Tiernan Ray Bidragsforfatter
Medvirkende skribent
Full bio 17. desember 2021 | Emne: E-handel
TikTok leser ikke tanker, men The New York Times vil at du skal tro det gjør det.
I en artikkel i The Times fra 5. desember beskriver spaltist Ben Smith, som skriver for avisens The Media Equation-seksjon, et lekket dokument Times innhentet fra en ikke navngitt kilde i selskapet som avslører algoritmer som visstnok brukes til å drive engasjement på TikTok.
Mens det har vært diskusjoner om TikToks algoritmer for å bestemme hvilket innhold som skal ses, skriver Smith at det lekkede dokumentet “tilbyr et nytt detaljnivå om hvordan algoritmen fungerer.”
Artikkelen har flere utelatelser. Den ene er mangelen på en forklaring på hvordan og hvorfor algoritmen fører til spesielt innholdsforbruk. Selv om algoritmen ser ut til å tildele poeng til videoer basert på beregninger som brukerens «liker», kommentarer og avspilte tider, er det ingen diskusjon om hvilken funksjon videoen søker å optimalisere, for eksempel totalt engasjement (timer brukt), for eksempel , eller total spredning av videoinnhold, dens “virale” kvalitet.
Mer talende er det at The Times-artikkelen bruker misvisende språk som er vanlig i mediediskusjoner om kunstig intelligens og andre algoritmiske teknikker, og tilskriver ting som “sinn” og lyst til det som bare er tekniske tilbakemeldingsløkker.
Også: App Annie spår at TikTok vil nå 1,5 milliarder aktive brukere i 2022
The Times sin overskrift, “How TikTok Reads Your Mind,” etterfølges av referanser til hvordan algoritmen oppdager folks hensikt:
Dokumentet tilbyr et nytt detaljnivå om den dominerende videoappen, og gir et avslørende innblikk både av appens matematiske kjerne og innsikt i selskapets forståelse av menneskets natur – våre tendenser til kjedsomhet, vår følsomhet for kulturelle signaler – som bidrar til å forklare hvorfor det er så vanskelig å legge fra seg.
Imidlertid avsløres ingenting om menneskets natur i diskusjonen om den aktuelle algoritmen. Algoritmen, basert på dokumentet innhentet av Smith, ser ut til å være en veldig enkel beregning av faktorer som følger:
Plike X Vlike + Pcomment X Vcomment + Eplaytime X Vplaytime + Pplay X Vplay
Uttrykkene «liker», «kommenterer», «spilletid», og om de spilles i det hele tatt eller ikke, er antagelig referanser til de ulike beregningene som er tilordnet videoer. Smith forklarer ikke «P» eller «V eller «E», selv om det er antydet i artikkelen at P står for en prediksjon «drevet av maskinlæring» uten å utdype det.
Også. : Asynkrone videoer: Kan TikTok-generasjonen redde oss fra å møte overbelastning?
Som sådan oppsummerer algoritmen predikerte metrikker for innhold, uavhengig av menneskelig mentalitet.
AI firmaet DeepLearning.AI, grunnlagt av forskeren Andrew Ng, diskuterte onsdag Smiths artikkel i selskapets nyhetsbrev, TheBatch. Artikkelen antyder at “V” kan stå for “verdi”, som betyr en vekt som brukes på hver av beregningene når det gjelder deres betydning i en endelig poengsum.
Flytskjema over en antatt anbefalingsalgoritme brukt av TikTok, som gjengitt av The New York Times fra et internt dokument lekket til Times av en TikTok-ansatt.
The New York Times
Til tross for utelatelsene, er det tydelig at systemet ikke forutsier mentalitet, det kartlegger antagelig deler av innhold til forutsagte utfall i form av sannsynlige synspunkter og/eller engasjement.
Å anta at det er et sinn i brukeren som uttrykker preferanser ved å klikke, og det samme gjør The Times's Smith, er formodninger som kanskje ikke støttes av fakta.
I statistiske termer, for en maskin å lese en brukerens sinn ville innebære forestillingen om en “forut”: noe som eksisterer før en måling. Det som imidlertid avsløres som et sinn, i form av uttrykt preferanse, er den motsatte statistiske forestillingen, en “posterior”, noe som eksisterer først etter måling.
