Hispanopedia Wiki
Articulo de referencia

Amplificación algorítmica

Diagrama conceptual que ilustra cómo un algoritmo de interacción lleva el contenido más allá del gráfico social orgánico de un usuario y lo amplifica a usuarios fuera de la red....

Hispanopedia WikiContenido en espanolLectura gratuita
Este es un buen artículo. Haz clic aquí para obtener más información.

Un diagrama de red que compara a un creador que llega a un pequeño grupo de seguidores directos con la distribución de la publicación del mismo creador a una red más amplia de personas que no son seguidores.
Diagrama conceptual que ilustra cómo un algoritmo de interacción lleva el contenido más allá del gráfico social orgánico de un usuario y lo amplifica a usuarios fuera de la red.

La amplificación algorítmica es el proceso mediante el cual los sistemas automatizados de clasificación y recomendación en plataformas digitales aumentan la visibilidad de ciertos contenidos más allá de su audiencia inicial. Las principales plataformas, como Facebook , YouTube , TikTok y X (antes Twitter) , utilizan estos sistemas para determinar qué aparece en los feeds y resultados de búsqueda de los usuarios. El término se emplea en la investigación sobre redes sociales y regulación de medios digitales para describir cómo las decisiones de diseño de las plataformas influyen en la distribución de la información en línea.

Un feed puede ordenarse por fecha, con la publicación más reciente en la parte superior. Los sistemas algorítmicos, en cambio, lo ordenan por predicción. Califican cada publicación según la probabilidad de que un usuario la vea, haga clic en ella o responda, y según el tiempo que probablemente permanezca interactuando con ella. El material con buena puntuación puede mostrarse a audiencias cada vez mayores a través de feeds, vídeos sugeridos y resultados de búsqueda. Un vídeo que muchas personas ven hasta el final, por ejemplo, puede llegar a usuarios que no siguen la cuenta que lo publicó. Esta atención inicial puede retroalimentar el modelo que clasifica el contenido que se muestra a continuación a los usuarios. Este proceso es distinto de la moderación de contenido , que implica eliminar, etiquetar o restringir contenido según las normas de la plataforma, aunque ambos procesos pueden interactuar en la práctica. Los sistemas de recomendación también facilitan el descubrimiento de contenido y la comunicación de interés público, y sus decisiones de clasificación influyen en la visibilidad y los ingresos de los creadores y las organizaciones de noticias.

La amplificación algorítmica se ha vinculado a la propagación de desinformación , la circulación de material extremista y otros materiales dañinos, y los perjuicios que afectan la salud mental de los usuarios jóvenes . También figura en los debates sobre burbujas de filtro y cámaras de eco , y sobre polarización política, donde los hallazgos varían según las plataformas y los métodos. Los estudios de X han encontrado una amplificación desigual del contenido político. En Facebook e Instagram, grandes experimentos encontraron efectos limitados en las actitudes de los usuarios. Un estudio de YouTube que utilizó cuentas automatizadas para aislar el efecto de su sistema de recomendaciones encontró que las preferencias del usuario jugaron un papel más importante que las recomendaciones a la hora de determinar el consumo partidista. Los investigadores también han examinado cómo los actores estatales y las cuentas automatizadas utilizan los sistemas de recomendación para moldear lo que se ve. La magnitud y la dirección de estos efectos siguen siendo objeto de debate, en parte porque los investigadores independientes tienen acceso limitado a los sistemas de las plataformas. Documentos internos de Meta revelados por denunciantes indicaron que clasificar las publicaciones según la interacción que atraían premiaba el contenido divisivo. Una investigación de la BBC de 2026 informó que la presión competitiva entre Meta y TikTok llevó a compromisos de seguridad en la recomendación de contenido. Meta negó las afirmaciones de los denunciantes, mientras que TikTok refutó la versión de su proceso de revisión de casos.

Los gobiernos de la Unión Europea, el Reino Unido, Estados Unidos y China han adoptado enfoques diferentes para regular los sistemas de recomendación. La Ley de Servicios Digitales de la UE exige a las plataformas más grandes que evalúen y mitiguen los riesgos sistémicos asociados con los sistemas de recomendación y que ofrezcan a los usuarios al menos una opción de recomendación que no se base en perfiles. La Ley de Seguridad en Línea del Reino Unido de 2023 exige a los servicios que evalúen los riesgos derivados de los algoritmos y, según los códigos de seguridad infantil de Ofcom, exige a algunos proveedores que filtren el contenido dañino de los feeds de los niños. Un comité de la Cámara de los Comunes concluyó en 2025 que la Ley no abordaba adecuadamente la amplificación de contenido legal pero dañino. No se ha promulgado ninguna ley federal integral en los Estados Unidos, donde los tribunales han considerado si las plataformas son responsables de lo que recomiendan sus algoritmos y si la clasificación constituye un discurso protegido. Las disposiciones de China sobre recomendaciones algorítmicas, en vigor desde marzo de 2022, exigen a los proveedores que permitan a los usuarios desactivar las recomendaciones personalizadas y a algunos proveedores que registren sus algoritmos ante el Estado; El experto en medios de comunicación Jian Xu describe a China como el primer país en promulgar y aplicar leyes que regulan los algoritmos y la inteligencia artificial generativa.

Terminología

El término amplificación algorítmica se utiliza en los estudios de medios , la investigación sobre gobernanza de plataformas y la literatura regulatoria para describir cómo los sistemas automatizados influyen en la distribución de contenido. El investigador de comunicaciones Tarleton Gillespie sostiene que las plataformas para compartir contenido se presentan como anfitrionas del contenido de los usuarios, minimizando su intervención, que incluye la clasificación del contenido, el énfasis en algunas publicaciones y el filtrado de lo que ven los usuarios. [ 1 ]

La frase también aparece en debates regulatorios y legislativos sobre sistemas de recomendación . La Ley de Servicios Digitales (DSA) de la Unión Europea identifica los sistemas de recomendación como una fuente potencial de riesgo sistémico, y el término aparece con frecuencia en comentarios académicos y políticos sobre regulación. [ 2 ] En Estados Unidos, propuestas como la Ley de Transparencia de la Burbuja de Filtro y la Ley de Seguridad Infantil en Línea (KOSA) la han utilizado para enmarcar requisitos en torno a la transparencia de los sistemas de recomendación. [ 3 ] En el Reino Unido, el Comité de Ciencia, Innovación y Tecnología de la Cámara de los Comunes utilizó el término en un informe de 2025 sobre cómo los algoritmos de recomendación contribuyeron a la propagación de desinformación durante los disturbios de Southport de 2024. [ 4 ] En octubre de 2025, cuatro titulares de mandatos internacionales sobre libertad de expresión, incluido el Relator Especial de las Naciones Unidas sobre la Libertad de Opinión y Expresión y el Representante de la OSCE sobre la Libertad de los Medios de Comunicación, adoptaron una Declaración Conjunta sobre IA y Libertad de Expresión. La declaración afirmaba que los sistemas de recomendación y otras herramientas de curación impulsadas por IA ejercen "una gran influencia oculta y un papel de guardián" sobre la información a la que las personas acceden y consumen. [ 5 ]

Desarrollo de sistemas de recomendación

Los sistemas de recomendación modernos son anteriores a las redes sociales. Un artículo de 2021 publicado en AI Magazine por Dietmar Jannach y sus colegas rastreó los orígenes de los sistemas de recomendación modernos hasta principios de la década de 1990, cuando se utilizaron experimentalmente por primera vez para el filtrado de correo electrónico e información personal. El sistema de correo Tapestry de 1992 y el sistema de filtrado de noticias GroupLens de 1994 fueron hitos tempranos antes de que los sistemas de recomendación se extendieran al comercio electrónico y otros servicios en línea. [ 6 ] A medida que las grandes plataformas se desarrollaron durante la década de 2000, cada vez más clasificaron, filtraron y destacaron el material en lugar de simplemente alojarlo. [ 1 ]

Facebook introdujo su News Feed en 2006, que gradualmente pasó de una presentación cronológica a un contenido clasificado algorítmicamente. [ 7 ] YouTube modificó sus algoritmos de videos sugeridos y de clasificación de búsqueda en 2012 para priorizar el tiempo de visualización sobre los clics, afirmando que quería "mostrar mejor los videos que los espectadores realmente ven, en lugar de aquellos en los que hacen clic y luego abandonan". [ 8 ] TikTok, lanzado internacionalmente en 2018, adoptó un modelo en el que su principal superficie de contenido, el feed Para ti , está impulsado casi por completo por la recomendación algorítmica en lugar del gráfico social de un usuario. Un documento interno obtenido por The New York Times en 2021 mostró que el algoritmo de la plataforma se optimizó para la retención y el tiempo de permanencia, utilizando señales como la duración de la visualización, las repeticiones, los "me gusta" y los comentarios para puntuar y clasificar los videos. [ 9 ]

La recomendación algorítmica también se convirtió en un elemento central de las plataformas fuera de las redes sociales. Las funciones personalizadas de Spotify , incluidas Discover Weekly, Release Radar y las recomendaciones de Home, utilizan señales de comportamiento y "perfiles de gusto" inferidos para mostrar canciones y artistas más allá de la biblioteca existente de un oyente. Un estudio etnográfico de curadores musicales en plataformas de streaming describió esta combinación de selección algorítmica y editorial humana como un modelo de control "algo-torial", a través del cual la ubicación en las listas de reproducción puede aumentar sustancialmente el alcance de una canción. [ 10 ] Amazon adoptó el filtrado colaborativo basado en artículos para las recomendaciones de productos en 1998, y su motor de recomendaciones ha sido descrito como uno de los primeros despliegues a gran escala de tecnología de recomendación en el comercio electrónico, dando forma a la visibilidad de los productos para muchos compradores. [ 11 ]

La profesora de derecho Amy Adler ha argumentado que las plataformas de contenido para adultos exhiben dinámicas de recomendación comparables a las de las plataformas de voz convencionales. A partir de 2007, escribió, la industria de la pornografía se orientó hacia plataformas de streaming basadas en algoritmos, la mayoría de las cuales están controladas por una única empresa con un casi monopolio, Aylo (anteriormente MindGeek ). Adler argumentó que los sitios de Aylo utilizan motores de búsqueda y sugerencias algorítmicas, una categorización rígida y la optimización de términos de búsqueda mediante IA para limitar el contenido que ven los usuarios. Comparó sus efectos con los de las plataformas de voz convencionales, incluyendo burbujas de filtro , bucles de retroalimentación y la tendencia de las sugerencias algorítmicas a alterar las preferencias individuales. [ 12 ]

Mecanismos

Diagrama de flujo que muestra cómo se filtra y clasifica un gran conjunto de contenido utilizando datos de usuario para generar un feed personalizado.
Un modelo simplificado de proceso de recomendación que muestra cómo se puede filtrar y clasificar el contenido en un feed personalizado.

