TikTok’un varsayılan ana ekranı olan For You Page, yani FYP, platformun en belirleyici unsurlarından biri. Bu akış, kullanıcıya özel önerileri büyük ölçüde algoritmik olarak şekillendiriyor ve diğer sosyal medya servislerinden farklı olarak yalnızca beğeni, takip veya paylaşım gibi açık etkileşimlere değil, videonun ne kadar süre izlendiği gibi örtük sinyallere de ciddi ağırlık veriyor. Bu yapı genel olarak kullanıcıların ilgisini çekebilecek içerikleri bulmakta başarılı kabul edilse de, özellikle istenmeyen içeriklerin azaltılması tarafında aynı derecede iyi çalışmadığı uzun süredir tartışılıyor.
Kullanıcıların sık dile getirdiği şikâyetlerden biri, “not interested” ya da benzeri seçenekler kullanılsa bile benzer videoların FYP’de görünmeye devam etmesi. İzlenmeden geçilen içerikler veya açık biçimde daha az görmek istendiği belirtilen videoların bile akıştan kalıcı olarak çıkmaması, TikTok’un olumsuz geri bildirimi nasıl ele aldığı sorusunu gündeme getiriyor. Northwestern University bünyesindeki bilgisayar bilimcileri de bu şüpheyi sistematik biçimde inceleyerek, platformun negatif sinyallere verdiği tepkinin ne kadar etkili ve kalıcı olduğunu ölçmeye çalıştı.
Araştırmanın sonucuna göre etkileşim sinyalleri gerçekten bir fark yaratıyor, ancak bu etki kalıcı değil. Kullanıcının verdiği olumsuz geri bildirim kısa süre boyunca önerileri etkileyebiliyor, fakat zaman içinde algoritma yeniden önceki davranışına dönmeye başlıyor. Başka bir deyişle, sistem istenmeyen içerikleri bir süre geri plana atsa da, aynı tür videolar sonrasında tekrar akışta belirebiliyor. Çalışmanın ortaya koyduğu temel bulgu, bu etkinin ancak kullanıcı aynı mesajı tekrar tekrar ve tutarlı biçimde verirse daha uzun süre korunabildiği yönünde.
Çalışmayı yürüten ekip, kendisini “algorithm audits” olarak tanımlanan araştırma alanında konumlandırıyor. Bu yaklaşım, çevrimiçi platformların tam olarak nasıl çalıştığını, hangi noktalarda başarısız olduğunu ve bireylerle toplum üzerinde nasıl etkiler yaratabildiğini anlamayı hedefliyor. Bu özel çalışmada odak, kullanıcıların platform üzerindeki kontrol hissi ve pratikte ne kadar söz sahibi olduğu oldu. Çünkü birçok kullanıcı, belli içerik türlerini daha az görmek istediğini belirtmesine rağmen öneri sisteminin buna yeterince yanıt vermediğini düşünüyor.
Araştırmacılar açısından burada ilginç bir çelişki var. Bir yandan kullanıcı deneyimlerinden gelen çok sayıda anlatı, olumsuz geri bildirim araçlarının beklenen sonucu üretmediğini söylüyor. Diğer yandan platformlar bu seçenekleri görünür biçimde sunmaya devam ediyor. Bu da doğal olarak şu soruyu doğuruyor: Eğer bu mekanizma etkili değilse neden var, etkiliyse neden kullanıcılar kalıcı bir değişim görmüyor? Çalışma, tam olarak bu soruya veriyle yaklaşmayı amaçladı ve gözleme dayalı kullanıcı şikâyetlerini daha kontrollü bir yöntemle test etti.
Metodoloji tarafında dikkat çekici nokta, araştırmanın bilgisayar simülasyonlarıyla yapılmamış olması. Ekip, gerçek kullanıcıları incelemek yerine doğrudan TikTok mobil uygulaması üzerinde çalışan bot hesaplar oluşturdu. Emüle edilen cihazlar üzerinde açılan bu hesaplar, araştırmacıların “sock puppet accounts” diye tanımladığı kontrollü test profilleri olarak kullanıldı. Böylece platformun gerçek ortamındaki öneri davranışı izlenebildi; yani teorik model kurmak yerine uygulamanın bizzat nasıl tepki verdiği ölçüldü.
