Araştırma Makalesi
BibTex RIS Kaynak Göster

Recommendation Systems: Falling Down The YouTube Rabbit Hole

Yıl 2023, Cilt: 14 Sayı: 1, 187 - 196, 01.02.2023

Öz

In the digitalized world, creation of big data and analyzing of them with many different techniques have made it possible to draw inferences according to people’s interests. It is kown that YouTube -to keep its users active on the platform- makes use of algorithms recommending videos that users will be interested in and like them. When users start watching a video on YouTube in any subject, they also begin to fall into a rabbit hole and watch similar videos on after another. In other words, with a sense of wonder, they go deeper, as they click and click to understand what is happening inside the subject and it's rather difficult for them to stop themselves. In this research it is examined what kind of effects recommendation systems have on users that YouTube uses. As a result of the review of previous studies the same subject, it has been concluded that users are satisfied with the recommendations; however they are also under the influence of rabbit hole, filter bubble and echo chambers.

Kaynakça

  • Abul-Fottouh, D., Song, M. Y., & Gruzd, A. (2020). Examining algorithmic biases in YouTube’s recommendations of vaccine videos. International Journal of Medical Informatics, 140, 104175.
  • Altınbilek Yalçınkaya, D. ve Sabuncuoğlu İnanç, A. (2021). Covid-19 Pandemi Döneminde Kullanılan Reklam Çekicilikleri Üzerine Göstergebilimsel Bir İnceleme . Sakarya İletişim , 1 (1) , 70-89 . Retrieved from https://dergipark.org.tr/en/pub/silet/issue/66426/1040157
  • Bayram, B. (2017). Youtube, 2. Baskı, İstanbul: Kodlab yayınları.
  • Binark, F. (2017). Algoritmaların Yarattığı Yankı Odalarında Siyasal Katılımın Olanak/Sızlı/Ğı:“Olmak Ya Da Olmamak İşte Bütün Mesele Bu Mu?…”. Varlık.
  • Bishop, S. (2018). Anxiety, panic and self-optimization: Inequalities and the YouTube algorithm. Convergence, 24, 69–84.
  • Bryant, L. V. “The YouTube Algorithm and the Alt-Right Filter Bubble.” Open Information Science 4, no. 1 (2020): 85–90.
  • Ceci, L. (2022, Nisan 4). YouTube - Statistics & Facts. [Available online at: https://www.statista.com/topics/2019/youtube/#topicHeader__wrapper], Retrieved on July 14, 2022.
  • Creator Insider. (2021, Nisan 16). Behind the Algorithms - How Search and Discovery Works on YouTube. [Available online at: https://www.youtube.com/watch? v=9Fn79qJa2Fc&t=111s], Retrieved on July 8, 2022.
  • Çelen, M. G. (2021). Dijital Yayın Platformlarındaki Öneri Sistemlerinin Kullanıcılar Üzerinde Etkilesi: YouTube Örneği, Marmara ÜniversitesiSosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, , İstanbul.
  • Ilangovan, A., Beswick, R., & Sarojini, B. (2021, December). The Impact of YouTube Personalization Algorithm on User-Generated Content Creation in India. In 2021 2nd International Conference on Communication, Computing and Industry 4.0 (C2I4) (pp. 1-6). IEEE.
  • Gökler, M. E., & Turan, Ş. (2020). Covıd-19 Pandemisi Sürecinde Problemli Teknoloji Kullanımı. Estüdam Halk Sağlığı Dergisi, 5, 108-114.
  • Keskinkaya, E. (2021). Gerçekliğin Yeniden İnşasında Sosyal Medya ve Hakikat Ötesi Düşüncenin Simbiyotik İlişkisi. Yeni Medya, 2021(11), 1-17.
  • Kiraz, E. (2020). Sosyal medyada sahte haberin yayılmasında kullanıcı faktörü, İNİF E- Dergi, 5(1), 9-24.
  • Kılınç, D., & Başeğmez, N. (2019). Uygulamalarla Veri Bilimi Yapay Zekâ ve Makine Öğrenmesi. İstanbul: abaküs.
