Когда алгоритмы выбирают за нас: как рекомендации влияют на наши вкусы
Вы включаете музыкальный сервис, и он предлагает послушать незнакомого исполнителя.
Песня оказывается неплохой, вы дослушиваете ее до конца, а следом запускается еще одна композиция в похожем стиле. Через несколько недель таких рекомендаций у вас появляется новый любимый жанр, хотя раньше вы им совершенно не интересовались. Приятное открытие, правда? Только вот кто под кого в итоге подстроился: алгоритм под ваши вкусы или ваши вкусы - под алгоритм?
С фильмами, книгами и даже повседневными покупками происходит нечто похожее. Персональные подборки экономят время и нередко действительно угадывают наши желания, но одновременно влияют на то, с какими произведениями, товарами и идеями мы вообще познакомимся. А значит, вполне могут участвовать и в формировании наших предпочтений.
Как алгоритм узнает, что нам нравится
Когда-то, чтобы найти новую музыку, можно было включить радио, прислушаться к совету друга или случайно наткнуться на интересный альбом в магазине. Сегодня значительную часть этой работы выполняют рекомендательные системы. Причем для знакомства с нашими вкусами им необязательно задавать прямые вопросы: достаточно понаблюдать за поведением.
Например, Netflix учитывает историю просмотров, оценки фильмов и сериалов, продолжительность просмотра, любимые языки и даже время суток, когда человек обычно пользуется сервисом. Имеет значение и поведение других зрителей со схожими предпочтениями. На основании этих данных система определяет, какие произведения предложить конкретному пользователю и в каком порядке разместить их на главной странице.
В TikTok принцип работает схожий: платформа анализирует, какие ролики человек смотрит до конца, какие пролистывает, чем делится и на какие аккаунты подписывается. Каждое действие становится сигналом, который помогает предсказать, что заинтересует пользователя в следующий раз.
Но есть нюанс: алгоритм видит наши действия, а вот причины таких действий и поведения - нет. То есть, допустим, вы посмотрели несколько видео об экзотических животных, потому что готовили материал для работы. Система вполне может решить, что это ваше новое увлечение, и начать предлагать похожие ролики. Или, например, вы досмотрели ужасный фильм до конца исключительно ради того, чтобы узнать, насколько нелепой окажется развязка. Для рекомендательной системы продолжительный просмотр все равно может стать признаком интереса.
По сути, алгоритмы стремятся предугадать вероятность определенного действия: что мы включим, досмотрим, прослушаем или купим. Но далеко не каждое такое действие означает, что увиденное действительно понравилось. Тем не менее именно на основании этих сигналов система решает, что предложить нам завтра.
Можно ли полюбить то, что нам порекомендовали?

Мы привыкли думать, что рекомендации помогают находить произведения, которые нам и без того бы понравились. Но что, если происходит ровно наоборот? Ведь есть исследования, согласно которым само предложение способно влиять на последующее впечатление.
В 2022 году в журнале AI Magazine вышла работа, посвященная феномену preference pollution - смещению пользовательских оценок под влиянием рекомендательных систем. Авторы обобщили результаты экспериментов, в которых участникам заранее показывали прогнозируемую оценку произведения, а затем предлагали оценить его самостоятельно. Выяснилось, что предварительный рейтинг влиял на итоговое мнение: если прогноз изменяли на одну звезду по пятибалльной шкале, собственная оценка пользователя в среднем смещалась примерно на 0,35 звезды в том же направлении. Подобный эффект наблюдали при оценке фильмов, сериалов, музыки и даже шуток.
Конечно, это еще не означает, что алгоритм способен заставить человека полюбить любую песню или фильм. Но результаты экспериментов показывают, что наши впечатления могут зависеть от ожиданий, сформированных еще до знакомства с произведением.
Дело может быть и в привыкании. Вспомните, как иногда меняется отношение к незнакомой музыке: сначала композиция кажется странной, затем вы узнаете ее с первых нот, а спустя некоторое время ловите себя на том, что напеваете припев. Алгоритмы регулярно возвращают нас к похожему звучанию, и то, что прежде казалось непривычным, со временем может начать нравиться. Правда, у бесконечных повторений бывает и обратный эффект - даже любимая музыка способна надоесть.
Возникает любопытный парадокс: чем точнее система угадывает наши нынешние предпочтения, тем чаще она предлагает что-то знакомое. А ведь новые вкусы порой рождаются именно из случайных открытий, которые невозможно предсказать по истории прослушиваний.
Рекомендации расширяют кругозор или ограничивают его?
Представьте двух любителей музыки. Первый самостоятельно ищет новые жанры, слушает альбомы целиком и постоянно открывает незнакомых исполнителей. Второй предпочитает включать готовые плейлисты, которые сервис составляет на основе его прошлых прослушиваний. У кого из них музыкальные вкусы со временем станут разнообразнее?
Исследователи Spotify попытались разобраться в этом вопросе еще в 2020 году. Они изучили музыкальные предпочтения пользователей и обнаружили, что прослушивание алгоритмических подборок связано с меньшим разнообразием потребляемой музыки. Впрочем, сами ученые не спешили обвинять рекомендательные системы: возможно, люди с более узкими вкусами изначально охотнее пользуются готовыми плейлистами, а любители экспериментов предпочитают искать музыку самостоятельно.
