Recommender systems, representativeness, and online music: a psychosocial analysis of Italian listeners

Este estudo analisa as narrativas de ouvintes italianos sobre sistemas de recomendação musical, revelando que, embora reconheçam distinções culturais e linguísticas, eles carecem de compreensão crítica sobre o funcionamento dos algoritmos e têm consciência limitada das questões de representação de gênero, destacando a necessidade de integrar perspectivas psicossociais no design desses sistemas.

O essencial

Imagine que você tem um DJ pessoal invisível que vive dentro do seu celular ou computador. Esse DJ conhece o seu gosto musical tão bem que, quando você pede uma música, ele já sabe exatamente o que tocar a seguir. Esse é o sistema de recomendação das plataformas de música (como Spotify ou TikTok).

Este artigo é como uma conversa profunda que os pesquisadores tiveram com 21 pessoas na Itália para entender como elas se sentem em relação a esse "DJ invisível". Eles não queriam apenas saber o que as pessoas ouviam, mas como elas pensam sobre quem escolhe a música para elas.

Aqui está a explicação do estudo, usando analogias simples:

1. O "Amigo Íntimo" vs. O "Mago Misterioso"

Os pesquisadores descobriram que as pessoas têm uma relação de dupla personalidade com a música online:

• A Parte Familiar (O Amigo): Quando as pessoas falam sobre as plataformas (como Spotify ou TikTok), elas se sentem confortáveis. É como se fosse um amigo que conhece seus gostos. Elas usam palavras como "influência" e "playlist". Elas sentem que têm uma parceria com a plataforma: "Eu ouço, a plataforma aprende, e a gente cresce juntos". É uma relação de confiança e rotina.
• A Parte Distante (O Mago): Mas, quando o assunto vira o algoritmo (o cérebro por trás da escolha), as pessoas se sentem estranhas e distantes. É como se o algoritmo fosse um mago misterioso que vive em uma torre fechada. As pessoas não entendem como ele funciona. Elas acham que o algoritmo "cria" e elas apenas "consumem". Elas não sentem que podem conversar com o mago ou mudar a mágica.

A lição: As pessoas gostam da música que o sistema traz, mas não entendem (e nem se importam muito) com a "caixa preta" que decide isso. Elas têm uma "alfabetização digital" baixa: sabem usar o app, mas não entendem a lógica por trás dele.

2. O Mapa do Mundo Musical: "Nós" vs. "Eles"

Quando perguntaram sobre a diversidade na música, as pessoas italianas fizeram uma distinção muito clara, como se estivessem desenhando um mapa:

• O Lado "Global" (Eles): Eles associam a música em inglês e americana a algo "global", "moderno" e "padrão". É como se fosse a língua universal da música.
• O Lado "Local" (Nós): A música italiana é vista como algo próprio, local, ligado à identidade deles.
• O Pulo do Gato: As pessoas conseguiam explicar facilmente essa diferença entre "música italiana" e "música americana". Elas entendiam que o algoritmo pode tratar esses dois mundos de formas diferentes.

3. O Ponto Cego: A Questão de Gênero

Aqui está a parte mais preocupante do estudo. Quando os pesquisadores perguntaram sobre representatividade (se o sistema mostra igualdade entre homens e mulheres, ou se ignora certos grupos), as pessoas ficaram confusas.

• A Analogia do Óculos Escuro: Imagine que as pessoas estão usando óculos escuros quando olham para a questão de gênero na música. Elas conseguem ver a diferença entre "Itália" e "EUA" (como se fosse uma paisagem colorida), mas quando olham para "Homens vs. Mulheres", tudo parece cinza e borrado.
• O Resultado: Elas notam que há mais homens cantando, mas não conseguem explicar por que isso acontece ou se o algoritmo está ajudando a esconder as mulheres. Elas não têm as "ferramentas" mentais para criticar esse tipo de injustiça. Elas veem o problema, mas não entendem a causa.

4. O Que Isso Significa para o Futuro?

O estudo conclui que os criadores desses aplicativos de música estão focados demais na tecnologia (fazer o algoritmo ser "mais inteligente") e esquecem de olhar para a psicologia das pessoas.

