Cum funcționează
Bucla de engagement. Motorul de recomandare. De ce algoritmul nu are niciun motiv să-i pese de binele tău.
Cum să citești pagina. Atinge orice cuvânt subliniat ca să vezi termenul academic exact și o definiție scurtă. Deschide orice casetă „Detalii” pentru dovezi și pentru ce e controversat. Textul principal se descurcă singur — poți să le sari pe ambele și tot prinzi întreaga idee.
Mecanismul de bază
Fiecare mare platformă de social media e construită în jurul unei singure decizii, luate de miliarde de ori pe zi: ce vezi mai departe?
Decizia o ia un algoritm. Algoritmul nu decide în funcție de ce e adevărat, ce e important sau ce ți-ar fi bine să știi. Decide, în covârșitoare măsură, după un singur tip de semnal: ce i-a ținut implicați în trecut pe oamenii ca tine. Un like, o distribuire, un comentariu, o pauză lungă în timp ce derulezi — fiecare interacțiune înseamnă date. Algoritmul învață din aceste date și le folosește ca să prezică cu ce vei interacționa în continuare.
Sistem de recomandare (recommender system)
Categoria de algoritmi care decid ce vede fiecare utilizator. Ei prezic, pe baza comportamentului tău din trecut și a comportamentului utilizatorilor asemănători, cu ce element e cel mai probabil să interacționezi — și îți ordonează feed-ul în consecință. Sunt motorul Facebook, YouTube și TikTok.
Esențial: ei optimizează pentru engagement-ul prezis, nu pentru corectitudine, importanță sau binele tău. Acolo unde acestea intră totuși în model — un clasificator care evaluează o postare drept probabil discurs de ură, un sondaj care îi întreabă pe utilizatori ce li s-a părut valoros — sunt ajustări adăugate deasupra, nu mărimea pe care sistemul e construit s-o maximizeze.
Surse
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
Optimizarea pentru engagement
Practica de a antrena un sistem de clasare să maximizeze semnale de comportament măsurabile — click-uri, timp de vizionare, redistribuiri, comentarii — folosite ca măsură indirectă a valorii. Măsura e comodă pentru că e ușor de calculat. Dar e și nealiniată sistematic cu binele tău: conținutul care îți ține atenția nu e conținutul care te ajută.
Surse
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
Sună rezonabil. În practică, produce o problemă sistematică.
Engagement-ul nu e același lucru cu binele tău
Un accident de mașină oprește traficul. O ceartă cu țipete adună mulțime. Indignarea, frica și conflictul dintre tabere țin oamenii implicați — nu pentru că le plac, ci pentru că e greu să-ți iei ochii de la ele. Algoritmul nu poate face diferența între engagement-ul care îți face bine și cel care nu. Nici nu încearcă. Nu pentru asta optimizează.
Cercetările interne ale Facebook, dezvăluite în 2021 de Frances Haugen, avertizoare în interes public (whistleblower), au arătat că firma știa că algoritmii ei amplificau disproporționat, printre postările redistribuite, ceea ce cercetătorii ei numeau „dezinformare, toxicitate și conținut violent”. Documentele interne arătau că se dezbătea dacă problema trebuie reparată. Soluțiile propuse au întâmpinat rezistență, pentru că ar fi redus engagement-ul.
Asta nu e o acuzație de rea-voință. E o descriere a stimulentelor. Când engagement-ul e metrica și indignarea aduce engagement, sistemul scoate la suprafață indignarea — indiferent de intenție.
Bucla de feedback
Motorul de recomandare funcționează printr-o buclă continuă:
Tu interacționezi cu conținutul — faci o pauză, dai like, comentezi, distribui sau doar te uiți câteva secunde. Sistemul înregistrează ce a declanșat interacțiunea. Algoritmul își actualizează modelul despre ce te face să reacționezi. Îți servește mai mult conținut despre care prezice că va declanșa reacții asemănătoare. Bucla rulează continuu, invizibil, pentru peste trei miliarde de oameni pe zi — și asta doar pe aplicațiile Meta. Facebook însuși s-a lansat în 2004.
În timp, algoritmul devine foarte precis în a-ți prezice reacțiile — nu pentru că te înțelege, ci pentru că a adunat destule date despre comportamentul tău ca să-l poată modela. Rezultatul e un feed care pare personalizat și relevant, pentru că a fost calibrat pe profilul tău psihologic.
