![](\"https:\/\/plataformasdt.cl\/wp-content\/uploads\/2026\/01\/Screen-Shot-2020-02-17-at-15.00.14-1024x675.jpg\")
<\/p>\n<\/p>\n
En los \u00faltimos a\u00f1os, miembros del equipo de People Like You han estado colaborando con Mart\u00edn Tironi, Mat\u00edas Valderrama, Denis Parra y Andre Simon de la Pontificia Universidad Cat\u00f3lica de Chile en el proyecto llamado \u201cIdentidades Algor\u00edtmicas\u201d. Entre el 13 y 20 de enero, Celia Lury, Sophie Day y Scott Wark visitaron Santiago para participar en un workshop de discusi\u00f3n sobre el proyecto y los pasos siguientes.<\/span><\/p>\n El proyecto Identidades Algor\u00edtmicas busca estudiar c\u00f3mo las personas entienden, negocian, configuran y, a su vez, son configuradas por sistemas de recomendaci\u00f3n algor\u00edtmica. Su premisa es que, aunque hay relevantes investigaciones sobre estos sistemas, se ha prestado poca atenci\u00f3n a c\u00f3mo se utilizan: c\u00f3mo los entiende la gente, c\u00f3mo se siente sobre ellos, y c\u00f3mo se habit\u00faa la gente a ellos cuando interact\u00faan con los servicios online.<\/span><\/p>\n Pero tambi\u00e9n nos interesa indagar c\u00f3mo los sistemas de recomendaci\u00f3n algor\u00edtmica pueden hacerse comprensibles para la investigaci\u00f3n social. Los principales servicios online y plataformas de redes sociales que las personas usan cotidianamente son de car\u00e1cter propietario. Sus algoritmos son celosamente protegidos: podemos estudiar sus efectos en lxs usuarixs, pero no los algoritmos como tal. En el argot te\u00f3rico de los medios, son verdaderas “cajas negras”.<\/span><\/p>\n Para estudiar estos sistemas, adoptamos una aproximaci\u00f3n de \u2018hacer cr\u00edtico\u2019: creamos una app que denominamos \u2018Big Sister\u2019. Esta app emula un sistema de recomendaci\u00f3n. Puede recoger datos textuales de usuarixs de tres fuentes: Facebook o Twitter, a trav\u00e9s de sus <\/span>APIs<\/span><\/a>, o texto escrito por su usuarix. Luego la app procesa estos datos a trav\u00e9s del servicio de <\/span>IBM Watson Personality Insights<\/span><\/a>. Este servicio genera un perfil del usuarix bas\u00e1ndose en el modelo de los cinco grandes, que es ampliamente usado en los circuitos empresariales del marketing. Finalmente, se puede conectar Big Sister a una cuenta de Spotify para generar recomendaciones musicales bas\u00e1ndose en este perfil.\u00a0\u00a0<\/span><\/p>\n Nuestra visita a Santiago se produjo despu\u00e9s de la fase inicial de este proyecto. A trav\u00e9s de una convocatoria abierta, invitamos a voluntarios en Chile y el Reino Unido a utilizar Big Sister y a ser entrevistados sobre su experiencia. Utilizamos un m\u00e9todo etnogr\u00e1fico conocido como <\/span>“entrevistas de rastros”<\/span><\/a>, en el que Big Sister act\u00faa como marco y est\u00edmulo para explorar las experiencias de los participantes con la aplicaci\u00f3n y su relaci\u00f3n con los sistemas de recomendaci\u00f3n algor\u00edtmica en general. Llevamos a cabo un ensayo\/primer conjunto de entrevistas -cuatro en Santiago y cinco en Londres- que constituyeron la base de nuestro workshop en Santiago.<\/span><\/p>\n Este taller tuvo un componente formal: una introducci\u00f3n y un esbozo del proyecto por Mart\u00edn Tironi; presentaciones de Celia Lury y Sophie Day; y una visi\u00f3n general de los hallazgos iniciales por Mat\u00edas Valderrama y Scott Wark. Pero tambi\u00e9n ten\u00eda un elemento discursivo: Tironi y Valderrama invitaron a una serie de participantes de instituciones acad\u00e9micas y organizaciones no gubernamentales a debatir el proyecto, sus fundamentos te\u00f3ricos, sus conclusiones y sus posibles aplicaciones.<\/span><\/p>\n La presentaci\u00f3n de Tironi esboz\u00f3 los conceptos que informaron el dise\u00f1o del proyecto. Su naturaleza comparativa -el hecho de que est\u00e9 situado en Santiago y en las ubicaciones institucionales del proyecto People Like You, Londres y Coventry- nos permite comparar c\u00f3mo las personas navegan la recomendaci\u00f3n en distintos contextos culturales. M\u00e1s importante a\u00fan, implementa un modo de investigaci\u00f3n que se materializa a trav\u00e9s del dise\u00f1o, en este caso, en la producci\u00f3n de una app. A trav\u00e9s de colaboraciones entre acad\u00e9micos de ciencias sociales y humanidades y cient\u00edficos de la computaci\u00f3n -en particular el programador del proyecto, Andre Simon- nos posiciona a nosotros, los investigadores, dentro del proceso de producci\u00f3n de una app en lugar de la posici\u00f3n de observadores externos de un producto.