I diskussionen om AI kommer många först att tänka på chattbottar som ChatGPT och Copilot och bildgeneratorer som baserar sig på AI-modeller. Det man eventuellt inte inser är att vi mycket oftare använder oss av AI i ett annat sammanhang än i form av AI-verktyg: nämligen på sociala medier.
På de populäraste sociala medieplattformarna har maskininlärning åtminstone sedan 2016 använts för att få algoritmer att ge rekommendationer. De tidigaste försöken med rekommendationssystem gjordes redan flera år tidigare.
Olika typer av rekommendationsalgoritmer
Rekommendationssystem används i många informationssystem och applikationer. På olika sociala medieplattformar kallas de ofta rekommendationsalgoritmer. Det är fråga om program som genom att gå igenom stora datamängder skapar rekommendationer för specifika användare. Oftast handlar det om att välja ut innehåll för användarens flöde på en viss plattform på sociala medier. I praktiken är det alltså rekommendationsalgoritmerna som bestämmer vilken typ av inlägg och i vilken ordning användaren får se dem på sociala medieplattformar och -applikationer.
Rekommendationssystemen kan delas in i tre huvudgrupper: innehållsbaserade och kollaborativa system samt hybridmodeller, som kombinerar flera metoder. [i] [ii]
- En innehållsbaserad algoritm skapar rekommendationer genom att jämföra den information som finns tillgänglig om både användaren och olika typer av innehåll. En applikation kan exempelvis fråga användaren vilka teman hen intresserar sig för och anpassa innehållet utifrån ett antal utvalda kategorier.
- En kollaborativ rekommendationsalgoritm skapar rekommendationer utifrån data som samlats in om användarens aktivitet. Tanken är att innehållet filtreras utifrån information om flera användare istället för en enskild användare och att de som tidigare intresserat sig för vissa teman gör det också senare. Data som ligger till grund för filtreringen kan till exempel bestå av användarnas reaktioner på inlägg eller deras sociala nätverk.
- Hybridalgoritmerna kombinerar dessa två tillvägagångssätt och andra metoder. En algoritm kan till exempel rekommendera innehåll till nya användare utifrån var de befinner sig geografiskt eller vilka intressen de har och sedan gå över till kollaborativa rekommendationer allt eftersom det samlas in data om användaren. Dessa data kan i sin tur jämföras med data om andra användare och annat innehåll.
Eftersom användarnas intressen, beteendemönster och aktivitet varierar har algoritmerna utvecklats så att de allt bättre kan anpassa sig efter användarnas vanor och skillnaderna mellan olika användare. Detta återspeglas också i hybridalgoritmernas ökade popularitet. Till exempel behövs det betydligt större antal och nyare rekommendationer för dem som är väldigt aktiva på sociala medier än för dem som tittar in i apparna endast några gånger i veckan.
Det behövs nyare rekommendationer för dem som är aktiva på sociala medier än för dem som öppnar en app endast några gånger i veckan.
Dagens webbtjänster och sociala medieplattformar har som mål att samla in data som ger en så detaljerad bild av en användares aktivitet som möjligt och som rekommendationsalgoritmerna kan använda sig av för att så bra som möjligt filtrera innehållet utifrån användarens intressen. Det har i sin tur inneburit att det samlas in allt mer olika typer av personuppgifter och data som beskriver användarnas aktivitet.
I takt med att mängden användardata växer och data präglas av större komplexitet har det för olika applikationer utvecklats också AI-baserade rekommendationsalgoritmer. Fördelen med AI-baserade algoritmer är att de effektivt kan dra nytta av ett stort användarspecifikt datalager och anpassa sig till varje användares beteende. Således kan olika faktorer betonas i rekommendationerna beroende på vilken typ av data det finns om en användare. Det här är en tydlig fördel jämfört med icke-flexibla rekommendationsalgoritmer som behandlar alla användares data på samma sätt.
De nuvarande rekommendationsalgoritmerna använder sig ofta av AI-tekniker som maskininlärning, djupinlärning och naturlig språkbehandling, som används blanda annat i chattbottar. Å andra sidan kan användare trots användningen av AI uppleva att algoritmerna på sociala medier inte visar rätt sorts innehåll för dem.
Det är bra att vara medveten om att algoritmerna i webbtjänster och på sociala medier ändras ofta. Ändringarna beror på att algoritmerna utvecklas, eftersom sociala medieplattformar strävar efter att optimera algoritmerna så att de bättre tjänar sina syften. I takt med att AI utvecklas är målet till exempel att i allt högre grad utnyttja AI-funktioner i rekommendationsalgoritmerna.
Oavsett om AI används eller inte är det bra att komma ihåg två saker som inte ser ut att ändras: för det första är syftet med algoritmerna oftast att hålla användarna kvar på plattformar så länge som möjligt, och för det andra är algoritmerna lätta att manipulera. Till exempel annonsörer, inflytelserika personer inom politiken och de som sprider desinformation håller sig ständigt uppdaterade om utvecklingen av algoritmerna och försöker utnyttja dem för att ge sina egna inlägg så stor synlighet som möjligt. [iii]
Facebook och filtrering av sociala nätverk
Pionjären bland AI-algoritmerna – på gott och ont – har varit Facebook. Facebook lanserade nyhetsflödet (‘news feed’) två år efter att själva plattformen lanserats år 2006. Till en början baserade sig flödet inte på en rekommendationsalgoritm, utan det visade allt ens Facebook-vänner hade haft för sig i kronologisk ordning.