Una plataforma contiene mucho más contenido del que un usuario podría consultar, por lo que un sistema de recomendaciones elige en nombre del usuario. Predice la utilidad de cada elemento para ese usuario y, a continuación, reduce un catálogo extenso a una lista corta y ordenada de los elementos mejor valorados. Para realizar estas predicciones, se suelen combinar dos técnicas. El filtrado colaborativo determina las preferencias probables de un usuario a partir del comportamiento de usuarios con perfiles similares. Los modelos de aprendizaje automático predicen con qué contenido es probable que interactúe un usuario, basándose en sus acciones previas. [ 13 ]

Los sistemas de clasificación basados ​​en la interacción califican el contenido prediciendo si un usuario interactuará con él, utilizando señales como clics, comparticiones, me gusta, respuestas, visualización de videos y tiempo dedicado a una publicación. Las preferencias reveladas por los usuarios, expresadas a través de este comportamiento, no siempre coinciden con las preferencias que declaran en las encuestas. [ 14 ]

Diagrama de bucle horizontal. En el centro, una plataforma representada como una pila de tres tarjetas de información y un usuario representado como un icono de persona se unen mediante dos flechas curvas: una flecha superior, etiquetada como «Recomendaciones», apunta de la plataforma al usuario, y una flecha inferior, etiquetada como «Interacciones», apunta del usuario de vuelta a la plataforma. A la izquierda, un engranaje, etiquetado como «Modelo», se conecta a la plataforma mediante una línea discontinua; a la derecha, una nube de ideas, etiquetada como «Preferencias», se conecta al usuario mediante una línea discontinua.
El ciclo de retroalimentación en un sistema de recomendación: las interacciones del usuario retroalimentan el modelo que clasifica lo que se le muestra a continuación.

Las señales de popularidad pueden crear dinámicas de retroalimentación en las que la interacción temprana aumenta la probabilidad de que el contenido se muestre a otros usuarios. La investigación experimental sobre mercados culturales en línea ha demostrado cómo estos procesos de retroalimentación pueden producir resultados de visibilidad desiguales incluso cuando las diferencias iniciales en la calidad del contenido son pequeñas. [ 15 ] A medida que los usuarios consumen recomendaciones y sus respuestas se retroalimentan al modelo, los sistemas de recomendación pueden entrar en un bucle de retroalimentación. Los estudios de simulación han encontrado que estos bucles pueden amplificar el sesgo de popularidad, reducir la diversidad de los elementos recomendados y homogeneizar las preferencias de los usuarios con el tiempo. [ 16 ] [ 17 ]

Usos beneficiosos y de interés público

Los sistemas de recomendación pueden ayudar a los usuarios a navegar por grandes volúmenes de contenido al mostrar material que se prevé que coincida con sus intereses o necesidades, lo que puede mejorar la visibilidad en plataformas con grandes bibliotecas de contenido. [ 13 ] [ 18 ] En la comunicación de salud pública, las plataformas pueden ayudar a las autoridades sanitarias a distribuir información oportuna a gran escala, aunque estos mismos sistemas también corren el riesgo de amplificar la desinformación junto con las directrices oficiales. [ 19 ]

La socióloga Zeynep Tufekci ha argumentado que las esferas públicas en red se centraron cada vez más en grandes plataformas comerciales, donde la visibilidad a menudo estaba condicionada por algoritmos opacos y políticas de la plataforma. En el caso del levantamiento egipcio de 2011 , escribió que muchos egipcios se unieron a Facebook por razones sociales, lo que también los introdujo en una esfera pública en red donde la exposición al material político de los activistas fue un efecto secundario del uso de Facebook. [ 20 ]

Las plataformas de redes sociales también se han utilizado durante emergencias para compartir información sobre la situación y coordinar las labores de socorro. Se han convertido en un canal importante para la participación pública y la comunicación informal en situaciones de crisis, si bien también conllevan riesgos de información obsoleta o inexacta, propagación de rumores e información falsa o engañosa. [ 21 ]

En las plataformas de música en streaming, los sistemas de recomendación actúan como intermediarios culturales entre los oyentes y la música. Un informe del gobierno británico de 2023 reveló una preocupación generalizada entre creadores, consumidores y partes interesadas de la industria de que dichos sistemas pudieran favorecer injustamente a algunos artistas o géneros, pero concluyó que la evidencia de tal sesgo era mixta y, en ocasiones, inconclusa. [ 22 ]

La musicóloga Georgina Born y el científico informático Fernando Díaz han argumentado que los algoritmos de recomendación de contenido cultural deberían promover la diversidad y una experiencia común en lugar de optimizar únicamente la participación individual, basándose en las tradiciones de programación de organizaciones de radiodifusión de servicio público como la BBC . [ 23 ]

Efectos en los ecosistemas de información

Las investigaciones sobre la amplificación algorítmica han analizado cómo esta moldea el entorno informativo en general. Gran parte de este trabajo se centra en la difusión de desinformación y contenido dañino, así como en la visibilidad y los ingresos de los creadores y los medios de comunicación. Otros estudios abordan las burbujas informativas, la polarización política, los efectos en la salud mental de los jóvenes usuarios y el uso de sistemas de recomendación por parte de actores estatales.

Desinformación y contenido dañino

Según un estudio de 2018, las noticias falsas se propagan más rápido y de forma más amplia que las noticias veraces en Twitter (ahora X) , aunque los autores atribuyeron esto principalmente al comportamiento de los usuarios al compartir contenido, más que a los algoritmos de la plataforma. [ 24 ] La preocupación por la recomendación de material dudoso o conspirativo llevó a YouTube a anunciar cambios en enero de 2019 destinados a reducir las recomendaciones de videos que se acercaban a las normas de la plataforma, pero que no las infringían. [ 25 ] [ 26 ]

Fotografía de Frances Haugen
Frances Haugen, quien reveló documentos internos de Facebook en 2021

En 2021, Frances Haugen, exgerente de producto de Facebook, reveló miles de documentos internos de la compañía a la Comisión de Bolsa y Valores de EE. UU. y al Wall Street Journal , que los publicó como los Archivos de Facebook . Los documentos incluían una investigación interna que mostraba que un cambio en el algoritmo de noticias de Facebook en 2018, diseñado para priorizar lo que la compañía denominó "interacciones sociales significativas", tuvo el efecto de amplificar contenido divisivo y cargado de emociones porque dicho material generaba mayor participación. [ 27 ] [ 28 ] En una entrevista con CBS News antes de su testimonio ante el Senado de los Estados Unidos en octubre de 2021, Haugen argumentó que la clasificación de Facebook basada en la participación promovía sistemáticamente contenido que provocaba ira y que la dirección de la compañía era consciente de este efecto pero no había actuado para abordarlo. [ 29 ] Facebook, que posteriormente cambió su nombre a Meta Platforms , dijo que había invertido 13 mil millones de dólares en seguridad y protección y que empleaba a 40 000 personas trabajando en el tema. [ 27 ]

Un estudio de 2024 que utilizó "bots contrafactuales" experimentales para aislar el papel causal del sistema de recomendaciones de YouTube descubrió que, en promedio, el algoritmo orientaba a los usuarios hacia contenido más moderado en lugar de material más extremo. Este efecto moderador fue más fuerte para los grandes consumidores de contenido partidista , y los autores concluyeron que las preferencias individuales de los usuarios desempeñaban un papel más importante que las recomendaciones algorítmicas a la hora de determinar los patrones de consumo. [ 30 ]

Una auditoría algorítmica de X realizada en 2025 reveló que el algoritmo de clasificación basado en la interacción de la plataforma amplificaba el contenido emocionalmente explícito y hostil hacia los miembros de grupos políticos opuestos, en comparación con una línea base cronológica inversa. Los usuarios no mostraron preferencia por el contenido político seleccionado por el algoritmo basado en la interacción cuando se les pidió que lo evaluaran directamente, lo que sugiere una brecha entre lo que impulsa la interacción y lo que los usuarios declaran valorar. [ 14 ]

Los bots sociales , cuentas automatizadas que imitan el comportamiento humano en las redes sociales, pueden amplificar la relevancia de ciertos temas. Un estudio de 2022 analizó 1,66  millones de tuits relacionados con la COVID-19 y 50 356 noticias de seis medios de comunicación estadounidenses. Botometer clasificó el 8,98 % de las cuentas de Twitter como bots, que promovían selectivamente algunos temas relacionados con la pandemia. La actividad de los bots en ciertos temas predijo la cobertura posterior por parte de medios de comunicación partidistas cuando esos temas coincidían con sus narrativas ideológicas. Los autores no encontraron evidencia de la relación inversa para los medios partidistas. [ 31 ]

Las investigaciones sobre derechos humanos también han vinculado la amplificación algorítmica con la violencia masiva. Amnistía Internacional argumentó que las funciones de noticias, grupos y recomendaciones de Facebook amplificaron activamente el odio contra los rohinyá en Myanmar en los años previos a las atrocidades de 2017, contribuyendo a intensificar la circulación de contenido divisivo e incendiario. [ 32 ]