Det virker mer sannsynlig at sinnet er noe utledet i ettertid, hvis det har noen mening i det hele tatt. Tenk på systemet som utgjør TikTok. Brukere kan laste opp og se forskjellige kortformatvideoer. Etter hvert som brukere sender inn videoer og konsumerer videoer, blir de presentert med flere slike videoer. I et hav av videoer klikker en person eller ikke klikker, engasjerer eller ikke engasjerer.
Også: TikTok Boom, bokanmeldelse: The rise and rise of YouTubes yngre, hippere konkurrent
En brukers mentalitet, eller følelser, er på en måte irrelevant fordi systemet ikke ber om frivillige ideer. Snarere blir brukeren bedt om å svare på et begrenset sett med valg, og systemet blir bedre og bedre, antagelig, til å gjentatte ganger stimulere den aktiviteten, noe som fører til høyere og høyere antall daglige aktive brukere, noe som ifølge The Times, er nå i størrelsesorden én milliard, og anslås å stige til 1,5 milliarder i 2022.
Alt som i beste fall tyder på at TikTok er en svært effektiv atferdsmaskin, en maskin for å forme atferd på TikTok, snarere enn en tankelesende enhet.
For å ta analysen et skritt videre, antyder studier av TikTok i akademisk litteratur et veldig blandet syn på algoritmen som fungerer.
I noen tilfeller fungerer selskapets algoritme ikke bare for å spre ting som kan være populære, men også for å gi eksponering for ting som kanskje ikke er like populære.
For eksempel har to Carnegie-Mellon-forskere, Daniel Le Compte og Daniel Klug, i år intervjuet sosiale aktivister som bruker TikTok til å presentere videoer for å bringe oppmerksomhet til sosiale årsaker. De fortalte at aktivister uttrykte en preferanse for TikTok fremfor andre sosiale medier fordi videoene deres ble sett mer bredt enn tilfellet var på andre plattformer:
Noen deltakere bemerket at bruken av TikTok hjelper til med å få budskapet deres ut utenfor deres egen “sirkel”: “Så jeg var i stand til å fokusere hva følget mitt var for i stedet for Facebook, der det er som bare venner av venner eller familiefolk du møtes i det virkelige liv” En hovedbegrensende faktor for andre plattformer, som deltakerne bemerket, var nødvendigheten for publikumsmedlemmer å koble seg til eller følge en skaper før de ville være i stand til å se innholdet, med mindre i det usannsynlige tilfellet at innholdet ble “promotert ” gjennom annonser, eller gikk viralt.
Selv om TikTok kan sirkulere ting utover bare det en person uttrykker en preferanse for, ser det også ut til å være sant at TikTok-aktivitet er gruppert rundt ting som grupper av folk godkjenner i stort antall uavhengig av hva en person føler eller tenker om dem.
En studie fra 2019 av forskere ved Guilin University of Electronic Technology i Kina og Universitetet i Oslo, Norge, så på antall visninger og likes på TikTok-videoer.
Forfatterne konkluderte med at det meste av det som spilles er det som har blitt “likt” av brukere:
Spesielt har antall visninger og antall likes en veldig høy korrelasjonskoeffisient som er 0,91, noe som betyr at en video som er populær når det gjelder antall visninger, med stor sannsynlighet vil være populær når det gjelder antall likes og omvendt .
Igjen, om brukere stadig får vist flere og flere ting som de har blitt vist og har klikket på, er et spørsmål om en teknisk tilbakemeldingssløyfe, ikke et eksempel på tankelesing.
Og en tredje studie, i år, utført av forskere ved Boston University, Binghamton University og University College, London, får en til å lure på om anbefalingen “motoren” til TikTok gjør noe i det hele tatt.
Studien undersøkte 400 TikTok-videoer for å “forstå indikatorer [som] får en kort video til å bli viral.”