Facebook lanserade sin första algoritm, som var avsedd för att styra nyhetsflödet, år 2009. Händelsen kan så här i efterhand ses som startskottet för rekommendationsalgoritmerna på sociala nätverkstjänster. Tanken var att visa användarna det mest intressanta innehållet istället för deras vänners inlägg. Algoritmen baserade sig i huvudsak på tre variabler: hur nära relation det var mellan användaren och inlägget, hur viktigt innehållet ansågs vara och när inlägget lagts ut. Således var det alltså fråga om en kollaborativ rekommendationsalgoritm, som i hög grad beaktade det sociala nätverket mellan användarna. Senare har den här typen av algoritmer blivit vanliga uttryckligen på plattformar som är avsedda för nätverkande. [iv] [v] [vi]
Den nya algoritmen innebar en betydande förändring för Facebooks dåvarande 300 miljoner användare. Eftersom användarna inte längre “behövde” läsa alla sina vänners inlägg blev det möjligt att inkludera allt fler personer i det egna nätverket. År 2009 var det genomsnittliga antalet Facebook-vänner 120, men 2011 hade siffran stigit till 190. Vid den tiden gjordes en annan stor ändring i algoritmen för nyhetsflödet, då en rekommendationsalgoritm som baserade sig på maskininlärning togs i bruk. [vii]
År 2013 använde den nya AI-baserade rekommendationsalgoritmen sig av upptill 100 000 olika variabler. Detta innebar allt mer individanpassade rekommendationer: Användarna som var aktiva i Facebook-grupper såg fler inlägg från grupperna. De som ofta gillade bilder såg allt oftare bildinlägg. De som klickade på länkar fick i sin tur se allt fler länkar och så vidare. [viii]
När AI gallrade fram de intressantaste inläggen i det sociala nätverket kunde användarna nätverka med allt fler människor, utan att nyhetsflödet fylldes med ointressant “brus”. År 2016 hade användarna i USA i genomsnitt redan 350 Facebook-vänner och 18–24-åringar hade så många som 650 Facebook-vänner.
Under de första åren hade Facebook varit en plattform för kommunikation mellan bekanta, men ökningen av antalet vänner innebar en möjlighet att få mer och mer publicitet. Betydelsen av länkar som delats på Facebook blev större än tidigare för kommersiella aktörer, eftersom organisk synlighet på Facebook kunde innebära tusentals och åter tusentals besökare på företagens webbplatser. Vid sidan av viljan att ta hand om sina vänskapsrelationer kunde Facebook också användas i försök att uppnå masspopularitet och att skapa politiskt inflytande samt att främja företagsverksamhet. Facebooks egna medarbetare beskrev förändringen som en kontextkollaps. [ix]
År 2016 lanserade Facebook emoji-reaktionerna “älskar”, “haha”, “wow”, “ledsen” och “arg”. De tillät algoritmen att lista ut användarnas känsloreaktioner och rekommendera inlägg till användarna utifrån dem. Samtidigt blev den AI-baserade hybridalgoritmen så invecklad att den visade sig vara svår för Facebook att hantera.
Det fanns ett stort problem med hur rekommendationsalgoritmen påverkades av emoji-reaktionerna. Emoji-reaktionerna tilldelades mycket större tyngd i hur algoritmen beräknade rekommendationspoäng jämfört med vanliga gilla-markeringar. Det ledde till att inlägg som fick ett stort antal till exempel “arg”- och “haha”-reaktioner kunde få oproportionerligt stor synlighet, när algoritmen lyfte fram dem i användarnas flöden. Att väcka ilska och andra starka känslor blev på så sätt ett effektivt sätt att ge inlägg stor publicitet på Facebook. Detta gick inte obemärkt förbi hos dem som hade för avsikt att påverka människors attityder och åsikter. [x] [xi]
Att väcka ilska och andra starka känslor blev ett effektivt sätt att ge inlägg stor publicitet på Facebook.
Det tog Facebook flera år att erkänna och rätta till emoji-reaktionernas oproportionerligt stora påverkan på rekommendationsalgoritmen. Enligt dokument som läcktes av en tidigare Facebook-anställd 2021 hade Facebook försökt förhindra känsloreaktionernas alltför stora inverkan på rekommendationerna, men funktionen som utvecklats för ändamålet visade sig inte fungera. Det är talande att algoritmen för nyhetsflödet kunde ge inlägg med till exempel desinformation, hatretorik och klickrubriker stor synlighet, samtidigt som bolagets moderatorer efter bästa förmåga försökte bekämpa den typen av innehåll.
