ALGORITMER – EN
MODERN VIDSKEPELSE
En kvalitativ studie av hur medvetenheten av YouTubes
algoritmer påverkar användarupplevelsen
Valdemar Askeljung, Anton Ekengren, Hampus Eriksson
Abstract
Recommended content is a big part of many people's everyday lives and shapes users' experience (UX) and media consumption on a daily basis. With a varied amount of knowledge about how algorithms affect people's media consumption, the decision-making process is influenced to varying extents. The focus of this study is therefore to examine the diversity of variations that exist around the perception of YouTube's algorithms and its influence on the users’ experience. We conducted a quantitative study in the form of a questionnaire, as well as semi-structured interviews to answer the questions of how the users assumptions regarding the recommendation algorithm on YouTube affects the user experience. The study suggests that the ignorance that arises as a result of the lack of transparency shown between algorithm and user, contributes to the user experience being influenced by the assumptions. To a large extent, we can see that these approaches depend on the mental models that users have built, which are often based on the assumptions made in the light of users' own experience.
Förord
Vi vill rikta ett stort tack till våra respondenter för deras välvillighet att ställa upp på intervjuer och att bidra med data för studien. Vi vill även rikta ett tack till vår handledare Anders Lundström för värdefull handledning.
Innehållsförteckning
1. INTRODUKTION ... 4
1.1SYFTE ... 4
1.2AVGRÄNSNINGAR ... 5
1.3TIDIGARE FORSKNING ... 5
1.3.1 YouTubes rekommendationssystem ... 5
1.3.2 Algoritmisk medvetenhet ... 6
1.3.3 Rädslan över förlorad kontroll ... 6
2. METOD ... 8
2.1FÖRSTUDIE ... 8
2.2KVALITATIV INTERVJU ... 8
2.3URVAL AV DELTAGARE ... 9
2.4METOD FÖR ANALYS ...10
2.5ETISKA ASPEKTER ...10
3. RESULTAT ... 12
3.1FÖRSTUDIE ...12
3.2MEDVETENHETENS PÅVERKAN...12
3.2.1 Användarens uppfattning av algoritmernas närvaro ...12
3.2.2 Medvetenhetens påverkan över tittarbeteendet ...12
3.3EGEN PÅVERKAN ...13
3.3.1 Användarbeteendets påverkan över rekommendationerna ...13
3.3.2 Användarens medvetena val för relevansanpassning ...14
3.4ANDRA ANVÄNDARES PÅVERKAN ÖVER FLÖDET ...14
3.5DEN PRAKTISKA RELEVANSEN ...15
3.6ORGANISATIONENS PÅVERKAN ...15
3.6.1 YouTubes kontroll över flödet ...16
3.6.2 Annonsörers påverkan ...16
4. DISKUSSION ... 17
4.1ANVÄNDARENS KUNSKAP OM ALGORITMERNA PÅ YOUTUBE ...18
4.2FÖRSTÅELSENS PÅVERKAN ÖVER ANVÄNDARUPPLEVELSEN ...19
4.3BEGRÄNSNINGAR OCH FRAMTIDA FORSKNING ...20
5. SLUTSATS ... 22
REFERENSER ... 23
1. Introduktion
Idag kureras näst intill allt innehåll på samtliga plattformar av algoritmer. I ett uttalande vid CES 2018 från YouTubes produktchef (Arriagada & Ibáñez, 2020) är 70% av allt konsumerat innehåll rekommenderat till användare via plattformens algoritmer. YouTube är en videodelningsplattform med över två miljarder användare som ägs av Google LLC.
Youtube har en kollektiv tittartid på över en miljard timmar om dagen vilket innebär att det är den största plattformen i sin genre (YouTube Press, 2021).
Riktat innehåll och artificiell intelligens (AI) för relevansanpassning använts flitigt av de stora IT-jättarna. Rekommenderat innehåll är en stor del av mångas vardag och formar användares upplevelse och mediekonsumtion på en daglig basis och med en varierad mängd kunskap om hur dessa påverkar människors konsumerande, influeras beslutstagandeprocessen i olika grad. Det har genomförts mycket forskning kring transparens (Chalmers & Galani, 2004), och de etiska utgångspunkterna (Vetenskapsrådet, 2017) i relation till algoritmisk upplevelse och forskning (Bucher, 2016) har också visat att denna typ av rekommenderat innehåll kan vara väldig missvisande och i vissa fall ge falskt innehåll (Nicas, 2018). YouTube utvecklade sin algoritm för att fånga användare och hålla dem kvar på plattformen så länge som möjligt, inte primärt för att leverera det bästa innehållet till användarna (Fyfield et al., 2021; Leprince-Ringuet, 2019).
En videorekommendation som inte möter användarens informationsbehov kan ha en negativ inverkan på användarens perception av tjänsten. I en studie av Ekstrand et al.
(2014) fann de att användarupplevelsen ofta påverkas i den grad att användare hellre använder manuella söksystem. Tidigare forskning av Arriagada & Ibáñez, (2020) i området visar också hur användare skapar egna tolkningar av algoritmer på samtliga sociala medier, specifikt på instagram, i syfte att skapa sig en förståelse kring de transparenta processerna som algoritmerna bidrar med. Forskning gällande hur medvetna användare är kring hur algortimerna påverkar deras användarupplevelse och beslutstagande är relevant och intressant för samtiden.
2016 kom en stor uppdatering på videodelningsplattformen YouTube som gjorde rekommendationerna allt mer sofistikerade och började använda sig av AI i sina beräkningar. Innan detta dominerades hemsidan av videor som främst var rekommenderat till användaren via deras prenumerationer, vilket i sak betydde att användaren medvetet formade sitt egna flöde av videor.
1.1 Syfte
Fokus i detta arbete är att undersöka den mångfald av variationer som existerar kring uppfattningen av YouTubes algoritmer och dess koppling till användarupplevelsen. Vår hypotes är att algoritmernas icke transparenta processerna har stor påverkan på användarens upplevelse och interaktioner. Vilket i sin tur påverkar användarnas kunskap, förståelse och relation till tjänsten och de underliggande algoritmerna. Målet med detta arbete är att bidra med en ny infallsvinkel och djupare förståelse kring hur olika uppfattningar påverkar förståelsen för de icke transparenta algoritmerna på YouTube, hur dessa uppfattningar influerar användares interaktioner och till sist hur dessa till synes otydliga processer generellt påverkar användarnas upplevelse. Vi kommer att besvara följande frågeställningar:
• “Hur ser användares förhållningssätt och antaganden ut till YouTube´s algoritmer?”
• “Hur påverkas användarupplevelsen i relation till deras antaganden om algoritmerna på YouTube?”
1.2 Avgränsningar
Studien har avgränsats till att fokusera på användarens handlingar, antaganden och relationen mellan dem och rekommendationsalgoritmerna på Youtube. I arbetet studeras därför inte algoritmerna i stort eller deras mer tekniska bitar, inte heller hur det ser ut på andra plattformar utanför YouTube. Arbetet har lagt fokus på användare och deras interaktioner som individer och kommer att innefatta olika användningssyften av plattformen, vilka är; “som ett studiehjälpmedel”, “underhållning”, “informationssökning”
och “i arbetet”.
1.3 Tidigare forskning
För att bättre förstå centrala begrepp som studien har använt sig av har ett avsnitt dedikerats till definitioner och relaterad forskning. Målet är att ge läsaren en sammanfattad kunskap över mer omfattande områden vilket hoppas ge en bra bas för att förstå studiens arbete och tolkning. Arbetet tar upp YouTubes rekommendationssystem och relaterad forskning inom ämnen algoritmisk medvetenhet, användarupplevelse och interaktionsdesign.
