Читать книгу "Мир-фильтр. Как алгоритмы уплощают культуру"

Когда я спросил Круковски, почему, на его взгляд, песня выстрелила, он упомянул признаки ее сходства с балладами в стиле хеви-метал, популярными в восьмидесятые годы: регулярный ритм ударных, резкий тон гитары, нехарактерный для Galaxie 500, отсутствие длинных соло и краткость – три минуты и девятнадцать секунд. Другими словами, Strange звучит как обычная песня. “Ее было весело играть, потому что мы позволяли себе лупить чуть больше, чем обычно, – говорит Круковски. – Именно это и услышал алгоритм в песне”. Кроме того, существовала алгоритмическая обратная связь: популярное становится еще популярнее. “Как только песню начинают рекомендовать, ее начинают рекомендовать все активнее”, – добавил он. Учитывая приоритеты рекомендательной системы Spotify того времени, преуспевал наиболее типовой стандартный контент.

Так происходит алгоритмическая нормализация. “Нормальный” – это слово для обозначения чего-то неназойливого, неприметного, среднего, чего-то, что не вызовет негативной реакции. Контент, который вписывается в эту зону усредненности, получает ускоренную раскрутку и продвижение, как это произошло со Strange, а все остальное оказывается на обочине. Поскольку контент, который не продвигается, увидят меньшее количество людей, то, соответственно, снижается его известность, а вместе с этим и стимул производить его – в частности, из-за отсутствия финансовой надежности. (Правило культуры в Мире-фильтре гласит: “Завирусись или умри”.) Границы эстетической приемлемости сужаются все сильнее, пока не остается только столбик посередине. Хотя популярные стили меняются, как движущиеся мишени, централизация и нормализация сохраняются. Вот почему, когда какая-нибудь модель твита начинает пользоваться бешеным успехом, кажется, что все в Твиттере ее копируют: например, публикуют открытый запрос рекомендаций или выдают какую-нибудь абсурдную шутку за слова своего ребенка (настоящего или выдуманного). Сам язык становится нормализованным. “Существует своеобразное давление: будь нормальным. Такое давление просто говорит: будь средним, чем-то таким, что тебе кажется безопасным и надежным, что каким-то образом позволяет тебе чувствовать себя частью группы, – говорит Круковски. – Здесь находится ужасная точка исчезновения, и это фашизм”. Он описал состояние Мира-фильтра как “черную дыру нормальности”.

Фашизм означает принуждение к соблюдению догматов единого идеологического взгляда на мир, который может полностью исключать определенную идентичность или демографическую группу. Это мандат на однородность. Мир-фильтр может быть фашистским в том смысле, что алгоритмические ленты склонны создавать шаблоны, которым все должно подчиняться, всегда исходя из присущей им предвзятости – замыкание реальности в скобки, которые затем заполняются пользователями, создающими контент, который соответствует этой форме. Это ограничение включает в себя формы как культуры, так и идентичности. Мир-фильтр вполне можно назвать диктаторским или феодальным: мы все живем в Сети в пространстве, над которым не имеем власти, следуя своенравным правилам, которые не одобряем.

Круковски нравится композиция Strange, с запозданием ставшая хитом, однако он отмечает: “Я никогда не считал ее выдающейся песней. Если зажмуриться – а именно это делает алгоритм – и слушать, отвернув голову, то вполне можно принять ее за работу другой группы”. Эта песня не отражала представления барабанщика о том, чего Galaxie 500 пытались достичь в своем творчестве; вещь, которая была в некотором роде музыкальной шуткой, невольно стала олицетворением работы группы в целом. На самом деле в качестве главной песни альбома группа выбрала более медленную и спокойную композицию Blue Thunder – и с этим не согласились некоторые руководители их лейбла.

Современные алгоритмические рекомендации оставляют артистам гораздо меньше выбора в том, что становится популярным, и еще меньше контроля над контекстом, в котором появляется их работа. Интерфейс Spotify, который выделяет самые прослушиваемые песни группы в верхней части страницы, затрудняет поиск и воспроизведение полного альбома с оригинальным порядком песен. Galaxie 500 не могут целенаправленно противостоять алгоритмическим решениям, как они могли пойти против своего лейбла. Круковски продолжает: “Странная штука с алгоритмами заключается в том, что мы все находимся под этим давлением, хотим мы того или нет. Даже если мы не желаем иметь с этим процессом ничего общего, алгоритм все равно налетит, выберет вашу самую «нормальную» песню, и вас станут идентифицировать с нею, а не с по-настоящему «вашим» треком”. То же относится к художникам, писателям и всем, кто чувствует онлайн-давление, заставляющее придерживаться какого-то “личного бренда”.

