YouTube — крупнейшая видеоплатформа в мире: с момента запуска в 2005 и по 2024 год на ней в общей сложности было опубликовано 13,325 млрд роликов. Каждую минуту люди загружают на ютуб свыше 500 часов нового контента. Ориентироваться в таком объеме пользователю помогает рекомендательный алгоритм. Он отбирает из этого массива ролики для конкретной ленты пользователя.
Прежде чем разбираться, как именно этот отбор устроен на YouTube, стоит понять, что такое пузырь фильтров.
Что такое пузырь фильтров
Пузырь фильтров — ограниченное пространство, в котором пользователь преимущественно сталкивается с контентом, который соответствует его предыдущему выбору. Все, что не соответствует ему, оказывается за пределами пузыря — и до пользователя чаще всего не доходит. О том, как работает пузырь фильтров, мы подробнее писали здесь.
Информационное пространство вокруг нас формируют не только алгоритмы, но и мы сами. Пользователи создают объединения (кластеры), в которых большинство разделяет одни и тех же взгляды — эхо-камеры [1]. Так, человек, убежденный, что любовное фэнтези — это лучший жанр литературы, будет охотнее читать или смотреть тех, кто с этим согласен, и пропускать мимо противоположные доводы. Это происходит потому, что мы склонны искать информацию, подтверждающую наши убеждения, и избегать той, которая ставит их под сомнение [2].
Алгоритмы YouTube: как формируется персональная лента
Работа современных социальных сетей, видеоплатформ и медиа основана на рекомендательных системах — алгоритмах, которые предлагают пользователям наиболее релевантный контент.
На YouTube алгоритмы учитывают историю просмотра, поисковые запросы, подписки на каналы, отметки «Нравится», «Не нравится», «Не интересует», «Не рекомендовать видео с этого канала», а также сколько времени тратится на просмотр. На основе этих данных система учится понимать наши предпочтения.
Разберем на примере, как система определяет круг тем пользователя, который регулярно ищет и смотрит ролики об изготовлении домашнего сыра.
Сначала пользователь вводит в поиске «как сделать моцареллу дома», потом открывает подходящее видео, досматривает его до конца и переходит по одному–двум роликам из подборки.
Каждое из этих действий алгоритм фиксирует и формирует ленту с рецептами и кулинарными подкастами. При этом в рекомендациях появляются ролики, как полностью, так и частично соответствующие запросу. Последние подбираются на основе предпочтений схожей аудитории — эхо-камеры. Другой человек, тоже интересующийся сыром, может, например, увлекаться готовкой выпечки с сыром — это может показаться любопытным и тому, кто о выпечке раньше не думал, а интересовался только сыром.
Благодаря алгоритмам человек получает персонализированный срез контента вместо случайного перебора среди миллиардов роликов — и это делает сервис гораздо более затягивающим. Пользователь раз за разом получает контент, который интересен именно ему, в т. ч. открывая при этом новые интересы.
Как исследователи изучают пузыри фильтров?
У персонализации есть тёмная сторона. И это не только запойный просмотр двадцати роликов подряд. Исследователь Danial Dengo Ate и его соавторы утверждают, что информационные пузыри могут привести к радикализации и поляризации общества [3]. Так, во время президентских выборов в Индонезии в 2024 году обсуждалась программа «бесплатных обедов». Исследователи проанализировали 100 комментариев под постами об этой программе и обнаружили, что положительные отзывы поступали преимущественно из замкнутых групп сторонников кандидата, а критически настроенные пользователи оставались в своих эхо-камерах, не взаимодействуя с оппонентами [3].
Такие исследования помогают понять, насколько реальны опасения по поводу пузырей фильтров. Пока в одних работах фиксируют связь алгоритмов с поляризацией, в других не находят заметных эффектов. Разобраться в этом важно и платформам, которые настраивают рекомендации, и пользователям — чтобы адекватно оценивать, насколько сильно пузырь фильтров влияет на их взгляды [4].
Алгоритмы могут переубедить человека?