1.3.1 YouTubes rekommendationssystem
Begreppet algoritm används som ett sätt att beskriva lösningar på matematiska problem.
De flesta algoritmer appliceras som datorprogram och består av exakta instruktioner om vad som ska göras och i vilken ordning det ska ske. Målet är att den ska ta sig från ett givet tillstånd till ett resultat enligt ett visst antal steg (Haider & Sundin, 2016). Haider & Sundin beskriver att det kan jämföras med ett recept, där en får berättat i vilken ordning ingredienser ska blandas, hur mycket och hur de ska hanteras.
På YouTube laddas det upp en ofantlig mängd videor varje dag och ingen människa har tid att kolla igenom alla. Enligt YouTube Creators (2017) används algoritmer för att hjälpa användare att hitta videor de vill kolla på och få användare att titta mer på sådant de gillar.
YouTube beskriver algoritmerna som en återkopplingsloop som agerar i realtid och dess mål är att skräddarsy varje video till tittarens intresse. Den gör allt för att visa rätt video för rätt person i rätt ögonblick. Algoritmen utgår från data och kollar på exempelvis videornas titlar, bilder, beskrivningar och andra användares åsikter om videon. Saker som hur länge en användare kollar på videon, om de klickar “gilla” eller “ogilla” och videons kommentarer spelar också roll. Algoritmen tar även hänsyn till vad användare har kollat på tidigare, hur länge de tittat och vad de väljer att inte kolla på (YouTube Creators, 2017).
1.3.2 Algoritmisk medvetenhet
Forskning inom människa-datorinteraktion använder sig av begrepp som användarupplevelse och användargränssnitt, ofta för att beskriva sättet med vilket användaren och ett datorsystem interagera. På senare tid förekommer forskningsområdet ofta i relation med användares förhållningssätt på sociala medier och andra diverse medieplattformar. Få är de användarbaserade plattformar som inte använder sig av algoritmer för att relevansanpassa innehållet för användare.
Det existerar enligt Hamilton et al. (2014) ett behov att tala om utformandet av algoritmiska gränssnitt, vilket dem beskriver som ett yrkande på ett betydelsefullt forskningsämne. Anledningen till detta yrkande är för att försöka balansera den fina linje som görs upp av användarens behov av transparens när det kommer till hur och vad de algoritmiska relevansanpassningarna använder för data, gentemot den enorma fördelen som kommer med automatiserade relevansanpassningar.
Vidare så förklarar Hamilton et al. (2014) att kontrasten mellan vad som är synligt och vad som är osynligt för användaren genom att använda sig av ordet ’söm’. Med detta menas
’sömmen’ mellan dessa två aspekter. Här förklaras hur det går att argumentera för att upplevelser eller designer där algoritmernas inre funktioner är gömda från användarna, så bidrar det till att skapa en upplevelse som kräver minimal ansträngning från användaren.
Detta kan anses vara framgångsrikt när det kommer till användarupplevelse, men argument för hur synliga algoritmer och en sömlös design istället kan bidra med att ytterligare tillämpningsområden och att hantera vissa av de samhälleliga påverkningarna som följer med algoritmbaserat innehåll lyfts också fram (Hamilton et al.).
Slutligen så nämner Hamilton et al. (2014) att det krävs mer forskning inom detta område, och att vi behöver förstå konsekvenserna av de attityder som användare utvecklar i samband med användandet av algoritmbaserade tjänster, och att denna interaktion påverkas av den förutfattade kännedom som användaren skapat i relation till dessa.
1.3.3 Rädslan över förlorad kontroll
YouTube är bara en av många plattformar som använder sig av algoritmer för att anpassa innehåll. Tidigare forskning har undersökt algoritmerna och dess effekter på olika plattformar, men det är inte förrän på senare tid forskning om hur användare upplever algoritmernas närvaro har kommit i fokus. Bucher (2016) presenterar begreppet “The algorithmic imaginary” där hon menar att algoritmerna i sig bara är ett tekniskt begrepp och inte bidrar till konversationen om hur det påverkar oss som användare. Istället är det mer givande att analysera hur människor agerar och förhåller sig till dess effekter på dem som användare. I samma artikel (Bucher) diskuterar hon om sociala medieplattformen Facebook och hur deras användare förhåller sig till algoritmernas närvaro. I artikeln nämns en studie (Eslami et al., 2015) som visar på att mer än hälften av deltagarna saknar medvetenhet om hur flödet på Facebook fungerar. De hävdar att den bristande uppfattningen om hur algoritmerna agerar kan ha allvarliga konsekvenser och leda till missförstånd mellan vänner och familj på plattformen, särskilt om användarna skapar egna antaganden om hur algoritmerna agerar.
I artikeln av Bucher (2016) visar deltagarna på missnöje med hur algoritmerna på Facebook styr innehållet. En av deltagarna nämner att han är trött på att “spela spelet” med algoritmerna. En annan av deltagarna uttrycker oro för vilken typ av innehåll som visas, där saker som är mer troligt att generera gillningar och delningar lyfts fram istället för
sådant som den anser är mer viktigt eller intressant. En tredje deltagare berättar om hur den upplever att algoritmerna gynnar vissa vänskapsrelationer mer än andra. Hon berättar att det känns som att en liten grupp vänner får mer plats och syns mer i flödet medan andra blir helt bortglömda av algoritmerna. Bucher visar vidare på att det finns en oro bland användarna över hur lite de känner till eller över graden de kan kontrollera hur innehållet på plattformen styrs. Eftersom användarna inte är medvetna om hur systemen arbetar uppstår en rädsla som hanteras genom att själv fylla i luckorna där informationen brister.
Det känns därför relevant att med denna studie undersöka användarens förhållningssätt och antaganden till algoritmerna på Youtube.
2. Metod
För att svara på vår frågeställning har vi genomfört en kvantitativ förstudie i formen av en enkät, samt semi-strukturerade intervjuer. Syftet med enkäten var att få en överblick över aktuella användarbeteenden hos populationen och att rekrytera deltagare till den efterföljande intervjun. Syftet med intervjun var att få en förståelse för hur användare upplever YouTubes rekommendationsbaserade flöde samt i vilket utsträckning användares förhållningssätt påverkar deras användarbeteende. Enkäten sammanställdes för att ge en generell bild av YouTube-vanor och användning medan intervjuerna gick på djupet med användarnas förståelse och uppfattning av algoritmerna samt hur de upplever att dessa påverkar deras användning av YouTube.
Studiens urval av deltagare presenteras och argumenteras för nedan, samt de etiska forskningsaspekter som har tagits hänsyn till under studiens datainsamling. Avslutningsvis redogörs metoden av analys för insamlad data, samt de tillkortakommanden som upplevdes i samband med genomförandet.
2.1 Förstudie
En digital enkät delades i två stängda facebook-grupper för studenter vid informatik på Umeå Universitet den 12/03-2021, samt delades i författarnas egna vänskapskretsar.
Enkäten genererade 69 svar, och var öppen i 26 dagar. Svaren inkluderar därför personer av olika utbildningsgrad, kön, och ålder. Majoriteten av respondenterna var i åldersspannet 18-30 med pågående eller avslutat eftergymnasial utbildning. Eftersom valet av population enligt Preece et al. (2016) kan påverka studieresultatet så var ett syfte med enkäten att identifiera deltagare. I enkäten fick således deltagarna möjlighet att anmäla intresse genom att ange sin e-postadress, vilket 10 slutligen gjorde. Enkäten delades avsiktligen i dessa specifika forum för att hitta potentiella respondenter med en hög internetvana (Preece et al.). Förstudien gav även en överblick över frågeställningens övergripande problemformulering, och lade grund till intervjufrågorna.
