Алгоритмические рекомендательные системы играют все более важную роль в формировании того, что мы видим в Интернете. Эти системы предназначены для анализа поведения и предпочтений пользователей, чтобы предложить релевантный контент, который может их заинтересовать.
Однако, они часто увековечивают гетеронормативные предположения о поле и сексуальности, что может быть проблематично, когда дело доходит до рекомендации эротического контента.
Например, если пользователь просматривает распространенную порнографию с участием цисгендерных мужчин и женщин, занимающихся ванильным сексом, алгоритмические системы рекомендаций могут предполагать, что этот человек предпочитает традиционные формы эротики, и рекомендовать больше того же самого. Это может ограничить разнообразие вариантов, доступных пользователям, которые идентифицируют себя как ЛГБТК + или имеют нетрадиционные сексуальные желания. Кроме того, эти системы могут укреплять вредные стереотипы о том, что представляет собой «нормальная» сексуальность, исключающая доступ к подходящим материалам тем, кто не соответствует общественным нормам.
Более того, системы алгоритмических рекомендаций также полагаются на метаданные и ключевые слова для классификации контента, что может привести к неточному или неполному описанию сексуальной природы материала.
Например, если видео включает в себя несколько секунд откровенных кадров, но в основном сосредоточено на повествовании или развитии персонажа, оно может быть помечено как «общий интерес», что снижает вероятность появления в рекомендациях для зрителей, ищущих откровенный материал. Это может привести к гомогенизации контента и отсутствию разнообразия с точки зрения представительства.
Для решения этих проблем необходимо обеспечить большую прозрачность и подотчетность в рамках алгоритмических рекомендательных систем. Компании должны нанимать различные команды для разработки своих алгоритмов, обеспечивая учет всех перспектив в процессе проектирования. Они также должны предоставлять четкие и точные метаданные, описывающие сексуальную природу каждого фрагмента контента, позволяя зрителям принимать обоснованные решения, основываясь на своих предпочтениях, а не полагаясь исключительно на автоматизированные предложения.
Наконец, платформы должны отдавать приоритет включению, демонстрируя широкий спектр контента, который соответствует различным вкусам и демографическим характеристикам. Тем самым они могут создать более гостеприимную среду для всех пользователей, независимо от их гендерной идентичности или сексуальной ориентации.
Как алгоритмические рекомендательные системы усиливают гетеронормативность в потреблении эротического контента онлайн?
Было показано, что алгоритмические рекомендательные системы усиливают гетеронормативные модели поведения, продвигая узкий диапазон сексуальных ориентаций и предпочтений. Это связано с несколькими факторами, которые включают доминирование цисгендерных и прямолинейных лиц в командах разработчиков, стоящих за этими системами, а также зависимость алгоритмов от данных, собранных с массовых платформ, таких как YouTube и Pornhub.