Los ataques a las mezquitas de Christchurch en Nueva Zelanda en 2019 fueron transmitidos en directo por el atacante. En mayo de 2019, gobiernos y empresas tecnológicas adoptaron el Llamamiento de Christchurch . Este incluía el compromiso de revisar cómo los algoritmos de las empresas dirigen a los usuarios hacia contenido terrorista y extremista violento. [ 33 ] En 2022, Nueva Zelanda, Estados Unidos, Twitter y Microsoft anunciaron la Iniciativa del Llamamiento de Christchurch sobre Resultados Algorítmicos (CCIAO). La iniciativa tenía como objetivo desarrollar herramientas que mejoraran la privacidad para la investigación independiente de los sistemas algorítmicos. Esto incluía el estudio de la actividad en línea como factor en la radicalización y la difusión de contenido terrorista y extremista violento. [ 34 ]

En Gonzalez v. Google LLC (2023), la familia de una víctima de los atentados de París de noviembre de 2015 demandó a Google por el uso de YouTube por parte del ISIS y sus simpatizantes. La Corte Suprema admitió a trámite la revisión para considerar la aplicación del artículo 230 por parte del Noveno Circuito . Sin embargo, se negó a pronunciarse sobre esta cuestión, ya que la demanda parecía presentar pocas, o ninguna, alegación plausible independientemente del artículo 230. En su lugar, la Corte anuló la sentencia y remitió el caso para su reconsideración a la luz del caso Twitter, Inc. v. Taamneh . [ 35 ]

El Tercer Circuito abordó posteriormente la Sección 230 directamente en Anderson v. TikTok (2024). La madre de una niña de diez años que murió después de intentar el "desafío del apagón" alegó que el algoritmo de TikTok le había recomendado un video del desafío a su hija. El tribunal sostuvo que las recomendaciones en sí mismas eran la propia "actividad expresiva" de TikTok, aunque los videos eran contenido de terceros. Por lo tanto, la Sección 230 no impedía las demandas basadas en esas recomendaciones. El panel se basó en parte en Moody v. NetChoice (2024), que trató las decisiones editoriales de las plataformas sobre la selección y clasificación de contenido de terceros como expresión protegida. El Tercer Circuito denegó la petición de TikTok de reconsideración del panel y reconsideración en pleno en octubre de 2024. [ 36 ] [ 37 ] Los hallazgos de la investigación varían según la plataforma. Un estudio revisado por pares de 2021 encontró que YouTube amplificó el contenido extremo y marginal después de que los usuarios interactuaran con material de extrema derecha. Reddit y Gab no mostraron una amplificación comparable de contenido extremo. Los autores también argumentaron que los responsables políticos aún no habían comprendido la dificultad de atenuar el material legal pero ambiguo. Afirmaron que la investigación sobre radicalización a menudo no lograba distinguir entre las decisiones de los usuarios y los efectos algorítmicos. [ 38 ]

Una investigación de la BBC de 2026, basada en el testimonio de más de una docena de informantes y personas con información privilegiada de Meta y TikTok, reveló que la presión competitiva entre ambas compañías provocó concesiones en materia de seguridad en la recomendación de contenido. Matt Motyl, exinvestigador sénior de Meta, compartió una investigación interna sobre Instagram Reels , lanzado en 2020 en respuesta a TikTok. Un estudio indicó que las publicaciones en Reels generaban una mayor prevalencia de comentarios dañinos que las publicaciones en el feed principal de Instagram: un 75 % más para el acoso y la intimidación, un 19 % más para el discurso de odio y un 7 % más para la violencia y la incitación. Un exingeniero de Meta afirmó que la alta dirección le había indicado que permitiera contenido más susceptible de ser dañino en los feeds de los usuarios para competir con TikTok, y que habían atribuido esta decisión a la caída del precio de las acciones de la compañía. Los documentos internos compartidos por Motyl describían cómo el algoritmo de Facebook, basado en la interacción, tendía a recompensar la negatividad, y señalaban que los incentivos financieros creados por sus algoritmos no parecían estar alineados con la misión de la compañía. Meta negó las afirmaciones de los denunciantes, diciendo que tenía políticas estrictas para proteger a los usuarios y que había realizado importantes inversiones en seguridad durante la década anterior. [ 39 ]

Visibilidad del creador y efectos económicos

Las plataformas de redes sociales maximizan el valor de sus audiencias aumentando el tamaño de la audiencia, el tiempo de permanencia en la plataforma y la interacción de los usuarios, ya que estas interacciones proporcionan datos para atraer audiencias y dirigir mensajes a los anunciantes. Un pequeño número de plataformas dominantes concentra la distribución de la atención de la audiencia dirigida algorítmicamente, y su potencial para actuar como guardianes del contenido que difunden implica que el impacto de cualquier fallo o sesgo en sus sistemas de curación algorítmica puede ser considerable. [ 40 ]

Un estudio sobre la actividad en Facebook y Twitter de 37 medios de comunicación alemanes tradicionales entre 2013 y 2017 examinó cómo estos medios ajustaron el uso de titulares sensacionalistas a lo largo del tiempo. En Facebook, los medios convergieron hacia un estándar común en el sector del clickbait, aunque no se observó la misma convergencia en Twitter. En ambas plataformas, la interacción previa de los usuarios con el clickbait predijo una mayor oferta posterior de este tipo de contenido. La relación entre el clickbait y la interacción de los usuarios siguió una curva en forma de U invertida: los niveles moderados generaron la mayor interacción, mientras que los niveles más altos condujeron a rendimientos decrecientes. No se demostró que la introducción de la curación algorítmica aumentara directamente la oferta de clickbait. Sin embargo, los cambios en el algoritmo anti-clickbait de Facebook dispersaron el comportamiento previamente convergente de los medios, reduciendo la homogeneidad del sector. [ 41 ]

La rápida adopción de herramientas de inteligencia artificial generativa a partir de 2023 ha reducido el costo de producción de contenido, aumentando el volumen de material disponible para que los sistemas de recomendación lo clasifiquen. Los investigadores de marketing Tianxin Zou, Zijun Shi y Yue Wu analizaron los efectos sobre el bienestar mediante modelos basados ​​en la teoría de juegos. Descubrieron que, cuando estas herramientas solo mejoran modestamente la calidad del contenido de baja calidad, la afluencia de dicho contenido desplaza la producción de contenido de alta calidad, reduciendo el bienestar del consumidor y las ganancias totales de los creadores. El efecto negativo es más probable cuando las plataformas filtran eficazmente la calidad del contenido, ya que el filtrado amplifica la visibilidad que obtiene el material de baja calidad mejorado. [ 42 ]

El gráfico de barras muestra que el 15 % de las búsquedas derivaron en un clic en un resultado tradicional cuando no se mostraba una descripción general de la IA, en comparación con el 8 % cuando sí se mostraba una descripción general de la IA.
Porcentaje de búsquedas en Google en las que los usuarios hicieron clic en un resultado de búsqueda tradicional, con y sin una descripción general de la IA. Hacer clic en un resultado fue uno de los cinco resultados medidos; la mayoría de las demás visitas continuaron buscando o abandonaron Google (Pew Research Center, 2025).

La integración de grandes modelos de lenguaje en la búsqueda ha introducido una capa adicional de curación algorítmica que opera de manera diferente a los sistemas anteriores de clasificación de feeds y búsquedas. La función AI Overviews de Google, lanzada en mayo de 2024, muestra un resumen generado encima de la lista convencional de resultados de búsqueda. Un análisis del Pew Research Center publicado en julio de 2025, basado en la actividad de navegación de 900 adultos estadounidenses durante marzo de 2025, encontró que los usuarios hicieron clic en un resultado de búsqueda tradicional en el 8 por ciento de las visitas cuando había un AI Overview presente, en comparación con el 15 por ciento cuando no aparecía ningún resumen. Los usuarios hicieron clic en enlaces dentro del propio resumen de IA en aproximadamente el 1 por ciento de las visitas, y eran más propensos a finalizar su sesión de navegación después de ver un resumen. [ 43 ] El académico de comunicaciones Dan Valeriu Voinea ha argumentado que los motores de respuesta conversacional, junto con los sistemas de recomendación de noticias, median cada vez más qué fuentes son visibles para los usuarios, con las empresas de plataformas y los proveedores de IA actuando como guardianes cuyos objetivos de optimización pueden divergir de los valores periodísticos de las noticias. [ 44 ]

Burbujas de filtro y cámaras de eco

Diagrama de dos paneles. Izquierda: el contenido de dos figuras fluye hacia un engranaje; solo una figura pasa a través de él hacia una burbuja punteada que contiene a un único usuario, mientras que la otra figura se desvía. Derecha: un anillo de cinco usuarios conectados se pasa la misma figura entre sí, mientras que dos usuarios no conectados con una figura diferente se encuentran fuera del anillo.
Una burbuja de filtro (izquierda), en la que un algoritmo selecciona lo que ve un solo usuario, en comparación con una cámara de eco (derecha), en la que usuarios con ideas afines comparten contenido entre sí.