2.2 Kvalitativ intervju
Den större delen av datainsamlingen skedde via tolv kvalitativa intervjuer, varav tio kom från de som lämnade e-postadress vid enkäten och två via bekvämlighetsurval. På grund av rådande pandemi, utfördes intervjuerna på distans via videokommunikationsplattformen Zoom. De kvalitativa intervjuerna byggdes på frågor kring respondentens uppfattning, antaganden och handlingar kring YouTube och frågorna ställdes främst utifrån fyra kategorier (egen påverkan, social påverkan, AI/systemets påverkan, organisationens påverkan). Respondenterna fick vara anonyma och benämns i rapporten med “R” och en siffra, exempelvis “R1”. De fick en kort introduktion där intervjuaren beskrev vad studie handlade om på en sammanfattad nivå och blev tillsagda att det fick avbryta eller ställa frågor om det var något de inte förstod. Frågorna ställdes öppna för att bli mer snäva eftersom och respondenterna fick ta sin tid för att fundera och svara i sin egen hastighet.
Kvalitativ datainsamling är en beprövad teknik som i detta fall tillät oss fokusera på användarens egna upplevelse på plattformen och få en inblick i deras verklighet (Yin &
Retzlaff, 2013). Eftersom att studiens frågeställningar har användarupplevelse som
utgångspunkt ansågs det att datainsamling via djupintervjuer gav de medverkande utrymme att reflektera i högre grad, vilket i sin tur genererade mer nyanserade svar i relation till studiens syfte. Ytterligare passar denna metod bra eftersom arbetet hela tiden utgår från människan och deras egna uppfattning och handlingar i en okontrollerad miljö.
Metoden fångar en stor mängd information samt respondenternas egna åsikter och handlingar i den kontext som de själva upplever den.
I studien klassificeras majoriteten av användarna som mycket tekniskt medvetna, i och med att respondenterna främst är studerande eller alumner vid institutionen för informatik på Umeå Universitet. I studien ingår även några deltagare från andra håll med varierande erfarenhet vad gäller teknik.
2.3 Urval av deltagare
Vid enkätundersökningen ansågs inte respondenternas exakta ålder eller kön vara av relevans, och med utgångspunkt i de forum som undersökningen delades i, inte heller deras exakta utbildningsnivå. I samband med enkäten lämnades ett frivilligt fält öppet för respondenterna att fylla i om de skulle vilja ställa upp på intervju. Genom enkäten valdes 10 av de 12 intervjurespondenterna, vilka uppgav att de kunde tänka sig medverka i en intervju och kontaktades därefter via mail för att stämma av en tid.
Enkätresultaten visade att 8 av 10 intervjurespondenter som valdes utifrån enkäten hade haft ett Youtube-konto i ca 10 år, vilket i kontrast till alla enkätsvar där 53.6% av enkätrespondenterna hade haft ett YouTube-konto i ca. 10 år. De resterande två intervjudeltagarna hade haft ett YouTube-konto i 7 år, och på enkäten var de totalt 30.4%
som svarade likadant på samma fråga.
Enligt enkäten så svarade hälften av de 10 intervjurespondenterna att de spenderade 5- 10, 10-15 eller 15+ timmar i veckan på plattformen, vilket är likt enkätens totala svar där 49.2% av enkätrespondenterna svarade samma. Endast en av intervjudeltagarena svarade på enkäten att de spenderade mindre än 3 timmar på plattformen. Enkätresultaten visade att en överväldigande majoritet (97.1%) använder YouTube i underhållningssyfte, där intervjurespondenternas svar visar att 100% av dem använder Youtube i underhållningssyfte.
Andel intervjurespondenter som svarade att de använder Youtube i informationssyfte var 7 av 10, och enkäten visade på att 55.1% svarade att plattformen användes i detta syfte.
40.6% svarade på enkäten att de använder YouTube som ett studiehjälpmedel, och 4 av 10 intervjurespondenter svarar likadant. Enkäten visade också att endast 18.8% av respondenterna använder YouTube i arbetssyfte, och en av intervjurespondenterna svarade att de använde plattformen i det syftet.
I och med de begränsningar som infinner sig i det faktum att detta är en studie gjord i det omfång definierade för en kandidatuppsats, fanns inte möjligheten till en utvidgad och genomgående urvalsprocess. Eftersom detta tidsbegränsade faktum presenterade sig vara närvarande i vår process introducerades tillämpandet av bekvämlighetsurval (Yin &
Retzlaff, 2013). Denna typ av urval betydde att utöver de 10st respondenter som hittats via enkäten, utforskade skribenterna deras egna sociala nätverk för att hitta 2st lämpliga kandidater för intervju. Även detta urval gjordes med utgångspunkt att hitta respondenter
2.4 Metod för analys
Studien har följt Yin & Retzlaffs (2013) metod för bearbetning av kvalitativ data och Hedin
& Martins (1996) exempel på tematisk analys. Yin & Retzlaffs delar in den i fem delar:
1 Sammanställning 2 Demontering 3 Remontering 4 Tolkning 5 Slutsats
Analysen gjordes genom att sammanställa, sortera samt organisera datan som samlats in i en databas. Vid nästa steg, demontering, delades datan upp i mindre bitar och försågs med etiketter. Därefter remonterades och omorganiserades datan. I tolkningen eller det fjärde steget tolkades den remonterade datan för att skapa en berättelse. Till sist drogs slutsatser från arbetet. Slutsatserna kopplas till diskussionen och på så sätt till de andra delarna av arbetet (Yin & Retzlaff). Genom användandet av denna tematiska analysmetod, innebar det att datan kategoriseras i olika observerade teman som framkommit under intervjuerna (Hedin & Martin 1996). En tematisk analysmetod är inte fast i utformandet, och kan anpassas i relation till datan. Denna metod genererade ett nyanserat och komplext nätverk av svar på de frågeställningar som studien bygger på.
Tillämpandet skedde genom att den insamlade datan från intervjuerna transkriberades ordagrant till text, och fokus lades på att förmedla intervjun på ett sådant sätt att den kunde representera de upplevelser som framkommit, vilket underlättades av att intervjuerna spelades in. I demonteringsstadiet filtrerades irrelevant information och olika delar sorterades in i preliminära teman. Vid remonteringen omorganiserades datan och förfinades för att underlätta kopplingar. Den remonterade datan tolkades sedan och kopplades mot relevant litteratur för att beskriva respondenternas uppfattning och förhållningssätt till hur algoritmerna påverkar deras användande av YouTube.
2.5 Etiska Aspekter
Etik inom forskning är ett viktigt ämne för att bevara forskningens integritet och att ta hänsyn till de som påverkas av studien. Forskningsetik handlar i stor utsträckning om att hitta en balans mellan olika intressen och Vetenskapsrådet (2017) beskriver forskare med att “de har ett särskilt ansvar gentemot de människor och djur som medverkar i forskningen, men också mot alla dem som indirekt kan påverkas av forskningen och gagnas av forskningsresultaten” (Vetenskapsrådet, 2017). Rekommendationerna som presenteras av Vetenskapsrådet kan sammanfattas till några allmänna regler:
1 Du ska tala sanning om din forskning.
2 Du ska medvetet granska och redovisa utgångspunkterna för dina studier.
3 Du ska öppet redovisa metoder och resultat.
4 Du ska öppet redovisa kommersiella intressen och andra bindningar.
5 Du ska inte stjäla forskningsresultat från andra.
6 Du ska hålla god ordning i din forskning, bland annat genom dokumentation och arkivering.
7 Du ska sträva efter att bedriva din forskning utan att skada människor, djur eller miljö.
8 Du ska vara rättvis i din bedömning av andras forskning.
I denna studie har det lagts stor vikt vid etiska ställningstaganden, detta genom att utgå från de allmänna reglerna och ta hänsyn till deltagaren. Rådande situation med Covid-19 gjorde även att hänsyn behövdes tas i förhållande till Svenska folkhälsomyndighetens rekommendationer, samt Umeå universitets rektorsbeslut (Umeå Universitet, 2021) vilket resulterade i att alla intervjuer begicks på distans.