А поскольку сервис Spotify неумолимо контролирует взаимодействие слушателей с музыкой, ему не требуется стимулировать музыкантов так, как это делали крупные лейблы – серьезными контрактами или другими бонусами. “У нас есть давление со стороны алгоритма и нет ничего взамен”, – говорит Круковски. Нет даже стабильного заработка. У Strange набралось четырнадцать миллионов прослушиваний за все время существования Spotify, у второй по популярности песни Galaxie 500, Tug Boat, – девять миллионов. И тем не менее Strange заработала на Spotify всего пятнадцать тысяч долларов. Обмен охвата аудитории на доходы – особенно в ущерб восприятию группы как самобытной – кажется музыканту несправедливым: “Словно добыча сырья”. И все же многие авторы вынуждены идти на подобную сделку, чтобы вписаться в Мир-фильтр.

Категоризация на Netflix

Большую часть взрослой жизни у меня не было телевизора. В колледже я обычно “пиратил” передачи, которые хотел посмотреть, например, сериал “Безумцы”, а в 2010-х годах эта моя нехорошая привычка распространилась на “Игру престолов”. Большую часть программ и фильмов я смотрел по классической схеме: ноутбук стоял на подставке рядом в кровати, а подушки, подпирающие голову, обеспечивали идеальный угол обзора. Первую версию своего стримингового сервиса компания Netflix запустила в 2007 году, но у меня долгое время не было собственного аккаунта, а даже когда он у меня появился, это был профиль в подписке родителей моей девушки. Такой способ просмотра контента отличался нерегулярностью и бессистемностью. Сначала я должен был понять, что хочу посмотреть; это означало следование советам друзей или рекомендациям, найденным в социальных сетях или блогах. Затем мне требовалось найти нужную передачу и настроить компьютер, щурясь от холодного света близко расположенного экрана в затемненной комнате. Это совсем не походило на то, как в моем детстве в 1990-е годы мы включали в гостиной телевизор и смотрели все, что показывали по кабельному.

Однако во время пандемии ковида в 2020 году мои привычки изменились. Когда в новостях стали поговаривать о карантине, а мировые цепочки поставок начали испытывать проблемы, я приобрел себе в квартиру только одну вещь – огромный телевизор из черной блестящей пластмассы (первый телевизор, который я купил для себя), и его 60-дюймовый плоский экран нависал над моей гостиной, как инопланетянин. Он заменил кресло в углу. Некоторое время мы с моей девушкой Джесс не могли привыкнуть к его присутствию в квартире, но потом у нас не осталось выбора: во время локдауна оставалось только смотреть ассортимент хороших телепередач. Так что я наконец завел собственный аккаунт в Netflix.

Главная страница Netflix с ее прокручивающейся сеткой значков-миниатюр для отдельных сериалов или фильмов стала еще одной лентой контента – подобно Spotify, Инстаграму или Твиттеру. В те дни я часто заглядывал на нее и поэтому начал гораздо лучше понимать, как интерфейс подстраивается под то, что считает моими предпочтениями. Постепенно в верхней части этой страницы стали собираться определенные категории передач: документальные фильмы о путешествиях, кулинарные шоу и международные детективные мини-сериалы. Они обещали персонализацию, появляясь под такими заголовками, как “Лучшие подборки для Кайла” и “Категории для вас”. Порядок категорий сверху вниз и отдельных передач слева направо в каждом строке определялся алгоритмически. В своем официальном справочном центре Netflix сообщал: “Наши системы упорядочили названия таким образом, чтобы представить наилучший возможный порядок названий, которые могут вам понравиться”.