Profilarea comportamentală
Construirea unui model predictiv al unei persoane din urmele pe care le lasă — pe ce dă click, cât timp zăbovește, ce distribuie, pe cine urmărește. Profilul nu e o descriere în care te-ai recunoaște; e un obiect statistic optimizat să-ți prezică următoarea acțiune. Nu-l vezi niciodată și nu-l poți corecta.
Surse
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs.
Aceeași buclă îi plătește și pe cei care fac conținutul. Creatorii — publicații, influenceri, oricine postează ca să trăiască din asta — câștigă din veniturile din publicitate pe care platforma le împarte cu ei, din sponsorizări al căror preț se stabilește după audiență și din fondurile pentru creatori ale platformei înseși; fiecare crește odată cu engagement-ul, așa că preferința clasării pentru ce provoacă o reacție devine și stimulentul lor. Facebook Files consemnează constatarea companiei înseși: după ce schimbarea din 2018 a recompensat comentariile și redistribuirile, publicații și partide politice i-au spus Facebook că trecuseră la postări mai dezbinătoare, pentru că asta plătea acum clasarea. Nimeni nu le-a dat instrucțiuni; veniturile au făcut-o.
Ce au arătat datele
În 2018, Facebook și-a schimbat algoritmul ca să promoveze „Meaningful Social Interactions” (interacțiuni sociale semnificative) — conținutul care genera mai multe comentarii și reacții, cu intenția de a încuraja legături reale. Un studiu evaluat inter pares (Germano, Gómez și Sobbrio, publicat în Journal of Public Economics în 2026), bazat pe date din sondaje din Statele Unite și Italia, a constatat că schimbarea a contribuit, dimpotrivă, la creșterea extremismului ideologic și a polarizării afective în ambele țări. Pe baza acestor dovezi, o decizie comercială luată într-o ședință despre produs a avut consecințe politice — date din sondaje, nu un experiment, iar cât de mult mută polarizarea o singură schimbare de clasare nu e stabilit (vezi mai jos).
O prezentare internă Facebook din 2016, relatată de Wall Street Journal în 2020, a constatat că, printre grupurile politice germane pe care le-a studiat, 64% din toate intrările în grupuri extremiste veniseră chiar prin instrumentele de recomandare ale Facebook — o singură țară, un singur an, măsurătoarea făcută de companie însăși. Nu prin site-uri marginale. Prin propriul motor al companiei, câte un grup sugerat pe rând.
De ce voința individuală e cadrul greșit
Reacția obișnuită la toate astea e personală: folosește-le mai puțin, ia pauze, fii mai disciplinat. Sfatul nu e greșit, dar subestimează amploarea problemei.
Sistemul care îți optimizează feed-ul a fost construit, în ani de muncă, de echipe mari de ingineri foarte pricepuți, antrenat pe evidențe uriașe despre ce fac oamenii și rafinat continuu — schimbare după schimbare, testată pe utilizatori reali — spre ceea ce produce cel mai mult engagement. Ideea că voința individuală e principala apărare împotriva lui — și nu o schimbare structurală a sistemului însuși — e ea însăși un mod de a pune problema care avantajează platformele. Pune povara reacției pe utilizatori, nu pe design.
A înțelege mecanismul e începutul. Restul ține de structură: o schimbare în ceea ce sistemul e construit să maximizeze, nu în cât de disciplinați sunt utilizatorii lui.
Cum știm — schimbarea de algoritm din 2018 și ce arată și ce nu arată dovezile
Schimbarea „Meaningful Social Interactions” (MSI) din 2018 a reponderat News Feed-ul în favoarea postărilor care atrăgeau comentarii și reacții, mai ales redistribuiri între prieteni. Facebook a prezentat-o ca o promovare a legăturilor dintre oameni. Analiza evaluată inter pares a lui Germano, Gómez și Sobbrio (2026; circulată ca working paper în 2025) a modelat cum clasarea după semnale de engagement propagă conținutul și a testat predicțiile pe date din Statele Unite și Italia. Modelul prezice că, dacă like-urile și distribuirile cântăresc mai mult, crește engagement-ul, dar cresc și dezinformarea și polarizarea, iar datele din sondaje indică faptul că schimbarea MSI a contribuit la creșterea extremismului ideologic și a polarizării afective. Dovezile sunt observaționale: date din sondaje, nu un experiment controlat. Dezvăluirile lui Haugen au arătat ulterior că înșiși angajații Facebook semnalaseră că MSI recompensa indignarea și dezinformarea redistribuită.
