Visualizar este e-mail como página web

MS Journal #41: Agosto 2026

 Nunca tivemos tanta informação ao nosso alcance, mas a maneira como chegamos até ela mudou bastante.

Rádio analógico

Em 2011, Eli Pariser pediu a dois amigos que fizessem a mesma busca no Google: “Egito”.

Um deles recebeu vários resultados sobre os protestos e a crise política que dominavam o noticiário naquele momento. Para o outro, não apareceu nenhuma referência aos protestos entre os dez primeiros resultados. Em vez disso, havia principalmente páginas com informações sobre viagens e turismo.

A diferença chamou a atenção de Pariser porque os dois haviam feito exatamente a mesma pergunta à mesma ferramenta e recebido respostas bastante diferentes. O episódio se tornaria um dos exemplos mais conhecidos de uma ideia que ele chamou de filter bubble.

Resultados da busca por “Egypt” apresentados por Eli Pariser, 2011.

Filtro, claro, nunca foi novidade. Um editor sempre decidiu o que entrava numa revista, uma rádio montava sua programação, um jornal escolhia o que ia para a primeira página. Nós também fazíamos escolhas entre eles.

Mas o programador da rádio selecionava uma programação que seria a mesma para todos os ouvintes daquela estação. Duas pessoas podiam discordar completamente de uma matéria de jornal, mas tinham lido exatamente o mesmo texto.

O que mudou não foi a existência do filtro, mas a maneira como ele funciona. A seleção agora pode ser individual e aprender continuamente com nossas escolhas. Ela começa antes de vermos o conjunto.

O mecanismo é relativamente simples. Você demonstra interesse em alguma coisa, o sistema oferece mais daquilo. Você interage novamente, e essa escolha se torna mais uma informação sobre o que provavelmente interessa a você.

Uma pesquisa sobre sistemas de recomendação simulou esse feedback loop e mostrou que, ao longo do tempo, as escolhas dos usuários tendiam a se concentrar em um repertório cada vez menor. Não necessariamente porque suas preferências tivessem mudado, mas porque o próprio sistema passava a oferecer opções cada vez mais parecidas com aquilo que eles já haviam escolhido.

Há uma diferença entre descobrir aquilo de que alguém gosta e continuar oferecendo aquilo que já funcionou. Gosto não é uma coisa pronta.

Enjoamos de coisas de que já gostamos, mudamos de opinião e mudamos de gosto. Um livro nos leva a outro que jamais procuraríamos, uma música que inicialmente parecia estranha pode se tornar favorita e, muitas vezes, acabamos gostando de alguma coisa que nunca teríamos pensado em procurar.

Sistemas de recomendação também levam em conta conceitos como diversity, novelty e serendipity, que procuram abrir espaço para recomendações mais variadas, novas ou inesperadas. Se um sistema aprende quem somos olhando para nossas escolhas anteriores, precisa decidir quanto confiar nesse passado e quanto espaço deixar para aquilo que ainda não sabe sobre nós.

Em 2020, o podcast Rabbit Hole, do New York Times, acompanhou uma versão extrema desse mecanismo.

Rabbit Hole, The New York Times, 2020

Caleb Cain começou passando muito tempo no YouTube assistindo a vídeos de autoajuda. Seguindo recomendações, entrou aos poucos em um universo de comentaristas políticos e depois em conteúdos ligados à extrema-direita, muito distantes daquilo que havia ido procurar inicialmente.

A história se tornou um dos exemplos mais conhecidos do chamado rabbit hole: uma recomendação leva à próxima e os conteúdos apresentados vão ficando progressivamente mais próximos daquilo que a pessoa já vinha assistindo.

Mas a pesquisa feita desde então tornou essa história mais complexa. Um estudo recente sobre o YouTube não encontrou evidência de que suas recomendações levem sistematicamente usuários moderados ao extremismo. Encontrou, porém, algo relevante: quanto mais as pessoas seguiam recomendações, mais estreita ficava a variedade ideológica dos vídeos que recebiam.

