por parte de los usuarios no es factible. ^{[ 3 ]}^{[ 4 ]} Estos sistemas funcionan como una especie de guardián , dando forma al nuevo material al que se exponen los usuarios e influyendo en el conocimiento, la atención y la exposición política. ^{[ 4 ]}

Sobrecarga de información

Los primeros algoritmos de clasificación abordaron la sobrecarga de información mostrando las publicaciones más recientes o más populares. ^{[ 3 ]} Los sistemas posteriores se orientaron a clasificar el contenido según la interacción prevista, con el objetivo de aumentar el tiempo que los usuarios pasan en una plataforma. ^{[ 3 ]} Las investigaciones han demostrado que estos sistemas orientados a la interacción pueden aumentar la difusión de desinformación y contribuir a la polarización política como efecto secundario de la optimización de la interacción del usuario. ^{[ 4 ]}

Cómo el algoritmo modifica los feeds de los usuarios a lo largo del tiempo.

Se ha descubierto que la curación algorítmica aumenta la diversidad de fuentes en algunos aspectos, al tiempo que reduce la cantidad de enlaces externos presentados a los usuarios, lo que limita la exposición a contenido fuera de la plataforma. ^{[ 4 ]} La investigación que utiliza modelos basados en agentes ha examinado cómo el comportamiento del usuario, la calidad de la información y el diseño algorítmico interactúan entre sí a lo largo del tiempo. ^{[ 3 ]}^{[ 4 ]}

Surgimiento de la IA

Las plataformas han ido pasando de sistemas de clasificación basados en reglas a enfoques impulsados por aprendizaje automático e IA, que permiten personalizar los feeds a mayor escala y con mayor capacidad de respuesta al comportamiento del usuario. ^{[ 3 ]}^{[ 4 ]} Por ejemplo, X (antes Twitter) pasó de un feed cronológico a un sistema de clasificación impulsado por IA que personaliza el contenido para cada usuario. ^{[ 4 ]} Estos sistemas son capaces de tomar decisiones de clasificación en volúmenes de contenido e interacciones de usuarios que no serían prácticos de manejar manualmente. ^{[ 4 ]}

Acercarse

Tipos de filtro

Filtrado colaborativo

Los métodos de filtrado colaborativo (CF) crean recomendaciones basadas en los patrones de uso de una persona. ^{[ 5 ]} El CF predice la preferencia de una persona por un elemento al comparar sus intereses con los de usuarios que tienen intereses similares. ^{[ 5 ]} Este proceso permite compartir calificaciones entre usuarios con perfiles similares. ^{[ 5 ]} El CF se basa en patrones de comportamiento humano en lugar de en el análisis automático del contenido en sí. ^{[ 5 ]} Los usuarios de los sistemas de CF califican los elementos con los que han interactuado, y estas calificaciones forman un perfil de intereses. ^{[ 5 ]} El sistema de CF luego compara a ese usuario con otros que tienen perfiles similares y utiliza sus calificaciones para generar recomendaciones. ^{[ 5 ]} El filtrado colaborativo se puede aplicar a varios tipos de contenido, incluidos texto, imágenes, música y productos financieros, y puede tener en cuenta atributos complejos como el gusto y la calidad que son difíciles de representar explícitamente. ^{[ 6 ]}

Filtrado basado en contenido

El filtrado basado en contenido (CBF) crea un perfil de usuario para representar los tipos de elementos con los que un usuario ha interactuado, basándose en palabras clave y atributos utilizados para describir esos elementos. ^{[ 6 ]}^{[ 7 ]} Las recomendaciones se generan presentando elementos similares a los que el usuario ha interactuado previamente o está viendo actualmente. ^{[ 7 ]} El método CBF crea un perfil para cada elemento basado en atributos y características discretas, y luego construye un perfil de usuario basado en contenido utilizando un vector ponderado de esas características derivadas de los elementos que el usuario ha calificado, comprado o con los que ha interactuado. ^{[ 6 ]}^{[ 7 ]} Los pesos representan la importancia relativa de cada característica y se pueden calcular utilizando técnicas como clasificadores bayesianos , análisis de clústeres , árboles de decisión y redes neuronales artificiales , con el objetivo de estimar la probabilidad de que un usuario interactúe con un elemento sugerido. ^{[ 6 ]} Una aplicación del filtrado basado en contenido es Pandora Radio , donde los usuarios proporcionan un artista, género o compositor para generar una estación, y el sistema muestra música con atributos similares. ^{[ 6 ]}