Anonymisering av respondenternas uppgifter gjordes via borttagning av namn vid enkäten och intervjuerna. I studien var individers identitet inte av intresse utan fokuset låg på variationer i deras inställningar och upplevelser i relation till frågorna.
Respondenternas svar anses som integritetskänslig information utifrån värderingsuppgifter. De blev informerade om hur deras information kommer att användas, att de är anonyma, vad studien gick ut på och att de fick avbryta intervjun när som helst.
3. Resultat
3.1 Förstudie
Resultaten visade att 49,3% ansåg att Youtubes nya algoritm för rekommenderade videor som introducerades 2016 har gjort tjänsten bättre. 26,1% ansåg tvärtom att tjänsten blivit sämre medan 24,6% inte tyckte att det gjort någon skillnad. Angående helhetsupplevelsen av rekommendationerna på YouTube svarar 18,8% att de är något missnöjda. 36,2% hävdar att de är ganska nöjda och lika stor andel är neutrala i frågan. Endast 8,7% svarar att de är mycket nöjda.
3.2 Medvetenhetens påverkan
3.2.1 Användarens uppfattning av algoritmernas närvaro
Respondenternas uppfattning av algoritmernas närvaro gav varierande resultat som svar på frågan “Hur uppfattar du din egen förståelse för algoritmerna på YouTube?”
upplever 5 av 12 respondenter att de har någon typ av uppfattning av vad som påverkar. 4 av 12 respondenter upplever att de inte vet vad som påverkar och slutligen 3 av 12 respondenter har ingen uppfattning eller har inte reflekterat över ämnet.
R2, R3, R7, R9 och R10 upplever att de har någorlunda uppfattning om hur algoritmerna påverkar det rekommenderade flödet. R3 nämner “Jag upplever [att jag har] hyfsad koll på hur det fungerar”. Eftersom respondenterna påpekar att de upplever sig ha en någorlunda uppfattning om hur algoritmerna fungerar, visar det på en mental modell hos användaren. Detta kan exemplifieras i hur R10 svarar: ...jag har märkt att jag ofta får upp mycket liknande videor om jag klickat in på en, och det är väl ungefär på den nivån jag uppfattar hur algoritmerna fungerar”.
R4, R5, R6 samt R8 upplever att de har begränsad kunskap om hur algoritmerna påverkar det rekommenderade flödet. R4 säger “För min del så känns det ganska oklart.
Ibland känns det som om jag har koll”. Det syns tydligt att det finns ovisshet hos respondenterna, och R8 svarar på detta genom att förklara sin osäkerhet gällande sin uppfattning: “Det är väl lite av en grej att folk ba ‘Hur funkar det egentligen’ men man har ingen aning men så vitt jag förstår så är det… typ om jag kollar på en Fortnite-video så vet jag att det bara kommer komma Fortnite-videos i mitt flöde. Det väl typ i den utsträckningen man själv förstår”
R1, R11 samt R12 påstår att de inte har reflekterat över ämnet i någon större utsträckning. R12 nämner följande: "Min förståelse är ju inte så bra för algoritmerna.
Jag har ju inte tänkt så mycket hur algoritmen påverkar hur jag använder YouTube”.
3.2.2 Medvetenhetens påverkan över tittarbeteendet
I detta område undersöker studien användarens egna förståelse för hur algoritmerna fungerar och hur de kan påverka tittarbeteendet. Åsikterna från intervjun är av varierande karaktär med en minoritet (R3, R6, R8) som anser att deras medvetenhet endast påverkar till viss del. Majoriteten av respondenterna (R1, R2, R7, R9, R10, R11, R12) svarar att de upplever att deras medvetenhet angående algoritmernas maskininlärning påverkar i stor grad, men med varierande åsikter om hur och vilka områden som har större eller mindre påverkan.
R3 förklarade sin uppfattning enligt följande: “Jag tror helt klart att jag till en viss grad påverkar algoritmerna, men sen tror jag också att jag inte påverkar någonting, man tror ju att man har kontroll över läget, att jag kan ändra eller justera” och R8 svarar: “Jag funderar på hur det skulle påverka mitt beteende. På nåt sätt är det en blessing in disguise, att man inte vet om det ändå funkar bra, för då kanske jag förstör algoritmerna om jag vet hur jag kan påverka dem”. Båda respondenterna påvisar en tvivelaktighet när det kommer till deras möjlighet att påverka algoritmerna, och påpekar att även om de kan uppleva att de påverkar algoritmen baserat på deras tidigare förutfattade meningar, ifrågasätter de om denna upplevda påverkan faktiskt existerar i praktiken.
R8 fortsätter: “Men om de hade gett mig exakt siffror på hur det fungerar då hade jag nog bara blivit rädd för att titta på youtube för att veta ‘jag har för mycket makt i mitt flöde- så då kanske man skulle bli avskräckt för att se på vissa saker” och R11 svarade liknande att “jag önskar att det fanns typ ett inkognitoläge på YouTube så jag slipper få rekommendationer på sånt jag endast vill titta på en gång, sånt jag annars inte är intresserad av”. R8 och R11 nämner vidare i deras svar att deras tittarbeteende hade förändrats avsevärt om de hade full förståelse för hur deras tittarbeteende faktiskt påverkade vad som kommer rekommenderas dem framöver.
Respondenterna som beskriver att de begränsar sin aktiva interaktion på plattformen är övertygade om att det skulle påverka algoritmen avsevärt. R2, R9, R10 och R11 nämner att de undviker att aktivt interagera med videor genom att gilla eller kommentera, då de inte vill att deras rekommendationer ska påverkas av detta, eftersom de upplever att så är fallet. R10 svarar: “jag varken kommenterar eller gillar videor nu för tiden. [...] jag tror att om jag aktivt gillar eller kommenterar så kommer det påverka mitt flöde”.
3.3 Egen påverkan
Hur användare väljer att interagera med applikationer formar den upplevelse och den information som tas del av. YouTube försöker hålla kvar användare på plattformen så länge som möjligt, med avsikt att forma ett personligt och unikt flöde, skräddarsytt efter ens användarbeteende. I området “egen påverkan” försöker denna studie fånga just användarens egna uppfattning om resultatet av deras egna handlingar och hur detta påverkar användarupplevelsen.
3.3.1 Användarbeteendets påverkan över rekommendationerna
Majoriteten av respondenterna (9 av 12) pekade ut att de har märkt att deras handlingar påverkar rekommendationerna i relativt stor grad. Exempelvis svarar R12: “Jag märker ju att om jag ser på en video så är nästa om samma sak”. Detta pekar ytterligare på att respondenterna upplever att beroende på vilken typ av videor de visar intresse för så försöker YouTubes algoritmer visa liknande kategorier.
Flera av respondenterna upplever att sökfunktionen påverkar rekommendationerna.