Forskare upptäckte att emoji-reaktionerna användes till att sprida felaktigt och skadligt innehåll på Facebook 2019. ”Arg”-reaktionernas betydelse för rekommendationsalgoritmen minskades flera gånger, och till sist slopades metoden helt och hållet 2021. Detta gjordes efter att Facebook blivit föremål för hård offentlig kritik i efterdyningarna av presidentvalen i USA 2016 och 2020. Bolaget anklagades för att ha misslyckats med att bekämpa spridningen av desinformation och informationspåverkan inför valen. Känslofokuserade Facebook-inlägg användes effektivt också i kampanjerna inför riksdagsvalet i Finland 2019. [xii]
Sedan 2021 har Facebook fortsatt att utveckla sin AI-drivna rekommendationsalgoritm. I takt med att regleringen med fokus på integritetsskydd har ökat har Facebook regelbundet börjat ge ut information om vilken typ av inlägg algoritmen väljer ut för en genomsnittlig Facebook-användares flöde. Under de senaste åren har Facebook särskilt minskat synligheten för länkar i flödet och ökat antalet sådana inlägg som lagts ut av aktörer som inte är bland användarnas Facebook-vänner. Ändringarna innebär att Facebook försöker hålla användarna kvar på sin egen plattform, och bolaget går stegvis mot intressefokuserade rekommendationer som skapats med hjälp av profilering, vilket gör att användarnas sociala nätverk har allt mindre betydelse. [xiii]
Youtubes dilemma: Vilket av alla miljontals videor ska rekommenderas härnäst?
Youtube har ett uppenbart behov av en effektiv rekommendationsalgoritm, eftersom det år 2008, bara tre år efter lanseringen, hade laddats upp över 45 miljoner videor på plattformen. Det var möjligt att upptäcka videor enligt kanal samt med hjälp av en popularitetsbaserad lista och en textbaserad sökfunktion. Sökfunktionen fungerade dock inte särskilt bra, eftersom det enda giltiga sökkriteriet i de flesta videor var videons titel. [xiv]
Youtubes behov av att utveckla en rekommendationsalgoritm kan närmast jämföras med tävlingen som Netflix sponsrade under åren 2006–2009 och som hade som mål att ta fram ett så exakt rekommendationssystem för filmer som möjligt. [xv] Netflix hade börjat hyra ut DVD-filmer per post, och dess databas bestod vid den tiden av cirka 100 000 DVD-filmer. Bolaget utlovade en miljon dollar till den som kunde utveckla ett rekommendationssystem som skulle vara minst 10 procent bättre än algoritmen som användes då. Jämfört med Netflix hade Youtube ett mycket större urval av videor och mindre information om användarna.
Google började ta hjälp av maskininlärning för att ge videorekommendationer på Youtube år 2007. Bolagets egna forskare skapade till sist ett nätverk av videorna utifrån hur många gånger samma användare hade tittat på samma videor. Förmodligen var det förnuftigast att rekommendera videor som användare som tidigare visat intresse för samma videor hade tittat på. Utmaningen var det stora antalet videor, vilket gjorde det omöjligt att beräkna nya videorekommendationer för varje användare varje gång de bytte mellan olika videor. Å andra sidan skulle användarna inte bara rekommenderas de populäraste videorna, utan tanken var att de skulle kunna upptäcka nytt intressant innehåll.
Utvecklarna på Youtube löste utmaningen genom att skapa flera AI-modeller, använde sig av loggdata, som samlats in om användarna, som träningsdata för maskininlärning. Med hjälp av AI-modellerna kunde användarna erbjudas förslag på flera “relaterade videor” (‘related videos’), som tagits fram utifrån videorna de precis tittat på. På så sätt skapades en av de tidiga rekommendationsalgoritmerna för sociala medier, som baserade sig på kollaborativ filtrering. Till skillnad från Facebook baserades rekommendationerna inte på användarnas sociala nätverk utan på ett nätverk av videor.
Youtube har varit pionjär även i utvecklingen av andra AI-funktioner än rekommendationsalgoritmer. År 2009 lanserade Youtube automatiska undertexter, som baserade sig på taligenkänning, och år 2013 en funktion för ansiktsigenkänning för identifiering av människors och djurs – exempelvis katters – ansikten. [xvi] [xvii]
Youtube har varit pionjär i utvecklingen av AI-funktioner.
Det är oklart hur länge Youtubes tidigare AI-algoritm användes i videorekommendationer. År 2016 introducerades ändå en mer avancerad rekommendationsalgoritm som baserade sig på djupinlärning och neurala nätverk. Den nya AI-baserade algoritmen möjliggjorde effektivare innehållsmoderering till exempel för automatisk identifiering av innehåll som var olämpligt eller på något annat sätt skadligt för barn. Sedan 2017 har Youtube arbetat för att få algoritmen att lyfta fram innehåll som producerats av pålitliga medier. År 2019 vidareutvecklade Youtube algoritmen så att videor med tvivelaktiga påståenden rekommenderas i mindre utsträckning. [xviii] [xix]
Tiktoks beroendeframkallande algoritm
Jämfört med flera andra sociala medieplattformar är Tiktok relativt nytt. Tiktoks systerapp Douyi lanserades i Kina 2016 och Tiktok i andra länder året därpå. I Finland ökade Tiktok i popularitet under åren 2019–2021. [xx]
Tiktoks moderbolag Bytedance är först och främst ett AI-bolag. En av bolagets första produkter år 2012 var appen Toutiao, som rekommenderade nyheter till kineserna med hjälp av maskininlärning och en användarspecifik, individanpassad rekommendationsalgoritm, som baserade sig på naturlig språkbehandling. År 2015 blev det möjligt att ladda upp korta videor i appen, och året därpå var Toutiao redan den mest populära plattformen för korta videor i Kina. [xxi]
Till skillnad från många andra sociala medieplattformar hade Bytedance från början tillgång till en kraftfull rekommendationsalgoritm, när bolaget lanserade Douyi och Tiktok. Det är värt att notera att “det nya” med Tiktok inte var de korta videorna som innehållsformat utan uttryckligen rekommendationsalgoritmen, som klarade av att fånga användarnas uppmärksamhet. Vid den tiden fanns det redan många populära appar för korta videoklipp, som Vine (2012–2017) och Snapchat, där snappar i videoform lanserades 2012 och stories 2013. [xxii] [xxiii] Tiktok kombinerade offentliga korta videoklipp med en AI-algoritm, som utifrån insamlade profileringsdata rekommenderade användarna intressanta videoklipp.