Компания Netflix была пионером в области фильтрации культуры с помощью рекомендательных систем. Еще до организации потокового сервиса в 2007 году, когда компания занималась просто рассылкой DVD по почте, у нее на сайте имелся модуль Cinematch, который рекомендовал клиентам фильмы, основываясь на оценках других пользователей (по пятизвездочной системе) – подобная форма социальной фильтрации информации недалеко ушла от Ringo – более ранней системы музыкальных рекомендаций, упомянутой в предыдущей главе. Cinematch запустили в 2002 году. За прошедшие годы в 75 процентах случаев прогнозы оказались точными в пределах 0,5 звезды, а половина пользователей Netflix, взявших напрокат тот или иной фильм, рекомендованный Cinematch, поставила ему пять звезд. В 2006 году Netflix объявила конкурс – с призом в миллион долларов – для специалистов по машинному обучению, от которых требовалось создать более совершенный алгоритм и улучшить рекомендации на 10 процентов. В 2008 году один из участников того конкурса рассказал The New York Times, что столкнулся с проблемой для определенного набора фильмов – проблемой, решение которой улучшило бы оценку алгоритма на 15 процентов. Это были такие фильмы, как “Наполеон Динамит”, “На обочине”, “Трудности перевода” и “Убить Билла. Фильм 1” – странноватые истории с противоречивой эстетикой, которые могли зрителю либо по-настоящему нравиться, либо категорически не нравиться. Эти фильмы можно отнести к категории “культовой классики”, но, несмотря на их культурную значимость, их привлекательность не особо сводится к математике. Алгоритмическая нормализация по-прежнему работает против такого качества, и поэтому оно в эпоху Мира-фильтра встречается редко.

В 2009 году конкурс Netflix выиграла команда под названием BellKor in Chaos, возглавляемая инженерами AT&T Research, совместно с другой группой, именовавшейся Pragmatic Theory. Вместе они создали инструмент под названием Pragmatic Chaos, который превзошел оригинальный алгоритм на 10,06 процента. Одним из главных нововведений было встраивание “сингулярного разложения” – алгоритмической стратегии, объединяющей фильмы со сходными признаками, например, романтические или комедийные. Дополнительные уровни сингулярного разложения позволяли сортировать фильмы по более тонким факторам, например, по боевикам, в которых нет крови. Идея вкуса из глубокого целостного чувства собственного достоинства превратилась в серию все более и более детализированных предпочтений, когда нравится A, а не B.

Линия миниатюр “Фильмы, которые вам понравятся”, выводимая модулем Cinematch в верхней части сайта Netflix, стала предшественницей гораздо более динамичной домашней страницы стримингового вещания, которую зрители Netflix знают и любят (или ненавидят) сегодня. В то время как рекомендации Spotify реализуются быстро и часто (с окончанием каждой песни), алгоритмы потоковых сервисов для телевидения действуют медленнее. Пользователь выбирает новое шоу гораздо реже, и чаще всего платформе достаточно просто запустить следующий эпизод сериала – рекомендация, не требующая вычислений. Тем не менее Netflix функционирует аналогично Spotify, направляя наш выбор в сторону определенного контента и формируя то, что мы будем считать представителем данного жанра, подобно тому, как песня Strange у Galaxie 500 давала искаженное представление о всей музыке группы.

Функция поиска в приложении Netflix работает медленно и неточно: тут сложно искать по жанрам и нет возможности отфильтровать информацию по актерам или режиссерам. (Этот недостаток породил целый жанр оптимизированных под поисковые машины онлайн-статей, которые содержат список того, что есть и чего нет на Netflix, – словно телефонный справочник для потокового вещания.) На результаты поиска влияют также предыдущие действия других пользователей – это не просто индексирование информации, а еще одна рекомендательная лента, которая с большей вероятностью выдает то, что уже нравится другим людям. Netflix практически не поощряет устремления пользователей. Основным источником информации становится главная страница: она влияет на то, что и когда смотрят зрители. Согласно исследованию, проведенному в 2015 году Карлосом Гомесом-Урибе и Нилом Хантом, рекомендательная система Netflix предопределила контент, за просмотром которого проходит более 80 процентов общего времени пребывания пользователей на платформе. В ролике, выставленном компанией в разделе Netflix Research в 2018 году, менеджер компании по машинному обучению Аиш Фентон заявляет: “Практически все, что мы делаем, – это алгоритм рекомендаций”.

