Los retos de la recomendación de contenido audiovisual
Bibliographic record
Abstract
En este artículo, utilizamos el concepto de recomendación con el fin de analizar los diferentes sistemas y dispositivos destinados a guiar al usuario en Internet hacia un contenido específico, en un contexto de superabundante y profusa oferta. Metodológicamente, para el análisis se distinguen cuatro tipos de recomendación: por una parte, las recomendaciones de carácter editorial y contributivas, basadas respectivamente en los juicios y opiniones de expertos y usuarios, y por otro lado, las realizadas mediante agregación y personalización. Estas últimas, basadas en el comportamiento en línea de los usuarios, son cada vez más relevantes. Con la recomendación algorítmica, las preferencias de los usuarios, presuntas, declaradas u observadas constituyen el fundamento de la recomendación predictiva en los dispositivos desarrollados por diferentes operadores de medios de comunicación tradicionales. Este paso representa el final de un proceso continuado de desintermediación e individualización. Sin embargo, a pesar de su eficacia, esta forma de recomendación plantea una serie de cuestiones. Más allá del riesgo de quedar confinado en la burbuja de los filtros, el mayor problema parece estar relacionado con el poder oligopólico que ejercen algunas empresas sobre el control de los datos del comportamiento del consumidor.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.033 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.010 |
| Scholarly communication | 0.016 | 0.013 |
| Open science | 0.003 | 0.005 |
| Research integrity | 0.004 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".