Los puntos clave no están disponibles para este artículo en este momento.
Los sistemas de recomendación están diseñados para ayudarnos a navegar a través de una abundancia de contenido en línea. Los enfoques de filtrado colaborativo (CF) se utilizan comúnmente para aprovechar los comportamientos de otros con gustos similares para hacer predicciones para el usuario objetivo. Sin embargo, el CF es propenso a introducir o amplificar el sesgo de popularidad en el que los elementos populares (frecuentemente consumidos o altamente clasificados) se priorizan sobre los elementos menos populares. Se han presentado muchas métricas computacionales de sesgos de popularidad —y la (in)justicia algorítmica resultante—. Sin embargo, no está claro si estas métricas reflejan la percepción humana del sesgo y la justicia. Realizamos un estudio con 170 participantes para explorar cómo los usuarios perciben las listas de recomendaciones creadas por algoritmos con diferentes grados de sesgo de popularidad. Nuestros resultados muestran —sorpresivamente— que los sesgos de popularidad en las listas de recomendaciones son apenas observados por los usuarios, incluso cuando las métricas de sesgo/justicia correspondientes las indican claramente.
Ferwerda et al. (Sun,) estudiaron esta cuestión.