“Det nya” med Tiktok var inte de korta videorna som innehållsformat utan rekommendationsalgoritmen, som klarade av att fånga användarnas uppmärksamhet.
Kärnan i Tiktok är För dig-flödet (For you page), som består av algoritmens rekommendationer. Ett typiskt sätt att använda appen är att snabbt bläddra i flödet och titta på intressanta videor. Eftersom beslutet att titta på en video fattas utifrån startbilden, titeln och de första sekunderna av videon är det av stor betydelse hur visuellt intressanta och uppseendeväckande videorna är. I enlighet med detta utgår algoritmen på Tiktok, så som på många andra sociala medier, inte från vilka profiler en användare valt att följa utan från vilka teman och vilken typ av videor användaren tidigare varit intresserad av.
Enligt Tiktok inverkar bland annat följande faktorer på vilka videor som lyfts fram i För dig-flödet: [xxiv] [xxv]
- Användarens interaktion: videorna som användaren gillat, delat, kommenterat, tittat på eller hoppat över samt profilerna hen börjat följa.
- Videodata: videoljud, hashtaggar, beskrivningstexter, visningar och publiceringsland.
- Användardata: enhetsinställningar, språk, plats, tidszon och datum och enhetstyp.
Jämförelser med andra sociala medieplattformar har visat att datainsamlingen på Tiktok är mycket omfattande. Datainsamlingen på Tiktok kan delas in i fem nivåer enligt följande: [xxvi]
Bild: Nivåer för datainsamling på Tiktok
Genom att jämföra data som samlats in om användaren och videodata görs det för varje video en bedömning av hur sannolikt användaren intresserar sig för den. Olika variabler viktas på olika sätt. Om användaren till exempel ser en video från början till slut indikerar det starkt att användaren intresserar sig för videor om ett visst ämne. En stor följarskara garanterar inte enbart att en innehållsskapares videor kommer före andras i rekommendationssystemet. Användarens sociala nätverk, dvs. profilerna hen följer, har inte någon större betydelse för algoritmen på Tiktok. Algoritmen på Tiktok kan kallas ett rekommendationssystem som styrs av ett nätverk av intressen.
Tiktok-algoritmen är mycket reaktiv: användarens aktivitet på plattformen påverkar snabbt vilka videoklipp som visas för hen. Det gör i sin tur att Tiktok är ytterst beroendeframkallande för sina användare. Enligt interna dokument som läckts ut i offentligheten i samband med rättsprocesserna mot Tiktok i USA 2024 kunde användarna bli beroende av appen på 35 minuter och hamna i en algoritmskapad filterbubbla så snabbt som på 20 minuter. [xxvii]
Korta videor intresserar särskilt unga
Tiktoks globala popularitet har bestämt riktningen för utvecklingen av sociala medier under de senaste åren. Precis som på många andra sociala medieplattformar berodde ökningen av antalet använder på Tiktok till en början särskilt på barn och unga, som snabbt tog till sig den nya appen.
Innan det blev populärt med Tiktok var de populäraste sociala medieplattformarna i Finland Whatsapp, Youtube, Snapchat och Instagram. Whatsapps och Snapchats popularitet har i huvudsak baserat sig på direktmeddelanden mellan användarna och grupper, medan Youtube blivit populärt på video- och Instagram på bildinnehåll. De korta klippen på Tiktok erbjöd användarna en ny typ av innehåll, jämfört med tidigare plattformar, och appen blev snabbt populär bland finländska ungdomar fr.o.m. 2019. Så tidigt som 2021 hade Tiktok redan blivit populärare än Instagram och lika populärt som Snapchat bland 13–16-åringarna. Tiktoks inträde på marknaden verkar trots det inte ha minskat ungdomarnas användning av andra populära plattformar. [xxviii]
Bild: De populäraste sociala medieplattformarna bland 13–16-åringarna i Finland 2017–2024. Datakälla: DNA, Koululaistutkimus, 2017–2024, användning dagligen, nästan dagligen eller flera gånger i veckan, bild: Harto Pönkä, 30.12.2024.