• O Problema: Se as pessoas não entendem como o sistema funciona, elas não conseguem cobrar mudanças. Elas aceitam o que o "DJ invisível" toca sem questionar se ele está sendo justo.
• A Solução Sugerida: Os pesquisadores dizem que precisamos de sistemas que sejam mais transparentes. Não basta dizer "você vai gostar disso". É preciso explicar "por que" e "como" a escolha foi feita. Precisamos transformar o "DJ invisível" em um parceiro que as pessoas possam entender e questionar.

Em resumo:
As pessoas adoram a música que o algoritmo escolhe, mas têm medo e não entendem o "cérebro" por trás da escolha. Elas veem claramente as diferenças entre países, mas têm dificuldade em ver as desigualdades entre homens e mulheres. Para ter uma música online justa e saudável, precisamos ensinar as pessoas a entenderem a mágica, para que elas não sejam apenas espectadores passivos, mas sim donas da sua própria experiência musical.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Recommender systems, representativeness, and online music: a psychosocial analysis of Italian listeners", apresentado em português.

1. Problema e Contexto

O artigo aborda a lacuna existente na compreensão de como os ouvintes de música percebem e interagem com os sistemas de recomendação em plataformas online. Embora haja uma vasta literatura sobre o impacto técnico e comportamental desses algoritmos, a perspectiva dos usuários é frequentemente analisada apenas sob uma ótica cognitivo-comportamental, ignorando as dimensões psicossociais e culturais.

O problema central identificado é a falta de alfabetização algorítmica (consciência e conhecimento crítico sobre como os sistemas funcionam) e a desconexão entre os debates socioculturais sobre danos de representação (estereótipos, apagamento, sub-representação de grupos sociais) e as narrativas individuais dos ouvintes. O estudo foca especificamente no contexto italiano, onde o consumo de música local coexiste com a predominância global de plataformas ocidentais, oferecendo um caso de estudo valioso para analisar como os sistemas de recomendação interagem com estruturas culturais locais.

2. Metodologia

O estudo adota uma abordagem qualitativa e interpretativa baseada no Quadro de Análise Textual Emocional (ETA - Emotional Textual Analysis), uma ferramenta psicossocial fundamentada na teoria psicanalítica (Freud, Fornari, Matte Blanco) que analisa o inconsciente através do processamento emocional da realidade contextual.

• Coleta de Dados: Foram realizadas 21 entrevistas abertas com cidadãos italianos adultos (idade média de 30,8 anos; 46% mulheres). Os participantes foram recrutados via plataforma Prolific.
• Estímulo: Utilizou-se uma única questão estimuladora focada na relação entre o consumo de música, plataformas online e a "representatividade" (como os algoritmos refletem a realidade musical).
• Processamento do Corpus: As entrevistas (totalizando quase 6 horas) foram transcritas e divididas em unidades textuais (segmentos de discurso coerentes). O corpus final consistiu em 107 unidades textuais com 13.827 palavras.
• Análise Técnica:
  1. Identificação de Palavras Densas (Dense Words): Seleção de palavras com alta frequência e carga emocional/simbólica (excluindo palavras com menos de 10 ocorrências).
  2. Análise de Correspondência Múltipla (MCA): Técnica de redução de dimensionalidade para mapear as associações entre palavras densas, unidades textuais e variáveis demográficas (gênero e idade).
  3. Agrupamento (Clustering): Aplicação do algoritmo K-means++ sobre a representação MCA para identificar Repertórios Culturais (padrões de significado compartilhados).
  4. Interpretação: Análise etimológica e semântica das palavras-chave de cada cluster para revelar estruturas emocionais e antinomias culturais.