Não é preciso chegar ao extremismo para que isso importe.

Se vemos A, escolhemos A e, como consequência, recebemos ainda mais A, surge outra questão: quanto daquilo que aparece com frequência para nós é realmente frequente fora do nosso próprio recorte?

É como estar numa festa em que um assunto domina as conversas ao seu redor e sair de lá achando que foi o assunto da noite inteira, sem saber que, do outro lado da festa, ninguém sequer falou sobre ele.

Isso importa não apenas para nossos gostos e interesses, mas também para a maneira como formamos opiniões. Duas pessoas podem acompanhar o mesmo assunto na mesma plataforma e, ainda assim, ser expostas a informações, argumentos e pontos de vista bastante diferentes.

Até que ponto isso muda aquilo que pensamos ainda não tem uma resposta única.

Pesquisas recentes feitas em diferentes plataformas chegaram a resultados diferentes. Em pesquisas com usuários do Facebook e Instagram, alterar profundamente o feed mudou bastante o conteúdo recebido, mas produziu pouca ou nenhuma mudança nas atitudes políticas medidas. Por outro lado, um experimento independente feito no X concluiu que passar do feed cronológico para o algorítmico mudou não só o conteúdo recebido, mas também algumas opiniões sobre política e acontecimentos públicos.

Isso não significa que algoritmos determinem aquilo que pensamos. Os resultados variam entre plataformas, períodos e formatos de pesquisa e não podem ser automaticamente generalizados. Mas há uma consequência que independe dessa discussão. Duas pessoas podem acompanhar o mesmo assunto, na mesma plataforma, e formar suas opiniões a partir de informações diferentes, sem saber o que apareceu para a outra.

Não faz sentido romantizar o mundo anterior. Ter poucas estações de rádio, alguns canais de televisão e grandes jornais não significava mais liberdade. Havia menos acesso e outros gatekeepers decidiam o que merecia chegar ao público.

Com a internet, passamos a ter acesso a uma quantidade e variedade de informações que antes não existia. E, diante de um universo tão maior de possibilidades, mudou também a forma como chegamos ao que efetivamente vemos, lemos ou ouvimos.

Banca de Jornal no Rio de Janeiro na década de 60

Um editor decidia o que entrava numa revista, mas não reorganizava a banca individualmente para cada leitor que chegava. O programador escolhia o que tocava numa rádio, mas a programação não mudava de acordo com o gosto de cada ouvinte. Hoje, a seleção pode se adaptar continuamente a cada pessoa.

Nunca tivemos acesso potencial a tanta coisa. Mas ter alguma coisa disponível não significa necessariamente encontrá-la.

Aquilo que aparece na nossa tela é uma seleção de um universo muito maior, construída também a partir das escolhas que fizemos antes.

RThe Filter Bubble — Eli Pariser

Publicado em 2011, o livro investiga como a personalização passou a interferir naquilo que encontramos na internet e popularizou o conceito de filter bubble. É de onde vem o caso das duas buscas por “Egito” que abre este Journal.

Rabbit Hole — The New York Times
Podcast em oito episódios que acompanha diferentes histórias para investigar como a internet e, especialmente, os sistemas de recomendação do YouTube podem conduzir usuários por caminhos que eles não necessariamente pretendiam seguir. O caso de Caleb Cain é o ponto de partida da série.

How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility — Allison Chaney, Brandon Stewart e Barbara Engelhardt

O estudo investiga o que acontece quando sistemas de recomendação aprendem continuamente a partir das escolhas dos próprios usuários. As simulações mostram como esse ciclo pode, ao longo do tempo, tornar o consumo mais homogêneo e reduzir a variedade das opções apresentadas.

Transforme em algo novo aquilo que você não usa mais.

O processo é fácil, sem taxas e você pode iniciar a qualquer momento.

Enviado por Marina Schaffa
Caso não queira mais receber estes e-mails, cancele sua inscrição.