Algorytm Edge Rank Serwisu Facebook: Narodziny, Rozwój I Działanie W Uj Ęciu Teorii Aktora-Sieci

Michał Pałasz Uniwersytet Jagiello ński w Krakowie Wydział Zarz ądzania i Komunikacji Społecznej Instytut Kultury e-mail: [email protected]

Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci

Abstrakt Artykuł wychodzi od omówienia metodologii badania (teoria aktora- sieci, autoetnografia), a nast ępnie przedstawia rozwój serwisu Facebook w latach 2004-2018 w perspektywie narodzin i przemian algorytmu kształtu- jącego „aktualno ści” ( News Feed ), okre ślone kluczow ą innowacj ą platformy, po czym w konkluzjach syntetyzuje rozpoznane translacje i modus operandi głównego aktora. Tekst powstał na bazie badania przeprowadzonego na potrzeby wyst ąpienia autora w ramach II Ogólnopolskiej Interdyscyplinarnej Konferencji Naukowej „TechSpo’18: Władza algorytmów?”, zorganizowanej przez Wydział Humanistyczny Akademii Górniczo-Hutniczej w Krakowie (Kraków, 20-21 wrze śnia 2018).

Słowa kluczowe: algorytm Edge Rank, Facebook, media społeczno ściowe, News Feed, teoria aktora-sieci, zarz ądzanie mediami.

Wst ęp Artykuł prezentuje rezultaty prowadzonej w duchu teorii aktora-sieci (ANT, ang. actor-network theory ) eksploracji przemian serwisu Facebook w latach 2004-2018, w efekcie których powstał i w których bierze aktywny, sprawczy udział algorytm, okre ślany jako Edge Rank , EdgeRank , Ranking bądź po prostu algorytm serwisu Facebook czy te ż algorytm Facebooka. Mil- cz ąco towarzyszy on w momencie pisania tych słów ponad dwóm miliardom użytkowników serwisu, którzy korzystaj ą z niego co najmniej raz w miesi ącu (Facebook Newsroom 2018a), a ponadto, m.in.: • decyduje, które komunikaty w ramach serwisu docieraj ą do których u żyt- kowników, tworz ąc ba ńki informacyjne (por. Pariser 2011), jak Blue Feed, Red Feed ( „Kanał niebieski, kanał czerwony” – je śli nie zaznaczono ina- czej, tłum. MP), odpowiadaj ące „aktualno ściom” (ang. News Feed, ofi- cjalny produkt serwisu, por. Facebook Newsroom 2018b) liberalnych i konserwatywnych jego u żytkowników w USA (The Wall Street Journal 2018), utrudniaj ące weryfikacj ę tzw. fake news (fałszywych wiadomo ści),

72 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci kluczowych aktorów wyborów prezydenckich w USA oraz referendum w sprawie Brexitu w 2016 roku (Gore 2018); • stwarza zakres zarz ądzania mediami społeczno ściowymi przez podmioty reprezentuj ące innych, tworz ąc nowe zawody i bran że (Pałasz 2018); • gwarantuje monetyzacj ę serwisu (przynoszenie przeze ń zysków), przez umo żliwienie dystrybutorom tre ści wykupu reklam w „aktualno ściach” wybranych grup u żytkowników z pomini ęciem wpływu algorytmu, wi ą- żą c jednocze śnie serwis z aferami, jak „ Cambridge Analytica” (por. The Guardian 2018). Badanie jest transdyscyplinarne, wpisuje si ę m.in. w obszary zainteresowa ń cyfrowej humanistyki, kulturoznawstwa, medioznawstwa, zarz ądzania humanistycznego w zakresie zarz ądzania mediami i w humanistyczn ą reflek- sj ę na temat algorytmów (por. Kreft 2015, 2019).

1. Metodologia, teoria aktora-sieci, autoetnografia Przedmiotem badania s ą przemiany serwisu Facebook istotne z perspektywy powstania i przekształce ń kluczowego dla ń i dla aktorów z nim powi ązanych algorytmu. Badanie przeprowadzono w optyce teorii aktora- sieci z wykorzystaniem technik i narz ędzi wła ściwych analizie tekstu i autoetnografii. Głównym celem badania jest eksploracja i opis powstania oraz przemian badanego algorytmu w perspektywie teorii aktora-sieci, identyfikacja zachodz ących w zwi ązku z tym procesów i aktorów odgrywaj ących poszcze- gólne warianty algorytmu oraz ułatwienie zrozumienia istoty działania tego ż. Materiał badawczy (udost ępniany czytelniczkom i czytelnikom w oddziel- nym pliku: bit.ly/materbad, do którego poszczególnych pozycji odnosz ą w cz ęś ci badawczej artykułu liczby umieszczone w nawiasach kwadrato- wych), stanowi historia serwisu Facebook zapo średniczona przez adekwatne i wiarygodne źródła elektroniczne oraz literatura badawcza przedmiotu i orientacji, a tak że wgl ąd autoetnograficzny autora, zawodowo i naukowo zwi ązanego od 2009 roku z zarz ądzaniem mediami społeczno ściowymi, w szczególno ści za ś z wykorzystaniem dla celów marketingowych serwisu Facebook. Problem badawczy obj ął ukazanie (eksploracj ę i opis) wariantów ist- nienia i działania algorytmu serwisu Facebook, jako fluktuuj ącej, niestabilnej sieci heterogenicznych relacji, procesów i aktorów tworz ących go i przeze ń tworzonych, zapo średniczone przez odpowiedni materiał empiryczny i teore- tyczny. Źródeł teorii aktora-sieci, głównej perspektywy badania, nale ży upa- trywa ć w Studiach nad Nauk ą i Technologi ą (STS, ang. Science and Techno- logy Studies ), w szczególno ści w etnografii laboratorium i antropologicznych