La idea de que la personalización algorítmica puede limitar la exposición de los usuarios a la información se expresa a menudo mediante dos conceptos relacionados. El activista de internet Eli Pariser acuñó el término burbuja de filtro para referirse a los filtros personalizados que crean un entorno informativo distinto para cada usuario en función de predicciones sobre lo que harán y querrán a continuación. [ 45 ] El concepto relacionado de cámara de eco , asociado al jurista Cass Sunstein , se refiere a la creciente capacidad de los usuarios para filtrar lo que ven y a la creciente capacidad de los proveedores para filtrar la información por ellos, reduciendo así la exposición no planificada a puntos de vista que no habrían elegido de antemano. [ 46 ]

La investigación empírica ha proporcionado un apoyo limitado a la forma fuerte de la hipótesis de la burbuja de filtro. Un estudio de 2015 de 10,1  millones de usuarios de Facebook en Estados Unidos encontró que la clasificación algorítmica redujo la exposición a contenido ideológicamente transversal en aproximadamente un 15 por ciento. Las propias decisiones de los usuarios sobre en qué hacer clic limitaron dicha exposición más que el algoritmo de clasificación. [ 47 ] Un estudio del historial de navegación web de 50 000 lectores de noticias en Estados Unidos encontró que los motores de búsqueda y las redes sociales estaban asociados con una mayor distancia ideológica promedio entre individuos. También estaban asociados con una mayor exposición a material del lado menos preferido del espectro político de un lector. Los autores juzgaron que los efectos generales eran modestos, señalando que la mayor parte del consumo de noticias en línea provenía de visitas directas a medios de comunicación convencionales. [ 48 ] Un estudio basado en encuestas de 2018 concluyó que solo una pequeña proporción de personas existe dentro de cámaras de eco, porque la mayoría utiliza una variedad de fuentes de medios. Encontró que el interés político y el uso diverso de medios redujeron aún más la probabilidad de encierro ideológico. [ 49 ]

Contenido político y polarización

Gráfico de barras. En el Reino Unido, los tuits laboristas se amplificaron un 112 por ciento y los tuits conservadores un 176 por ciento; en Canadá, los tuits liberales un 43 por ciento y los tuits conservadores un 167 por ciento, todo ello en relación con una línea de tiempo cronológica.
Amplificación de los tuits de los principales partidos mayoritarios en los dos países con mayor impacto en el estudio de Huszár, en relación con una cronología inversa.

Las investigaciones sobre si las recomendaciones algorítmicas amplifican el contenido político en una dirección ideológica particular han arrojado resultados diversos en distintas plataformas, metodologías y periodos de tiempo. Los estudios de X han identificado efectos direccionales, [ 50 ] [ 51 ] mientras que un experimento en Facebook encontró efectos medibles limitados en las actitudes políticas, y un estudio contrafactual con bots en YouTube encontró que las preferencias de los usuarios desempeñaron un papel más importante que las recomendaciones en el consumo partidista. [ 52 ] [ 30 ]

Un estudio a gran escala se basó en un experimento aleatorio de larga duración cuyo grupo de control incluyó casi dos millones de cuentas de Twitter activas diariamente. A nivel de partido agregado, la cronología clasificada amplificó a la derecha tradicional más que a la izquierda tradicional en seis de los siete países. El efecto fue más fuerte en Canadá, donde los tuits de los liberales se amplificaron en un 43 % frente al 167 % de los conservadores. En el Reino Unido, las cifras fueron del 112 % para el Partido Laborista y del 176 % para los conservadores. [ 50 ] El estudio también encontró una mayor amplificación agregada de las fuentes de noticias estadounidenses de tendencia derechista, aunque los resultados variaron según la clasificación de sesgo mediático utilizada. No identificó la causa de la asimetría de tendencia derechista. A nivel individual, la amplificación no se asoció significativamente con la afiliación partidista de los políticos, y los partidos de extrema izquierda y extrema derecha generalmente se amplificaron menos que los partidos centristas. [ 50 ]

Una auditoría de cuentas falsas realizada en 2025 a X durante las elecciones presidenciales de Estados Unidos de 2024 reveló un patrón diferente. La auditoría desplegó 120 cuentas de monitoreo y descubrió que tanto las cuentas de izquierda como las de derecha recibieron una mayor exposición a contenido ideológicamente alineado y una menor exposición a puntos de vista opuestos. Las cuentas neutrales recién creadas, que no seguían a nadie, recibieron por defecto un sesgo de derecha en el contenido recomendado. El algoritmo de X también amplificó a comentaristas políticos e influencers junto con los medios tradicionales y las figuras políticas, un cambio con respecto a los patrones observados en estudios anteriores. [ 51 ]

Estudios experimentales a gran escala de Facebook e Instagram durante las elecciones presidenciales de Estados Unidos de 2020 encontraron que la clasificación algorítmica alteró la mezcla de contenido político que los usuarios encontraron, pero produjo efectos medibles limitados en las actitudes políticas o la polarización durante el período de estudio. [ 52 ] [ 53 ] Una auditoría de 2025 encontró que la clasificación basada en la interacción alteró el contenido político mostrado y las evaluaciones inmediatas de los grupos políticos por parte de los usuarios. [ 14 ] Los experimentos de Meta evaluaron las actitudes políticas, [ 52 ] [ 53 ] mientras que Huszár y colegas midieron la amplificación del contenido político. [ 50 ]

La investigación sobre los motores de búsqueda ha examinado si los algoritmos de clasificación producen efectos comparables. Experimentos controlados con 4556 votantes indecisos en Estados Unidos e India revelaron que las clasificaciones de búsqueda sesgadas podían modificar las preferencias de voto en un 20 % o más, sin que la mayoría de los participantes fueran conscientes de la manipulación; los investigadores denominaron a esto el efecto de manipulación del motor de búsqueda. [ 54 ] Una auditoría del cuadro de noticias principales de Google realizada por Daniel Trielli y Nicholas Diakopoulos reveló que las impresiones se concentraban en un pequeño número de medios de comunicación convencionales y se inclinaban hacia las fuentes de noticias de tendencia izquierdista, que representaban el 62,4 % de las impresiones frente al 11,3 % de las fuentes de tendencia derechista; los autores atribuyeron el desequilibrio principalmente al mayor volumen de material informativo publicado por medios de comunicación de tendencia izquierdista, más que a un sesgo en el algoritmo en sí. [ 55 ] Sin embargo, un estudio que rastreó la actividad de búsqueda de Google de usuarios reales durante las elecciones estadounidenses de 2018 y 2020 encontró que la identificación partidista tenía una relación pequeña e inconsistente con las fuentes de noticias que el algoritmo de Google mostraba a los usuarios, pero una relación mayor y más consistente con las fuentes en las que los usuarios elegían hacer clic e interactuar. Los autores concluyeron que la elección del usuario, en lugar de la curación algorítmica, era el principal impulsor de la exposición a noticias partidistas y poco fiables a través de la búsqueda. [ 56 ]

Salud mental y menores

Diagrama comparativo. A la izquierda se muestran cuatro publicaciones apiladas verticalmente, ordenadas cronológicamente de la más reciente a la más antigua. A la derecha se muestran las mismas cuatro publicaciones reordenadas según la interacción prevista, con una publicación más antigua en la parte superior por tener la puntuación más alta.
Un feed cronológico (izquierda) comparado con un feed clasificado algorítmicamente (derecha). El contenido con mayor interacción se coloca en la parte superior; el contenido con menor interacción se prioriza por debajo.

Los efectos de las recomendaciones algorítmicas en la salud mental de los usuarios jóvenes se han convertido en objeto de debate político en diversas jurisdicciones. Una investigación del Wall Street Journal reveló que el algoritmo de TikTok podía restringir las recomendaciones a contenido relacionado con autolesiones, trastornos alimentarios o consumo de drogas a las pocas horas de que un usuario mostrara interés en contenido similar. [ 57 ] Un informe de Amnistía Internacional de 2023 llegó a conclusiones similares sobre la sección " Para ti " de TikTok , argumentando que las recomendaciones dirigidas podrían intensificar rápidamente la exposición a contenido depresivo y relacionado con autolesiones entre usuarios jóvenes vulnerables. [ 58 ]

Un miembro del equipo de confianza y seguridad de TikTok, que habló con la BBC en 2025, afirmó que el sistema interno de la empresa priorizaba los casos relativamente triviales que involucraban a políticos sobre los casos que implicaban daños a adolescentes. En un ejemplo mostrado a la BBC, se priorizó el caso de una figura política que había sido objeto de burlas en línea sobre el de una joven de 16 años en Irak que denunció que se estaban compartiendo en la plataforma imágenes sexualizadas que supuestamente eran suyas. El empleado indicó que la empresa priorizaba los casos políticos para mantener relaciones con políticos y gobiernos y evitar regulaciones o prohibiciones, y no por la gravedad del daño denunciado. TikTok rechazó esta interpretación, afirmando que los flujos de trabajo especializados para ciertos problemas no conllevaban la despriorización de los casos de seguridad infantil , que eran gestionados por equipos especializados dentro de estructuras de revisión paralelas. [ 39 ]

La psicóloga social Shoshana Zuboff situó estos sistemas orientados a la participación dentro de una crítica más amplia de los modelos de negocio de las plataformas, argumentando que el comportamiento del usuario se extrae como "excedente conductual" y se procesa en productos predictivos, con sistemas automatizados cada vez más diseñados para moldear el comportamiento hacia resultados comerciales garantizados. [ 59 ]

Estas preocupaciones han influido en la actividad legislativa. La Ley de Seguridad en Línea para Niños (KOSA), presentada como S.1409 en 2023, exigiría a las plataformas cubiertas permitir que los menores opten por no participar en los sistemas de recomendación personalizados e impondría un deber de cuidado con respecto a los daños vinculados al diseño de la plataforma. [ 60 ] El Senado aprobó KOSA en julio de 2024. [ 61 ] Un nuevo proyecto de ley KOSA, S.1748, fue presentado en mayo de 2025. [ 62 ] La Ley de Nueva York para Detener la Explotación de Feeds Adictivos (SAFE) para Niños , promulgada en junio de 2024, restringe los feeds personalizados algorítmicamente para usuarios menores de 18 años a menos que se otorgue el consentimiento de los padres. Sin consentimiento, a los menores solo se les mostrará contenido de las cuentas que siguen o que seleccionen de otra manera, en una secuencia establecida, como el orden cronológico. La Ley entra en vigor 180 días después de que el fiscal general del estado finalice las normas de implementación, que se publicaron en forma de propuesta en septiembre de 2025. [ 63 ] En el Reino Unido, el regulador de comunicaciones Ofcom finalizó sus Códigos de Prácticas de Protección de Niños en virtud de la Ley de Seguridad en Línea de 2023 el 24 de abril de 2025. A partir del 25 de julio de 2025, cualquier proveedor que opere un sistema de recomendación que su evaluación de riesgos califique como de riesgo medio o alto para contenido dañino debe configurar el sistema para filtrar dicho contenido de los feeds de los niños. [ 64 ]

Uso y control estatal

Diagrama de flujo. Un círculo para las cuentas centrales intercambia contenido en ambas direcciones con cinco círculos para las cuentas locales; las tarjetas de contenido de cada cuenta local pasan por un engranaje etiquetado como promoción algorítmica y llegan a un grupo de usuarios.
El modelo descentralizado descrito por Lu y sus colegas, en el que el contenido fluye entre cuentas vinculadas al gobierno central y local y luego se promueve algorítmicamente.