  • Manas, Ş. Sosyal Ağlarda Ekranda Kalma Sürelerinin Arttırılması Üzerine Bir Araştırma.
  • Maes, P. (2005). User modeling, recommender systems & personalization. [Available online at: https://ocw.mit.edu/courses/media-arts-and-sciences/mas-961-ambient-intelligence-spring-2005/lecture-notes/week6_pm_recosys.p] Retrieved on June 26, 2022.
  • Narin, B. (2018). Kişiselleştirilmiş çevrimiçi haber akışının yankı odası etkisi, filtre balonu ve siberbalkanizasyon kavramları çerçevesinde incelenmesi. Selçuk İletişim, 11(2), 232-251.
  • Leggett, A. (2021, March 9). Falling Down the Rabbit Hole: The Dark Side of YouTube's Algorithms. [Available online at: https://www.anewseducation.com/post/youtube-rabbit-holes] Retrieved on June 23, 2022.
  • Liu, Y. C., & Huang, M. Q. (2021, November). Examining the Matthew Effect on YouTube Recommendation System. In 2021 International Conference on Technologies and Applications of Artificial Intelligence (TAAI) (pp. 146-148). IEEE.
  • Lutz, M., Gadaginmath, S., Vairavan, N., & Mui, P. (2021, December). Examining Political Bias within YouTube Search and Recommendation Algorithms. In 2021 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 1-7). IEEE.
  • O’Callaghan, D., Greene, D., Conway, M., Carthy, J., & Cunningham, P. (2015). Down the (White) Rabbit Hole: The Extreme Right and Online Recommender Systems. Social Science Computer Review, 33(4), 459-478.
  • Orlowski, J. (Yönetmen). (2020). The Social Dilemma [Belgesel Filmi].ABD.
  • Papadamou, K., Zannettou, S., Blackburn, J., De Cristofaro, E., Stringhini, G., & Sirivianos, M. (2022, May). “It is just a flu”: Assessing the Effect of Watch History on YouTube’s Pseudoscientific Video Recommendations. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 16, pp. 723-734).
  • Roy, D., & Ding, C. (2020, December). Movie recommendation using YouTube movie trailer data as the side information. In 2020 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 275-279). IEEE.
  • Sumiko, D. I., & Agus, A. A. (2020). The Effect of Product Recommendation in Youtube to Consumer Impulsive Buying of Smartphone Product. 2020 3rd International Conference on Computer and Informatics Engineering, IC2IE 2020, 206– 211.
  • Utku, A. & Akcayol, M. A. (2017). Öğrenebilen ve Adaptif Tavsiye Sistemleri İçin Karşılaştırmalı ve Kapsamlı Bir İnceleme . Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi , 33 (3) , 13-34.
  • Woolley, K., & Sharif, M. A. (2022). Down a Rabbit Hole: How Prior Media Consumption Shapes Subsequent Media Consumption. Journal of Marketing Research, 59(3), 453-471.
  • Yıdırım, B. F., & Özdemirci, F. (2019). Kurumlarda Örtük Bilginin Yapay Zekâ Destekli Tavsiye Sistemleri Aracılığıyla Ortaya Çıkarılması. Bilgi Yönetimi Dergisi, 2(1), 34-43.
  • Tang, L., Fujimoto, K., Amith, M. T., Cunningham, R., Costantini, R. A., York, F., Xiong, G., Boom, J. A., & Tao, C. (2021). “Down the rabbit hole” of vaccine misinformation on YouTube: Network exposure study. Journal of Medical Internet Research, 23(1), e23262. https://doi.org/10.2196/23262
  • Tufekci, Z. (2018, March 10). YouTube, the great radicalizer. The New York Times, Opinion. [Available online at: https://www.nytimes.com/2018/03/10/opinion/sunday/youtube-politics-radical.html] Retrieved on July 12, 2022.
  • Zinderen, İ. E. (2020). Yeni Medya Ekolojisi Ekseninde YouTube: Türkiye Örneği . Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi , 24 (1) , 215-232.