R10 presenterar ett tydligt samband mellan sökningar och rekommenderade videor:
“Oftast så är det jag som letar upp något jag är intresserad av. [...] Allt eftersom jag söker på saker så känns det som att jag tvingar sidan att rekommendera utefter det jag sökt”.
R5, R7, R10 och R4 svarar att deras sökningar och sökhistorik på plattformen är de handlingar som i högsta grad påverkar vad som rekommenderas till dem. R1 upplever att
En minoritet (R2, R8) interagerade på plattformen utifrån att försöka undvika att klicka på det som rekommenderas. Respondenterna uttryckte t. ex: R8: “jag har på senare tid gått över mer och mer till prenumerations-fliken för att jag börjar bli less på att se dåliga rekommendationer, så att jag håller mig till det jag faktiskt vet vill se”.
3.3.2 Användarens medvetena val för relevansanpassning
I stor utsträckning pekade svaren mot att majoriteten av respondenterna (R2, R3, R6, R7, R8, R9, R10, R11) försöker i olika grad påverka det som rekommenderas för dem. I denna del av intervjun återficks exempelvis svar som R7: “Jag kan börja sträcktitta på videor inom ett visst ämne för att försöka påverka mitt feed” samt R10: “När jag märker att mina rekommendationer inte passar längre så kan jag börja söka efter olika intressen jag har [...] så att jag blir rekommenderad de saker jag vill ha”, vilket visar att respondenterna gör medvetna val för att påverka relevansen av vad som rekommenderas.
Utav de åtta respondenter som uttryckte att de gjorde medvetna val för att påverka algoritmerna var det endast en (R9) som använde sig av funktionerna “inte intresserad”
och “rekommendera inte kanalen” och tre (R6, R7, R11) uttryckte att de inte kände till de funktionerna alls. R11: “Kan man justera sånt? Kan man välja ‘jag vill inte få upp’.
YouTube should make a function for that”.
Det finns ett tydligt samtycke bland flera av respondenterna att ha mer kontroll över flödet. På frågan om användarna känner att de har ett behov av eller önskar sig ha mer kontroll över vad som rekommenderas svarade R5, R8, R10, R11 och R12 att de i någon form skulle vilja ha mer kontroll över relevansen på vad som rekommenderas. Deras uttryck pekade mot funktioner som direkt påverkar rekommendationens innehåll. R12 nämner “Jag skulle vilja ha mer kontroll för att inte få upp sånt som jag inte är intresserad av”. R10 svarar: “Jag skulle vilja veta mer om hur algoritmerna fungerar.
Typ vad mina aktiva val påverkar vilket innehåll som presenteras. Det skulle jag tycka var intressant. Då skulle man nog kunna hitta mer relevant content än vad jag gör i dagsläget”. R8 lade fram en önskan om hur det skulle kunna förbättras: “Kanske att man lägger in att ‘de här ämnena tycker jag är intressanta’, lite som pinterest kanske [...] jag hade inte tackat nej till ett sånt verktyg”.
Svaren pekar på olika tillvägagångssätt för att rekommendationerna ska få en mer anpassad relevans för användaren. R9 avviker från övriga svar och påpekar att denne inte skulle vilja ha mer kontroll över vad som rekommenderas, och gör en referens till andra plattformar: "TikTok har visat att det går bygga ett jättebra rekommendations[system]
utan att ha så mycket påverkan alls. Så jag skulle nog säga nej på den frågan faktiskt".
R4 uttryckte att det rekommendationsbaserade flödet inte var önskvärt, och skulle hellre ha ett prenumerationsbaserade flöde, likt hur det var 2016: "Jag skulle nästan vilja gå tillbaka i tiden och bara ha content baserat på vad jag prenumererar på och söker på".
En del respondenter (R3, R6, R6) uttrycker även andra sätt att interagera med plattformen för att påverka vad som dyker upp, exempelvis R3: “ibland enkom möter saker bara för att få [varierade rekommendationer], eller så refreshar (uppdaterar) jag tills något bra kommer upp”.
3.4 Andra användares påverkan över flödet
Större delen av respondenterna (R3, R4, R5, R6, R7, R8, R9, R10) upplevde att de hade känt av sociala påverkan av andra användare på plattformen och att det påverkade
rekommendationerna. Flera av respondenterna (R4, R5, R7, R8, R9) upplevde också att baserat på vad de tittar på och visar intresse för, så föreslår YouTube videor som de kanske skulle tycka om baserat på vad andra användare på plattformen tyckt om. R4: “Om jag tittat på en Youtuber, så kommer det upp ‘andra som har kollat på den här har också tittat på det här’”.
R3 och R6 beskrev liknande upplevelser som ovannämnda (R4, R5, R7, R8, R9) men i en mycket mer snäv kontext. De upplevde att utifrån vad deras närmare nätverk eller vänskapskrets visat intresse för så föreslår YouTube videor till dem. R7 beskriver “Jag vet att ofta när jag skickar klipp till mina vänner så har de redan sett klippet så jag förmodar att algoritmerna kopplar mellan olika människor så att man får liknande, det är något jag upplevt i alla fall”. R1, R2 och R12 uttryckte motsatt att de inte reflekterat över den här typen av sociala påverkan. Exempelvis uttrycker R12: “...ogillar en video har jag aldrig gjort, men gilla kan jag göra om jag någon gång tyckt den är bra”
3.5 Den praktiska relevansen
AI och rekommendationssystemen blir allt mer sofisikterade och avancerade med tiden.
Med detta område söker studien svar kring hur de mer statiska delarna av rekommendationssystemet upplevs och uppfattas samt försöker få en grov bild hur väl rekommendationerna fungerar i praktiken. Här ombads respondenterna att öppna YouTube och be om deras egna åsikter över relevansen kring resultaten av rekommendationerna på hemskärmen. Respondenternas svar visar att de allra flesta respondenterna helt eller delvis rapporterade relevanta rekommendationer, där endast en användare uttrycker missnöje. Majoriteten av rekommendationerna upplevdes relevanta och respondenterna kände av kopplingar mellan det som rekommenderades, kanalerna de prenumererade på och vad de nyligen visat intresse för.
De olika respondenterna drog även kopplingar till varför de tror att vissa videor rekommenderas. “De alla känns relevanta, och tre av de videor som presenteras är från kanaler jag prenumererar på” meddelar R1. Enligt R7 kändes samtliga videor relevanta och alla dessa var från kreatörer den prenumererar på samt relaterat till innehåll den nyligen tittat på. Många av de respondenter som upplevde att det rekommenderade innehållet var delvis relevant har också sett samband. R2 säger “De tre första skulle jag säga är väldigt relevanta i alla fall. De två nästa inte jättemycket men sen de två efter det är väldigt relevanta igen. [De fem första resultaten] är kanaler jag prenumererar på”.
R9 påpekar följande: “saker jag sett på förut eller uttryckt intresse för, antingen via YouTube eller att jag tittat på det via andra Google kanaler, via Chrome. Av de fem första är det två som jag följer och tre jag inte följer”. R10 hävdar att den hade kollat på ungefär hälften av resultaten. R11 samt R12 gav liknande svar.
Svaren skiljer också i vad för typ av plattform som de använder. R1 upplever en skillnad beroende på vilken plattform den använder YouTube på: “Jag märker skillnad om jag tittar via Playstation eller via mobil/dator”.
3.6 Organisationens påverkan
Rekommendationssystem har många faktorer som påverkar resultatet på olika sätt. Här
3.6.1 YouTubes kontroll över flödet
Respondenterna blev tillfrågade att reflektera över YouTubes påverkan som organisation.