<\/span><\/p>\n Esta posici\u00f3n puede resultar inc\u00f3moda. La recopilaci\u00f3n de datos es algo problem\u00e1tico; al dise\u00f1ar activamente una aplicaci\u00f3n que emula un sistema de recomendaci\u00f3n algor\u00edtmica, ya no ocupamos una posici\u00f3n externa como cr\u00edticos. Pero tambi\u00e9n es productivo. Nuestra aplicaci\u00f3n no est\u00e1 dise\u00f1ada para proporcionar una \u2018<\/span>soluci\u00f3n<\/span><\/a>\u2019 tecnol\u00f3gica a un problema en particular. Est\u00e1 dise\u00f1ada para producir conocimiento sobre sistemas de recomendaci\u00f3n algor\u00edtmica, para nosotros y nuestros participantes. Debido a que nuestra aplicaci\u00f3n es un prototipo, este conocimiento es contingente e impreciso y constantemente se encuentra con la posibilidad de que la aplicaci\u00f3n pueda fallar. Tambi\u00e9n introduce la posibilidad de producir diferentes tipos de conocimiento.<\/span><\/p>\n Mi presentaci\u00f3n con Valderrama esboz\u00f3 algunos hallazgos preliminares de las entrevistas y los principales temas a abordar. Nuestros participantes son conscientes del papel que los sistemas de recomendaci\u00f3n juegan en sus vidas. Saben que estos sistemas recogen datos como el precio de los servicios que reciben a su vez. Es decir, tienen una “alfabetizaci\u00f3n de datos” general, pero tienden a ser ambivalentes en cuanto a la recopilaci\u00f3n de datos. Sin embargo, algunos participantes encontraron que el componente de perfilamiento de nuestra app es provocador o incluso “impactante”. Un participante del Reino Unido no esperaba que su perfil de personalidad lo fuese a caracterizar como “introvertidx”. Otro en Santiago se pregunt\u00f3 si su alto grado de “neurotismo” se correlacionaba con la <\/span>crisis social en Chile<\/span><\/a>, marcada por las continuas protestas a gran escala sobre la desigualdad y la constituci\u00f3n del pa\u00eds.<\/span><\/p>\n Utilizando los \u2018rastros\u2019 de su compromiso con la aplicaci\u00f3n, estas entrevistas abrieron discusiones fascinantes sobre la relaci\u00f3n cotidiana de lxs participantes con sus datos. En ambos lugares lxs participantes compararon las recomendaciones con t\u00e9cnicas de predicci\u00f3n m\u00e1s antiguas, como los hor\u00f3scopos. Esperaban que las recomendaciones de sus canciones fueran poco precisas o incluso err\u00f3neas, pero el uso de la app les permiti\u00f3 reflexionar sobre sus datos. Empezamos a tener la sensaci\u00f3n de que el <\/span>h\u00e1bito<\/span><\/i> era un tema emergente clave.<\/span><\/p>\n Nos habituamos a las pr\u00e1cticas de datos, que est\u00e1n dise\u00f1adas para moldear nuestras acciones para capturar nuestros datos. Pero tambi\u00e9n vivimos con, incluso dentro, de los sistemas de recomendaci\u00f3n algor\u00edtmica que informan nuestra vida cotidiana. Los <\/span>habitamos<\/span><\/i>. Empezamos a entender que nuestros participantes no son receptores pasivos de recomendaciones. A trav\u00e9s del uso, se hacen una idea de c\u00f3mo funcionan estos sistemas, aprendiendo a dar forma a los datos que les proporcionan para dar forma a las recomendaciones que reciben. El h\u00e1bito y el habitar se entrelazan en actos ambivalentes e interrelacionados de recibir y provocar recomendaciones.<\/span><\/p>\n Las presentaciones de Lury y Day llevaron estas reflexiones m\u00e1s all\u00e1, presentando algunas especulaciones te\u00f3ricas emergentes sobre el proyecto. Day estableci\u00f3 un paralelismo entre las t\u00e9cnicas cient\u00edficas del an\u00e1lisis de redes que sustentan la recomendaci\u00f3n y la investigaci\u00f3n antropol\u00f3gica sobre el parentesco. Las recomendaciones personalizadas funcionan, de forma contraria a la intuici\u00f3n, estableciendo similitudes entre los diferentes usuarios: se generar\u00e1 una recomendaci\u00f3n al determinar qu\u00e9 es lo que les gusta a otras personas a las que les gustan las mismas cosas que a ti. Este principio se conoce como \u2018<\/span>homofilia<\/span><\/a>\u2019. Day destac\u00f3 los precursores antropol\u00f3gicos de este concepto, se\u00f1alando c\u00f3mo el profundo estudio del parentesco de esta disciplina proporciona una visi\u00f3n de c\u00f3mo los sistemas de