211service.com
¿Puedes confiar en la sabiduría de la multitud?
Al buscar en línea un nuevo dispositivo para comprar o una película para alquilar, muchas personas prestan mucha atención a la cantidad de estrellas otorgadas por los clientes revisores en sitios web populares. Pero una nueva investigación confirma lo que algunos ya sospechan: esas calificaciones pueden ser influenciadas fácilmente por un pequeño grupo de usuarios muy activos.
Vassilis Kostakos , profesor asistente en la Universidad de Madeira en Portugal y profesor asistente adjunto en la Universidad Carnegie Mellon (CMU), dice que los sistemas de calificación pueden aprovechar la sabiduría de la multitud para ofrecer información útil, pero también pueden pintar una imagen distorsionada de un producto si un pequeño número de usuarios realiza la mayor parte de la votación. Resulta que las personas tienen patrones de votación muy diferentes, dice, y varían tanto entre individuos como entre comunidades de usuarios.
Kostakos estudió los patrones de votación en Amazon, Internet Movie Database (IMDb) y el sitio de reseñas de libros BookCrossings. La investigación fue presentada el mes pasado en el 2009 Conferencia Internacional IEEE sobre Computación Social . Su equipo examinó cientos de miles de elementos y millones de votos en los tres sitios. En cada caso, encontraron que una pequeña cantidad de usuarios representaba una gran cantidad de calificaciones. Por ejemplo, solo el 5 por ciento de los usuarios activos de Amazon emiten votos sobre más de 10 productos. Un puñado de usuarios votó cientos de artículos.
Si tiene dos o tres personas votando 500 veces, dice Kostakos, es posible que los resultados no sean representativos de la comunidad en general. Sospecha que esta puede ser la razón por la que las calificaciones tienden a menudo a los extremos.
Jahna Otterbacher , profesor asistente del Instituto de Tecnología de Illinois que estudia los sistemas de calificación en línea, dice que investigaciones anteriores han insinuado que los sistemas de calificación pueden estar sesgados por factores como la antigüedad de una revisión. Pero señala que algunos sitios, incluido Amazon, ya incorporan mecanismos diseñados para controlar la calidad de las calificaciones, por ejemplo, permitiendo a los usuarios votar sobre la utilidad de las reseñas de otros usuarios.
Kostakos propone otras formas de hacer que las recomendaciones sean más fiables. Sugiere facilitar la votación para animar a más usuarios a unirse.
Niki Kittur , profesor asistente en CMU que estudia la colaboración de los usuarios en Wikipedia y no participó en el trabajo de Kostakos, dice que proporcionar más información sobre los patrones de votación a los usuarios también podría ser útil. Kittur sugiere que los sitios podrían crear formas de resumir y representar fácilmente las contribuciones de otros usuarios para revelar cualquier sesgo obvio. Hay fuentes de sesgo tanto intencionales como no intencionales, dice Kittur. Al final, lo que realmente necesitamos [son] herramientas y transparencia.
Kostakos también sugiere eliminar las reseñas demasiado negativas y demasiado positivas, para que un sitio no sea demasiado positivo ni demasiado negativo en general. Pero a Otterbacher, que está examinando reseñas de IMDb, Amazon y Yelp, le preocupa que tal política pueda disuadir a muchas personas de participar. Las personas que escriben reseñas quieren decir algo sobre el artículo y pueden ser bastante apasionadas con sus opiniones, dice.