En klar majoritet (11 av 12) upplevde att YouTube som organisation påverkar rekommendationerna. Samtliga av dessa påstår också att de hört talas om YouTubes inblandning eller antar att de påverkar men att de inte upplevt det själv. R4 säger “Jag känner inte att det påverkar mitt flöde något speciellt. Men jag har hört att det ska vara så, och känns rimligt”.
3.6.2 Annonsörers påverkan
Respondenternas svar angående annonsörers påverkan visar på att många är skeptiska mot hur YouTube ställer sig inför den ekonomiska aspekten. Majoriteten av respondenterna (R2, R3, R5, R6, R8, R9, R10, R12) uttryckte att de trodde annonser hade en påverkan över det som visas för dem. En stor del av dessa respondenter (R2, R3, R5, R6, R8, R10, R12) påpekade att det var utifrån ett ekonomiskt behov för YouTubes del. Det visades tydligt med svar såsom R5: “De vill ju också tjäna pengar”. R6 upplevde även att YouTube följer pengarna mer idag än förut: “De har gått från att vara väldigt indie till pengaintresserade [...] Det är nästan bara sånt [populärt] skit som dyker upp". R7 hade inte nämnvärt reflekterat över detta men lägger ändå fram en teori: “Jag har inte reflekterat över det. Men jag kan tänka mig att det har en större inverkan än vad man tror. Det känns som att innehåll som har mycket ads får mer utrymme”.
4. Diskussion
Denna studies syfte var att få en djupare förståelse för, och bidra med perspektiv på hur användares uppfattningar för algoritmerna på YouTube påverkar deras interaktioner och upplevelser. De två primära frågeställningarna som har agerat utgångspunkt för studiens metodik är “Hur påverkas användarupplevelsen i relation till algoritmerna på YouTube?”
och “Hur ser användares förhållningssätt och antaganden ut till YouTube´s algoritmer?”.
Nyckelresultat som diskuteras i det här avsnittet är huvudsakligen från den sammanställda data som presenteras i avsnittet Resultat och baseras på intervjuerna.
Trots den spridda uppfattningen om förståelsen för algoritmerna visade studiens resultat att majoriteten av respondenterna upplevde att medvetenhet kring algoritmerna påverkar sättet de interagerar med plattformen. Enligt studien är konsensus att användarna är medvetna om att deras handlingar påverkar användarupplevelsen på YouTube. Flera av respondenterna drar samband mellan sina aktioner (vad de söker på, vad de tittat på, vad de klickat på etc.) och vad som visas i det rekommenderade flödet. De visar även på att trots att de inte vet exakt hur algoritmerna fungerar, märker de ändå av
“symptomen” till följd av algoritmerna, exempelvis att de blir rekommenderade videor baserat på vad det tittat på tidigare.
Eftersom de flesta av respondenterna är medvetna om att algoritmen påverkas av deras egna användarbeteende, visar det också på viss förståelse för att de kan aktivt påverka algoritmerna. Exempelvis så visar vissa respondenter att de gör aktiva val för att försöka påverka algoritmen genom att sträckkolla på vissa typer av videor, gilla/ogilla vissa kreatörer eller genom att söka på specifika teman för att det ska dyka upp mer frekvent i rekommendationerna.
Studien visar också andra strategier som utvecklats hos flera respondenter. T ex. har vissa användare gått över till att använda sig av fliken “prenumerationer” och kan på så sätt sålla bland videor från kanaler de prenumererar på. En del av de respondenter som försöker påverka algoritmen sträckkollar på vissa typer av videor, gillar vissa kreatörer eller söker på specifika teman för att det ska dyka upp mer frekvent i rekommendationerna.
Andra använder sig istället aktivt av knapparna för att “gilla” och “ogilla”. Intressant nog så gjorde YouTube en förändring 2016, att byta ut prenumerationer på startsidan till rekommendationer och enligt studiens enkät tyckte en majoritet att tjänsten blivit bättre efter denna ändring. Denna förändring i sättet att interagera är något som kan kopplas till en teknik som Preece et al. (2016) beskriver för beteendeförändring inom interaktionsdesign. De menar på att olika tekniker används för att mer eller mindre dra människors uppmärksamhet till vissa typer av information för att försöka ändra på vad användaren gör eller tänker. Denna ändring kan tolkas till att YouTube försöker hjälpa användarna genom att förändra deras beteende och använda rekommenderat innehåll i större grad. Förändringen i och med att användarna interagerar främst med rekommendationerna skulle kunna leda till att användarna hittar mer intressant innehåll och på så sätt spenderar mer tid på plattformen. Detta antagande kan även stödjas av ett uttalande som YouTube Chief Product Officer Neal Mohan gjorde 2018 (Solsman, 2018) att användaren rider en våg av rekommendationer drivna av AI till följd av vad algoritmernapresenterar framför oss.
Vidare så visar respondenternas svar att en del känner av en påverkan beroende på vilken enhet de interagerar med. Preece et al (2016) skriver om “Frustrerande gränssnitt”
vilket innebär att ett datorgränssnitt kan oavsiktligt framkalla negativa känslomässiga reaktioner och att detta händer när något som verkar enkelt att använda upplevs mer komplext. Exempelvis om en använder YouTube på telefonen för att sedan gå över till TVn så kan frustration uppstå då ens egna interaktionsstrategi inte går att översätta från en enhet till en annan, liknande upplevelse återfanns även i studien.
Resultatet av intervjuerna visade att för majoriteten upplevdes andra användare och den sociala kontexten på YouTube påverka rekommendationerna. 5 av 12 respondenter uttryckte att när de visar intresse för en viss typ av video, föreslår YouTube videor som de kanske skulle tycka om baserat på vad andra användare tyckt om.
Vidare så visar svaren från ett segment av intervjuerna att respondenterna i stor utsträckning upplever sin förståelse som en medvetenhet om att YouTube som organisation lyfter fram och döljer visst innehåll. Exempelvis nämner de olika teorier om hur YouTube som organisation är inblandade i vad som syns på plattformen.
4.1 Användarens kunskap om algoritmerna på YouTube
Resultaten visar att vissa användare gör aktiva val för att påverka hur flödet visas, baserat på den kunskap de har. Utifrån de faktorer som YouTube Creators (2017) uttryckt påverkar rekommendationerna har vi enligt studiens resultat sett att respondenterna besitter begränsad kunskap om vad som faktiskt påverkar algoritmerna, exempelvis så är videornas titlar, bilder och beskrivningar en starkt bidragande faktor, medan ingen respondent nämnt dessa faktorer. Deras val om hur de försöker påverka algoritmerna baseras på deras egen uppfattning istället för vad som möjligtvis är optimalt för användaren och bidrar med den bästa användarupplevelsen. Studien visar på att de tror sig veta vad som påverkar och agerar utifrån det. T.ex. så upplever en stor del av respondenterna att annonsörer påverkar innehållet, men enligt Fyfield (2021) så optimerar algoritmerna flödet b.la. efter tittartid.
De rekommenderar alltså videor som de tror att användarna kommer se så många minuter som möjligt av. Faktum är att det är svårt att veta om YouTube faktiskt låter annonsörer påverka flödet eftersom det inte är öppen information. Det kan vara så att användarna har bildat en uppfattning om hur YouTube rekommenderar innehåll som inte är sann. Detta samband framgår dock på andra plattformar som t.ex. Facebook där användarna visats skapa egna mentala modell av hur algoritmerna fungerar och navigerar utifrån det (Bucher, 2016).