Алгоритм Netflix учитывает историю просмотров и рейтинги пользователя, действия других пользователей с похожими предпочтениями, а также информацию о самом контенте, например, жанр, актеров и дату выхода. Принимается во внимание также время суток, в которое пользователь смотрит фильм, используемое устройство и время, которое он тратит на просмотр в данных условиях. Netflix утверждает, что не берет в расчет конкретные демографические характеристики пользователей – например, возраст, этническую принадлежность и пол, – поскольку можно счесть, что подобные переменные слишком близки к предрассудкам, однако такие характеристики часто можно определить на основе другой информации о пользователе. В конечном итоге Netflix объединяет фильтрацию на основе содержания и совместную фильтрацию. Главная страница становится этаким волшебным зеркалом, которое не требует от пользователя никаких действий, чтобы получить то, что он, возможно, желает потреблять в данный момент. Это снимает с него бремя выбора и целенаправленного процесса отбора, существовавшее в более ранние эпохи цифровой культуры. Как и многие другие аспекты Мира-фильтра, алгоритмический интерфейс позиционирует себя как нейтральный канал, открытое окно или, конкретнее, точное отражение и усиление вашего личного вкуса. Однако он далеко не нейтрален.

В 2021 году специалист по стратегическим коммуникациям Нико Пайкович опубликовал в журнале Convergence, посвященном новым медиатехнологиям, статью о рекомендательной системе Netflix. “Алгоритмы заменяют человеческий – или, по крайней мере, не настолько опосредованный цифровыми технологиями – процесс осмысления культуры и принятия решений”, – писал он. Пайкович решил проверить влияние Netflix на личные вкусы человека и создал для этого несколько фиктивных аккаунтов с различными архетипическими личностями. Личности варьировались от Заядлого Спортивного Фаната до Культурного Сноба и Безнадежного Романтика. Спортивный Фанат смотрел все, что связано с серьезной физической активностью, будь то вымысел или документальные передачи, параллельно наслаждаясь фильмами о супергероях, однако презирал романтические комедии. Культурный Сноб гонялся за малопонятными артхаусными фильмами и зарубежными режиссерами – всем, что могло бросить вызов его душевной организации. При этом он почти не смотрел телевизор и ненавидел реалити-шоу. Безнадежный Романтик любил драму и кипящие страсти, мечась между утонченностью и примитивизмом. Для формирования первоначальных рекомендаций Netflix просит новых пользователей выбрать несколько вещей, соответствующих их вкусам, однако Пайкович не стал выбирать ничего, и вначале главные страницы разных аккаунтов в целом оказались идентичными. Затем ситуация быстро изменилась.

Экспериментатор поочередно заходил в каждый из аккаунтов и смотрел передачи и фильмы, соответствующие вымышленному вкусу персонажа; время суток было случайным, чтобы исключить эту переменную. Уже на второй день просмотра запустилась персонализация, и главные страницы аккаунтов начали расходиться. К пятому дню в аккаунте романтика появилась строка, предлагающая “Фильмы для безнадежных романтиков”, а в аккаунте сноба – строка “Признанное критиками авторское кино”. Более общие категории главной страницы, такие как “Знакомые любимые фильмы” и “Захватывающие фильмы”, также персонализировались, предлагая один и тот же тип контента: романтические комедии для романтиков и документальные фильмы о спортсменах для любителей спорта. Возможно, такая стратегия легкого введения в заблуждение льстит потребителю: вряд ли вы хотите, чтобы текстовые надписи на главной странице постоянно напоминали вам о том, что вы смотрите исключительно романтические комедии.

Алгоритм Netflix распределяет пользователей по определенным “вкусовым сообществам”, которых насчитывается более двух тысяч. Существует также свыше семидесяти семи тысяч “альтжанров”, то есть нестандартных (нишевых) категорий, среди которых “Высокоинтеллектуальные французские артхаусные фильмы”, “Афроамериканские боевики и приключения 1970-х годов” и “Эмоциональные военные драмы, основанные на реальной жизни”. Пользователи часто не знают, каким образом их распределили по категориям, а также не имеют представления обо всем многообразии этих ниш. Человек не выбирает эти категории намеренно; он просто видит результаты алгоритма, когда его страница сужается до тех тем, которые его, скорее всего, заинтересуют.

Еще поразительнее самих рекомендаций тот факт, что Netflix также алгоритмически изменяет значки-миниатюры для своего контента, подстраивая их под конкретного пользователя. Этот трюк начал применяться в конце 2017 года под названием “персонализация изображений”. Пайкович наблюдал, как это происходило с его тестовыми аккаунтами. После двух недель просмотра все миниатюры на странице выглядели похожими друг на друга: “Из первых десяти названий, предложенных для Безнадежного Романтика, которые составляли два верхних ряда, пять сопровождались картинками романтических объятий (например, двое целуются или глядят друг другу в глаза)”. Аналогичным образом главную страницу фаната усыпали изображения активных мужчин-одиночек – бьющих кулаком, защищающих футбольные ворота, скачущих на быке. На скриншотах такие страницы выглядят почти тошнотворно, их содержание однородно, как ресторанное меню, состоящее исключительно из гамбургеров.