recomendaci\u00f3n algor\u00edtmica nos agrupan. En los estudios de parentesco, la “heterofilia”, es decir, el gusto por lo que es diferente, desempe\u00f1a un papel clave en la explicaci\u00f3n de agrupaciones particulares, pero mientras que esta caracter\u00edstica se moviliza en los estudios de enfermedades infecciosas, por ejemplo, en lo que se denominan patrones de mezcla asistencial y disasistencial, se ha discutido menos expl\u00edcitamente en los comentarios sobre los sistemas de recomendaci\u00f3n algor\u00edtmica. Su presentaci\u00f3n esboz\u00f3 una l\u00ednea de investigaci\u00f3n clave que el pensamiento antropol\u00f3gico puede aportar a nuestro proyecto.<\/span><\/p>\n La presentaci\u00f3n de Lury teji\u00f3 reflexiones sobre el h\u00e1bito junto con un an\u00e1lisis del g\u00e9nero. Lury pregunt\u00f3 si los sistemas de recomendaci\u00f3n est\u00e1n modificando la forma en que el g\u00e9nero opera en la cultura. Los g\u00e9neros clasifican los productos culturales para que puedan ser m\u00e1s f\u00e1cil de encontrar y consumir. Pueden ser categor\u00edas grandes e inclusivas, como \u2018rap\u2019 o \u2018pop\u2019; tambi\u00e9n pueden ser muy precisas como, por ejemplo, el denominado \u2018vaporwave\u2019. Cuando plataformas como Spotify utilizan <\/span>procesos automatizados<\/span><\/a>, como el Machine Learning, para afinar los grandes g\u00e9neros de moda y producir cientos o miles de microg\u00e9neros que surgen a medida que “nos gustan” los productos culturales, \u00bfnecesitamos cambiar lo que entendemos por “g\u00e9nero”? Adem\u00e1s, \u00bfc\u00f3mo influye esto en la forma en que habitamos los sistemas de recomendaci\u00f3n? La presentaci\u00f3n de Lury esboz\u00f3 otra l\u00ednea de investigaci\u00f3n clave que seguiremos mientras nuestra investigaci\u00f3n contin\u00faa.<\/span><\/p>\n Para m\u00ed, nuestra visita a Santiago confirm\u00f3 que el proyecto “Identidades Algor\u00edtmicas” est\u00e1 produciendo nuevos conocimientos sobre la relaci\u00f3n de lxs usuarixs con los sistemas de recomendaci\u00f3n algor\u00edtmica. Estos sistemas son a menudo interpretados como opacos e inaccesibles. Pero, aunque no tengamos acceso a los algoritmos en s\u00ed, podemos entender c\u00f3mo los usuarios los moldean tal como son moldeados por ellos. El contenido \u2018personalizado\u2019 que proporcionan emerge a trav\u00e9s de ciertos h\u00e1bitos de uso y puede, a su vez, proporcionar un lugar cultural de habitaci\u00f3n para sus usuarixs.<\/span><\/p>\n Continuaremos explorando estos temas a medida que el proyecto se desarrolle. Esperamos que nuestro proyecto revele m\u00e1s sobre c\u00f3mo habitamos las culturas de recomendaci\u00f3n, explorando las relaciones entre los servicios de personalizaci\u00f3n y las personas que los utilizan. En lugar de simplemente existir en paralelo unos con otros, queremos pensar en c\u00f3mo emergen juntos en <\/span>paralaje<\/span><\/a>.<\/span>","protected":false},"excerpt":{"rendered":" Por Scott Wark En los \u00faltimos a\u00f1os, miembros del equipo de People Like You han estado colaborando con Mart\u00edn Tironi, Mat\u00edas Valderrama, Denis Parra y Andre Simon de la Pontificia Universidad Cat\u00f3lica de Chile en el proyecto llamado \u201cIdentidades Algor\u00edtmicas\u201d. Entre el 13 y 20 de enero, Celia Lury, Sophie Day y Scott Wark visitaron […]<\/p>\n","protected":false},"author":4,"featured_media":661,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[29,119],"tags":[],"class_list":["post-932","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","category-identidades-algoritmicas"],"acf":[],"_links":{"self":[{"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/posts\/932","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/comments?post=932"}],"version-history":[{"count":1,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/posts\/932\/revisions"}],"predecessor-version":[{"id":1455,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/posts\/932\/revisions\/1455"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/publicacion\/661"}],"wp:attachment":[{"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/media?parent=932"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/categories?post=932"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/plataformasdt.cl\/en\/wp-json\/wp\/v2\/tags?post=932"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}