73 Michał Pałasz badaniach praktyk laboratoryjnych. Autorami pierwszych publikacji repre- zentatywnych dla ANT s ą Bruno Latour, Michel Callon i John Law (Abri- szewski 2012: 8). W śród polskich badaczy eksploruj ą j ą głównie przedstawi- ciele Toru ńskiej Szkoły Konstruktywizmu, zwłaszcza Krzysztof Abriszewski (2007, 2012), a tak że Barbara Czarniawska (2004; 2010), Katarzyna Bara ń- ska (2013), Aleksandra Kil (2012; 2015) i Michał Pałasz (2018). W badaniach nad mediami społeczno ściowymi refleksja z u życiem ANT zdarza si ę rzadko, jakkolwiek z tendencj ą rosn ącą (Couldry 2008; Kil 2012; van Dijck 2013; Krieger & Belliger 2014; Spöhrer & Ochsner 2016; Pałasz 2018). Teoria aktora-sieci bada gor ące momenty fluktuacji wi ęzi, maj ące miejsce w toku kontrowersji, prób sił czy negocjacji mi ędzy heterogenicz- nymi aktorami (Latour 1986: 273), w odniesieniu do których, zgodnie z za- sad ą ogólnej symetrii (Latour 1992:159), nie wnosi si ę z góry o ich sprawczo ści, skutkiem czego w punkcie wyj ścia nie tylko aktorzy ludzcy, ale tak że pozaludzcy maj ą empirycznie rejestrowaln ą sprawczo ść . Wskazywane bywa, że ANT jest raczej metod ą, ni ż teori ą (Abriszewski 2007:116), jako że nie proponuje ona wyja śnie ń, daje natomiast precyzyjne dyrektywy badawcze, z których podstawow ą jest „pod ąż aj za aktorami” (Czarniawska 2004:781; Latour 2005:12), nakłania do radykalnego empiryzmu, unikania zało żeń i koncentracji na opisie tego, w jaki sposób aktorzy graj ą i s ą odgrywani. Warto zaznaczy ć, że za aktora uznaje si ę to, co działa (Abriszewski 2007:116; 2012:74), bez wzgl ędu na intencje (Latour 2005:76), przy czym ka żdy aktor jest pozbawiony esencji – stanowi on rezultat relacji z innymi aktorami (Bi ńczyk 2005). Aktor zatem jednocze śnie jest w sieci, jak i jest sieci ą. Autoetnografia, stosowana w badaniu narz ędziowo, stanowi hybryd ę autobiografii i etnografii (K ępa 2014:82). W ramach tego badania nale ży j ą rozumie ć jako sposób pozyskiwania danych do analizy, niezapo średniczo- nych, otrzymywanych przez badacza od samego siebie, a tak że jako technik ę ułatwiaj ącą m.in. odkrycie, selekcj ę i ocen ę wiarygodno ści źródeł empirycz- nych. Badanie wpisuje si ę w nurt autoetnografii analitycznej uwzgl ędniaj ąc jego przesłanki: pełne uczestnictwo badacza w badanym otoczeniu (1), re- fleksyjno ść analityczną (2), obecno ść Ja badacza w narracji (3), dialog z in- formatorami innymi ni ż Ja badacza (4) i zaanga żowanie w analiz ę teoretycz- ną (5) (Anderson 2014:144, 149), przy czym punkt (5) spełniony jest o tyle, o ile nie narusza dyrektyw ANT (por. Latour 2005:137; Abriszewski 2012:274). W badaniach kultury cyfrowej autoetnografia wykorzystywana jest m.in. w analizach społeczno ści wirtualnych (Jemielniak 2013), wirtualnych muzeów (Pałasz 2015a) i zarz ądzania mediami społeczno ściowymi (Pa- łasz 2015b).

74 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci

2. Narodziny, rozwój i działanie algorytmu serwisu Facebook Serwis Facebook zało żono w lutym 2004 roku [10]. U jego pocz ąt- ków nie istniały – oczywiste dzi ś, w 2018 roku – mo żliwo ści publikowania wpisów, zdj ęć czy wideo, nie było powiadomie ń, stron, czatu, dynamicznych tablic profilów osobistych, grup, wydarze ń i wreszcie – „aktualno ści” ( News Feed ), ani algorytmu, który miałby je kształtowa ć. U pocz ątków Facebook był statycznym katalogiem profilów osobistych, z jednym zdj ęciem (profilowym), notk ą biograficzn ą, list ą i wyszuki- wark ą znajomych, ustawieniami prywatno ści oraz pó źniej zarzucon ą, opcj ą wizualizacji sieci znajomych. Innymi słowy, na początku był (tylko) profil [11; 16; 28; 32].