Иногда эти изображения также вводили в заблуждение. Для сериала “Внешние отмели” производства Netflix Спортивный Фанат получил миниатюру с двумя персонажами, несущими к берегу доски для серфинга, романтикам же показывали крупный план двух героев, собирающихся поцеловаться. Оба изображения подгоняли под конкретные предпочтения пользователей, о чем свидетельствует история просмотров. Однако ни та, ни другая картинка не отражала сути сериала – приключенческого детектива с исчезновениями и убийствами. Пользователи с обоснованной тревогой замечали, что цвет кожи персонажей на миниатюрах на главной странице Netflix совпадает с их собственным – хотя теоретически программа не должна отслеживать расовую принадлежность. В 2018 году разгорелся конфликт: некоторые люди обратили внимание, что при рекомендации романтического фильма “Реальная любовь” миниатюра изображала чернокожего актера Чиветела Эджиофора, хотя он играет в этой картине лишь второстепенную роль. Изменяя миниатюру фильма таким агрессивным способом, платформа манипулирует пользователями: по сути, она не предлагает то, что им может понравиться, а изменяет представление того же самого контента, чтобы он выглядел ближе к их предпочтениям. Такой алгоритмический подбор изображений подталкивает посмотреть то, что в противном случае вас, возможно, не заинтересовало бы (особенно если это честно обозначить) – авось сработает. Это противоречит идее персонализации интерфейса и идет вразрез с культивированием личного вкуса, поскольку является манипуляцией от начала и до конца.

Пайкович обнаружил еще одну манипуляцию с контрольным аккаунтом, который экспериментатор использовал для просмотра случайной подборки контента. На главной странице этого аккаунта оказались все восемь фильмов франшизы “Форсаж”; по сути, фильмы “Форсаж” рекомендовали всем аккаунтам Пайковича, хотя это не всегда было оправдано – если только не учитывать тот факт, что Netflix платит большие деньги за соответствующую лицензию. Алгоритм “по умолчанию рекомендовал контент с высокой вероятностью вовлеченности пользователей и делал это под видом персонализации”, – написал экспериментатор. Возможно, вам нравятся фильмы “Форсаж”, потому что они нравятся многим людям в целом, но это отлично от ситуации с человеком, для которого “Форсаж” является объектом его конкретных предпочтений. В конечном счете такие рекомендации Netflix направлены не столько на поиск контента, соответствующего предпочтениям пользователя, сколько на предложение того, что уже популярно или доступно – это иллюзия вкуса. В 2023 году Netflix выкладывал для стриминга менее четырех тысяч фильмов – гораздо меньше, чем предлагалось в одном из крупных магазинов сети Blockbuster до ее исчезновения, где часто выставляли до шести тысяч фильмов. Рекомендации создают иллюзию разнообразия и глубины, которой в реальности не существует.

Выхолощенное значение вкуса в эпоху Мира-фильтра имеет нечто общее с тем, как цифровые платформы измеряют вовлеченность: это мгновенное суждение, основанное преимущественно на том, вызывает ли что-то немедленную симпатию или антипатию. Теряется моральный потенциал вкуса, идея того, что он в целом ведет человека в сторону лучшего общества и лучшей культуры. Вместо этого вкус превращается в форму консьюмеризма, когда решающим словом в определении вашей идентичности является то, что вы покупаете или смотрите, и это диктует ваше будущее потребление.

Выдуманные Пайковичем пользователи Netflix – не совсем обычные примеры: мало кто из потребителей настолько сильно концентрируется на определенной категории, и поэтому реальные домашние страницы, скорее всего, окажутся более разнообразными. Однако механизм рекомендаций и адаптация изображений миниатюр служат уплощению нашего восприятия культуры и ограничивают возможности расширения кругозора. Направляя нас в конкретные категории с помощью мягкого принуждения, алгоритм Netflix в итоге определяет наш вкус как нечто фиксированное, становящееся все более жестким при каждом очередном взаимодействии с платформой, все глубже загоняя нас в определенную ячейку. Даже если рекомендации точны, они могут выступать в роли ограничителя. Как пишет Пайкович, “петли обратной связи усиливают уже существующие предпочтения пользователей, ухудшают взаимодействие с разнообразными культурными предложениями и лишают искусство, эстетику и культуру их конфликтной роли в обществе”. Это отсутствие конфликта вызывает беспокойство. Дело не в том, что великое искусство должно быть по своей сути неприятным; просто, когда все соответствует устоявшимся ожиданиям, мы лишаем себя культуры, которая действительно прогрессивна и некомфортна, которая может подрывать существующие категории, а не вписываться в них.