Tavsiye Sistemleri: YouTube Tavşan Deliğinden Aşağı Düşmek

Yıl 2023, Cilt: 14 Sayı: 1, 187 - 196, 01.02.2023

Öz

Dijitalleşen dünyada büyük verinin oluşması ve farklı birçok teknikle bu verilerin analiz edilmesi insanların ilgilerine yönelik çıkarımlar yapmayı olanaklı hale getirmiştir. YouTube’un kullanıcılarını platformda aktif tutmak için onların ilgi duyacakları ve beğenecekleri videoları öneren algoritmalardan yararlandığı bilinmektedir. Kullanıcılar YouTube’da herhangi bir konu hakkında video izlemeye başladığında adeta tavşan deliğinden düşmekte ve farkında olmadan arka arkaya benzer videolar izlemeye devam etmektedir. Başka bir deyişle, merak duygusuyla konunun iç yüzünde neler olduğunu anlamak için tıkladıkça tıklayarak daha derinlere inmekte ve kendilerini durdurmaları oldukça güç olmaktadır. Bu çalışmada YouTube’un kullandığı tavsiye sistemlerinin kullanıcılar üzerinde hangi etkilere sahip olduğu araştırılmıştır. Daha önce bu konu üzerinde yapılan çalışmaların incelemesi sonucunda kullanıcıların tavsiyelerden memnuniyet duyduğu ancak farkında olmadan tavşan deliği, filtre balonu ve yankı odalarının etkisinde kaldığı sonucuna varılmıştır.

Destekleyen Kurum

Çalışma herhangi bir destek almamıştır. Teşekkür edilecek bir kurum veya kişi bulunmamaktadır.