2.1. News Feed 1.0 (wrzesie ń 2006 – listopad 2007). „Aktualno ści” bez algorytmu? News Feed , z którym Facebook bywa dzi ś (nie świadomie) uto żsa- miany [18], powstał we wrze śniu 2006 roku [10], po ponad 2,5 roku od uru- chomienia serwisu, w momencie, w którym korzystało ze ń około 9 milionów użytkowników [12]. Osoby, którym przypisuje si ę zasług ę utworzenia go, to: Chris Cox, Andrew "Boz" Bosworth, Ruchi Sanghvi i Kang-Xiang [7]. W tym samy miesi ącu serwis stał si ę dost ępny dla wszystkich ch ętnych do korzystania ze ń u żytkowników [3]. Mi ędzy lutym 2004 roku a wrze śniem 2006 roku zmienił on tak że domen ę z thefacebook.com na facebook.com [ta ostatnia kosztowała 200 000 $, 32], uruchomił dodawanie zdj ęć , pisanie na tablicach znajomych, grupy, umo żliwił korzystanie ze ń za pomoc ą telefonu komórkowego oraz przedstawił pierwsz ą wersj ę Facebook API [10; 11]. Mi ędzy powstaniem serwisu a wdro żeniem usługi News Feed znacznie wi ęc wzrosła liczba jego u żytkowników, pojawiły si ę nowe mo żliwo ści (stacjonar- nie, mobilnie) dodawania ró żnorodnych typów tre ści (wpisy, zdj ęcia) w ramach nowych funkcjonalno ści (profil, aktualno ści, grupy), co spowodowało znaczny przyrost publikacji. Napływ tre ści wymagał od u żytkowników – których program (u żywaj ąc terminologii ANT, por. Latour 1992:168, 172) mo żna okre śli ć jako (…) by ć na bie żą co z wieloma, ró żnymi, cz ęsto publikowanymi przez znajomych tre ściami – relatywnie uci ąż liwego i cz ęstego odwiedzania profilów znajomych, co nie było w zgodzie z programem Facebo- oka, który mo żna okre śli ć jako jak najwi ęcej zadowolonych u żytkowników, jak najdłu żej w serwisie . Spektakularn ą translacj ą (por. Callon 1991:143) umo żliwiaj ącą sprawn ą realizacj ę obu programów, okazało si ę powołanie kluczowej innowacji serwisu, aktora, któremu przyznano władz ę mówie- nia w imieniu znajomych, czyli usługi News Feed , okre ślanej jako your own personal newspaper – twoja własna spersonalizowana gazeta [22], zbie- raj ącego na stronie głównej to, co znajomi danego u żytkownika zmieniali

75 Michał Pałasz w obr ębie swoich profilów osobistych – relacjonuj ącego wydarzenia maj ące miejsce w sieci społecznej u żytkownika, reprezentowanej przez jego znajomych w serwisie Facebook – działaj ącego za u żytkownika , zdejmuj ąc z niego przymus odwiedzania profilów osobistych znajomych. Product manager for Facebook Feed , Ruchi Sanghvi, okre śliła News Feed jako funkcj ę nie tylko odmienn ą od wszystkiego, co mieli śmy na Face- booku wcze śniej, lecz równie ż niepodobn ą do czegokolwiek w sieci [26]. W 2017 roku na łamach magazynu New York Times za ś przeczyta ć mo żna było, że [j]e śli przesad ą jest mówienie, że News Feed stał si ę najbardziej wpływowym źródłem informacji w historii cywilizacji, jest to przesada nie- wielka [18]. Autor tej wypowiedzi ju ż cztery lata wcze śniej wskazywał, że to News Feed stanowi o popularno ści Facebooka, i że to on odró żnia platform ę od innych serwisów społeczno ściowych [17]. Użytkownicy jednak, przyj ęli „aktualno ści” protestami. Wyra żali [pierwsze, por. 17] obawy zwi ązane z prywatno ści ą, obawiali si ę stalkingu [27]. Wirtualne protesty i petycje wywołały dwie słynne publiczne reakcje Marka Zuckerberga, głównego twórcy i generalnego dyrektora serwisu, opublikowane w formie wpisów na blogu Facebooka: zuchwał ą (5 wrze śnia 2006 roku, 22:45 czasu San Francisco) Calm down. Breathe. We hear you – Uspo- kójcie si ę. Oddychajcie. Słyszymy was [34], w której zapewnia on – nie za- brali śmy żadnych opcji prywatno ści [Wasze ustawienia prywatno ści pozosta- ją bez zmian.] Zasady prywatno ści nie zmieniły si ę – oraz nast ępuj ącą po niej, pokorn ą (8 wrze śnia 2006 roku, 2:48 czasu San Francisco), An Open Letter from Mark Zuckerberg – List otwarty od Marka Zuckerberga [35], rozpoczynaj ącą si ę od słów, We really messed this one up – Tym razem na- prawd ę nawalili śmy , w ramach której intencja wprowadzenia usługi News Feed okre ślana jest jako umo żliwienie dost ępu u żytkownikom do strumieni informacji o ich światach społecznych , po czym nast ępuje obietnica wprowadzenia lepszych ustawie ń prywatno ści . News Feed zaognił kontrowersj ę, jakkolwiek nie w odniesieniu do jakiegokolwiek algorytmu. W swojej pierwszej wersji „aktualno ści” bowiem zwyczajnie agregowały aktywno ści znajomych u żytkownika w serwisie Fa- cebook. Nie poprzedzały pokazywania u żytkownikom strumieni informacji o ich światach społecznych ani filtrowaniem, ani sortowaniem tre ści – wy- świetlały im „wszystko”, w porz ądku odwrotnie chronologicznym. Mo żna to oczywi ście uzna ć za działanie kierowane prostym algorytmem, który selekcji dokonywał na bazie tego, czy co ś zostało opublikowane w ramach serwisu w sieci społecznej jego u żytkownika, za ś hierarchizacji w oparciu o kryterium czasu publikacji. Jak stwierdził Chris Cox, VP of Product w serwisie Facebook, [p]ocz ątkowo News Feed polegał na przekr ęcaniu gałek (…) Podkr ęć zdj ę- 76 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci cia, przycisz posty aplikacji [19], w zale żno ści od tego, jakim typem tre ści użytkownicy wydaj ą si ę, na podstawie pomiarów zaanga żowania, bardziej interesowa ć [17]. Jasnym jest, że mowa tu o ludzkim sterowaniu selekcj ą i hierarchizowaniem wpisów widocznych w „aktualno ściach” serwisu, a nie o sprawczym algorytmie. W swej pierwszej emanacji procesy filtrowania i sortowania nie były delegowane (lub były delegowane w ograniczonym zakresie) do aktora pozaludzkiego.

