Want to create interactive content? It’s easy in Genially!

Get started free

Ética y Sesgos en los Sistemas de Recomendación Digital

Ignacio Gutiérrez

Created on September 26, 2025

Start designing with a free template

Discover more than 1500 professional designs like these:

Microcourse: Introduction to HTML

The Meeting Microlearning

The Meeting Microlearning Mobile

Isometric video mobile

Circles video mobile

3d corporate video mobile

Major Religions Microlearning

Transcript

Ética y Sesgos en los Sistemas de Recomendación Digital

start

Índice

Identificación de sesgos

Análisis de variables

Influencia de influencers

Evaluación ética

1.análisis de variables

La red social usara datos personales para saber qué recomendar a cada usuario

Detecta patrones: ¿hay repeticiones?, ¿predominan ciertos temas?, ¿se nota que falta algún tipo de contenido?

Ejemlpos: música, deportes, creador de contenido...

2.IDENTIFICACION DE SESGOS

Se repite: vídeos de Ibai, fútbol, cosas muy virales. No se muestra: vídeos de gente menos famosa o con otros enfoques (estadísticas, historia, críticas)..

Confirmación: te enseñan lo que ya miras, así refuerza tus gustos. Disponibilidad: lo más reciente y famoso viene primero porque es lo que tienes más presente. (ya que consumo youtube diariamente) Anclaje: si ya vistes algo relacionado con Ibai o con el futbol seguramente te salga este video.

Popularidad: lo que ve mucha gente se recomienda más. Muestreo limitado: no te enseñan todo, solo una parte elegida según tus clics y los de otros.

3.EVALUACION ETICA

1. ¿Es transparente el sistema? No completamente. El algoritmo de YouTube no explica claramente por qué recomienda ciertos videos de tenis. Aunque aparecen etiquetas como “Recomendado para ti” o “Porque viste…”, los usuarios no reciben información exacta sobre qué factores influyeron en la recomendación. 2. Riesgos éticos Manipulación: El algoritmo podría favorecer contenido sensacionalista o cargado emocionalmente en vez de contenido de alta calidad, con el fin de maximizar el tiempo de visualización. Falta de diversidad: Las recomendaciones suelen favorecer contenido sobre los mismos jugadores famosos (por ejemplo, Alcaraz, Nadal, Djokovic), en lugar de jugadores menos conocidos, el tenis femenino o nuevos talentos. Exclusión de ciertos creadores: Canales pequeños o emergentes pueden quedar marginados si no tienen los patrones de interacción que el algoritmo favorece (por ejemplo, alta retención de la audiencia). 3. Mejora ética propuesta Hacer las recomendaciones más transparentes, por ejemplo: “Este video se recomienda porque viste partidos de Carlos Alcaraz y resúmenes de torneos Grand Slam.” Además, dar a los usuarios más control permitiéndoles ajustar manualmente el tipo de contenido de tenis que quieren ver, y promover la diversidad destacando ocasionalmente contenido de creadores menos conocidos.

4.Influencia de influencers

  • Presencia de influencers:
-Recomendaciones no siempre neutras.-Pueden responder a colaboraciones pagadas.-Afectan lo que vemos y cómo lo interpretamos.
  • Sesgos cognitivos implicados:
-Autoridad: confianza por reputación y número de seguidores.-Disponibilidad: sus contenidos son los más visibles y recordados.-Anclaje: primeras opiniones condicionan la percepción.
  • Reflexión clave:
-Diferenciar entre contenido orgánico y patrocinado.-Transparencia = decisiones más conscientes.-Evita manipulación implícita y fomenta consumo crítico.