Tiktoks popularitet har inte gått obemärkt förbi hos de övriga jättarna på sociala medier. Meta lanserade korta Reels-videor på Instagram i augusti 2020 och Shorts-videor på Youtube i juli 2021. Bland videoplattformar kan Tiktok ses som den största utmanaren för just Instagram och Youtube – särskilt bland unga användare. I ljuset av det är det lätt att förstå att de också vill erbjuda samma slags korta videoklipp som Tiktok.
Plattformarna för korta videoklipp har förändrat och kommer även framöver att förändra användarnas beteende på sociala medier. Det här återspeglas bland annat i att korta videor på bara några år blivit ett mer populärt format för nyhetsinnehåll i många länder än långa videor eller direkta videosändningar. Enligt en studie från Reuters Institute (2024) tar människor i hela världen mest del av nyhetsvideor på Youtube, Facebook, Instagram och Tiktok. Bland personer under 35 år är Instagram och Tiktok särskilt populära. Tiktoks betydelse som nyhetskanal är tydlig också i länderna som ingår i det s.k. globala syd. [xxix]
Plattformarna för korta videoklipp har förändrat och kommer även framöver att förändra användarnas beteende på sociala medier.
När det gäller nyhetsinnehåll aktualiseras frågan om huruvida de olika nyhetskällorna är lika pålitliga. Enligt ett flertal enkätundersökningar upplever användarna på Tiktok nyheterna de tar del av via plattformen som opålitliga. I en enkätundersökning gjord av Reuters Institute sade flest svarande att det var svårt att försäkra sig om nyheternas tillförlitlighet på Tiktok. Följande tre på listan var X, Facebook och Instagram. Resultaten från Finland motsvarade ungefär genomsnittet för de länder som var med i undersökningen. [xxx]
Effekterna av Tiktok och boomen för korta videor har snabbt börjat märkas i Finland. Enligt en enkätundersökning från början av 2024 hade Tiktok blivit den populäraste nyhetskällan bland 13–18-åringar och 33 % ansåg att de fick ta del av allt nödvändigt nyhetsinnehåll via plattformen. De två följande nyhetskällorna på listan var kvällstidningarnas webbplatser och Instagram. Majoriteten av de svarande (56 %) ville helst ta del av nyheter i form av korta videor. [xxxi] Det är fråga om en snabb förändring, som leder till att ungas medieanvändning skiljer sig markant från medieanvändningen hos majoriteten av de vuxna. Det finns anledning till oro, eftersom en relativt stor andel av Tiktok-användarna (35 %) inte kunde säga om de stött på desinformation på plattformen. [xxxii] Det indikerar både att behovet av digital informationslitteracitet bland unga användare på sociala medier har ökat och att det är svårt att upptäcka desinformation på en plattform för kort videoinnehåll.
Datastyrda algoritmer får allt större makt
Även om den mest synliga effekten av Tiktok är den ökade populariteten av kort videoinnehåll är det bra att komma ihåg att framgången inte är de korta videorna i sig utan en kraftfull rekommendationsalgoritm. Därtill handlar det om i hur hög grad algoritmens innehållsrekommendationer styr användningen av plattformen.
Tiktoks – och tidigare också Youtubes – framgång har visat att en AI-driven rekommendationsalgoritm som baserar sig på profilering och ett nätverk av intressen kan vara effektivare på att fånga användarnas uppmärksamhet än en algoritm som är baserad på sociala nätverk och kollaborativ filtrering. För Tiktoks algoritm spelar användarnas sociala relationer ingen större roll. Det här utgör en betydande skillnad jämfört med algoritmerna för Facebook, Instagram och X (tidigare Twitter), eftersom de ursprungligen baserats på just användarnas sociala nätverk.
Meta har varit öppen om utvecklingen av sina rekommendationsalgoritmer. I konkurrensen med Tiktok har Meta under de senaste åren satsat på användning av AI bland annat i algoritmen för Reels på Instagram. I början av 2021 meddelade Meta att bolaget för dessa Reels utvecklat en AI-modell som baserar sig på kontinuerligt självstyrt lärande och på analyser av ljud och bild i videor.
Resultatet av bild- och taligenkänning kombineras med analysen av videornas titlar och beskrivningar, och utifrån dessa analyser kan AI-modellen ge allt exaktare videorekommendationer, som är i linje med användarens intressen. I likhet med Tiktok samlar även Instagram in en stor mängd profileringsdata, dvs. signaler om användarens aktivitet, för att skapa en bild av användarens preferenser. [xxxiii] [xxxiv]
Meta har också ökat användningen av profileringsdata i algoritmen för Facebook-flödet. Det har lett till att allt fler av de inlägg som algoritmen väljer för en användares flöde är så kallade orelaterade inlägg, som alltså har lagts ut av innehållsskapare som användaren inte följer. Så sent som 2021 hade fortfarande i genomsnitt ca 12 % av alla inlägg i en användares flöde lagts ut av innehållskapare som hen inte följde, men 2024 hade siffran stigit till ca 32 %. Samtidigt får användarna se allt färre av sina Facebook-vänners inlägg i sitt flöde. Med andra ord har användarnas egna val och sociala relationer allt mindre inverkan på vilka inlägg de ser på Facebook. [xxxv]
Bild: Förändringar i Facebook-flödet 2021–2024
En intressant fråga är i vilken utsträckning algoritmerna på sociala medier uppfyller användarnas behov. Ett svar på frågan ges av en studie genomförd av Taylor och Choi, som undersökte hur väl innehållet på olika sociala medieplattformar motsvarade användarnas personliga önskemål. De som deltog i studien utvärderade hur väl algoritmerna på Facebook, Instagram, Twitter och Tiktok fungerade utgående från 15 påståenden.