2.2. News Feed 2.0 (listopad 2007 – luty 2011). Facebook EdgeRank ( Edge Rank ) Wzrastaj ąca liczba komunikatów publikowanych w ramach serwisu doprowadziła do wytworzenia w „aktualno ściach” – posiadaj ących wszak ograniczon ą pojemno ść w relacji do cierpliwo ści konsumuj ących je osób – szumu informacyjnego, zmuszaj ącego u żytkowników do ponoszenia kosztów (czasu, pracy) selekcji nielicznych interesuj ących ich tre ści. Z perspektywy zarówno programu serwisu, jak i programu osób ze ń korzystaj ących, wprowadzenie mechanizmu filtrowania i sortowania tre ści „aktualno ści” wydawa- ło si ę nieodzowne. Delegowano to do algorytmu, aktora kształtuj ącego News Feedy: dla ka żdego u żytkownika serwisu inny [5]. Tym, co zmobilizowało algorytm Facebooka, jest zatem relacja sko ńczonego News Feedu i niewy- czerpanych pokładów cisn ących si ę do ń tre ści, istotna równocze śnie z perspektywy programu serwisu i jego u żytkowników. Według rozbie żnych informacji, punktem przełomowym w rozwoju algorytmu okazało si ę (w listopadzie 2007 roku) b ądź wprowadzenie przez serwis mo żliwo ści korzystania ze ń przez marki, poprzez strony fanowskie, oraz równoczesna premiera samoobsługowego panelu reklamowego [1; 19], co mo żna wi ąza ć ze znacz ącym wzrostem liczby tre ści walcz ących mi ędzy sob ą o dost ęp do „aktualno ści”, b ądź te ż przypadkowa, przedwczesna, spo- wodowana bł ędem premiera w serwisie przycisku „lubi ę to” [2; 24; 33], ofi- cjalnie wdro żonego w lutym 2009 roku [4], której skutkiem było ułatwienie redystrybucji komunikatów generuj ących interakcje. Bezpiecznie zało żyć jest, za przytoczonymi źródłami, że listopad 2007 roku stanowił pocz ątek eksperymentów serwisu Facebook z algorytmem kształtuj ącym News Feed , za ś punktem zwrotnym było zaproponowanie u żytkownikom w „aktualno- ściach” wyboru wpisów sortowanych wzgl ędem nie daty publikacji, a wzgl ę- dem popularno ści, w pa ździerniku 2009 roku [1; 7; 24]. Prawdopodobnie pierwszy raz publicznie ogłoszono ogólne zasady, jakimi kieruje si ę algorytm, na konferencji F8, organizowanej przez Facebo- ok dla osób i organizacji, które bazuj ą w swej działalno ści na serwisie, w kwietniu 2010 roku [14; 15]. Algorytm okre ślono jako EdgeRank (Edge Rank) , za ś proces, za który jest odpowiedzialny, jako NFO: News Feed