Ce e controversat. Că clasarea după engagement amplifică conținutul care dezbină e bine susținut; cât de mult mută asta polarizarea nu e stabilit. Cele mai mari experimente pe această întrebare indică în direcția opusă: în studiile despre alegerile din SUA din 2020, făcute împreună cu Meta, trei luni în care utilizatorii au primit un feed cronologic în locul celui clasat sau cu o treime mai puțin conținut din surse cu aceleași opinii nu au schimbat în mod măsurabil polarizarea sau atitudinile politice — în limitele a trei luni și ale unui singur scrutin. Mărimile exacte și partea din polarizarea reală care poate fi atribuită unei singure schimbări de algoritm depind de ipotezele de modelare. Efectele platformelor interacționează cu politica offline, cu presa și cu autoselecția, ceea ce face greu de stabilit o cauzalitate clară. Descriem mecanismul și ce se știa documentat în interiorul companiei; nu susținem că algoritmul singur a cauzat polarizarea.
Despre cifra de 64%. Provine dintr-o prezentare internă Facebook din 2016, relatată de Wall Street Journal în mai 2020 — cu un an înainte de dezvăluirile lui Haugen. Slide-ul, dintr-un studiu despre grupurile politice din Germania, spunea că 64% din toate intrările în grupuri extremiste se datorau propriilor instrumente de recomandare ale Facebook („Sistemele noastre de recomandare amplifică problema”). E măsurătoarea făcută de companie propriului produs, ceea ce îi dă greutate — dar e o singură cifră internă, dintr-o singură țară și un singur an, nu un studiu replicat independent, și nu spune dacă acei utilizatori căutau deja astfel de grupuri.
Surse
- The Facebook Files (Wall Street Journal, 2021) — dezvăluirile interne ale lui Frances Haugen.
- Germano, F., Gómez, V. & Sobbrio, F. (2026), Ranking for Engagement: How Social Media Algorithms Fuel Misinformation and Polarization, Journal of Public Economics 255 (versiunea working paper cu acces liber, la Barcelona School of Economics) — studiu empiric despre schimbarea de algoritm Facebook din 2018.
- Guess, A.M. et al. (2023), How do social media feed algorithms affect attitudes and behavior in an election campaign?, Science 381(6656), 398–404 — experiment despre alegerile din SUA din 2020, făcut împreună cu Meta: trei luni de feed cronologic pe Facebook și Instagram „nu au modificat semnificativ nivelul polarizării pe teme, al polarizării afective, cunoștințele politice sau alte atitudini-cheie”.
- Hagey, K. & Horwitz, J. (15 septembrie 2021), Facebook Tried to Make Its Platform a Healthier Place. It Got Angrier Instead, Wall Street Journal (The Facebook Files) — note interne în care publicații și partide politice relatează că au trecut la postări mai negative și mai dezbinătoare după schimbarea de clasare din 2018.
- Horwitz, J. & Seetharaman, D. (26 mai 2020), Facebook Executives Shut Down Efforts to Make the Site Less Divisive, Wall Street Journal — prezentarea internă din 2016 și cifra de „64%”.
- Meta, Company information — „Când Facebook s-a lansat, în 2004”.
- Meta Platforms (29 iulie 2026), Meta Reports Second Quarter 2026 Results — cifra companiei înseși: „DAP a fost, în medie, 3,60 miliarde pentru iunie 2026” (Family daily active people), așa cum a fost depusă la US Securities and Exchange Commission.
- Milli, S., Carroll, M., Wang, Y., Pandey, S., Zhao, S. & Dragan, A.D. (2025), Engagement, user satisfaction, and the amplification of divisive content on social media, PNAS Nexus 4(3) — audit preînregistrat: clasarea după engagement a Twitter a amplificat conținutul încărcat emoțional și ostil față de celălalt grup, comparativ cu un feed cronologic, iar utilizatorii nu l-au preferat.
- Narayanan, A. (2023), Understanding Social Media Recommendation Algorithms, Knight First Amendment Institute, Columbia University.
- Nyhan, B. et al. (2023), Like-minded sources on Facebook are prevalent but not polarizing, Nature 620, 137–144 — reducerea cu aproximativ o treime a expunerii la surse cu aceleași opinii, pentru 23.377 de utilizatori în timpul alegerilor din SUA din 2020, nu a avut niciun efect măsurabil asupra polarizării afective, a extremismului ideologic sau a altor șase atitudini preînregistrate.
- Zuboff, S. (2019), The Age of Surveillance Capitalism, PublicAffairs.