A MATEMÁTICA POR TRÁS DOS ALGORITMOS DE RECOMENDAÇÃO NA FORMAÇÃO DE BOLHAS DIGITAIS E CÂMARAS DE ECO
1SAMARA DE OLIVEIRA SAMPAIO, 2LEANDRO CLEMENTINO DE LIMA, 3JOSE ROBERTO PELISSARI JUNIOR, 4CARLOS EDUARDO SIMOES PELEGRIN, 5ELYSSANDRO PIFFER
1Acadêmico do curso de Sistemas de Informação da UNIPAR 2Docente da UNIPAR 3Docente da UNIPAR 4Docente da UNIPAR 5Docente da UNIPAR
Introdução: Grande parte do que usuários assistem, leem ou compartilham hoje é mediado por algoritmos de recomendação. Esses sistemas analisam dados de navegação para sugerir conteúdos personalizados, o que garante conveniência, mas também impõe riscos relevantes. Entre eles destacam-se as bolhas digitais, quando o usuário é exposto apenas a informações alinhadas a seus interesses prévios, e as câmaras de eco, nas quais opiniões são constantemente reforçadas. Ao reduzir a diversidade informacional, tais mecanismos favorecem a polarização social e a disseminação de desinformação (Pariser, 2011).  Objetivo: Analisar de que maneira os algoritmos de recomendação, a partir de seus fundamentos técnicos, influenciam a diversidade informacional, com atenção aos efeitos das bolhas digitais e câmaras de eco sobre o debate social. Desenvolvimento: Os sistemas de recomendação podem ser classificados em três categorias principais: filtragem colaborativa, baseada em conteúdo e híbrida (Adomavicius; Tuzhilin, 2005). Na filtragem colaborativa, parte-se do pressuposto de que usuários com comportamentos semelhantes no passado manterão preferências semelhantes no futuro. A filtragem baseada em conteúdo utiliza atributos dos itens, como gênero ou descrição, para inferir preferências individuais. Já os métodos híbridos combinam ambas as estratégias, buscando mitigar problemas como a escassez de dados ou a dificuldade de recomendar itens a novos usuários. Com os avanços da IA, surgiram abordagens mais sofisticadas, como redes neurais, capazes de identificar padrões complexos em sequências de comportamento. Nessas abordagens, interações como cliques e tempo de permanência são transformadas em representações numéricas, que alimentam algoritmos matemáticos. Entre as técnicas mais empregadas, destaca-se a fatoração de matrizes, que decompõe grandes tabelas de preferências para prever itens de interesse (Koren; Bell; Volinsky, 2009). Esses modelos são avaliados por métricas, sendo continuamente ajustados a partir das novas interações. Esse ciclo de otimização, voltado a maximizar o engajamento, gera efeitos colaterais significativos: ao privilegiar conteúdos semelhantes aos consumidos, restringe-se a diversidade informacional. É nesse ponto que emergem as bolhas digitais e, em estágio mais avançado, as câmaras de eco, onde opiniões são reiteradas e reforçadas. Estudos recentes (Lopes; Brotas, 2023) demonstram que essa dinâmica contribui para discursos extremados e reduz o acesso a perspectivas divergentes. Um caso ilustrativo é o de Cinelli et al. (2020), que analisou a propagação de informações durante a COVID-19 em plataformas digitais. Os autores introduziram o coeficiente de amplificação relativa para medir o viés algorítmico e constataram que plataformas como o Gab amplificaram conteúdos de baixa credibilidade em até quatro vezes mais que as fontes confiáveis. Já no YouTube, mecanismos de contenção reduziram esse efeito, evidenciando que o design da plataforma desempenha papel decisivo no processo. Esses achados confirmam que os impactos das bolhas e câmaras de eco são mensuráveis e dependem de escolhas arquitetônicas dos sistemas. Conclusão: Os resultados apontam que os algoritmos de recomendação, embora úteis para personalização, também reforçam padrões de comportamento que favorecem o isolamento informacional. A experiência digital passa a ser moldada por sistemas que, ao priorizarem engajamento, limitam a pluralidade de perspectivas. Esse processo gera implicações cognitivas e sociais, como polarização, disseminação de desinformação e ilusão de autonomia. Diante disso, torna-se essencial avançar em modelos de recomendação mais transparentes, auditáveis e orientados por princípios éticos, de modo a equilibrar eficiência algorítmica e saúde democrática.
Referências: ADOMAVICIUS, Gediminas; TUZHILIN, Alexander. Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Transactions on Knowledge and Data Engineering, v. 17, n. 6, p. 734-749, jun. 2005. Disponível em: https://doi.org/10.1109/TKDE.2005.99. Acesso em: 11 jun. 2025. CINELLI, Matteo; QUATTROCIOCCHI, Walter; GALEAZZI, Alessandro; VALENSISE, Carlo Michele; BRUGNOLI, Emanuele; SCHMIDT, Ana Lucia; ZOLA, Paola; ZOLLO, Fabiana; SCALA, Antonio. The COVID-19 social media infodemic. Scientific Reports, v. 10, n. 1, p. 1-11, out. 2020. Disponível em: https://doi.org/10.1038/s41598-020-73510-5. Acesso em: 11 jun. 2025. LOPES, Arthur; BROTAS, Antonio. Câmaras de eco e mis/desinformação sobre vacinas contra a COVID-19 no Twitter: abordagem baseada em machine learning e análise de redes sociais. Research, Society and Development, v. 12, n. 2, e22812240159, 2023. Disponível em: https://doi.org/10.33448/rsd-v12i2.40159. Acesso em: 23 jun 2025.  KOREN, Yehuda; BELL, Robert; VOLINSKY, Chris. Matrix Factorization Techniques for Recommender Systems. Computer, v. 42, n. 8, p. 30-37, ago. 2009. Disponível em: https://doi.org/10.1109/MC.2009.263. Acesso em: 11 jun. 2025.  PARISER, Eli. O filtro invisível: O que a internet está escondendo de você. Tradução de Diego Alfaro. Rio de Janeiro: Zahar, 2012