Åtta av påståendena berörde algoritmernas önskade beteende och sju deras oönskade beteende. Enligt resultaten ansågs innehållet som valts ut av Tiktoks algoritm oftare främja och motsvara studiedeltagarnas önskemål än algoritmerna på Facebook, Instagram och Twitter. Facebooks algoritm upplevdes mest ge rekommendationer som inte motsvarade användarnas önskemål. Studien genomfördes under åren 2021–2022, dvs. innan Facebook ökade andelen inlägg publicerade av innehållsskapare som användarna inte följde bland algoritmens rekommendationer. [xxxvi] Å andra sidan är det bra att notera att deltagandet i en studie kring algoritmers beteende förutsätter rätt avancerad algoritmisk litteracitet och en medvetenhet om hur algoritmer fungerar, för att deltagarna ska kunna jämföra algoritmers beteende i olika appar.
Trenden i utvecklingen av rekommendationsalgoritmer under de senaste åren kan sammanfattas så att datastyrda algoritmer används i en allt större utsträckning jämfört med socialt styrda algoritmer. Det kan i sin tur inom en snar framtid förväntas innebära ytterligare förändringar i hur sociala medier används. Samtidigt kommer datastyrda AI-baserade algoritmer att ha en allt starkare inverkan på miljarder användares beteende på sociala medier, på både individ- och gruppnivå. [xxxvii]
AI-baserade hyperpersonaliserade rekommendationsalgoritmer leder till att algoritmer – snarare än användarna själva – har allt större makt över vad vi ser på sociala medier eller andra digitala plattformar. När allt kommer omkring utvecklas algoritmerna utifrån plattformägarnas, inte användarnas, önskemål. Å andra sidan tyder resultaten av den ovannämnda studien om algoritmerna på sociala medier på att datastyrda algoritmer bättre kan tillgodose användarnas behov än socialt styrda algoritmer.
AI-baserade hyperpersonaliserade rekommendationsalgoritmer har allt större makt över vad vi ser på olika digitala plattformar.
Algoritmerna är svåra att reglera
Effekterna av digitala plattformar är inte begränsade till själva användarupplevelsen. Samtidigt är det nödvändigt att bedöma till exempel hur datainsamlingen på plattformarna påverkar användarnas integritet, hur sanningsenligt innehåll algoritmerna rekommenderar, hur väl plattformarna klarar av att bekämpa skadligt innehåll och hatretorik och i slutändan hur plattformarna påverkar användarnas välbefinnande som helhet. Många EU-förordningar tangerar också detta, såsom den allmänna dataskyddsförordningen (GDPR), förordningen om digitala tjänster (DSA) och AI-förordningen (AI-akten). Dataskyddsförordningen, som varit i kraft sedan 2018, har påverkat hur de digitala jättarna samlar in och använder sig av användarnas data. Till exempel Meta och Tiktok har ålagts GDPR-sanktioner till ett värde av hundratals miljoner euro på grund av brister i behandlingen av barns personuppgifter. [xxxviii]
Förordningen om digitala tjänster har varit i kraft sedan februari 2024, och den har gett användarna av digitala tjänster ett flertal nya rättigheter. Enligt förordningen är det förbjudet att rikta reklaminnehåll utifrån specifika personuppgifter som hälsouppgifter, politiska åsikter, etniskt ursprung eller övertygelser av olika slag. Därutöver är det förbjudet att rikta annonser till minderåriga baserat på profilering. [xxxix]
Förordningen förutsätter att webbtjänster öppet förklarar hur deras rekommendationssystem fungerar. Och mycket riktigt finns det en hel del information tillgänglig om hur algoritmerna på olika sociala medieplattformar fungerar. Samtidigt är det också ett faktum att informationen i många avseenden är ofullständig och slumpmässig. Till exempel Meta ger ut en stor mängd information om hur algoritmerna fungerar, men informationen om exempelvis viktningarna av eller de faktiska innehållsvolymerna för Instagram- och Threads-flöden är rätt knapphändig. För dem som undersöker algoritmerna utgör dataläckor, studier och praktiska experiment fortfarande betydligt bättre informationskällor.
Förordningen om digitala tjänster innebar att stora webbplattformar blev skyldiga att erbjuda ett alternativ till rekommendationssystemet, som inte baserar sig på användarprofilering. Tabellen intill ger en översikt över hur algoritmerna på Facebook, Instagram, Youtube, Tiktok och X normalt fungerar samt över alternativen till den profileringsbaserade algoritmen, som plattformarna erbjuder.
