TL;DR: Um estudo da Northwestern University mostrou que o algoritmo do TikTok reage ao seu "não interessado", mas o efeito dura pouco e volta ao normal se você não repetir a ação.
O que é a For You Page (FYP) do TikTok?
A For You Page, ou FYP, é a tela inicial padrão do TikTok. Diferente de outras redes, ela não mostra apenas o que seus amigos postam, mas um fluxo personalizado criado por um algoritmo que analisa tanto sinais explícitos (curtidas, follows) quanto implícitos (tempo de visualização, rolagens).
Como o algoritmo do TikTok decide o que aparecer na FYP?
O motor de recomendação do TikTok combina duas categorias de dados:
- Sinais implícitos: quanto tempo o usuário assiste a um vídeo, se ele pausa, se rola para o próximo, etc.
- Sinais explícitos: curtidas, comentários, compartilhamentos e a opção "não interessado".
Esses indicadores são processados por modelos de inteligência artificial que, segundo a própria empresa, conseguem prever com alta precisão o que vai prender a atenção de cada pessoa.
Por que usuários reclamam que o "não interessado" não funciona?
Vários criadores de conteúdo e usuários relataram que, mesmo marcando um vídeo como "não interessado", ele volta a aparecer na FYP. A sensação é de que o algoritmo ignora o feedback negativo, deixando o usuário sem controle real sobre o que vê.
O que a pesquisa da Northwestern University descobriu?
Um grupo de cientistas da computação especializado em auditorias de algoritmos criou contas‑bot no aplicativo real do TikTok. Eles interceptaram o tráfego de rede, aplicaram decisões baseadas em um modelo de linguagem (LLM) e validaram os resultados com respostas humanas.
Os principais achados foram:
- O sinal de "não interessado" tem efeito imediato: o vídeo deixa de aparecer nas próximas recomendações.
- Esse efeito é temporário. Se o usuário não continuar enviando o mesmo tipo de feedback, o algoritmo volta a recomendar conteúdos semelhantes.
- A persistência do algoritmo em “reaprender” o gosto do usuário indica que ele prioriza sinais de engajamento positivo sobre os negativos.
Como funciona a metodologia dos pesquisadores?
Ao invés de simular o algoritmo em um ambiente fechado, a equipe usou dispositivos emulados para criar contas reais no TikTok. Eles monitoraram o tráfego de rede, identificaram os metadados das recomendações e, usando um LLM, decidiram automaticamente quando enviar o comando "não interessado". Cada decisão foi comparada com respostas humanas para garantir a validade dos resultados.
O que isso significa para o usuário comum?
Na prática, o recurso "não interessado" ainda tem utilidade, mas seu impacto diminui se não for usado de forma constante. Para quem deseja limpar a FYP de um tipo de conteúdo, é preciso:
- Marcar repetidamente os vídeos indesejados como "não interessado".
- Combinar esse feedback com outras ações, como curtir ou seguir conteúdos que realmente goste.
- Entender que o algoritmo pode priorizar vídeos que geram mais tempo de visualização, mesmo que você tenha indicado desinteresse.
Quais são as limitações do estudo?
Embora a pesquisa tenha usado contas reais, ela não analisou usuários humanos e nem considerou variações regionais ou de idade. Além disso, o TikTok pode atualizar seu modelo de recomendação a qualquer momento, tornando os resultados sujeitos a mudanças.
O que a plataforma poderia melhorar?
Para aumentar a transparência e a confiança dos usuários, o TikTok poderia:
- Exibir um indicador visual de que o feedback negativo foi registrado.
- Permitir que o usuário ajuste a frequência de recomendações de um determinado tema.
- Divulgar mais detalhes sobre como os sinais positivos e negativos são ponderados.
Para ficar no radar
Os resultados reforçam a necessidade de auditorias independentes em grandes plataformas de conteúdo. Enquanto o TikTok continua a dominar o mercado de vídeos curtos, a comunidade acadêmica e os próprios usuários devem ficar atentos a como seus dados são usados para moldar a experiência de consumo.
Qual a próxima etapa da pesquisa?
Os autores planejam expandir o experimento para outras redes sociais que utilizam recomendações baseadas em IA, como Instagram Reels e YouTube Shorts, a fim de comparar a eficácia dos mecanismos de feedback negativo em diferentes ecossistemas.
