Исследование: споры в X заставляют алгоритм показывать больше неугодного контента

Новое исследование, опубликованное в Proceedings of the National Academy of Sciences (PNAS), показало, что алгоритм рекомендаций X может формировать у пользователей ленту, которая противоречит их заявленным ценностям. Ученые проанализировали поведение 715 американских пользователей и обнаружили корреляцию между тем, что люди говорят о своих взглядах, и тем, какой контент им предлагает платформа.

Согласно данным, алгоритм "Для вас" чаще рекомендует публикации, которые не совпадают с ценностями пользователя. Причем этот эффект выражен сильнее у демократов: корреляция между заявленными ценностями и содержанием рекомендаций составила -0,229. Для сравнения, у республиканцев этот показатель был значительно ниже — -0,041. Это означает, что для демократов расхождение между ожидаемым и фактическим контентом более выражено.

Авторы исследования предполагают, что ключевую роль в этом процессе играют ответы пользователей. Когда человек вступает в дискуссию под постом, который ему не нравится, алгоритм может интерпретировать это как сигнал заинтересованности и начать показывать больше подобного контента. Возникает своего рода петля обратной связи: чем активнее пользователь спорит, тем больше нежелательных публикаций появляется в его ленте.

Исследование поднимает вопросы о том, как алгоритмы соцсетей влияют на восприятие информации и поляризацию общества. Авторы не делают однозначных выводов о намерениях платформы, но отмечают, что механизм может способствовать усилению конфликтов. Впрочем, они также указывают, что пользователи могут частично контролировать ситуацию, осознанно ограничивая взаимодействие с раздражающим контентом.

Результаты опубликованы 18 августа 2026 года. Ранее похожие эффекты описывались в исследованиях других соцсетей, однако работа на данных X — одна из первых, где рассматривается связь между демографическими группами и алгоритмической выдачей. Эксперты предполагают, что платформе может потребоваться пересмотреть принципы ранжирования, чтобы снизить негативное влияние.