Till exempel på Youtube går det fortfarande relativt lätt att styra innehållet genom att följa intressanta innehållsskapare. Detsamma gäller Facebook, Instagram och X: på alla dessa plattformar är det möjligt att se vad ens eget sociala nätverk nyligen har publicerat. Däremot erbjuder Tiktok ett rätt märkligt alternativ till För dig-flödet: användaren får då se videor som generellt är populära inom hens region. [xl] I praktiken går Tiktoks alternativ ut på att erbjuda ett slumpmässigt flöde, som knappast intresserar någon. På så sätt uppfyller den kraven i DSA, men nyttan för användarna är närmast obefintlig.
Tiktok är också i andra avseenden ett varnande exempel på en app som offentligt säger sig uppfylla kraven i förordningen om digitala tjänster men som i praktiken inte erbjuder sina användare de fördelar som förordningen haft som syfte att uppnå. Tiktok har bland annat haft stora brister i att ta bort olagligt innehåll och blockera minderåriga användare. Dessutom är kraven på transparens i förordningen inte till någon större nytta, om det inte går att försäkra sig om sanningshalten i bolagets rapporter. [xli]
Källor
- Läs guiden kapitel för kapitel på vår webbplats – tack vare Svenska folkskolans vänner rf också på svenska
[i] Wikipedia. (28.12.2024). Recommender system, https://en.wikipedia.org/w/index.php?title=Recommender_system&oldid=1265732754
[ii] Wikipedia. (12.12.2024). Collaborative filtering, https://en.wikipedia.org/w/index.php?title=Collaborative_filtering&oldid=1262596993
[iii]Tiktok (19.6.2020). How TikTok recommends videos #ForYou, https://newsroom.tiktok.com/en-gb/how-tiktok-recommends-videos-foryou-eu
[iv] McGee, M. (16.8.2013). EdgeRank Is Dead: Facebook’s News Feed Algorithm Now Has Close To 100K Weight Factors, https://martech.org/edgerank-is-dead-facebooks-news-feed-algorithm-now-has-close-to-100k-weight-factors/
[v]Facebook (27.4.2009). Facebook press room, tillgängligt via Archive.org-portalen: https://web.archive.org/web/20090427160416/http://www.facebook.com//press//info.php?statistics
[vi] Wallaroo. (2024). Facebook News Feed Algorithm History, hämtad 9.12.2024, https://wallaroomedia.com/facebook-newsfeed-algorithm-history/#one
[vii] McGee, M. (16.8.2013). EdgeRank Is Dead: Facebook’s News Feed Algorithm Now Has Close To 100K Weight Factors https://martech.org/edgerank-is-dead-facebooks-news-feed-algorithm-now-has-close-to-100k-weight-factors/
[viii] McGee, M. (16.8.2013). EdgeRank Is Dead: Facebook’s News Feed Algorithm Now Has Close To 100K Weight Factors https://martech.org/edgerank-is-dead-facebooks-news-feed-algorithm-now-has-close-to-100k-weight-factors/
[ix] Pönkä, H. (31.8.2016). Facebook meni rikki, https://harto.wordpress.com/2016/08/31/facebook-meni-rikki/
[x] Pönkä, H. (31.10.2021). Infografik: Facebookin viha-reaktio ja algoritmin muutokset, https://harto.wordpress.com/2021/10/31/infografiikka-facebookin-viha-reaktio-ja-algoritmin-muutokset/
[xi] Owen, L. (15.4.2019). One year in, Facebook’s big algorithm change has spurred an angry, Fox News-dominated — and very engaged! — News Feed, https://www.niemanlab.org/2019/03/one-year-in-facebooks-big-algorithm-change-has-spurred-an-angry-fox-news-dominated-and-very-engaged-news-feed/
[xii] Knuutila, A. & Laaksonen, S-M. (2020). Viraali vihaisuus ja tahmea nauru: tunteet ja algoritmit digitaalisessa vaalikampanjoinnissa, i: S Borg , E Kestilä-Kekkonen & H Wass (red.) , Politiikan ilmastonmuutos : Eduskuntavaalitutkimus 2019 . Justitieministeriets publikationer. Utredningar och anvisningar , Nr 2020:5, Justitieministeriet, https://julkaisut.valtioneuvosto.fi/handle/10024/162429
[xiii] Meta. (2024). Facebook Transparency Center, Widely viewed content report: What People See on Facebook, Q3 2024, hämtad 11.12.2024, https://transparency.meta.com/fi-fi/data/widely-viewed-content-report/
[xiv] Baluja, S., Seth, R., Sivakumar, D., Jing, Y., Yagnik, J., Kumar, S., Ravichandran, D. & Aly, M. (2008). Video suggestion and discovery for youtube: taking random walks through the view graph, https://static.googleusercontent.com/media/research.google.com/fi//pubs/archive/34407.pdf
[xv] Wikipedia. (28.12.2024). Recommender system, https://en.wikipedia.org/w/index.php?title=Recommender_system&oldid=1265732754
[xvi]Youtube (4.12.2009). Automatic Captioning in YouTube, https://research.google/blog/automatic-captioning-in-youtube/