Spotify работает так же, как Netflix, распределяя пользователей по заранее определенным категориям вкуса, и, как и у других платформ, его алгоритм чаще всего ошибочен, предвзят и не отличается нейтральностью. В сентябре 2019 года звезда кантри Мартина Макбрайд попыталась создать на Spotify плейлист кантри-музыки. Эта платформа может автоматически рекомендовать песни для добавления в плейлист. Макбрайд обнаружила, что алгоритм четырнадцать раз подряд предлагал только мужчин, и только потом там появилась первая женщина. Шокированная Макбрайд написала в Инстаграм: “Это лень? Дискриминация? Глухота? Оторванность от жизни?”

Джада Уотсон, профессор Оттавского университета, изучающая эфир кантри-радиостанций, попробовала сделать то же самое и получила аналогичный результат: двенадцать обновлений предлагали исключительно музыкантов-мужчин. Хотя в исследовательских целях Уотсон использует Spotify исключительно для прослушивания женщин, она обнаружила, что “в первые 200 композиций (19 обновлений) входили только 6 песен женщин (3 %) и 5 песен смешанных ансамблей (3 %), причем все они появились после 121 композиции исполнителей-мужчин”. Подобные рекомендации явно не имели ничего общего с остальной музыкой, которую она слушала на Spotify. Макбрайд обнаружила, что функция рекомендации плейлистов базируется вовсе не на предпочтениях пользователя, а на названии плейлиста. Так, согласно алгоритму Spotify, можно предположить, что кантри-музыка ассоциируется с мужчинами, и эта формула сохранялась даже тогда, когда Уотсон составила плейлист под названием “Кантри-музыка, исполняемая музыкантами с вагинами”. Предвзятый алгоритм предвзято определил жанр. Это “очень узкий взгляд на то, чем является музыка кантри”, сказала мне Уотсон. Несмотря на стремление к персонализации, Spotify в данном случае создал вакуум разнообразия.

В 2014 году Кристиан Сандвиг из Microsoft Research (исследовательского подразделения Microsoft) опубликовал в блоге своей организации пост, где ввел термин “недостоверная персонализация”, описывающий такие негодные рекомендации, как манипулятивные изображения-миниатюры для фильмов Netflix и однородные плейлисты Spotify. “Недостоверная персонализация – это процесс, в ходе которого ваше внимание привлекают к интересам, которые не являются вашими собственными”, – отмечал Сандвиг. Подобная система рекомендаций “служит коммерческим интересам, которые часто расходятся с нашими собственными”. В случае с Netflix вводящие в заблуждение изображения и вездесущие предложения “Форсажа”, возможно, используются для повышения вовлеченности пользователей, заставляя людей поверить, что они получают пользу от сервиса, и, соответственно, продлить подписку, способствуя развитию компании.

Другие примеры недостоверной персонализации: Amazon на своем сайте отдает первые позиции собственным брендам, а Google Search считает лучшими источниками информации другие продукты компании – например, Google Maps. Компания получает прибыль, однако пользователь может пострадать, и это ухудшает общую культурную экосистему. Сандвиг писал: “Со временем, если людям достаточно часто предлагают вещи, не соответствующие их интересам, их можно убедить, что именно это они и хотят… Они могут ошибочно поверить, что это и есть их подлинные интересы, и им будет трудно воспринимать мир по-другому”. Интернет все больше превращается в серию “пузырей”, самоусиливающихся пространств, в которых становится все труднее найти разнообразие точек зрения. Эта идея хорошо известна в политике: и либералы, и консерваторы в основном потребляют цифровой контент, отражающий их убеждения, – однако она применима и к культуре. В вопросах личного вкуса сложно понять, что вам нравится, но не менее трудно осознать, что вам что-то не нравится или не нужно, – в то время, когда подобные вещи настойчиво преподносят под маркой For You (“Для вас”). В Мире-фильтре все труднее доверять себе или понимать, кто есть “вы” в восприятии алгоритмических рекомендаций.