Исследователь Liu N. с соавторами провели четыре эксперимента. В них участвовало почти 9 000 человек, и использовалась платформа, имитирующая интерфейс YouTube, но с возможностью вручную изменять рекомендации [5]. Одной группе предложили ряд видео, в которых высказываются разные мнения, а другой — намеренно «предвзятый», где три из четырех рекомендаций отражали точку зрения, близкую пользователю. Выяснилось, что алгоритм влиял на поведение пользователей в «пузыре» — они действительно смотрели больше однообразного контента. Но это почти не сказалось на их политических взглядах, уровне доверия к СМИ или отношении к оппонентам. Иными словами, даже искусственно созданная рекомендательная система не вызвала у людей радикальной смены мнения.
Проверка экстремальным контентом: как работает эффект «кроличьей норы»
В другом опыте проверялась теория «кроличьей норы» (rabbit holes) [5]. Проверялось предположение о том, что пользователь может радикализироваться, если случилось так, что рекомендательный алгоритм дает пользователю все более экстремальный контент. В эксперименте, правда, рекомендательной системы не было — участникам давали смотреть заранее подготовленные последовательности роликов на тему минимальной зарплаты. В одной серии видео радикальность контента оставалась неизменной либо возрастала: от спокойных рассуждений о том, стоит ли повышать зарплату незначительно, до утверждений, что ее нужно увеличить в несколько раз. В другой последовательности видео уровень радикальности оставался одинаковым.
В этом (заведомо гипотетическом) эксперименте ученые снова не обнаружили существенного эффекта. Даже специально подобранная экстремальная последовательность не меняла взгляды испытуемых заметнее, чем просмотр умеренных видео. Единственное статистически значимое влияние на мнение оказывал самый первый, ролик-«затравка», но даже этот эффект был небольшим. Это позволяет предположить, что популярные в медиа теории о радикализации через алгоритмы могут быть преувеличены (тем более что экстремальность в эксперименте не была следствием работы рекомендательного алгоритма). Однако ученые подчеркивают, что они не отрицают возможность долгосрочного влияния пузыря фильтров.
Итог: опасность пузырей фильтров не доказана
На сегодняшний день нет убедительных доказательств того, что алгоритмы меняют убеждения пользователей. Однако они могут ограничивать разнообразие контента. Вопрос о долгосрочных эффектах остается открытым. Чтобы уменьшить возможное негативное влияние алгоритмов в цифровой среде, нужно понимать, как они влияют на наше восприятие — какую информацию мы замечаем, а какую оставляем без внимания. Чем лучше мы осознаем устройство информационного пузыря, тем больше у нас возможностей выйти за его пределы: сравнивать разные источники, видеть альтернативные точки зрения и самостоятельно решать, чему доверять. Развитие цифровой грамотности и привычки обращаться к альтернативным источникам информации становятся необходимыми в цифровую эпоху.
Источники
- Chueca Del Cerro C. The power of social networks and social media’s filter bubble in shaping polarisation: an agent-based model // Applied Network Science. 2024. Vol. 9. N. 69. P. 1–32.
- Ahmmad M., Shahzad K., Iqbal A., Latif M. Trap of Social Media Algorithms: A Systematic Review of Research on Filter Bubbles, Echo Chambers, and Their Impact on Youth // Societies. 2025. Vol. 15. N. 11. URL: https://www.academia.edu/146040520/Trap_of_Social_Media_Algorithms_A_Systematic_Review_of_Research_on_Filter_Bubbles_Echo_Chambers_and_Their_Impact_on_Youth (дата обращения 01.08.2026).
- Dengo Ate D., Ridwan M., Ode S. Social Media-Based Political Campaign Strategies and the Impact of Filter Bubbles and Echo Chambers on the Electability of Presidential Candidates in the 2024 Election in Indonesia // JURNAL HURRIAH: Jurnal Evaluasi Pendidikan Dan Penelitian. 2025. Vol. 6. N. 3. P. 1061–1071.
- Burbach L., Halbach P., Ziefle M. et al. Bubble trouble: Strategies against filter bubbles in online social networks // Digital Human Modeling and Applications in Health, Safety, Ergonomics and Risk Management. Healthcare Applications. 2019. P. 441–456.
- Liu N., Hu X.E., Savas Y. et al. Short-term exposure to filter-bubble recommendation systems has limited polarization effects: Naturalistic experiments on YouTube // Proceedings of the National Academy of Sciences. 2025. Vol. 122. N. 8.