Forfatterne merket videoene for ti forskjellige faktorer som kan påvirke virulens, eller, som de kaller det, “viralitet”, tilbøyeligheten til en video til å bli “likt” av brukere. Disse faktorene varierte fra om skaperen av videoen var “populær”, dvs. hadde et stort antall følgere; stilen til videoen, for eksempel å bruke “duetter”-funksjonen i TikTok for å re-mikse andres dansespor; og følelsesmessig innhold, blant annet.
Forfatterne forsøkte også å måle rollen til anbefalingsalgoritmen sammen med de andre faktorene. De gjorde det ved å merke seg hvor mange videoer som brukte de relevante hashtaggene for promotering, og hvor lenge en video hadde vært i systemet, gitt at virale videoer har en tendens til å bli virale like etter at de er lastet opp.
Forfatterne brukte deretter alle disse faktorene i en rekke veldig enkle maskinlærings- og statistikkmodeller som kan klassifisere ting, inkludert Random Forest, Support Vector Machines, Logistic Regression, Gaussian Bayesian og Decision Trees.
Resultatet ? Klassifisererne deres, i ulik grad, var i stand til å “identifisere de viktigste funksjonene som skiller mellom virale og ikke-virale videoer.” Den øverste faktoren, fant de, var populariteten til skaperen. Den nest største faktoren var om videoen har nærbilder eller ikke, et funn som “matcher tidligere studier på bildememer som tyder på at svært virale memer er mer sannsynlig å bruke en nærbilde eller medium-shot skala.”
Derfor forsterker popularitet populariteten, og folk reagerer på nærbilder. Ingenting av det er tankelesing. I mellomtiden hadde anbefalingssystemet, de fant, den laveste verdien som en prediktor for viralitet.
“Funktene i RH2 (anbefalingssystem) har den laveste AUC [arealet under kurven] blant de tre RH-ene [forskningshypotesene], så lavt som 0,71,” skriver de. “Faktisk er nøyaktigheten oppnådd på disse funksjonene også ganske lav (0,56), noe som tyder på at de ikke er en god prediktor for en videos viralitet.”
Forfatterne noterer seg også, anekdotisk, populariteten til kattevideoer.
Derfor tyder studier på at TikTok kan prøve å påtvinge brukerne noen videoer uavhengig av ønske eller brukermentalitet, men at mye TikTok-aktivitet er en noe åpenbar popularitetskonkurranse og flokkmentalitet. Ingenting av dette tilsvarer tankelesing.
Tvert imot antyder forskningen at TikTok kan forme mentale holdninger ved å forsterke dominerende trender i gruppeatferd, for eksempel å svare på populære «skapere» som allerede dominerer medieforbruket.
TikTok spiller med andre ord en større rolle i å skape mentaliteter enn å lese tanker.
I stedet for å spekulere i tankelesing, er det verdt å huske på visse grunnleggende aspekter ved sosiale medier, inkludert TikTok, aspekter som ikke har noe med sinn eller mentalitet å gjøre.
For det første kan aktiviteter på sosiale medier sannsynligvis bli overtatt av maskiner. Å se videoer og “like” dem er aktiviteter som er godt innenfor rammen av programvareautomatisering. Derfor er ideen om at noe må ha et sinn for å delta irrelevant.
For det andre er sosiale medier en maskin designet for å komme frem til et klart signal i støyen. Individuelle preferanser eller interesse eller mentalitet er irrelevant for maskinens mål, nemlig å sortere atferd i klare kategorier.
Og til slutt, ingen enkeltpersoner har en identitet eller en mentalitet på sosiale medier. Det som omtales som ens persona, ens sinn, ens identitet, er bare illusjoner, konsekvensen av at et navn er knyttet til aktiviteter som er lagret i en database.
Folk eksisterer ikke på sosiale medier selv om de bruker tid – mye tid – på å bruke det. Derfor, ingen person, ingen tanker.
Fremhevet
løsepengeprogramvare i 2022: Vi er alle skrudd sammen Log4j-trussel: Hva du trenger å vite og hvordan du beskytter deg selv. Din Windows 11 oppgraderingen er klar. Bør du gjøre det? De beste teknologiske produktene fra 2021 Developer | Amazon | Start-ups | Innovasjon | Sikkerhet