Kaynakça

  • Abul-Fottouh, D., Song, M. Y., & Gruzd, A. (2020). Examining algorithmic biases in YouTube’s recommendations of vaccine videos. International Journal of Medical Informatics, 140, 104175.
  • Altınbilek Yalçınkaya, D. ve Sabuncuoğlu İnanç, A. (2021). Covid-19 Pandemi Döneminde Kullanılan Reklam Çekicilikleri Üzerine Göstergebilimsel Bir İnceleme . Sakarya İletişim , 1 (1) , 70-89 . Retrieved from https://dergipark.org.tr/en/pub/silet/issue/66426/1040157
  • Bayram, B. (2017). Youtube, 2. Baskı, İstanbul: Kodlab yayınları.
  • Binark, F. (2017). Algoritmaların Yarattığı Yankı Odalarında Siyasal Katılımın Olanak/Sızlı/Ğı:“Olmak Ya Da Olmamak İşte Bütün Mesele Bu Mu?…”. Varlık.
  • Bishop, S. (2018). Anxiety, panic and self-optimization: Inequalities and the YouTube algorithm. Convergence, 24, 69–84.
  • Bryant, L. V. “The YouTube Algorithm and the Alt-Right Filter Bubble.” Open Information Science 4, no. 1 (2020): 85–90.
  • Ceci, L. (2022, Nisan 4). YouTube - Statistics & Facts. [Available online at: https://www.statista.com/topics/2019/youtube/#topicHeader__wrapper], Retrieved on July 14, 2022.
  • Creator Insider. (2021, Nisan 16). Behind the Algorithms - How Search and Discovery Works on YouTube. [Available online at: https://www.youtube.com/watch? v=9Fn79qJa2Fc&t=111s], Retrieved on July 8, 2022.
  • Çelen, M. G. (2021). Dijital Yayın Platformlarındaki Öneri Sistemlerinin Kullanıcılar Üzerinde Etkilesi: YouTube Örneği, Marmara ÜniversitesiSosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, , İstanbul.
  • Ilangovan, A., Beswick, R., & Sarojini, B. (2021, December). The Impact of YouTube Personalization Algorithm on User-Generated Content Creation in India. In 2021 2nd International Conference on Communication, Computing and Industry 4.0 (C2I4) (pp. 1-6). IEEE.
  • Gökler, M. E., & Turan, Ş. (2020). Covıd-19 Pandemisi Sürecinde Problemli Teknoloji Kullanımı. Estüdam Halk Sağlığı Dergisi, 5, 108-114.
  • Keskinkaya, E. (2021). Gerçekliğin Yeniden İnşasında Sosyal Medya ve Hakikat Ötesi Düşüncenin Simbiyotik İlişkisi. Yeni Medya, 2021(11), 1-17.
  • Kiraz, E. (2020). Sosyal medyada sahte haberin yayılmasında kullanıcı faktörü, İNİF E- Dergi, 5(1), 9-24.
  • Kılınç, D., & Başeğmez, N. (2019). Uygulamalarla Veri Bilimi Yapay Zekâ ve Makine Öğrenmesi. İstanbul: abaküs.
  • Manas, Ş. Sosyal Ağlarda Ekranda Kalma Sürelerinin Arttırılması Üzerine Bir Araştırma.
  • Maes, P. (2005). User modeling, recommender systems & personalization. [Available online at: https://ocw.mit.edu/courses/media-arts-and-sciences/mas-961-ambient-intelligence-spring-2005/lecture-notes/week6_pm_recosys.p] Retrieved on June 26, 2022.
  • Narin, B. (2018). Kişiselleştirilmiş çevrimiçi haber akışının yankı odası etkisi, filtre balonu ve siberbalkanizasyon kavramları çerçevesinde incelenmesi. Selçuk İletişim, 11(2), 232-251.
  • Leggett, A. (2021, March 9). Falling Down the Rabbit Hole: The Dark Side of YouTube's Algorithms. [Available online at: https://www.anewseducation.com/post/youtube-rabbit-holes] Retrieved on June 23, 2022.
  • Liu, Y. C., & Huang, M. Q. (2021, November). Examining the Matthew Effect on YouTube Recommendation System. In 2021 International Conference on Technologies and Applications of Artificial Intelligence (TAAI) (pp. 146-148). IEEE.
  • Lutz, M., Gadaginmath, S., Vairavan, N., & Mui, P. (2021, December). Examining Political Bias within YouTube Search and Recommendation Algorithms. In 2021 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 1-7). IEEE.
  • O’Callaghan, D., Greene, D., Conway, M., Carthy, J., & Cunningham, P. (2015). Down the (White) Rabbit Hole: The Extreme Right and Online Recommender Systems. Social Science Computer Review, 33(4), 459-478.
  • Orlowski, J. (Yönetmen). (2020). The Social Dilemma [Belgesel Filmi].ABD.
  • Papadamou, K., Zannettou, S., Blackburn, J., De Cristofaro, E., Stringhini, G., & Sirivianos, M. (2022, May). “It is just a flu”: Assessing the Effect of Watch History on YouTube’s Pseudoscientific Video Recommendations. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 16, pp. 723-734).
  • Roy, D., & Ding, C. (2020, December). Movie recommendation using YouTube movie trailer data as the side information. In 2020 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) (pp. 275-279). IEEE.
  • Sumiko, D. I., & Agus, A. A. (2020). The Effect of Product Recommendation in Youtube to Consumer Impulsive Buying of Smartphone Product. 2020 3rd International Conference on Computer and Informatics Engineering, IC2IE 2020, 206– 211.
  • Utku, A. & Akcayol, M. A. (2017). Öğrenebilen ve Adaptif Tavsiye Sistemleri İçin Karşılaştırmalı ve Kapsamlı Bir İnceleme . Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi , 33 (3) , 13-34.
  • Woolley, K., & Sharif, M. A. (2022). Down a Rabbit Hole: How Prior Media Consumption Shapes Subsequent Media Consumption. Journal of Marketing Research, 59(3), 453-471.
  • Yıdırım, B. F., & Özdemirci, F. (2019). Kurumlarda Örtük Bilginin Yapay Zekâ Destekli Tavsiye Sistemleri Aracılığıyla Ortaya Çıkarılması. Bilgi Yönetimi Dergisi, 2(1), 34-43.
  • Tang, L., Fujimoto, K., Amith, M. T., Cunningham, R., Costantini, R. A., York, F., Xiong, G., Boom, J. A., & Tao, C. (2021). “Down the rabbit hole” of vaccine misinformation on YouTube: Network exposure study. Journal of Medical Internet Research, 23(1), e23262. https://doi.org/10.2196/23262
  • Tufekci, Z. (2018, March 10). YouTube, the great radicalizer. The New York Times, Opinion. [Available online at: https://www.nytimes.com/2018/03/10/opinion/sunday/youtube-politics-radical.html] Retrieved on July 12, 2022.
  • Zinderen, İ. E. (2020). Yeni Medya Ekolojisi Ekseninde YouTube: Türkiye Örneği . Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi , 24 (1) , 215-232.
Toplam 31 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Halime Suvay Eker 0000-0001-5310-7627

Serra Orkan 0000-0003-0214-7877

Yayımlanma Tarihi 1 Şubat 2023
Gönderilme Tarihi 18 Temmuz 2022
Yayımlandığı Sayı Yıl 2023 Cilt: 14 Sayı: 1

Kaynak Göster

APA Suvay Eker, H., & Orkan, S. (2023). Tavsiye Sistemleri: YouTube Tavşan Deliğinden Aşağı Düşmek. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 14(1), 187-196. https://doi.org/10.36362/gumus.1145291