77 Michał Pałasz Optimization – optymalizacja „aktualno ści” . Czynniki brane przez algorytm (zestaw algorytmów) w owym czasie pod uwag ę to [por. 15]: • ue – powi ązanie odbiorcy z nadawc ą; stopie ń zainteresowania odbiorcy tre ściami publikowanymi przez nadawc ę, okre ślany na bazie prze- szłych interakcji; im cz ęś ciej odbiorca wchodził w interakcj ę z tre- ściami nadawcy, tym wi ększe u e, • we – waga interakcji (utworzenie wpisu, udost ępnienie, komentarz, polubienie i in.); istotno ść typu interakcji, wygenerowanej przez u żyt- kownika; im wi ększ ą wag ę ma interakcja, w uproszczeniu, im jest bardziej wymagająca, tym wi ększe w e, • de – wska źnik zanikania; ile czasu upłyn ęło od danej interakcji, czyli wska źnik „ świe żości” interakcji. • 2.3. News Feed 3.0 (luty 2011 – pa ździernik 2017). Algorytm „aktualno- ści” / News Feed algorithm Wskazano, że ogólne zasady działania algorytmu EdgeRank upu- bliczniono w kwietniu 2010 roku. Jak jednak ogłosił w sierpniu 2013 roku serwis „Marketing Land”, ju ż od około lutego 2011 roku Facebook pracował z u życiem zło żonego algorytmu działaj ącego w oparciu o zasady machine learning , czyli takiego, który „sam si ę uczy” [20]. W artykule w serwisie „TechCrunch” zamieszczono grafik ę [por. 6], syntetyzuj ącą zasady, aktualnego w czasie jej publikacji, sposobu działania algorytmu (nieokre ślanego ju ż jako EdgeRank ), obejmuj ącą pi ęć czynników [z zaznaczeniem, że de facto algorytm rozpatruje ich około 100 000; 6; 19]: • Zainteresowanie ( Interest ) – stopie ń zainteresowania u żytkownika twórc ą tre ści, • Wpis ( Post ) – wyniki wpisu w śród innych u żytkowników, • Twórc ę ( Creator ) – wyniki przeszłych wpisów nadawcy w śród innych użytkowników, • Typ ( Type ) – typ wpisu (tekst, zdj ęcie, link), preferowany przez u żyt- kownika, • Wiek ( Recency ) – jak nowy jest wpis. „Zainteresowanie” odpowiada wcze śniejszemu „u e”, „Wpis” – „w e”, za ś „Wiek” – „d e”. Debiutuj ącymi czynnikami s ą „Twórca” (jego efektywno ść w kategoriach czytelnych dla algorytmu) i „Typ” (np. je śli u żytkownik cz ęsto ogl ąda filmy, zobaczy wi ęcej filmów). Z ko ńcem roku 2011 i z pocz ątkiem roku 2012 rozpocz ęto dystrybu- owanie reklam ( sponsored stories ) bezpo średnio w „aktualno ściach”. Do tej pory publikowano je poza tym kanałem [7; 24]. Innymi słowy, umo żliwiono płatne ignorowanie algorytmu, je śli promowana tre ść miała jak ąkolwiek łączno ść z jej odbiorc ą (np. znajomy „lubił” stron ę reklamodawcy). Wcze- 78 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci śniejsze reklamy, obecne w serwisie ju ż od drugiego miesi ąca jego działania [24], nie ingerowały w News Feed . W latach 2011-2017 miały te ż miejsce inne zmiany w funkcjonowa- niu „aktualno ści” i kształtuj ącego je algorytmu, z którymi czytelnik może zapozna ć si ę w opisuj ących je materiałach [m.in. 1; 7; 24; 33]. W kontek ście badania (i ograniczono ści przestrzeni prezentacji jego rezultatów) za dopusz- czalne uznano pomini ęcie ich dokładnego omówienia. Wymieni ć w śród nich mo żna: promowanie tre ści wideo, walk ę z clickbaits , ró żnicowanie wag reakcji, wdra żanie narz ędzi ograniczonego kreowania News Feedu przez u żyt- kowników, branie pod uwag ę długo ści czasu kontaktu z tre ści ą, spadaj ące zasi ęgi publikacji pochodz ących ze stron i in.

2.4. News Feed 4.0 (pa ździernik 2017 – stycze ń 2018). Algorytm Ranking W pa ździerniku 2017 roku strona fanowska serwisu Facebook opubliko- wała 3-minutowy film wideo, zatytułowany How Does News Feed Work? – Jak działaj ą aktualno ści? [21], w którym Adam Mosseri (osoba odpowie- dzialna w tym czasie za News Feed ) wyja śnia, że misj ą „aktualno ści” jest poł ączenie ludzi z historiami ( stories ), które s ą dla nich najwa żniejsze, co realizowane jest przez Ranking – zestaw algorytmów oceniaj ących, jak bar- dzo u żytkownicy s ą zainteresowani poszczególnymi, dost ępnymi dla nich, historiami. Algorytm (według słów Mosseriego, zestaw kroków słu żą cy rozwi ązywaniu trudnych problemów) kształtuj ący Ranking analizowa ć miał: • Katalog ( Inventory ) – tre ści dost ępne w sieci u żytkownika (opublikowane przez znajomych lub strony), a których nie zna, • Sygnały ( Signals ) – informacje pomagaj ące w podj ęciu decyzji o do- borze tre ści (np. jej wiek, nadawca, jako ść poł ączenia internetowego, urz ądzenie, feedback społeczno ści serwisu dotycz ący relacji tre ści z regulaminem serwisu i standardami społeczno ści pi ętnuj ącymi przemoc, spam, clickbaits , fake news ), • Prognozy ( Predictions ) – prawdopodobie ństwa zachowa ń odbiorców przy zetkni ęciu z tre ści ą na podstawie Sygnałów (z jakim prawdopodobie ństwem u żytkownik skomentuje, udost ępni, ukryje, zgłosi histori ę), • Punkty trafno ści ( Relevancy score ) – punkty (ró żnej wagi) przydziela- ne tre ściom na bazie Prognoz, na podstawie których historie s ą sorto- wane w „aktualno ściach”– liczby reprezentuj ące stopie ń pewno ści, z którym Facebook szacuje, że dany u żytkownik b ędzie zainteresowa- ny dan ą histori ą (tre ści ą). Algorytm Ranking dokonuje nieustaj ących translacji powtarzalnych cech tre ści (Sygnałów) – z u życiem danych na temat przeszłych reakcji u żytkow- nika i sieci powi ązanych z nim aktorów (urz ądze ń, infrastruktury) na dane

79 Michał Pałasz cechy (Prognozy) – na liczby (Punkty trafno ści), których u żywa do filtrowania i sortowania komunikatów w „aktualno ściach”.