Preece et al. (2016) beskriver att vi ofta bygger upp en mental modell baserat på tidigare erfarenheter och antaganden. T.ex. tenderar många att trycka på knappen för att tillkalla en hiss fler än en gång eftersom de antar att “ju fler gånger jag trycker på knappen, desto större chans att hissen anländer snabbare” (Preece et al.). På samma sätt kan en koppling göras till hur användare uppdaterar Youtube i förväntan att få upp mer relevanta resultat.
Vidare så kan studien se att användarnas antaganden leder till att påverka algoritmen på andra sätt: hur de kollar på videor, söker efter videor samt använder andra funktioner såsom “gilla”. Många av användarna verkar känna till att de kan påverka algoritmen genom dessa interaktioner men de vet inte exakt i vilken utsträckning dessa interaktioner påverkar algoritmen.
Flera av respondenterna kände behov av ett verktyg eller mer information som ger bättre kontroll över flödet. Organisationen verkar förlita sig på att algoritmerna ska göra ett bra jobb och leverera det som är “bäst” för användaren, “The ability to personalize YouTube's massive library of videos is crucial for the service, so you can find things to watch immediately when you open its app” (Solsman, 2018), såvida de inte är för att YouTube rakt av inte sett ett behov, prioriterat detta, missat detta i sin design, etc. Bara för att användare skulle få kontrollen att göra exakt vad de vill betyder inte det att det alltid leder till en bättre användarupplevelse. Samtidigt ligger det i YouTubes bästa intresse att ha nöjda användare och för att uppnå detta tycks målet vara att plattformen skall fungera effektivt utan att användaren skall behöva tänka själv för att anpassa sitt innehåll.
En större medvetenhet kring hur YouTubes rekommendationssystem fungerar, exempelvis kunskapen om att använda funktioner såsom “gilla” och “rekommendera inte denna kanal” borde leda till större användning av dessa funktioner. Dessa interaktioner borde i sin tur leda till en bättre relevansanpassning eftersom YouTube själva (Youtube Creators, 2017) gått ut med att just dessa faktorer påverkar vad som rekommenderas i stor grad, men så verkar inte vara fallet utifrån studiens svar från respondenterna. Svar från intervjuerna indikerar från vissa en medvetenhet kring dessa interaktioner men ett val att inte använda dessa. Det skulle kunna indikera på sociala barriärer där användare inte vill dela med sig av sina åsikter kring andras innehåll. En lösning på detta skulle kunna vara att distansera val att påverka algoritmerna från den sociala aspekten som finns vid att gilla eller ogilla skapares innehåll. Andra idéer skulle kunna vara att knappar som “gilla” och
“ogilla” designas så att de kan användas mer privat utan att omvärlden kan ta del av individens enskilda åsikter för att bryta dessa eventuella sociala barriärer.
4.2 Förståelsens påverkan över användarupplevelsen
Algoritmernas snabba utveckling skapar ett behov över att fundera kring hur visualiseringen bör se ut över interaktionen mellan användare och datorer. Hamilton et al.
(2014) tar upp ett koncept inom designvärlden, nämligen “seamless designs” (sömlös design) som fokuserar på att datorer och maskiners arbete sker “bakom kulisserna”, undangömda från användarna. Målet är att skapa förutsättningarna för en mer ansträngningslös interaktion för användarna och vissa (Hamilton et al., 2014) menar på att användaren aldrig behöver veta vad som händer bakom kulisserna och hur algoritmerna påverkas av deras handlingar.
Motsatt så presenterar Chalmers & Galani (2004) ett begrepp som heter “seamful”
design, vilket innebär att sömmarna är märkbara användare och teknologi emellan.
Seamful design accepterar att tekniken har gränser, och istället för att dölja dessa gränser för användaren, så exponerar man vad som är “bakom kulisserna” för att ge användaren större förståelse för hur system fungerar. (True-team, 2017).
Chalmers & Galani (2004) tar upp ett koncept som ligger mellan “seamful och seamless design”. Han beskriver det som ett system som använder sig av en “seamful design” vars infrastruktur är “literally visible, effectively invisible”. Han menar att vardagliga interaktioner inte kräver uppmärksamhet för dessa mekanismer men användare kan selektivt fokusera på och avslöja dem när de vill förstå eller till och med ändra
där användaren interagerar med algoritmerna på ett mer passivt sätt. Dock kan användaren välja eller uppmanas att själv skapa en egen förståelse om algoritmerna och på så sätt påverka dessa, vilket gör att systemet upplevs mer “seamful” och mindre passivt i slutändan.
Studiens resultat tyder på att den mer sömlösa upplevelsen bidrar med ett bättre resultat i slutändan för användarna på YouTube. Respondenterna som främst upplevde den
“effektiva osynligheten” och förlitade sig på algoritmerna uttryckte mindre missnöje och bättre relevans över rekommendationerna i praktiken. Svaren från respondenterna tyder på att de har en relativt ytlig och smal förståelse för algoritmerna. Respondenterna som uttryckte sig missnöjda över rekommendationens resultat visade större förståelse för algoritmerna och försökte på så sätt aktivt förändra interaktion i hopp om att själva göra rekommendationerna bättre. Dessa användare upplever YouTubes mer “seamful” sida av designen och använder sig av den synliga och interaktiva sidan av infrastrukturen i större utsträckning.
Svaren kan alltså tolkas att med den större upplevda förståelsen kring hur algoritmerna fungerar bidrar till ett behov att själva ta kontroll över rekommendationerna. Detta visar i slutändan på en sämre användarupplevelse. Exempelvis påpekar vissa respondenter att de måste sträckkolla på videor inom ett ämne för att få det rekommenderade på sin sida vilket tyder på en oönskad användarupplevelse. YouTube använder sig till rätt så stor grad av just den sömlösa aspekten men trots det så verkar användares ökade upplevda förståelse kring hur YouTube fungerar skapa en större medvetenhet för Youtubes “seamful” design vilket uppfattas som en mindre sömlös design än hur det ser ut i verkligheten.
Utifrån dessa antaganden finns det goda skäl till att argumentera för en design som använder sig av en “seamful design” i större grad. Wenneling (2007) menar på att med ett designfokus mot “seamfullness” är det lättare att få ett mer användarcentrerat närmande, genom att erbjuda användaren förståelse kring systemets begränsning kan användaren ändra sitt sätt att interagera för att anpassa det till en viss kontext. Detta handlar också om att tillåta formandet av mer representativa mentala modeller för att kunna dra nytta av de funktioner som tillhandahålls av tjänsten. En större och mer komplett förståelse för algoritmerna skulle kunna visa på bättre resultat vid användning av en mer “seamful”
design. Om förståelsen för algoritmen är otillräcklig eller rent av missförstådd skapar det problem i form av meningslösa interaktioner när användaren interagerar med en “seamful”
design, och samtidigt vill påverka rekommendationerna utifrån sina egna mentala modeller. Här gynnas användare med den otillräckliga vetskapen om algoritmerna istället av en “seamless” design eftersom de inte riskerar dela med sig av felaktig information till algoritmerna.
4.3 Begränsningar och framtida forskning
I arbetet studeras inte algoritmerna i stort eller dess mer tekniska bitar, inte heller hur det ser ut på andra plattformar än YouTube. En begränsad information kring hur de mer tekniska bitarna ser ut kan ge en viss förenklad bild över algoritmerna och deras påverkan men det har även möjliggjort till att urvalet av respondenter skett utan att kräva en mer omfattande kunskap om algoritmer och rekommendationssystem på sociala medier.
Studien öppnar även upp för andra diskussioner kring arbetets frågeställning och fokusområde samt skillnaderna mellan dessa på andra plattformar. Djupare forskning ur
dessa synvinklar kan leda till andra eller liknande resultat som skulle bidra med djupare förståelse hur skillnader på användares beteende och behov ser ut på olika plattformar.
