O Efeito de Spillover de Avaliações Fraudulentas nas Recomendações de Produtos

Com a crescente prevalência de avaliações geradas por usuários, a disseminação de avaliações fraudulentas também tem aumentado. Na tentativa de aliviar as consequências das avaliações fraudulentas, as plataformas têm utilizado algoritmos de aprendizagem de máquina para a detecção de avaliações fraudulentas. No entanto, a prática comercial atual de simplesmente remover avaliações fraudulentas pode não ser suficiente, uma vez que até mesmo sua presença temporária pode forjar efeitos de spillover que se propagam através de outras ferramentas de compra. Em particular, examinamos e descobrimos a persistência de um impacto adverso significativo e de longa duração das avaliações fraudulentas através de sua propagação para sistemas de recomendação, mesmo muito tempo após detectar e remover com sucesso todos os incidentes de fraude. Realizamos análises adicionais para investigar ainda mais a intensidade e a evolução do efeito de spillover ao longo do tempo em diferentes dimensões, como o custo da atividade fraudulenta, a eficácia e a pontualidade dos algoritmos de detecção, e a qualidade dos produtos. Os resultados ilustram a gravidade do efeito identificado e destacam que a prática comercial atual de apenas remover as avaliações fraudulentas é insuficiente na presença de sistemas de recomendação, embora potencialmente suficiente em sua ausência a longo prazo. Tais descobertas são oportunas, pois podem informar discussões regulatórias e políticas atuais. Finalmente, também projetamos um remédio simples que pode ser facilmente introduzido em algoritmos de filtragem colaborativa para desviar os sistemas de recomendação e demonstrar sua eficácia em atenuar o impacto do efeito de spillover identificado. Este artigo foi aceito por D. J. Wu, sistemas de informação. Material Suplementar: O apêndice online e os arquivos de dados estão disponíveis em https://doi.org/10.1287/mnsc.2021.02612.