2.5. News Feed 5.0 (stycze ń 2018). Patologie algorytmu i waga znacz ących interakcji społecznych Algorytm Facebooka staje si ę aktorem publicznym. Nie dzieje si ę to z uwagi na jego sukcesy a na kryzysy czy niedoskonało ści i ich konsekwen- cje. W śród nich mo żna wymieni ć: spam, scam [24; 33], spadaj ące zasi ęgi [6; punkt 10. regulaminu grupy „Social media” – 9], „żebrolajki” [ likebaiting , 24; 25], clikbaiting [1; 24; 33], ba ńki informacyjne (Pariser 2011), jak Blue Feed – Red Feed [30], fake news [13], mikro-targetowanie i inne działania w słu żbie manipulacji wolnymi wyborami (prezydenckimi w USA, w sprawie Brexitu, w 2016 roku), m.in. przez rosyjsk ą organizacj ę Internet Rese- arch Agency [8], nieuprawnione przepływy i wykorzystanie danych osobo- wych, jak zwi ązane z afer ą „Cambridge Analytica” [29]. W reakcji na kryzysy, zwłaszcza ten ostatni, Mark Zuckerberg ogłosił za po średnictwem swojego profilu osobistego na Facebooku 12 stycznia 2018 roku [36] now ą misj ę serwisu: Zmieniam cel, jaki stawiam przed na- szymi zespołami ds. produktów z koncentrowania si ę na pomaganiu wam w znajdywaniu odpowiednich tre ści, na pomaganie wam w posiadaniu bardziej znacz ących interakcji społecznych . W wymiarze praktycznym, co znaj- duje swój wyd źwi ęk w dalszej cz ęś ci przytaczanej wypowiedzi, oznacza to premiowanie w serwisie tre ści publikowanych przez profile osobiste (znajomych, w grupach), kosztem tych, które s ą publikowane przez strony (marki, media), a tak że wyró żnianie wiadomo ści lokalnych. Nie jest to pierwszy zwrot algorytmu ku warto ściom rodzinnym i tradycyjnym [zob. czerwiec 2016: 33]. W podsumowaniu Mark Zuckerberg stwierdza, że przewiduje, w zwi ązku ze zmianami, spadek niektórych wska źników zaanga żowania oraz czasu sp ędzanego przez ludzi na Facebooku, ale jednocze śnie prognozuje, że czas sp ędzany w serwisie stanie si ę dla jego u żytkowników bardziej warto- ściowy, co ma by ć po żyteczne tak dla społeczno ści Facebooka, jak i dla przedsi ębiorstwa medialnego, czy te ż platformy (jak woli okre śla ć serwis sam siebie, aby wyrzeka ć si ę odpowiedzialno ści prawnej i moralnej obowi ą- zuj ącej w USA media, Thompson & Vogelstein 2018).

Konkluzje Algorytm serwisu Facebook wpływa na odbiorców, nadawców, serwis oraz jego otoczenie. Wpływ ten opiera si ę na hierarchicznej i selektywnej dystrybucji informacji, a wi ęc wynika z działania sieci: [tre ści – „aktualno- 80 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci ści” ( News Feed , płaszczyzna dystrybucji tre ści) – u żytkownicy], nie za ś izo- lowanego obiektu. Pocz ątkowo w serwisie nie było „aktualno ści” ani kształtuj ącego je algorytmu. News Feed został zmobilizowany rozwojem platformy: przyro- stem ilo ści tre ści publikowanych w profilach osobistych. Powstał w wyniku translacji, umo żliwiaj ącej jednoczesn ą realizacj ę programu u żytkowników i serwisu, w ramach której została mu przyznana moc mówienia w imieniu sieci społecznej u żytkownika. News Feed , gromadz ąc to, co „znajomi” zmie- niaj ą w obr ębie profilów osobistych i pokazuj ąc to u żytkownikowi, działa za użytkownika, wykonuje za ń prac ę odwiedzania owych profilów. Dalszy przyrost ilo ści publikowanych w serwisie tre ści wywołał szum informacyjny w „aktualno ściach”, wymagaj ący od u żytkowników pracy do- cierania do tre ści dla nich interesuj ących (nieustrukturyzowanego filtrowania i sortowania). Problem ponownie rozwi ązała translacja realizuj ąca programy serwisu i u żytkowników: filtrowanie i sortowanie (prac ę, działanie) delegowano do algorytmu. Został on zatem zmobilizowany relacj ą ograniczonej pojemno ści „aktualno ści” (w odniesieniu do cierpliwo ści u żytkowników) i niemal nieograniczonych pokładów cisn ących si ę do nich tre ści. Dwie translacje ( News Feed mówi ący w imieniu sieci społecznej do użytkownika; algorytm sortuj ący i filtruj ący w imieniu u żytkownika i na jego potrzeby) umo żliwiły realizacj ę interesów odbiorców (redukcja pracy, szumu informacyjnego), nadawców (dost ęp, potencjalny lub płatny, do uwagi od- biorców) i serwisu (monetyzacja przez umo żliwienie płatnego omini ęcia algorytmu). Jakkolwiek translacje te, co podkre ślono omówieniem towarzysz ą- cych im patologii, okazały si ę jednocze śnie – zgodnie z do świadczeniami ANT – zdradami (por. Callon 1991:144): traduttore-traditore (wł. tłumacz - zdrajca; tłumaczenie własne). Algorytm działa, dokonuj ąc nieustaj ących translacji powtarzalnych cech tre ści – z u życiem danych na temat przeszłych reakcji u żytkownika i sieci powi ązanych z nim aktorów na dane cechy – na liczby, których u żywa do filtrowania i sortowania komunikatów w „aktualnościach”. Mo żna stwierdzi ć, że News Feed ka żdego u żytkownika stanowi odbicie interakcji tego ż z tre ściami serwisu – algorytm bowiem „sam si ę uczy” („machine learning”) bazuj ąc na działaniach u żytkowników – ka żdy ma takie „aktualno ści” na jakie zasługuje (Manjoo 2013). Danymi, na podstawie których algorytm podejmuje decyzje, s ą interakcje: u żytkowników z serwisem (1) – znaczenie maj ą m.in. liczba i rodzaj interakcji oraz relacje mi ędzy nimi; ich zwi ązek z sieci ą społeczn ą u żytkow- nika (czy pochodz ą od obiektów z sieci, czy spoza niej; ich powtarzalno ść wzgl ędem relacji odbiorcy z nadawc ą); ich czas (czas i cz ęstotliwo ść publikacji); relacja odbiorców z formatem tre ści (preferencje); interakcje u żyt-