Другое исследование Spotify принесло еще более любопытные результаты. В ходе эксперимента одной группе пользователей предлагали подкасты, подобранные на основе их музыкальных предпочтений, а другой - популярные программы с учетом демографических характеристик. Персонализированные рекомендации увеличивали количество прослушиваний, однако разнообразие контента у отдельного человека сокращалось. Зато на уровне всей аудитории оно, напротив, увеличивалось.
Противоречие только кажущееся. Если каждому пользователю предлагают преимущественно то, что соответствует его интересам, люди могут все глубже погружаться в собственные увлечения. Одни слушают подкасты об истории, другие - о науке, третьи - об искусстве. В результате каждый придерживается относительно узкого круга тем, но совокупная аудитория распределяет свое внимание между множеством разных программ.
Кроме того, рекомендации нередко помогают обнаружить произведения, которые человек никогда не стал бы искать самостоятельно. Возможно, вы не знаете названия музыкального направления или не слышали об определенном режиссере, но система способна заметить сходство с тем, что вам уже нравится. Так персонализация открывает дорогу новым интересам, хотя зачастую эти открытия происходят в пределах привычного круга предпочтений.
Обучение по теме
Как наши вкусы превращаются в тренды - и наоборот

Влияние рекомендаций выходит далеко за пределы личных плейлистов и списков просмотренных фильмов. Ведь если алгоритмы определяют, что чаще привлекает внимание аудитории, на эти закономерности начинают ориентироваться и сами создатели контента.
Например, видеоблогер замечает, что ролики определенной длительности получают больше просмотров, и постепенно отказывается от других форматов. Музыкант видит, что популярность его композиции выросла благодаря небольшому фрагменту в социальных сетях, и задумывается, стоит ли учитывать подобные возможности при работе над следующими песнями.
Исследовательница Лора Херман изучала, как алгоритмы TikTok влияют на творчество пользователей. В работе 2023 года она показала, что стремление повысить видимость контента отражается на выборе звуков, продолжительности, стиле и тематике видеороликов. Некоторые авторы даже сознательно ограничивают творческие эксперименты, предпочитая форматы, которые, по их представлениям, лучше продвигаются платформой.
Та же закономерность прослеживается и в бизнесе. В исследовании, опубликованном в Strategic Management Journal в 2026 году, ученые проанализировали изменения на цифровой платформе в сфере питания. После внедрения рекомендаций, ориентированных на популярность, продавцы стали концентрироваться на меньшем количестве товаров, а переход к персонализированной системе, напротив, подтолкнул их к расширению ассортимента. Выходит, от принципов работы алгоритма может зависеть даже то, какие продукты компании решат выпускать и предлагать покупателям.
В то же время рекомендации открывают возможности для небольших авторов, независимых музыкантов и нишевых брендов, которым раньше было трудно конкурировать за внимание с крупными игроками. Благодаря персонализации произведение может найти именно ту аудиторию, которой оно интересно, даже если никогда не попадет в массовые чарты. Так что влияние алгоритмов на культуру едва ли можно назвать исключительно положительным или отрицательным.
И все-таки что влияет в первую очередь - тренды на наши вкусы или вкусы на тренды? Пожалуй, однозначного ответа уже нет. Мы выбираем из того, что нам показывают, алгоритмы учатся на нашем выборе, а авторы и компании замечают растущий спрос и начинают предлагать больше похожего. Так возникает своеобразный круг, в котором предпочтения рождают тренды, а тренды возвращаются к нам в виде новых рекомендаций. И кто знает, заинтересовались бы мы очередным популярным жанром, фильмом или товаром, если бы однажды алгоритм не решил показать его именно нам?
Поделитесь этим с друзьями:
Последние Новости
Осень 2026 года обещает быть насыщенной для мировой сферы образования.
Продажа билетов на WE Convention 2026 уже открыта - со скидкой 25% для EARLY BIRDS!
Частная школа Alpha School, открывшая кампусы от Нью-Йорка до Калифорнии, использует ИИ-ботов для обучения детей академическим предметам всего два часа в день. В школе нет традиционных учителей, домашних заданий, а стоимость обучения достигает $65 000 в год.
Премьер-министр Великобритании Кир Стармер объявил о масштабном государственно-частном партнерстве в сфере искусственного интеллекта. Google, Microsoft, Amazon и NVIDIA совместно с правительством запускают программу обучения AI-навыкам для 7,5 миллионов британских работников.
Международный провайдер образовательных программ Study Group объявил о смене собственника. Компания приобретена Arete Education — инвестиционной структурой в сфере высшего образования, созданной Global University Systems (GUS) и американской частной инвестиционной компанией Brightstar Capital Partners .
Когда алгоритмы выбирают за нас: как рекомендации влияют на наши вкусы
В зоне риска: что делать, если ИИ отнимает у вас работу
High Tech High: проектное обучение с публичными выступлениями нового поколения
Какой вы американский сериал 2000-х?
Тест: Кем вы были в прошлой жизни
Ваш мифологический тотем: пройдите тест и узнайте, какое древнее существо вас оберегает?