[xvii] Le, Q. V. (2013). Building high-level features using large scale unsupervised learning, https://ieeexplore.ieee.org/document/6639343
[xviii]Youtube (15.9.2021). On YouTube’s recommendation system, https://blog.youtube/inside-youtube/on-youtubes-recommendation-system/
[xix] Youtube. (n.d.). Videorekommendationer: Hur fungerar Youtubes system för rekommendationer?, hämtad 11.12.2024, https://www.youtube.com/intl/ALL_se/howyoutubeworks/product-features/recommendations/#signals-used-to-recommend-content
[xx] Wikipedia. (31.12.2024). TikTok, https://en.wikipedia.org/w/index.php?title=TikTok&oldid=1266416079
[xxi] Wikipedia. (7.9.2024). Toutiao, https://en.wikipedia.org/w/index.php?title=Toutiao&oldid=1244468033
[xxii] Wikipedia. (26.12.2024). Snapchat, https://en.wikipedia.org/w/index.php?title=Snapchat&oldid=1265349499
[xxiii] Wikipedia. (21.11.2024). Vine (service), https://en.wikipedia.org/w/index.php?title=Vine_(service)&oldid=1258710466
[xxiv]Tiktok (19.6.2020). How TikTok recommends videos #ForYou, https://newsroom.tiktok.com/en-gb/how-tiktok-recommends-videos-foryou-eu
[xxv]Tiktok (n.d.). Så här rekommenderar Tiktok innehåll, hämtad 15.12.2024, https://support.tiktok.com/sv/using-tiktok/exploring-videos/how-tiktok-recommends-content
[xxvi] Pönkä, H. (29.4.2024). Uusi selvitys TikTokin riskeistä ja raportti TikTokin Kiina-yhteyksistä, https://harto.wordpress.com/2024/04/29/uusi-selvitys-tiktokin-riskeista-ja-raportti-tiktokin-kiina-yhteyksista/
[xxvii] NPR. (11.10.2024). TikTok executives know about app’s effect on teens, lawsuit documents allege, https://www.npr.org/2024/10/11/g-s1-27676/tiktok-redacted-documents-in-teen-safety-lawsuit-revealed
[xxviii] DNA. (n.d.). koululaistutkimukset vuosilta 2017–2024, hämtad 28.12.2024, https://corporate.dna.fi/medialle/dnan-tutkimukset/
[xxix] Reuters Institute. (2024). Digital News Report 2024, https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2024
[xxx] Reuters Institute. (2024). Digital News Report 2024, https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2024
[xxxi] Uutismedian liitto. (29.1.2024). Uutisten viikon tutkimus: Tiktok on noussut nuorten tärkeimmäksi uutiskanavaksi, kiinnostus omaan elämään liittyviin uutisiin kasvussa, https://www.uutismediat.fi/ajankohtaista/uutisten-viikon-tutkimus-tiktok-on-noussut-nuorten-tarkeimmaksi-uutiskanavaksi-kiinnostus-omaan-elamaan-liittyviin-uutisiin-kasvussa/
[xxxii] Grönlund, M., Horowitz, M. & Lehtisaari, K. (22.1.2024). Luottamusta rakentamassa, luottamusta kokemassa: Mediapäättäjien ja journalismin yleisöjen näkemyksiä, DECA-hanke, https://cdn.prod.website-files.com/64123799970e0ddca93c317a/65af9e00c156d47a2e021807_Luottamusta%20rakentamassa%2C%20luottamusta%20kokemassa_taitettu_FINAL.pdf
[xxxiii] Meta. (12.3.2021). Learning from videos to understand the world, https://ai.meta.com/blog/learning-from-videos-to-understand-the-world/
[xxxiv] Meta. (13.12.2024). Instagram Reels Chaining-AI-system, https://transparency.meta.com/features/explaining-ranking/ig-reels-chaining/
[xxxv] Meta. (2024). Facebook Transparency Center, Widely viewed content report: What People See on Facebook, Q3 2024, hämtad 11.12.2024, https://transparency.meta.com/fi-fi/data/widely-viewed-content-report/
[xxxvi] Taylor, S. H. & Choi, M. (2022). An Initial Conceptualization of Algorithm Responsiveness: Comparing Perceptions of Algorithms Across Social Media Platforms, https://journals.sagepub.com/doi/10.1177/20563051221144322
[xxxvii] Stone, S. (19.10.2023). Mastering Social Media Algorithms: The Interest Graph vs the Social Graph, https://www.theshelf.com/the-blog/social-media-algorithms-interest-graph-vs-social-graph/
[xxxviii] CMS Law.Tax. (n.d.). GDPR Enforcement Tracker, hämtad 30.12.2024, https://www.enforcementtracker.com/
[xxxix] Europeiska kommissionen. (n.d.). EU:s förordning om digitala tjänster, hämtad 30.12.2024, https://commission.europa.eu/strategy-and-policy/priorities-2019-2024/europe-fit-digital-age/digital-services-act_sv
[xl] Sitra. (3.4.2024). Så här stänger du av rekommendationsalgoritmerna på större sociala medier, https://www.sitra.fi/sv/artiklar/sa-har-stanger-du-av-rekommendationsalgoritmerna-pa-storre-sociala-medier/
[xli] Pönkä, H. & Mikko, S. (28.10.2024). Mitä hyötyä digipalvelusäädöksestä on diginatiiville? Tarkastelussa Tiktok, Faktabaari
- Läs guiden kapitel för kapitel på vår webbplats – tack vare Svenska folkskolans vänner rf också på svenska
Jaa eteenpäin