81 Michał Pałasz kowników z sieci ą aktorów odgrywaj ących serwis (2), jak urz ądzenie, opro- gramowanie, ł ącze internetowe, lokalizacja. Interakcje odbiorców z serwisem (1) s ą podatne na działania nadawców tre ści w jego ramach, ich interakcje z sieci ą aktorów odgrywaj ących serwis (2) za ś s ą na nie oporne (by ć mo że dlatego te ż s ą przez serwis mało eksponowane). W serwisie Facebook dla tre ści interakcja jest dystrybucj ą, relacje s ą kanałami dystrybucji, za ś News Feed to centrum konsumpcji i redystrybucji: interakcje stanowi ą paliwo dystrybucji tre ści torami zapo średniczonych przez Facebook heterogenicznych (ludzko-ludzkich, ludzko-pozaludzkich – np. u żytkownik i marka, pozaludz- ko-pozaludzkich, np. marka – idea) relacji mi ędzy u żywaj ącymi go aktorami, ku „aktualno ściom” ich sieci społecznych, gdzie cykl mo że si ę reproduko- wa ć. Interakcje s ą te ż de facto tym, czym zajmuje si ę ANT, społecznymi iskierkami (Abriszewski 2012:251), trwaj ącymi chwil ę i bezpowrotnie w świecie pozawirtualnym traconymi, za ś w świecie serwisu instrumentali- zowanymi i rejestrowanymi. Czyni to algorytm, którego przesłankami dzia- łania s ą wła śnie interakcje, wdzi ęcznym tematem analiz z perspektywy ANT, jako sprawczego aktora pozaludzkiego. Ko ńcz ąc, mo żna zaakcentowa ć, że badany algorytm to aktor, który powinien dla wspólnego dobra by ć poddany kontroli społecznej wykraczaj ą- cej daleko poza ocen ę jego sprawno ści i skuteczno ści w rozumieniu neolibe- ralnym, czy te ż poza szczegółowe opisy jego działania, jak ten w niniejszym artykule, poniewa ż mapuje on cyfrowo i eksploatuje relacje (nie tylko mi ę- dzyludzkie), które w świecie poza wirtualnym s ą w du żej mierze niejawne (prywatne) i obj ęte swoistym tabu, w zakresie ich uprzedmiotowiania dla realizacji celów takich, jak rozprzestrzenianie komunikatów, wywoływanie wpływu czy sterowanie wyborami. Algorytm serwisu Facebook jest aktorem pot ęż nym; zbyt pot ęż nym, by pozostawi ć jego kształtowanie, a mo że wr ęcz wychowanie, jedynie przedsi ębiorstwu rynkowemu, je śli nie chcemy, aby to wła śnie owo przedsi ębiorstwo wychowywało u żytkowników serwisu, wypo- sa żaj ąc ich, krok po kroku, niczym kropla dr ążą ca skał ę, w warto ści, które będą sprzyjały tylko i wył ącznie przetrwaniu, rozwojowi, ekspansji i zyskowi tego ż przedsi ębiorstwa, czy te ż je śli nie chcemy, by algorytm był podatny na nieetyczne manipulacje ze strony sił politycznych, by ć mo że nieszkodliwe lub wr ęcz korzystne dla przedsi ębiorstwa, lecz niebezpieczne dla jednostek, społeczno ści, całych społecze ństw i zagra żaj ące najszerzej rozumianemu dobru wspólnemu.

82 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci Bibliografia: 1. Abriszewski K., 2007, Teoria Aktora-Sieci Bruno Latoura . „Teksty Dru- gie”, (1–2). 2. Abriszewski K., 2012, Poznanie, zbiorowo ść , polityka. Analiza teorii aktora-sieci Bruno Latoura , Universitas, Kraków. 3. Anderson L., 2014, Autoetnografia analityczna . „Przegl ąd Socjologii Jako ściowej”, X(3). 4. Bara ńska K., 2013, Muzeum w sieci znacze ń. Zarz ądzanie z perspektywy nauk humanistycznych , Attyka, Kraków. 5. Bi ńczyk E., 2005, Antyesencjalizm i relacjonizm w programie badawczym Bruno Latoura . „Er(r)go, Teoria-Literatura-Kultura”, (10). 6. Callon M., 1991, Techno-economic Networks and Irreversibility [w:] J. Law (red.), A Sociology of Monsters: Essays on Power, Technology and Domination, Routledge, London, New York. 7. Couldry N., 2008, Actor Network Theory and Media: Do They Connect And on what Terms? [w:] A. Hepp i in. (red.), Connectivity, Networks and Flows: Conceptualizing Contemporary Communications, Hampton Press, Cresskill. 8. Czarniawska B., 2004, On Time, Space, and Action Nets. „Organization ”, vol.11(6). 9. Czarniawska B., 2010. Troch ę inna teoria organizacji. Organizowanie jako konstrukcja sieci działa ń I., Poltext, Warszawa. 10. van Dijck J., 2013, The Culture of Connectivity: A Critical History of Social Media , Oxford University Press, Nowy Jork. 11. Jemielniak D., 2013, Życie wirtualne dzikich. Netnografia Wikipedii - najwi ększego projektu współtworzonego przez ludzi , Poltext, Warszawa. 12. Kępa E., 2014, Autoetnografia nie wzi ęła si ę znik ąd - rozwa żania o ci ą- gło ści i zmianie, „Parezja”, (1). 13. Kil A., 2012, Nowe media jako nasi wspólnicy. O sprawczo ści technologii na podstawie my śli Bruno Latoura, „Teksty Drugie”, (6). 14. Kil A., 2015, Krótki przewodnik po mapowaniu kontrowersji, „Prace Kul- turoznawcze”, 18. 15. Kreft J., 2015, Za fasad ą społeczno ści. Elementy zarz ądzania nowymi mediami , Wydawnictwo Uniwersytetu Jagiello ńskiego, Kraków. 16. Kreft J., 2019, Władza algorytmów. U źródeł pot ęgo Google i Facebooka , Wydawnictwo Uniwersytetu Jagiello ńskiego, Kraków 17. Krieger D.J. & Belliger A., 2014, Interpreting networks: Hermeneutics, actor-network theory & new media , transcript Verlag, Bielefeld. 18. Latour B., 1986, The Powers of Association [w:] J. Law (red.), Power, Action and Belief: a New Sociology of Knowledge?, Routledge, Henley.