La investigación ha examinado cómo los actores estatales interactúan con los sistemas de visibilidad de las plataformas, tanto produciendo contenido diseñado para su distribución algorítmica como desplegando cuentas automatizadas para moldear lo que se ve. [ 65 ] [ 66 ]

Un estudio de 2025 realizado por Yingdan Lu y sus colegas identificó más de 18.000 cuentas afiliadas al régimen en Douyin (la aplicación hermana china de TikTok ) que publicaron más de cinco millones de vídeos, lo que los autores caracterizaron como un sistema de propaganda estatal descentralizado. En lugar de depender del control de los algoritmos de clasificación y recomendación de la plataforma, que según los autores no pueden por sí solos llegar a audiencias fragmentadas, el modelo movilizó un gran número de cuentas vinculadas al gobierno que producían grandes volúmenes de contenido variado que circulaba entre cuentas centrales y locales y que luego podía ser promocionado algorítmicamente. Los autores concluyeron que este enfoque descentralizado podía llegar a audiencias fragmentadas de forma más eficaz que un sistema centralizado y jerárquico. [ 65 ]

En contextos autoritarios, las cuentas automatizadas pueden funcionar junto con los algoritmos de la plataforma para moldear la visibilidad de la información. Un estudio de Twitter en persa durante la primera ola de la pandemia de COVID-19 encontró que los grupos pro-régimen contenían una alta proporción de cuentas bot, con un grupo compuesto por un 76 % de usuarios automatizados. Estos bots usaban estrategias de encuadre similares a las de los partidarios humanos del régimen, pero operaban de manera coordinada para amplificar las narrativas progubernamentales y suprimir el contenido disidente. Las comunidades anti-régimen también contenían cuentas automatizadas, aunque sus grupos estaban dirigidos principalmente por usuarios no bot. [ 66 ] La investigación también ha examinado cómo responden los usuarios a la supresión algorítmica percibida del contenido político. Un estudio de 2025 sobre usuarios palestinos de redes sociales durante los eventos de Sheikh Jarrah en mayo de 2021 encontró que los activistas informaron haber experimentado censura encubierta y degradación de contenido en plataformas como Instagram y Facebook. En respuesta, desarrollaron estrategias de elusión, como alterar el lenguaje, usar términos codificados y coordinar los horarios de publicación para mantener la visibilidad dentro de los sistemas de clasificación algorítmica. [ 67 ]

Métodos de estudio

La investigación sobre la amplificación algorítmica se ve limitada por el acceso independiente restringido al funcionamiento interno de los sistemas de recomendación de plataformas. Un informe de 2021 del Instituto Ada Lovelace identificó seis métodos técnicos disponibles para auditar dichos sistemas: auditorías de código , encuestas a usuarios, auditorías de web scraping, auditorías de API , auditorías de sock puppet y auditorías de crowdsourcing, cada una con sus propias limitaciones y desafíos. [ 68 ]

También se han obtenido pruebas a partir de experimentos aleatorios realizados por las propias plataformas. El estudio de Huszár et al. sobre el algoritmo de recomendación de Twitter utilizó un experimento aleatorio de larga duración mantenido por la plataforma, en el que un grupo de control de casi dos millones de cuentas activas diarias recibió un feed en orden cronológico inverso en lugar de uno clasificado algorítmicamente. [ 50 ] Meta realizó experimentos similares en 2020, en los que desactivó la clasificación algorítmica para usuarios de Facebook e Instagram seleccionados aleatoriamente durante las elecciones presidenciales de EE. UU. [ 53 ] Los experimentos realizados por las plataformas pueden proporcionar muestras grandes y comparaciones controladas, pero el escrutinio externo depende de que las empresas otorguen acceso a sus sistemas y datos. [ 50 ] [ 68 ]

Diagrama de izquierda a derecha. A la izquierda, tres tarjetas muestran un icono de persona y una letra (A, B o C) que representan cuentas automatizadas con perfiles controlados. Flechas conectan las tres tarjetas con un recuadro central que contiene un engranaje, etiquetado como "sistema de recomendación". Flechas conectan el recuadro con tres pilas de tarjetas de contenido a la derecha, cada una marcada con la letra correspondiente. Un corchete agrupa las tres pilas con la etiqueta "resultados comparados".
Auditoría de cuentas ficticias: las cuentas automatizadas con perfiles controlados utilizan una plataforma, y ​​las recomendaciones que se devuelven a cada cuenta se registran y comparan.

Cuando no es posible la cooperación de la plataforma, los investigadores han utilizado métodos externos. Las auditorías de cuentas falsas crean cuentas artificiales con características controladas para observar qué contenido se les recomienda. La auditoría de Ye, Luceri y Ferrara desplegó 120 cuentas falsas de cuatro orientaciones políticas en X durante las elecciones presidenciales de EE. UU. de 2024, recopilando más de nueve millones de publicaciones recomendadas en seis semanas. [ 51 ] El método permite a los investigadores aislar el comportamiento algorítmico de las elecciones individuales de los usuarios, pero las cuentas artificiales no interactúan con el contenido como lo hacen los usuarios reales, lo que plantea dudas sobre la validez ecológica. Un estudio de simulación de 2024 realizado por Paul Bouchaud y Pedro Ramaciotti descubrió que las decisiones de diseño en las auditorías de cuentas falsas, incluido el número de cuentas seguidas y la duración de las sesiones de navegación simuladas, podían alterar las conclusiones extraídas sobre la misma plataforma. [ 69 ]

Los estudios de donación de datos adoptan un enfoque diferente, reclutando usuarios reales para que instalen extensiones de navegador que registren las recomendaciones que reciben. Este enfoque captura la experiencia genuina del usuario, pero introduce un sesgo de autoselección , ya que los participantes pueden no ser representativos de la población general de usuarios. [ 69 ]

Estas limitaciones metodológicas han influido en las respuestas regulatorias. La DSA exige que las plataformas en línea de gran tamaño, definidas como aquellas con más de 45 millones de usuarios activos mensuales en la Unión Europea, proporcionen acceso a los datos a los investigadores autorizados. [ 2 ] Académicos de la Universidad de Sussex señalaron que la Ley de Seguridad en Línea permite a Ofcom solicitar información a los servicios categorizados sobre los algoritmos que afectan la visualización, promoción, restricción o recomendación de contenido. [ 70 ]

Regulación

Los gobiernos han adoptado enfoques muy diferentes para regular los sistemas de recomendación. La Unión Europea y el Reino Unido imponen obligaciones de transparencia y evaluación de riesgos a las grandes plataformas. En Estados Unidos, no se ha promulgado ninguna ley federal integral, aunque se han presentado varios proyectos de ley. China exige a los proveedores que registren sus algoritmos ante los reguladores y que permitan a los usuarios desactivar las recomendaciones personalizadas.

unión Europea

La DSA, que se aplicó plenamente a todas las plataformas el 17 de febrero de 2024, exige que las plataformas en línea de gran tamaño evalúen y mitiguen los riesgos sistémicos asociados con los sistemas de recomendación, incluidos los riesgos para el discurso público, los derechos fundamentales y la salud mental de los menores. Las plataformas deben ofrecer a los usuarios al menos una opción de recomendación que no se base en la elaboración de perfiles. El artículo 27 de la DSA exige transparencia sobre cómo se generan las recomendaciones, mientras que los artículos 34 y 35 imponen obligaciones adicionales a las plataformas en línea y los motores de búsqueda de gran tamaño. [ 71 ] [ 72 ] En octubre de 2024, la Comisión Europea solicitó información a YouTube, Snapchat y TikTok sobre el diseño de sus sistemas de recomendación y su papel en la amplificación de los riesgos relacionados con las elecciones, el discurso cívico y la seguridad infantil. [ 73 ]

Reino Unido

La Ley de Seguridad en Línea de 2023 exige a los proveedores que evalúen cómo los algoritmos pueden aumentar la exposición de los usuarios a contenido ilegal y la de los niños a contenido dañino. Posteriormente, los proveedores deben mitigar los riesgos identificados a través de sus sistemas, diseño y algoritmos. Las obligaciones relativas al contenido ilegal entraron en vigor el 17 de marzo de 2025. Los servicios a los que probablemente accedan los niños debían completar las evaluaciones de riesgo para menores antes del 24 de julio de 2025. [ 74 ]

In July 2025, the House of Commons Science, Innovation and Technology Committee concluded that the Online Safety Act did not adequately address the algorithmic amplification of legal but harmful content. The committee cited the 2024 Southport riots and recommended that platforms deprioritise content found misleading by fact-checkers. It also said that government lacked accurate, current information about recommendation algorithms and recommended independent research to inform future standards and duties.[4] University of Sussex scholars giving evidence to the committee argued that the Act lacks safety duties focused specifically on the development and adoption of recommendation algorithms. They acknowledged that its broader risk duties can apply to algorithmic systems.[70]