Tecnología

Sistema de recomendación

Los sistemas de recomendación clasifican y sugieren contenido a los usuarios basándose en una combinación de información implícita y explícita del usuario. ^{[ 8 ]} Las señales implícitas incluyen el tiempo dedicado a ver o interactuar con un elemento específico. ^{[ 8 ]} Las señales explícitas incluyen acciones como dar "me gusta" a publicaciones, guardar páginas de tiendas, leer artículos de noticias o compartir contenido. ^{[ 8 ]}

Búsqueda personalizada

La búsqueda personalizada busca recuperar los resultados más relevantes para el usuario al incorporar factores contextuales más allá de la consulta explícita, como consultas anteriores, historial de navegación e intereses inferidos. ^{[ 9 ]} Plataformas de redes sociales como X (antes Twitter) y Bluesky generan recomendaciones basadas en usuarios similares y el contenido con el que interactúan. ^{[ 10 ]} La búsqueda personalizada también puede permitir a los usuarios filtrar explícitamente los resultados bloqueando el contenido que contiene ciertas frases o hashtags. ^{[ 11 ]} Para usuarios nuevos sin historial previo, la búsqueda personalizada puede recurrir al filtrado basado en contenido para establecer un contexto inicial. ^{[ 6 ]} Los motores de búsqueda y las plataformas minoristas utilizan procesos similares para adaptar los resultados y las recomendaciones de productos a usuarios individuales.

contribución de la IA

La inteligencia artificial contribuye a la curación algorítmica mediante modelos de aprendizaje automático capaces de procesar grandes volúmenes de datos. ^{[ 12 ]} Técnicas como el aprendizaje profundo y el aprendizaje por refuerzo permiten que los algoritmos de curación modelen las preferencias del usuario con mayor granularidad junto con los enfoques de filtrado establecidos. ^{[ 12 ]} Esto permite que las plataformas ajusten rápidamente las clasificaciones de contenido en respuesta al comportamiento del usuario. ^{[ 12 ]} En contextos de redes sociales y streaming , los sistemas impulsados por IA organizan los feeds según la relevancia prevista, y los resultados se configuran mediante patrones presentes en los datos de entrenamiento. ^{[ 13 ]}

Las redes sociales y su impacto potencial

Cámaras de eco

Los algoritmos de las redes sociales, como los utilizados por X (antes Twitter), recomiendan contenido con el que el sistema predice que un usuario interactuará positivamente. Es menos probable que se muestre contenido de cuentas con perspectivas diferentes, lo que puede reducir la diversidad de fuentes y temas y contribuir a la formación de cámaras de eco . ^{[ 4 ]} Por ejemplo, el feed de noticias de Facebook está diseñado para mostrar contenido alineado con la interacción previa de los usuarios, lo que puede reforzar las opiniones existentes. ^{[ 14 ]} Esta dinámica puede contribuir a las burbujas de filtro , en las que los usuarios rara vez están expuestos a contenido fuera de sus intereses existentes. Los usuarios pueden restringir aún más sus feeds bloqueando activamente cierto contenido o cuentas. ^{[ 4 ]}

Sobrerrepresentación

Un patrón observado en las plataformas de redes sociales es la concentración de la visibilidad algorítmica en un pequeño subconjunto de usuarios. El contenido de los usuarios más activos, aquellos con mayor número de seguidores o que generan mayor interacción tiende a aparecer con más frecuencia, lo que significa que un pequeño número de cuentas puede representar una proporción desproporcionada de lo que aparece en los feeds de otros usuarios. ^{[ 4 ]}