83 Michał Pałasz 19. Latour B., 1992, Where Are the Missing Masses? Sociology of a Few Mundane Artefacts. [w:] J. Law & W. E. Bijker (red.) Shaping Technology, Building Society: Studies in Sociotechnical Change, MIT Press, Cambridge, Mass. 20. Latour B., 2005, Reassembling the Social. An Introduction to Actor- Network Theory , Oxford University Press, Nowy Jork. 21. Pałasz M., 2015a, Czy muzeum wirtualne jest muzeum? Przypadek Mu- zeum Erotyzmu . „Rocznik Muzeum Wsi Mazowieckiej w Sierpcu”, 6. 22. Pałasz M., 2015b, Ukrywa ć czy ujawnia ć? To żsamo ść mened żera mediów społeczno ściowych. Tło i studium przypadku [w:] B. Gulla & M. Wysoc- ka-Pleczyk (red.) Człowiek zalogowany 4. Człowiek społeczny w przestrzeni internetu, Biblioteka Jagiello ńska, Kraków. 23. Pałasz M., 2018, Zarz ądzanie mediami społeczno ściowymi w perspektywie teorii aktora-sieci . Uniwersytet Jagiello ński w Krakowie (praca dok- torska). 24. Pariser E., 2011. The filter bubble: How the new personalized web is changing what we read and how we think , Penguin, London. 25. Spöhrer M. & Ochsner B. (red.) 2016, Applying the actor-network theory in media studies , IGI Global, Hershey, Pennsylvania.

Netografia: 1. Facebook Newsroom, 2018a, Company Info - Stats. newsroom.fb.com . https://newsroom.fb.com/company-info/ [dost ęp: grudzie ń 14, 2018]. 2. Facebook Newsroom, 2018b, Products. newsroom.fb.com . https://newsroom.fb.com/products/ [dost ęp: grudzie ń 14, 2018]. 3. Gore W., 2018, Brexit and Trump have proved that lies are more attractive than facts. Independent . https://www.independent.co.uk/voices/brexit-trump-fact-check-lies-truth- eu-referendum-campaign-fake-news-online-facebook-a8590231.html [dost ęp: grudzie ń 14, 2018]. 4. Manjoo F., 2013, Facebook News Feed Changed Everything Media. Advertising. Politics. And us. slate.com . https://slate.com/technology/2013/09/facebook-news-feed-turns-7-why- its-the-most-influential-feature-on-the-internet.html [dost ęp: grudzie ń 19, 2018]. 5. The Guardian, 2018, The Cambridge Analytica Files. theguardian.com. https://www.theguardian.com/news/series/cambridge-analytica-files [dost ęp: maj 2, 2018]. 6. The Wall Street Journal, 2018, Blue feed, red feed. graphics.wsj.com . http://graphics.wsj.com/blue-feed-red-feed/ [dost ęp: maj 9, 2018]. 84 Algorytm Edge Rank serwisu Facebook: narodziny, rozwój i działanie w uj ęciu teorii aktora-sieci 7. Thompson N. & Vogelstein F., 2018, Inside the Two Years That Shook Facebook — and the World. Wired . https://www.wired.com/story/inside- facebook-mark-zuckerberg-2-years-of- hell/?fbclid=IwAR2SrIrk9YrXNT_nGQT4pJpenQzNqTVv9hDDuXHw5 8ZnXCLKqk2xsj5gXoQ [dost ęp: grudzie ń 18, 2018].

Materiał badawczy: bit.ly/materbad

Facebook Edge Rank Algorithm:the Birth, Development and Agency in the Perspective of Actor-Network Theory Summary The article starts with an introduction to the research methodology (actor-network theory, autoethnography), and then presents the development of Facebook in the years 2004-2018 in the perspective of the birth and transformations of the algorithm of News Feed, identifying the latter as the key innovation of the platform, and in the conclusions synthesizes recognized translations and modus operandi of the main actor. The text is based on a research carried out for the author's speech at the 2nd National Interdisciplinary Scientific Conference "TechSpo'18: The Power of Algorithms?", organized by the Faculty of Humanities at the AGH University of Science and Technology in Krakow (Krakow, September 20-21, 2018).

Key words: actor-network theory, Edge Rank algorithm, Facebook, News Feed, social media, media management.