The Online Safety Act's categorisation framework also raised questions about how regulation designed for platforms that use algorithmic recommendation applies to those that do not. In 2025, the Wikimedia Foundation filed a judicial review challenging the categorisation regulations, which it said could place Wikipedia under the Act's strictest tier of obligations. The foundation argued that Category 1 duties, among them user identity verification, would undermine the privacy and safety of its volunteer contributors and expose the encyclopaedia to manipulation and vandalism.[75][76] The High Court dismissed the challenge in August 2025 but stated that the ruling did not give Ofcom or the government "a green light to implement a regime that would significantly impede Wikipedia's operations", and that the foundation could bring a further challenge if Ofcom wrongly concluded that Wikipedia fell within Category 1.[75]

Ofcom published the register on 30 June 2026. Category 1 designation applies to services that exceed a user-number threshold and use a content recommender system, and eleven services were placed in that category, among them Facebook, Instagram, TikTok, X, and YouTube. Wikipedia was not designated, but was added to a separate list of emerging Category 1 services, which carries no additional duties under the Act.[77] The Wikimedia Foundation said it was relieved by the decision, while noting that Wikipedia could be reassessed at any time.[76]

United States

Hasta julio de 2026, no se había promulgado ninguna legislación federal que regulara específicamente la amplificación algorítmica. La Ley de Transparencia de la Burbuja de Filtro, presentada en varias sesiones del Congreso desde 2019, buscaba exigir a las plataformas que ofrecieran alternativas a los feeds clasificados algorítmicamente. [ 3 ] El Senado aprobó KOSA en julio de 2024, y un nuevo proyecto de ley KOSA, S.1748, se presentó en mayo de 2025. [ 61 ] [ 62 ] En junio de 2026, la Cámara de Representantes aprobó la Ley de Seguridad Digital e Internet para Niños (KIDS) por 267 votos a favor y 117 en contra. El proyecto de ley exigiría a las plataformas que ofrecieran a los niños formas de limitar las funciones adictivas y que adoptaran políticas que abordaran los daños, incluida la explotación sexual. El Senado había apoyado estándares más estrictos, incluido un deber de cuidado, lo que generó un posible conflicto entre las cámaras. [ 78 ] A nivel estatal, la Ley SAFE For Kids de Nueva York (2024) restringe las publicaciones personalizadas algorítmicamente para usuarios menores de 18 años sin el consentimiento de los padres, y entra en vigor una vez que el fiscal general del estado finalice las normas de implementación. [ 63 ]

Porcelana

El investigador de medios Jian Xu describe a China como el primer país del mundo en promulgar y aplicar leyes que regulan los algoritmos y la inteligencia artificial generativa. [ 79 ] Las Disposiciones sobre la Gestión de Recomendaciones Algorítmicas en el Servicio de Información de Internet, emitidas conjuntamente por la Administración del Ciberespacio de China y otras tres agencias, entraron en vigor el 1 de marzo de 2022 y fueron la primera regulación de algoritmos de China con fuerza legal. Exigen que las plataformas de Internet permitan a los usuarios desactivar las recomendaciones personalizadas y prohíben el uso de algoritmos para difundir contenido ilegal o dañino, para inducir adicción a Internet entre menores o para discriminar en los precios a los clientes recurrentes. Los proveedores cuyos servicios poseen atributos de opinión pública o capacidad de movilización social deben registrar sus algoritmos ante la Administración del Ciberespacio, incluyendo detalles de sus datos, modelos y mecanismos de prevención de riesgos. La administración publicó el primer lote de 30 registros en agosto de 2022, que abarca a la mayoría de las principales empresas tecnológicas chinas, entre ellas Alibaba , Tencent , ByteDance y Baidu . Para abril de 2023, se habían registrado 262 proveedores. [ 79 ]

Xu ha argumentado que las implicaciones ideológicas y políticas de las aplicaciones algorítmicas son la principal preocupación de los reguladores chinos, y que el papel protagónico de la Administración del Ciberespacio refleja esta prioridad. El marco regulatorio se desarrolló en tres fases: sanciones iniciales posteriores al incidente contra las empresas tecnológicas, seguidas de directrices éticas y pactos de autodisciplina de la industria, y finalmente, legislación vinculante. Xu señaló que los requisitos de transparencia se aplican solo a los algoritmos utilizados por plataformas comerciales, no a aquellos utilizados para la toma de decisiones gubernamentales o la administración pública. [ 79 ]

Debate

Una mujer con cabello oscuro y rizado y gafas sostiene un micrófono mientras está sentada.
Shoshana Zuboff, cuya crítica a las recomendaciones basadas en la participación constituye una de las líneas de debate.

El debate académico y político sobre la amplificación algorítmica se ha centrado en si la recomendación basada en la interacción representa un problema estructural en el diseño de plataformas, [ 59 ] y en cuán grandes son sus efectos en relación con otros factores que dan forma al consumo de información. [ 30 ] [ 52 ]

Zuboff ha caracterizado la recomendación basada en la interacción como parte de una lógica económica más amplia en la que la atención del usuario y los datos de comportamiento son extraídos y mercantilizados por las empresas de plataformas. [ 59 ] Born y Díaz han argumentado desde una perspectiva de teoría cultural que la personalización en los sistemas de recomendación debilita las experiencias compartidas de las que depende la ciudadanía cultural. [ 23 ]

El estudio contrafactual de YouTube de 2024 encontró que las preferencias del usuario fueron un impulsor más significativo del consumo partidista que el algoritmo en sí. [ 30 ] En experimentos separados en las plataformas de Meta durante el ciclo electoral de 2020, la clasificación algorítmica alteró la mezcla de contenido pero tuvo efectos medibles limitados en las actitudes. [ 52 ] [ 53 ]

El debate político sobre la amplificación algorítmica en Estados Unidos se ha visto influenciado por afirmaciones contrapuestas. Políticos republicanos, incluidos los republicanos del Comité Judicial de la Cámara de Representantes , han alegado que las plataformas suprimen los puntos de vista conservadores mediante la moderación y la clasificación de contenido. [ 80 ] Florida y Texas promulgaron leyes en 2021 que restringen las opciones de moderación de contenido de las plataformas, incluso en función de la opinión. [ 81 ] Otros investigadores han informado que los feeds clasificados pueden favorecer el contenido político de derecha. [ 50 ] El informe de NYU Stern de 2021 afirmó que ningún estudio fiable a gran escala había demostrado que se eliminara contenido conservador por razones ideológicas. Citó las clasificaciones de participación de Facebook, en las que las páginas de derecha a menudo obtenían buenos resultados. [ 80 ]

La cuestión de si los gobiernos pueden regular la curación algorítmica sin infringir los derechos de libertad de expresión de las plataformas se ha puesto a prueba en los tribunales. En Moody v. NetChoice (2024), la Corte Suprema examinó las impugnaciones basadas en la Primera Enmienda a las leyes de Florida y Texas. La mayoría analizó el News Feed de Facebook y la página de inicio de YouTube en las actas presentadas ante ella. Afirmó que la selección, el ordenamiento, el etiquetado y la eliminación de publicaciones de terceros en esos feeds implicaban decisiones editoriales protegidas. La Corte también declaró que Texas no podía justificar la alteración de los feeds simplemente para cambiar el equilibrio de puntos de vista. No obstante, anuló ambas sentencias de apelación y devolvió los casos porque los tribunales inferiores no habían evaluado el alcance completo de las aplicaciones de las leyes requeridas para las impugnaciones generales. [ 81 ]

Otra línea de debate se centra en si reducir la distribución algorítmica de un elemento, en lugar de eliminarlo, ofrece una forma de limitar el daño sin restringir la libertad de expresión. La investigadora de desinformación Renée DiResta argumentó que no existe un derecho a la amplificación algorítmica y que «la libertad de expresión no es lo mismo que el libre alcance». Enmarcó la reducción de la distribución, o desamplificación, como algo distinto de la eliminación del contenido. [ 82 ]

Las alternativas técnicas propuestas han intentado abordar algunas de estas preocupaciones. Un análisis exploratorio en la auditoría de 2025 encontró que reordenar los tuits recopilados según las preferencias declaradas de los usuarios redujo la ira, el partidismo y la animosidad hacia otros grupos, pero podría aumentar la exposición a contenido ideológicamente alineado. [ 14 ]