3. Principais Contribuições

O estudo oferece três contribuições principais para a área de Sistemas de Recomendação e Interação Humano-Computador (HCI):

1. Interpretação Psicossocial Situada: Vai além das métricas comportamentais tradicionais, oferecendo uma interpretação culturalmente situada (italiana) de como os ouvintes dão sentido às interações com sistemas algorítmicos, revelando dimensões emocionais e simbólicas.
2. Avanço na Compreensão da Alfabetização Algorítmica: Mapeia lacunas específicas entre a consciência algorítmica (saber que o sistema existe) e o conhecimento crítico (entender como ele opera). Sugere que a alfabetização deve incluir a capacidade de engajar criticamente com as relações mediadas por plataformas.
3. Identificação de Desconexão em Danos de Representação: Documenta que, embora os ouvintes percebam diferenças linguísticas e nacionais, há uma falta de frameworks interpretativos para reconhecer danos de representação mais sutis, como o estereótipo de gênero, criando uma desconexão entre o debate sociocultural amplo e as narrativas individuais.

4. Resultados e Descobertas

A análise identificou quatro Repertórios Culturais distintos que organizam as narrativas dos ouvintes:

• Repertório 1: Familiaridade (49,53% das unidades):

  • Caracteriza uma relação simbiótica e cotidiana com plataformas (Spotify, TikTok).
  • Palavras-chave: Influência, Plataforma, Playlist.
  • Os ouvintes veem a relação como de "influência mútua" e personalização, integrando a tecnologia em rotinas diárias sem questionar a mecânica subjacente.

• Repertório 2: Desconexão/Desapego (18,69% das unidades):

  • Reflete uma relação fria e formal com os mecanismos algorítmicos.
  • Palavras-chave: Algoritmo, Ranking, Peça (Brano), Criar.
  • Os ouvintes percebem o algoritmo como uma entidade distante, superior e opaca. Há uma sensação de que o algoritmo "cria" e o ouvinte apenas "consome", indicando uma falta de agência e compreensão técnica. Nota-se uma sobre-representação de narrativas masculinas neste cluster.

• Repertório 3: Distinção Cultural e Linguística (20,56% das unidades):

  • Foca em oposições culturais e linguísticas.
  • Palavras-chave: Inglês, Italiano, Americano, Banda, Cantautor.
  • Os ouvintes contrastam naturalmente a cultura local (italiana) com a cultura globalizada (anglo-americana), percebendo diferenças de gênero e nacionalidade, mas de forma binária e superficial.

• Repertório 4: Representatividade de Gênero (11,21% das unidades):

  • Aborda a questão da representação, mas de forma limitada e genérica.
  • Palavras-chave: Homem, Mulher, Representar, Diferença.
  • A discussão sobre gênero é superficial. Os ouvintes reconhecem a existência de homens e mulheres, mas não conectam isso a estruturas sistêmicas de sub-representação ou estereótipos algorítmicos. A "diferença" é vista como um gap, mas sem uma análise crítica profunda.

Síntese dos Resultados: Existe uma tensão fundamental entre a familiaridade com as plataformas e o desconhecimento dos algoritmos. Além disso, os ouvintes são sensíveis a distinções linguísticas/nacionais, mas cegos para nuances de danos de representação relacionados a gênero.

5. Significado e Implicações

O estudo conclui que os desafios de transparência, explicabilidade e representação em sistemas de recomendação de música não são apenas técnicos, mas também culturais e psicossociais.

• Para o Design de Sistemas: É necessário desenvolver vocabulários técnicos compartilhados e interfaces que expliquem o "como" (mecanismo) e não apenas o "porquê" (resultado) das recomendações. Isso pode transformar o consumo passivo em engajamento ativo e literato.
• Para a Auditoria de Algoritmos: As plataformas não podem depender apenas do feedback dos usuários para identificar vieses de representação, pois os usuários podem não perceber danos sutis (como estereótipos de gênero). São necessárias auditorias proativas.
• Para a Pesquisa Futura: A integração de insights psicossociais com abordagens técnicas é essencial para criar sistemas de recomendação confiáveis e culturalmente sensíveis. O estudo sugere que a alfabetização algorítmica deve ser expandida para incluir a compreensão crítica das relações de poder e representação mediadas por tecnologia.

Em suma, o artigo demonstra que a "caixa preta" dos algoritmos não é apenas um problema de engenharia, mas uma barreira psicológica e cultural que impede os usuários de compreenderem e negociarem criticamente sua relação com a cultura digital.