Véase también

Referencias

↑ Khan, Sadia; Bhatt, Ibrar (2018). «Curación» . La enciclopedia internacional de alfabetización mediática . John Wiley & Sons, Ltd. pp. 1–9 . doi : 10.1002/9781118978238.ieml0047 . ISBN 978-1-118-97823-8. Consultado el 21 de noviembre de 2025 .
↑ Berman, Ron; Katona, Zsolt (septiembre de 2016). "El impacto de los algoritmos de curación en la calidad y estructura del contenido de las redes sociales" . Documentos de trabajo .
1 2 3 4 5 6 Gausen, Anna; Luk, Wayne; Guo, Ce (2022-12-28). "Uso de modelos basados en agentes para evaluar el impacto de la curación algorítmica en las redes sociales" . Journal of Data and Information Quality . 15 (1): 2:1–2:24. doi : 10.1145/3546915 . ISSN 1936-1955 .
1 2 3 4 5 6 7 8 9 10 11 12 Bandy, Jack; Diakopoulos, Nicholas (22 de abril de 2021). "Más cuentas, menos enlaces: cómo la curación algorítmica impacta la exposición a los medios en las líneas de tiempo de Twitter" . Actas de la ACM sobre interacción humano-computadora . 5 : 78:1–78:28. doi : 10.1145/3449152 .
1 2 3 4 5 6 Herlocker, Jonathan (2000). "Explicando las recomendaciones de filtrado colaborativo" . Actas de la conferencia ACM de 2000 sobre trabajo cooperativo asistido por computadora . págs. 241–250 . doi : 10.1145/358916.358995 . ISBN 1-58113-222-0.
1 2 3 4 5 6 "Sistemas de recomendación en línea: ¿Cómo sabe un sitio web lo que quiero? |" . Consultado el 21/11/2025 .
1 2 3 Wang, Donghui; Liang, Yanchun; Xu, Dong; Feng, Xiaoyue; Guan, Renchu (2018-10-01). "Un sistema de recomendación basado en contenido para publicaciones de ciencias de la computación" . Knowledge-Based Systems . 157 : 1–9 . doi : 10.1016/j.knosys.2018.05.001 . ISSN 0950-7051 .
1 2 3 Roy, Deepjyoti; Dutta, Mala (2022-05-03). "Una revisión sistemática y perspectiva de investigación sobre sistemas de recomendación" . Journal of Big Data . 9 (1): 59. doi : 10.1186/s40537-022-00592-5 . ISSN 2196-1115 .
↑ Dou, Zhicheng; Song, Ruihua; Wen, Ji-Rong (8 de mayo de 2007). «Una evaluación y análisis a gran escala de estrategias de búsqueda personalizadas» . Actas de la 16.ª conferencia internacional sobre la World Wide Web . Banff, Alberta, Canadá: ACM. págs. 581-590 . doi : 10.1145/1242572.1242651 . ISBN 978-1-59593-654-7.
↑ Liu, Yuhan; Song, Emmy; Zhang, Owen Xingjian; Merriman, Jewel; Zhang, Lei; Monroy-Hernández, Andrés (2025-10-16). "Understanding Decentralized Social Feed Curation on Mastodon" . Proceedings of the ACM on Human-Computer Interaction . 9 (7): 1– 25. doi : 10.1145/3757688 .
↑ Quelle, Dorian; Bovet, Alexandre (26-02-2025). "Bluesky: topología de red, polarización y curación algorítmica" . PLOS ONE . 20 (2) e0318034. arXiv : 2405.17571 . Bibcode : 2025PLoSO..2018034Q . doi : 10.1371/journal.pone.0318034 . ISSN 1932-6203 . PMID 40009593 .
1 2 3 Lazer, David; Swire-Thompson, Briony; Wilson, Christo (2024-09-01). "Un marco normativo para evaluar los algoritmos de curación de información de Internet" . Perspectives on Psychological Science . 19 (5): 749– 757. doi : 10.1177/17456916231186779 . ISSN 1745-6916 . PMID 38010888 .
↑ Villermet, Quentin; Poiroux, Jérémie; Moussallam, Manuel; Louail, Thomas; Roth, Camille (13 de septiembre de 2021). «Sigue las guías: Desentrañando la curación humana y algorítmica en el consumo de música en línea» . Decimoquinta Conferencia ACM sobre Sistemas de Recomendación . Nueva York, NY, EE. UU.: Association for Computing Machinery. pp. 380–389 . arXiv : 2109.03915 . doi : 10.1145/3460231.3474269 . ISBN 978-1-4503-8458-2.
↑ Papa, Venetia; Photiadis, Thomas (15 de diciembre de 2021). "Curación algorítmica y actitudes cívicas de los usuarios: un estudio sobre los resultados del feed de noticias de Facebook" . Information . 12 (12): 522. doi : 10.3390/info12120522 . hdl : 20.500.14279/32861 . ISSN 2078-2489 .

[:0-1] Khan, Sadia; Bhatt, Ibrar (2018). «Curación» . La enciclopedia internacional de alfabetización mediática . John Wiley & Sons, Ltd. pp. 1–9 . doi : 10.1002/9781118978238.ieml0047 . ISBN 978-1-118-97823-8. Consultado el 21 de noviembre de 2025 .

[:1-2] Berman, Ron; Katona, Zsolt (septiembre de 2016). "El impacto de los algoritmos de curación en la calidad y estructura del contenido de las redes sociales" . Documentos de trabajo .