Referencias

  1. 1 2 Gillespie, Tarleton (2018). Custodians of the Internet: Platforms, Content Moderation, and the Hidden Decisions That Shape Social Media . Yale University Press. pp.  7, 187. ISBN 978-0-300-17313-0.
  2. 1 2 «Reglamento (UE) 2022/2065 del Parlamento Europeo y del Consejo relativo a un mercado único de servicios digitales (Ley de Servicios Digitales)» . Diario Oficial de la Unión Europea. 27 de octubre de 2022. Consultado el 4 de marzo de 2026 .
  3. 1 2 "S.2024 – Ley de Transparencia de la Burbuja de Filtro" . Congreso de los Estados Unidos. 10 de junio de 2021. Consultado el 4 de marzo de 2026 .
  4. 1 2 "El régimen de seguridad en línea del Reino Unido es incapaz de combatir la propagación de la desinformación y no puede mantener seguros a los usuarios en línea, advierten los parlamentarios" . Parlamento del Reino Unido. 11 de julio de 2025. Consultado el 4 de marzo de 2026 .
  5. ↑ «Declaración Conjunta sobre IA, Libertad de Expresión y Libertad de Prensa» (PDF) . Oficina del Alto Comisionado de las Naciones Unidas para los Derechos Humanos. 24 de octubre de 2025. Consultado el 12 de marzo de 2026 .
  6. ↑ Jannach, Dietmar; Pu, Pearl; Ricci, Francesco; Zanker, Markus (2021). "Sistemas de recomendación: pasado, presente, futuro" . AI Magazine . 42 (3). Asociación para el Avance de la Inteligencia Artificial: 3–6 . doi : 10.1609/aimag.v42i3.18139 . Recuperado el 11 de marzo de 2026 .
  7. ↑ Constine, Josh (6 de septiembre de 2016). "Cómo funciona el Feed de noticias de Facebook" . TechCrunch . Recuperado el 4 de marzo de 2026 .
  8. ↑ Lardinois, Frederic (12 de octubre de 2012). "YouTube cambia su algoritmo de clasificación de búsqueda para centrarse en la interacción, no solo en los clics" . TechCrunch . Consultado el 4 de marzo de 2026 .
  9. ↑ Smith, Ben (5 de diciembre de 2021). "Cómo TikTok lee tu mente" . The New York Times . Recuperado el 4 de marzo de 2026 .
  10. ↑ Bonini, Tiziano; Gandini, Alessandro (2019). ""La primera semana es editorial, la segunda es algorítmica": los guardianes de la plataforma y la plataformización de la curación musical" . Social Media + Society . 5 (4) 2056305119880006. doi : 10.1177/2056305119880006 . hdl : 11365/1086240 .
  11. ↑ Smith, Brent; Linden, Greg (2017). "Dos décadas de sistemas de recomendación en Amazon.com". IEEE Internet Computing . 21 (3): 12– 18. Bibcode : 2017IIC....21c..12S . doi : 10.1109/MIC.2017.72 .
  12. ↑ Adler, Amy (2024). "Arousal by Algorithm" . Cornell Law Review . 109 : 787–843 . Recuperado el 26 de marzo de 2026 .
  13. ^ Ricci , Francesco; Rokach, Lior; Shapira, Bracha (2015). Manual de sistemas de recomendación . Saltador. págs. 2 y 3. ISBN  978-1-4899-7637-6.
  14. 1 2 3 4 Milli, Smitha; Carroll, Micah; Wang, Yike; Pandey, Sashrika; Zhao, Sebastian; Dragan, Anca D. (2025). "Participación, satisfacción del usuario y amplificación de contenido divisivo en las redes sociales" . PNAS Nexus . 4 (3) pgaf062. doi : 10.1093/pnasnexus/ pgaf062 . PMC 11894805. PMID 40070432 .  
  15. ↑ Salganik, Matthew J.; Dodds, Peter S.; Watts, Duncan J. (2006). "Estudio experimental de la desigualdad y la imprevisibilidad en un mercado cultural artificial". Science . 311 (5762): 854– 856. Bibcode : 2006Sci...311..854S . doi : 10.1126/science.1121066 . PMID 16469928 . 
  16. ↑ Mansoury, Masoud; Abdollahpouri, Himan; Pechenizkiy, Mykola; Mobasher, Bamshad; Burke, Robin (2020). "Bucle de retroalimentación y amplificación del sesgo en sistemas de recomendación". Actas de la 29.ª Conferencia Internacional ACM sobre Gestión de la Información y el Conocimiento . págs. 2145–2148 . arXiv : 2007.13019 . doi : 10.1145/3340531.3412152 . 
  17. ↑ Chaney, Allison JB; Stewart, Brandon M.; Engelhardt, Barbara E. (2018). "Cómo la confusión algorítmica en los sistemas de recomendación aumenta la homogeneidad y disminuye la utilidad". Actas de la 12.ª Conferencia ACM sobre Sistemas de Recomendación . págs. 224–232 . arXiv : 1710.11214 . doi : 10.1145/3240323.3240370 . 
  18. ↑ Helberger, Natali; Karppinen, Kari; D'Acunto, Luca (2018). "Diversidad de exposición como principio de diseño para sistemas de recomendación". Information, Communication & Society . 21 (2): 191– 207. doi : 10.1080/1369118X.2016.1271900 . hdl : 10138/230192 .
  19. ^ Jafar, Zain; Rápido, Jonathan D.; Larson, Heidi J.; Venegas-Vera, Verner; Nápoles, Felipe; Musuka, Godfrey; Dzinamarira, Tafadzwa; Meena, Kolar Sridara; Kanmani, T. Raju; Rimányi, Eszter (2023). "Las redes sociales para la salud pública: cosechar los beneficios y mitigar los daños" . Perspectivas de promoción de la salud . 13 (2): 105– 112. doi : 10.34172/hpp.2023.13 . PMC 10439458 . PMID 37600540 .  
  20. ↑ Tufekci, Zeynep (2017). Twitter y gas lacrimógeno: El poder y la fragilidad de la protesta en red . Yale University Press. págs. 133–134 . ISBN  978-0-300-21512-0.
  21. ↑ Reuter, Christian; Kaufhold, Marc-André (2018). "Quince años de redes sociales en emergencias: una revisión retrospectiva y direcciones futuras para la informática de crisis". Journal of Contingencies and Crisis Management . 26 (1): 41– 57. doi : 10.1111/1468-5973.12196 .
  22. ↑ "El impacto de los algoritmos de recomendación en la industria musical del Reino Unido" . Centro de Ética e Innovación de Datos; Departamento de Cultura, Medios de Comunicación y Deporte Digital. 9 de febrero de 2023. Consultado el 11 de marzo de 2026 .
  23. 1 2 Born, Georgina; Diaz, Fernando (24 de julio de 2024). "Una perspectiva de los medios de servicio público sobre la amplificación algorítmica del contenido cultural" . Knight First Amendment Institute en la Universidad de Columbia . Recuperado el 11 de marzo de 2026 .
  24. ↑ Vosoughi, Soroush; Roy, Deb; Aral, Sinan (2018). "La difusión de noticias verdaderas y falsas en línea". Science . 359 (6380): 1146– 1151. Bibcode : 2018Sci...359.1146V . doi : 10.1126/science.aap9559 . PMID 29590045 . 
  25. ↑ "Seguimos trabajando para mejorar las recomendaciones en YouTube" . Blog oficial de YouTube. 25 de enero de 2019. Consultado el 4 de marzo de 2026 .
  26. ↑ Limbong, Andrew (28 de enero de 2019). "YouTube dejará de promocionar videos que difunden desinformación" . NPR . Consultado el 7 de julio de 2026 .
  27. 1 2 Zubrow, Keith (4 de octubre de 2021). "Un denunciante de Facebook afirma que la empresa incentiva "contenido airado, polarizador y divisivo"" . CBS News . Consultado el 7 de julio de 2026 .
  28. ↑ Merrill, Jeremy B.; Oremus, Will (26 de octubre de 2021). "Cinco puntos por enojo, uno por un 'me gusta': cómo la fórmula de Facebook fomentó la ira y la desinformación" . The Washington Post . Consultado el 16 de marzo de 2026 .
  29. ↑ Pelley, Scott (4 de octubre de 2021). "Denunciante: Facebook está engañando al público sobre el progreso en la lucha contra el discurso de odio, la violencia y la desinformación" . CBS News . Consultado el 7 de julio de 2026 .
  30. 1 2 3 4 Hosseinmardi, Homa; Ghasemian, Amir; Rivera-Lanas, Miguel; Horta Ribeiro, Manoel; West, Robert; Watts, Duncan J. (2024). "Estimación causal del efecto del sistema de recomendación de YouTube mediante bots contrafactuales" . Actas de la Academia Nacional de Ciencias . 121 (8) e2313377121. arXiv : 2308.10398 . Bibcode : 2024PNAS..12113377H . doi : 10.1073 /pnas.2313377121 . PMC 10895271. PMID 38349876 .  
  31. ↑ Duan, Zening; Li, Jianing; Lukito, Josephine; Yang, Kai-Cheng; Chen, Fan; Shah, Dhavan V.; Yang, Sijia (2022). "Agentes algorítmicos en el sistema de medios híbridos: bots sociales, amplificación selectiva y noticias partidistas sobre la COVID-19". Human Communication Research . 48 (3): 516– 542. doi : 10.1093/hcr/hqac012 .
  32. ↑ La atrocidad social: Meta y el derecho a la reparación para los rohingya (Informe). Amnistía Internacional. 29 de septiembre de 2022. Consultado el 11 de marzo de 2026 .
  33. ↑ "Se adopta el llamamiento de Christchurch para eliminar el contenido terrorista y extremista violento en línea" . Llamamiento de Christchurch . Consultado el 26 de marzo de 2026 .
  34. ↑ "Iniciativa de Christchurch Call sobre resultados algorítmicos" . Christchurch Call . Consultado el 26 de marzo de 2026 .
  35. ↑ «González contra Google LLC, 598 US 617 (2023)» . Justia. 18 de mayo de 2023 . Consultado el 26 de marzo de 2026 .
  36. ^ "Tawainna Anderson contra TikTok Inc, n.º 22-3061 (3d Cir.)" . Oyente de la corte . Consultado el 18 de mayo de 2026 .
  37. ↑ Raymond, Nate (28 de agosto de 2024). "TikTok debe enfrentar una demanda por la muerte de una niña de 10 años, dictamina un tribunal estadounidense" . Reuters . Consultado el 18 de mayo de 2026 .