Bu süreçte araştırmacılar, hesapların TikTok algoritmasıyla etkileşimini kod aracılığıyla yönetti. Hesaplara hangi içeriklerin izleneceği, hangilerinin geçileceği ya da hangilerine olumsuz geri bildirim verileceği önceden belirlenen senaryolara göre işlendi. Teknik tarafta ağ trafiğinin yakalanmasıyla içeriklere ilişkin meta veriler elde edildi. Bu veriler, akışta görülen videoların sınıflandırılması ve hangi tür içeriklerin hangi geri bildirim sonrasında geri dönmeye başladığının anlaşılması için kullanıldı.
Araştırmada karar mekanizmasının bir bölümünde LLM kullanılması da öne çıkan unsurlardan biri. Ekip, elde edilen meta veriler üzerinden belirli kararları bu modeller yardımıyla verdiğini belirtiyor. Ancak bu noktanın önemli tamamlayıcısı, LLM çıktılarının insan yanıtlarıyla da doğrulanmış olması. Yani sistem tamamen otomatik bırakılmamış; modelin verdiği kararların insan değerlendirmeleriyle uyumlu olup olmadığı ayrıca kontrol edilmiş. Bu yaklaşım, geniş ölçekli bir inceleme yaparken tutarlılık sağlamaya yardımcı olurken, insan denetimini de sürecin dışında bırakmamış görünüyor.
Çalışmanın işaret ettiği tablo, öneri algoritmalarının kullanıcı tercihlerini anlamada güçlü olmasına rağmen, “bunu istemiyorum” mesajını işleme konusunda aynı derecede kararlı davranmayabildiğini gösteriyor. Özellikle örtük sinyallerin, yani izleme süresi gibi davranışsal verilerin, açık biçimde verilen olumsuz geri bildirimlere kıyasla daha baskın kalması olası bir açıklama olarak öne çıkıyor. Bir kullanıcı belirli bir içerik türünü kısa süre önce tüketmişse, algoritma bunu daha ağır basan bir ilgi işareti olarak yorumlayabiliyor; sonradan verilen “ilgilenmiyorum” sinyali ise yalnızca geçici bir düzeltme gibi kalabiliyor.
Bu durum pratikte kullanıcı deneyimini doğrudan etkiliyor. Çünkü bir öneri sistemi yalnızca ilgi alanlarını keşfetmek için değil, aynı zamanda istenmeyen içerikleri azaltmak için de kullanılmalı. Kullanıcıya daha az görmek istediğini söyleme imkânı verilip bunun etkisi kısa ömürlü kalıyorsa, platform üzerindeki denetim hissi zayıflıyor. İnsanlar, kendi seçimlerinin algoritma karşısında sınırlı kaldığını düşünebiliyor. Araştırmanın sonucu da tam olarak bu algının bütünüyle temelsiz olmadığını göstermiş oluyor.
Elbette burada dikkat edilmesi gereken nokta, araştırmanın gerçek kullanıcı verileri yerine kontrollü bot hesaplara dayanması. Bu yaklaşım, tekrarlanabilirlik ve sistematik gözlem açısından önemli avantaj sağlıyor; çünkü her hesap aynı koşullarda test edilebiliyor. Öte yandan gerçek kullanıcı davranışları çok daha karmaşık olabildiğinden, günlük kullanım senaryolarında etkinin boyutu farklı seviyelerde hissedilebilir. Buna rağmen çalışma, platformun geri bildirim mekanizmasının yönünü ve sürekliliğini test etmek için somut bir temel sunuyor.
Sonuç olarak Northwestern University ekibinin bulguları, TikTok FYP’nin olumsuz geri bildirimleri tamamen yok saymadığını, fakat bunları kalıcı bir tercih sinyali olarak işlemede sınırlı kaldığını gösteriyor. “Not interested” gibi seçenekler kısa vadede işe yarayabiliyor, ancak algoritma zamanla benzer içerikleri yeniden öne çıkarabiliyor. Kullanıcının akışını gerçekten değiştirebilmesi için aynı mesajı defalarca vermesi gerekebiliyor. Bu da öneri sistemlerinin yalnızca neyi sevdiğimizi değil, neyi görmek istemediğimizi anlamakta da daha tutarlı hale gelmesi gerektiğini ortaya koyuyor.