[:15-3] 1 2 3 4 5 6 Gausen, Anna; Luk, Wayne; Guo, Ce (2022-12-28). "Uso de modelos basados en agentes para evaluar el impacto de la curación algorítmica en las redes sociales" . Journal of Data and Information Quality . 15 (1): 2:1–2:24. doi : 10.1145/3546915 . ISSN 1936-1955 .

[:16-4] 1 2 3 4 5 6 7 8 9 10 11 12 Bandy, Jack; Diakopoulos, Nicholas (22 de abril de 2021). "Más cuentas, menos enlaces: cómo la curación algorítmica impacta la exposición a los medios en las líneas de tiempo de Twitter" . Actas de la ACM sobre interacción humano-computadora . 5 : 78:1–78:28. doi : 10.1145/3449152 .

[:2-5] 1 2 3 4 5 6 Herlocker, Jonathan (2000). "Explicando las recomendaciones de filtrado colaborativo" . Actas de la conferencia ACM de 2000 sobre trabajo cooperativo asistido por computadora . págs. 241–250 . doi : 10.1145/358916.358995 . ISBN 1-58113-222-0.

[:3-6] 1 2 3 4 5 6 "Sistemas de recomendación en línea: ¿Cómo sabe un sitio web lo que quiero? |" . Consultado el 21/11/2025 .

[:4-7] 1 2 3 Wang, Donghui; Liang, Yanchun; Xu, Dong; Feng, Xiaoyue; Guan, Renchu (2018-10-01). "Un sistema de recomendación basado en contenido para publicaciones de ciencias de la computación" . Knowledge-Based Systems . 157 : 1–9 . doi : 10.1016/j.knosys.2018.05.001 . ISSN 0950-7051 .

[:5-8] 1 2 3 Roy, Deepjyoti; Dutta, Mala (2022-05-03). "Una revisión sistemática y perspectiva de investigación sobre sistemas de recomendación" . Journal of Big Data . 9 (1): 59. doi : 10.1186/s40537-022-00592-5 . ISSN 2196-1115 .

[9] Dou, Zhicheng; Song, Ruihua; Wen, Ji-Rong (8 de mayo de 2007). «Una evaluación y análisis a gran escala de estrategias de búsqueda personalizadas» . Actas de la 16.ª conferencia internacional sobre la World Wide Web . Banff, Alberta, Canadá: ACM. págs. 581-590 . doi : 10.1145/1242572.1242651 . ISBN 978-1-59593-654-7.

[:6-10] Liu, Yuhan; Song, Emmy; Zhang, Owen Xingjian; Merriman, Jewel; Zhang, Lei; Monroy-Hernández, Andrés (2025-10-16). "Understanding Decentralized Social Feed Curation on Mastodon" . Proceedings of the ACM on Human-Computer Interaction . 9 (7): 1– 25. doi : 10.1145/3757688 .

[:7-11] Quelle, Dorian; Bovet, Alexandre (26-02-2025). "Bluesky: topología de red, polarización y curación algorítmica" . PLOS ONE . 20 (2) e0318034. arXiv : 2405.17571 . Bibcode : 2025PLoSO..2018034Q . doi : 10.1371/journal.pone.0318034 . ISSN 1932-6203 . PMID 40009593 .

[:10-12] 1 2 3 Lazer, David; Swire-Thompson, Briony; Wilson, Christo (2024-09-01). "Un marco normativo para evaluar los algoritmos de curación de información de Internet" . Perspectives on Psychological Science . 19 (5): 749– 757. doi : 10.1177/17456916231186779 . ISSN 1745-6916 . PMID 38010888 .

[13] Villermet, Quentin; Poiroux, Jérémie; Moussallam, Manuel; Louail, Thomas; Roth, Camille (13 de septiembre de 2021). «Sigue las guías: Desentrañando la curación humana y algorítmica en el consumo de música en línea» . Decimoquinta Conferencia ACM sobre Sistemas de Recomendación . Nueva York, NY, EE. UU.: Association for Computing Machinery. pp. 380–389 . arXiv : 2109.03915 . doi : 10.1145/3460231.3474269 . ISBN 978-1-4503-8458-2.

[:8-14] Papa, Venetia; Photiadis, Thomas (15 de diciembre de 2021). "Curación algorítmica y actitudes cívicas de los usuarios: un estudio sobre los resultados del feed de noticias de Facebook" . Information . 12 (12): 522. doi : 10.3390/info12120522 . hdl : 20.500.14279/32861 . ISSN 2078-2489 .

[ 9 ]

[ 13 ]

Historia