Fokus har lagts på användare och deras interaktioner som individer utan att ta hänsyn till deras interaktioner med ett alias, exempelvis som organisation eller företag. Detta leder även till att användarna främst interagerar med syfte “som ett studiehjälpmedel”,
“underhållning”, “informationssökning” och “i arbetet”.
Eftersom att studien är begränsad både i tidsomfång och resurser inkluderar studien endast ett begränsat urval av deltagare från ett visst åldersspann, nationalitet och utbildningsnivå, vilket fråntar resultatets applicerbarhet på YouTubes generella användarbas. Det skulle därför vara intressant att jämföra resultaten med framtida studier där faktorer som kön, kultur, och andra diverse socioekonomiska faktorer är inkluderade i studiens komparativa analys.
Det kan även ses att vara av intresse att genomföra en observationsstudie där användare interagerar på plattformen, och att faktiskt titta på rekommendationerna i relation till användarens tittarhistorik. Observationsstudien skulle även kunna innefatta fler aspekter exempelvis skulle det kunna vara givande att följa användarens rörelse genom rekommendationens flöde och koppla det mot användarupplevelsen.
Etisk forskning rörande algoritmer och faktorer som påverkar deras beslutstagande är ett ämne som är relevant i vårt samtida samhälle eftersom att våra interaktioner blir allt mer styrda av algoritmerna och vidare forskning kring detta med fokus mot medieplattformar såsom YouTube skulle kunna leda till intressanta etiska aspekter om exempelvis ansvarstagandet på plattformar med miljarder användare och deras öppenhet gällande algoritmerna.
5. Slutsats
Studien visar på att användarna har varierande förhållningssätt och antaganden till algoritmerna på YouTube. I stor omfattning kan vi se att dessa förhållningssätt beror på de mentala modeller som användare har byggt, vilka ofta utgår från de antagande som har formats genom användarnas egna upplevelser. Vidare kan vi konstatera att dessa antaganden är en följd av att man inte fullt ut förstår hur algoritmerna fungerar. De som har reflekterat över ämnet har bildat en egen uppfattning och utvecklat strategier som inte nödvändigtvis gynnar användaren eller stämmer överens med hur det faktiskt fungerar.
Studien visar också på att användarna i stor uträckning är medvetna om algoritmernas närvaro och att det går att aktivt påverka dessa. Vissa är nöjda med upplägget, eftersom att de inte behöver anstränga sig för att få relevant och intressant underhållning, medan andra önskar ha mer kontroll över flödet och längtar tillbaka till det tidigare upplägget med prenumerationer. Samtidigt upplever en del användare att det skräddarsydda leder till förlorad kontroll, även om kanske innehållet upplevs relevant. De som anser sig ha förlorat kontroll till följd av det skräddarsydda flödet, har istället gått över till andra medel för ett mer kontrollerat flöde. Detta visar sig i olika strategier i hopp om att påverka rekommendationerna. Det finns också en uppfattning om att andras aktiviteter (t.ex.
vänners) på YouTube och vilken plattform (t.ex. mobil eller dator) påverkar det egna flödet.
Vidare tycks avsaknaden av transparens, algoritm och användare emellan, i vissa fall bidra till att användarupplevelsen färgas negativt i form av minskad tillit och bristande mentala modeller. Detta tycks vidare leda till en aversiv inställning till YouTube och ifrågasättande av tjänsten. Omvänt skulle kanske ökad transparens kunna uppfattas mer etisk och skapa en förståelse för algoritmerna hos användaren. Vilket i sin tur skulle kunna leda till färre missförstånd och bidra till en mindre aversiv användarupplevelse.
Referenser
Arriagada, A. & Ibáñez, F., (2020). “You Need At Least One Picture Daily, if Not, You’re Dead”: Content Creators and Platform Evolution in the Social Media Ecology.
Social Media+ Society, 6(3), p.2056305120944624.
Bucher, T., (2016). The algorithmic imaginary: exploring the ordinary affects of Facebook algorithms. Information, Communication & Society 4462, april: 30–44.
Chalmers, M., & Galani, A. (2004). Seamful interweaving: heterogeneity in the theory and design of interactive systems. In Proceedings of DIS 04’, 243–252.
Ekstrand, M. D., Harper, F. M., Willemsen, M. C., & Konstan, J. A. (2014, October). User perception of differences in recommender algorithms. In Proceedings of the 8th ACM Conference on Recommender systems (pp. 161–168).
Eslami, M., Rickman, A., Vaccaro, K., Aleyasen, A., Vuong, A., Karahalios, K., ... & Sandvig, C. (2015, april). " I always assumed that I wasn't really that close to [her]" Reasoning about Invisible Algorithms in News Feeds. In Proceedings of the 33rd annual ACM conference on human factors in computing systems (pp. 153–162).
Fyfield, M., Henderson, M., & Phillips, M. (2021). Navigating four billion videor: teacher search strategies and the YouTube algorithm. Learning, Media and Technology, 46(1), 47–59.
Haider, J., & Sundin, O. (2016). Algoritmer i samhället. Lunds universitet.
Hamilton, K., Karahalios, K., Sandvig, C., & Eslami, M (2014). A path to understanding the effects of algorithm awareness. Proceedings of the extended abstracts of the 32nd annual ACM conference on Human factors in computing systems - CHI EA ’14: 631–
642.
Hedin, A & Martin, C (1996). En liten lathund om kvalitativ metod med tonvikt på intervju:
reviderad 2011. Uppsala: Uppsala universitet
Leprince-Ringuet, D., (2019). Ex-Google engineer: Extreme content? No, it's algorithms that radicalize people | ZDNet. [online] ZDNet. [Hämtad 19 Mars 2021].
Nicas, J. (2018). How youtube drives people to the internet’s darkest corners. The Wall Street Journal.
Preece, J., Rogers, Y., & Sharp, H. (2016). Interaktionsdesign: bortom människa-dator- interaktion. Studentlitteratur.
Solsman, J., (2018). Ever get caught in an unexpected hour long YouTube binge? Thank YouTube AI for that. [online] CNET.
Truedigital.co.uk. 2017. Seamful vs Seamless | true. [online] Available at:
https://www.truedigital.co.uk/our-insight/seamful-vs-seamless/ [Hämtad 22 April 2021].
Umeå Universitet (2021). Tillgängligheten till Universitetsbibliotekets studieytor och grupprum med anledning av covid-19. umu.se [Hämtad 21 April 2021].
Wenneling, O. (2007). Seamful Design–The Other Way Around. In Proceedings of the Scandinavian Student Interaction Design Research Conference (pp. 14–16).
Yin, R. & Retzlaff, J. (2013). Kvalitativ forskning från start till mål. Lund studentlitteratur YouTube. (16 Januari 2021). YouTube for Press. YouTube About.
https://www.youtube.com/intl/en-GB/about/press/ [Hämtad 28 Mars 2021].
YouTube Creators. (2017). ’Algoritmen’ - Så här fungerar YouTubes system för sökning och upptäckt. [Hämtad 28 Mars 2021].
YouTube.(16 April 2021). Riktlinjer för communityn. YouTube.com.
https://www.youtube.com/howyoutubeworks/policies/community-guidelines/
[Hämtad 28 Mars 2021].
YouTube-Team. (25 Januari 2019). Continuing our work to improve recommendations on YouTube. YouTube Official Blog. https://blog.youtube/news-and-events/continuing- our-work-to-improve [Hämtad 29 Mars 2021].