В 2011 году писатель и интернет-активист Эли Паризер опубликовал книгу “За стеной фильтров”[33]33
  Русский перевод: Паризер Э. За стеной фильтров: Что Интернет скрывает от вас? М.: Альпина Бизнес Букс, 2012.


[Закрыть], в которой описал, как алгоритмические рекомендации и другие методы цифровой коммуникации могут изолировать интернет-пользователей, заставляя их встречаться исключительно с идеологией, которая соответствует их собственной. За последующее десятилетие концепция “пузырей фильтров” активно обсуждалась – особенно в контексте политических новостных медиа. Некоторые исследования (например, книга Акселя Брунса “Реальна ли стена фильтров?”, опубликованная в 2019 году[34]34
  Русский перевод: Брунс А. Реальна ли стена фильтров? М.: ИД ВШЭ, 2023.


[Закрыть]) пришли к выводу, что их влияние ограничено. Другие научные работы, как, например, исследование пузырей фильтров, опубликованное в 2016 году в журнале Public Opinion Quarterly, установили, что существует определенная степень “идеологической сегрегации”, особенно когда речь идет о контенте, основанном на мнениях.

Однако культура и культурный вкус имеют иную динамику, нежели политический контент и идеологические убеждения в интернете; несмотря на то, что они проходят через одни и те же каналы, ими движут разные стимулы. В то время как политические фильтры разделяют пользователей на противоборствующие фракции, культурные рекомендации объединяют их, стремясь создать все большую и большую аудиторию для общего для всех материала. Алгоритмическая культура концентрируется в середине, потому что решение о потреблении того или иного произведения культуры редко мотивируется ненавистью или конфликтом. Цзинцзин Чжан, профессор Индианского университета, изучающая алгоритмы рекомендаций, нашла подтверждение теории гомогенизации, когда участвовала в эксперименте по персонализированным музыкальным рекомендациям, представленном на Дублинской конференции по рекомендательным системам в 2012 году.

Студентам предлагали песни, которые – как им сообщили – рекомендованы с учетом их личного вкуса, о чем свидетельствует рейтинг с количеством звезд; однако на самом деле эти рейтинги присваивались искусственно и произвольно. Затем участников эксперимента спрашивали, сколько они готовы заплатить за данную песню. Оказалось, что чем выше число звезд, тем выше готовность платить, причем каждая добавленная звезда приводила к увеличению готовности заплатить за песню на 10–15 %. Этот эксперимент показал, как восприятие рекомендации может исказить воспринимаемую ценность данного произведения культуры, заставляя его казаться более привлекательным или значимым. Этот недостаток усиливается из-за петли алгоритмических рекомендаций с положительной обратной связью. Со временем система будет “давать менее разнообразные рекомендации”, как рассказывала Чжан в подкасте Planet Money. В конце концов, по ее словам, она будет “выдавать одинаковые рекомендации всем, независимо от личных предпочтений”. Отсюда и гомогенизация, которую мы наблюдаем сегодня.

Собирание культуры

Для определения того, какую культуру мы потребляем и как к ней относимся, важными могут оказаться не только фактические рекомендации, но и интерфейсы приложений, создающие видимость рекомендаций. Дизайн интерфейсов подпадает под понятие “взаимодействие с пользователем” (или “опыт пользователя”), используемое в технологической индустрии: это микровзаимодействия, которые происходят во время навигации, поиска и кликов. На современных платформах пользовательский опыт проявляет тенденцию к крайней пассивности. Предполагается, что вы не должны копать особо глубоко, а просто потреблять то, что уже находится перед вами, – теоретически алгоритм должен знать вас лучше вас самих, хотя это заведомо не так. Если мы всегда можем рассчитывать на то, что главная страница Netflix, страница “Интересное” в Инстаграме или лента “Для вас” в ТикТоке покажут нам то, что нам интересно, то у нас будет меньше стимулов самостоятельно решать, что искать, за чем следить и (что, возможно, важнее всего) что сохранять. Мы часто формируем свое чувство личного вкуса, сохраняя произведения культуры: постепенно создаем коллекцию из того, что для нас важно, памятник нашим предпочтениям – подобно строящей гнездо птице.