La profesora de Nuevos Medios de la Simon Fraser University de Canadá, Wendy Chun, se apropió del concepto homofilia -acuñado en los años veinte por el psicoanalista alemán Karl-Günther Heimsoth-, y lo llevó al terreno de las redes sociales y las fake news para entender las interacciones.
Chun define la homofilia como un fenómeno en que las personas interactúan con otras que piensan similar, lo que desde su óptica explicaría la polarización actual de opiniones en las redes sociales, donde una persona es capaz de reproducir mensajes e incluso fake news sin siquiera cuestionar su veracidad, porque provienen de fuentes que piensan de manera parecida.
“La forma en que las redes sociales operan une a personas con creencias similares, eso se llama homofilia, que es la noción de una similitud conectada. El problema es que hay una polarización, el objetivo es polarizar a la sociedad”, afirma Chun.
Plantea que las tecnologías, como machine learning, tienen responsabilidad en la segregación de la información, porque seleccionan contenidos en función de los intereses, lo que “tiene que cambiar”.
-¿El mayor uso de redes sociales ha aumentado la conexión entre personas con creencias similares?
-Eso es lo que los algoritmos intentan hacer. Un motor de recomendaciones, por ejemplo, dice que a una persona le gusta algo y por lo tanto a ti también te gustará. Por ello es muy difícil tener un sistema no homofílico en estos espacios.
-¿Cuál es el impacto?
-Hay una gran franja de experiencia humana que no está representada en la homofilia. Y también se ha dicho que las interacciones se han vuelto más homofilicas porque las personas se sienten más cómodas con otras que son como ellos. Si los individuos interactúan solo con otros que piensan como ellos, podrían generarse escenarios explosivos y terminar afectando a las personas.
-¿Cuál es el rol del machine learning en la propagación de la homofilia en las redes sociales?
-Si tienes a la homofilia como base de tus recomendaciones, significa que cada decisión que hagas estará basada en similitudes con otras personas.
-¿Cómo se puede frenar su avance si hoy todo usa machine learning?
-El machine learning es más efectivo para el diagnóstico del pasado, porque toma datos para encontrar patrones. Es importante comenzar a usarlo de la misma manera que usamos los modelos globales de cambio climático, que nos muestran el futuro más probable si no cambiamos nuestro comportamiento actual. El machine learning es rígido, se basa en el pasado y no deja espacios para cambios, no toma en cuenta que las decisiones pueden cambiar.
-¿Y qué podría pasar si se sigue usando el machine learning como hasta ahora?
-Puede terminar con el futuro. Muchos de estos algoritmos y técnicas de aprendizaje automático se basan en técnicas desarrolladas en el siglo XX. La idea es que si conocemos el pasado, conocemos el presente y futuro y, por lo tanto, no puede haber sorpresas. El problema con el machine learning actual es que se utiliza para cerrar el futuro, para limitar cualquier sorpresa y eso está mal.
Medios digitales
-En el contexto actual en que las personas reciben noticias de las redes sociales, ¿cuál es el papel de los nuevos medios digitales?
-Es interesante que hoy, en lugar de recibir las noticias de un períodico, se reciban de las redes sociales de las personas. Lo diferente de los nuevos medios, cuando se trata de noticias, es el modelo económico, la forma en que la publicidad está integrada en términos de atención de clics.
-¿Esto tiene impacto en la calidad de los contenidos?
-Sí, pero por otro lado, las personas reciben más noticias que nunca. El problema es que muchos de estos sitios digitales que incluso parecen ser diferentes, son todos iguales, aunque también sucede a nivel de los periódicos.
-¿La industria de los medios está atrasada en su transformación digital?
-Puedes mirar sitios tradicionales como The New York Times o The Washington Post y posiblemente estén siendo más leídos que nunca. No necesariamente ganan dinero como solían hacerlo porque el modelo de suscripción y los anuncios de búsqueda no son tan rentables. Pero a los medios tradicionales les ha ido bien si consideras la difusión de contenido. El problema no son las grandes organizaciones, son las más pequeñas, como periódicos locales.
-¿Cómo empujar la digitalización de los medios locales?
-Hay que financiarlo. El gobierno canadiense está apoyando a los periódicos locales con medidas.
VER MÁS
MARKET DATA
<%userdata?.email%>
Editar perfil
Credencial
Salir
(Twitter)
Instagram
Facebook
LinkedIn
YouTube
TikTok
Alto contraste
Crisis social