  38. ↑ Whittaker, Joe; Looney, Seán; Reed, Alastair; Votta, Fabio (2021). "Sistemas de recomendación y la amplificación del contenido extremista". Internet Policy Review . 10 (2). doi : 10.14763/2021.2.1565 . hdl : 10419/235968 .
  39. 1 2 Spring, Marianna; Radford, Mike (16 de marzo de 2026). "Meta y TikTok permitieron que el contenido dañino aumentara después de que la indignación por las pruebas impulsara la participación, dicen los denunciantes" . BBC News . Recuperado el 13 de julio de 2026 .
  40. ↑ Napoli, Philip M. (2019). Redes sociales e interés público: Regulación de los medios en la era de la desinformación . Columbia University Press. pp. 113–114 , 120–122 . ISBN  978-0-231-18454-0.
  41. ↑ Lischka, Juliane A.; Garz, Marcel (2023). "Noticias sensacionalistas y curación algorítmica: Un marco de teoría de juegos de la relación entre periodismo, usuarios y plataformas" . New Media & Society . 25 (8): 2073–2094 . doi : 10.1177/14614448211027174 .
  42. ↑ Zou, Tianxin; Shi, Zijun; Wu, Yue (2026). "Implicaciones para el bienestar de la democratización en la creación de contenido: IA generativa y más allá". Journal of Marketing Research . 63 (4): 607– 625. doi : 10.1177/00222437261423540 .
  43. ↑ Chapekis, Athena; Lieb, Anna (22 de julio de 2025). "Los usuarios de Google son menos propensos a hacer clic en los enlaces cuando aparece un resumen de IA en los resultados" . Pew Research Center . Consultado el 18 de mayo de 2026 .
  44. ↑ Voinea, Dan Valeriu (2025). "Reconceptualizando el control de acceso en la era de la inteligencia artificial: una exploración teórica de la curación de noticias impulsada por inteligencia artificial y el periodismo automatizado" . Journalism and Media . 6 (2) 68. doi : 10.3390/journalmedia6020068 .
  45. ↑ Pariser, Eli (2011). La burbuja de filtros: lo que Internet te oculta . Viking. pág. 8. ISBN  978-0-14-196992-3(Libro electrónico Kindle).
  46. ↑ Sunstein, Cass R. (2018). #Republic: Democracia dividida en la era de las redes sociales . Princeton University Press. págs. 4–5 . ISBN  978-0-691-18090-8(Libro electrónico Kindle).
  47. ↑ Bakshy, Eytan; Messing, Solomon; Adamic, Lada A. (2015). "Exposición a noticias y opiniones ideológicamente diversas en Facebook". Science . 348 (6239): 1130– 1132. Bibcode : 2015Sci...348.1130B . doi : 10.1126/science.aaa1160 . PMID 25953820 . 
  48. ↑ Flaxman, Seth; Goel, Sharad; Rao, Justin M. (2016). "Burbujas de filtro, cámaras de eco y consumo de noticias en línea". Public Opinion Quarterly . 80 (S1): 298– 320. doi : 10.1093/poq/nfw006 .
  49. ↑ Dubois, Elizabeth; Blank, Grant (2018). "La cámara de eco está sobreestimada: el efecto moderador del interés político y la diversidad de los medios". Information, Communication & Society . 21 (5): 729– 745. doi : 10.1080/1369118X.2018.1428656 .
  50. 1 2 3 4 5 6 7 Huszár, Ferenc; Ktena, Sofia Ira; O'Brien, Conor; Belli, Luca; Schlaikjer, Andrew; Hardt, Moritz (2022). "Amplificación algorítmica de la política en Twitter" . Actas de la Academia Nacional de Ciencias . 119 (1 ) e2025334119. doi : 10.1073/pnas.2025334119 . PMC 8740571. PMID 34934011 .  
  51. 1 2 3 Ye, Jinyi; Luceri, Luca; Ferrara, Emilio (2025). "Auditoría del sesgo de exposición política: amplificación algorítmica en Twitter/X durante las elecciones presidenciales de EE. UU. de 2024". FAccT '25: Actas de la Conferencia ACM de 2025 sobre equidad, rendición de cuentas y transparencia . doi : 10.1145/3715275.3732159 .
  52. 1 2 3 4 5 Nyhan, Brendan; Settle, Jaime; Thorson, Emily; Wojcieszak, Magdalena; Barberá, Pablo; Chen, Annie Y.; et al. (2023). "Las fuentes de ideas afines en Facebook son frecuentes pero no polarizantes" . Nature . 620 ( 7972): 137– 144. Bibcode : 2023Natur.620..137N . doi : 10.1038/s41586-023-06297-w . PMC 10396953. PMID 37500978 .   
  53. 1 2 3 4 Guess, Andrew M.; Malhotra, Neil; Pan, Jennifer; Barberá, Pablo; Allcott, Hunt; Brown, Taylor; et al. (2023). "¿Cómo afectan los algoritmos de las redes sociales a las actitudes y el comportamiento en una campaña electoral?". Science . 381 (6656): 398– 404. Bibcode : 2023Sci...381..398G . doi : 10.1126/science.abp9364 . PMID 37498999 .  
  54. ↑ Epstein, Robert; Robertson, Ronald E. (2015). "El efecto de manipulación de los motores de búsqueda (SEME) y su posible impacto en los resultados de las elecciones" . Actas de la Academia Nacional de Ciencias . 112 (33): E4512– E4521. Bibcode : 2015PNAS..112E4512E . doi : 10.1073 / pnas.1419828112 . PMC 4547273. PMID 26243876 .  
  55. ↑ Trielli, Daniel; Diakopoulos, Nicholas (2019). "La búsqueda como curador de noticias: El papel de Google en la configuración de la atención a la información noticiosa". CHI '19: Actas de la Conferencia CHI 2019 sobre Factores Humanos en Sistemas Informáticos . Art. 453. doi : 10.1145/3290605.3300683 . 
  56. ↑ Robertson, Ronald E.; Green, Jon; Ruck, Damian J.; Ognyanova, Katherine; Wilson, Christo; Lazer, David (2023). "Los usuarios eligen interactuar con noticias más partidistas de las que se les muestran en la Búsqueda de Google". Nature . 618 (7964): 342– 348. Bibcode : 2023Natur.618..342R . doi : 10.1038/s41586-023-06078-5 . PMID 37225979 . 
  57. ↑ "Investigación: Cómo el algoritmo de TikTok descubre tus deseos más profundos" . The Wall Street Journal . 21 de julio de 2021. Consultado el 4 de marzo de 2026 .
  58. ↑ Conducidos a la oscuridad: Cómo el feed "Para ti" de TikTok fomenta la autolesión y la ideación suicida (Informe). Amnistía Internacional. 7 de noviembre de 2023. Recuperado el 11 de marzo de 2026 .
  59. 1 2 3 Zuboff, Shoshana (2019). La era del capitalismo de vigilancia: La lucha por un futuro humano en la nueva frontera del poder . Profile Books Ltd. pp. 297–298 . ISBN  9781782832744(Libro electrónico Kindle).
  60. ↑ "S.1409 – Ley de seguridad infantil en línea" . Congreso de los Estados Unidos. 2 de mayo de 2023. Consultado el 13 de julio de 2026 .
  61. 1 2 "El Senado aprueba abrumadoramente la legislación sobre la privacidad en línea de los niños" . Comité de Comercio, Ciencia y Transporte del Senado de los Estados Unidos. 30 de julio de 2024. Consultado el 25 de marzo de 2026 .
  62. 1 2 "S.1748 – Ley de seguridad infantil en línea" . Congreso de los Estados Unidos. 14 de mayo de 2025. Consultado el 4 de marzo de 2026 .
  63. 1 2 "La fiscal general James publica las normas propuestas para la Ley SAFE for Kids" . Oficina del Fiscal General del Estado de Nueva York. 15 de septiembre de 2025. Consultado el 7 de julio de 2026 .
  64. ↑ "Nuevas normas para una generación de niños más segura en línea" . Ofcom. 24 de abril de 2025. Consultado el 1 de julio de 2026 .
  65. 1 2 Lu, Yingdan; Pan, Jennifer; Xu, Xu; Xu, Yiqing (2025). "Propaganda descentralizada en la era de los medios digitales: La presencia masiva del Estado chino en Douyin" . American Journal of Political Science : 1–17 . doi : 10.1111/ajps.12990 .
  66. ^ Kermani , Hossein; Bayat Makou, Alireza; Tafreshi, Amirali; Ghodsi, Amir Mohamad; Ataee, Homa (2023). "Bots versus humanos: activismo discursivo durante la pandemia en la Twittersfera iraní" . Redes Sociales + Sociedad . 9 (4) 20563051231216927. doi : 10.1177/20563051231216927 .
  67. ↑ Elmimouni, Houda; Rüller, Sarah; Aal, Konstantin; Skop, Yarden; Abokhodair, Norah; Wulf, Volker (2025). "Explorando la resistencia algorítmica: Respuestas a la censura en las redes sociales en el activismo". Actas de la ACM sobre Interacción Humano-Computadora . 9 (CSCW) CSCW072. doi : 10.1145/3710970 .
  68. 1 2 Instituto Ada Lovelace (2021). Métodos técnicos para la inspección regulatoria de sistemas algorítmicos (Informe) . Recuperado el 20 de marzo de 2026 .
  69. 1 2 Bouchaud, Paul; Ramaciotti, Pedro (2024). "Auditando las auditorías: evaluando metodologías para auditorías de sistemas de recomendación de redes sociales" . Applied Network Science . 9 59. doi : 10.1007/s41109-024-00668-6 .
  70. 1 2 Kira, Beatriz; Asser, Zoe; Li, Phoebe; Weeds, Julie (18 de diciembre de 2024). "Pruebas escritas presentadas por Beatriz Kira, Zoe Asser, Phoebe Li y Julie Weeds (SMH0056)" . Parlamento del Reino Unido . Consultado el 4 de marzo de 2026 .
  71. ↑ «El paquete de la Ley de Servicios Digitales» . Comisión Europea . Consultado el 4 de marzo de 2026 .
  72. ↑ "Acción recomendada: Cómo la Ley de Servicios Digitales aborda los sistemas de recomendación de plataformas" . Fundación Mozilla . Consultado el 4 de marzo de 2026 .
  73. ↑ Reviglio, Urbano; Fabbri, Matteo (22 de noviembre de 2024). "La regulación de los sistemas de recomendación bajo la DSA" . Observatorio DSA . Consultado el 4 de marzo de 2026 .
  74. ↑ "Ley de Seguridad en Línea: explicación" . Departamento de Ciencia, Innovación y Tecnología . Consultado el 4 de marzo de 2026 .
  75. 1 2 Mouriquand, David (12 de agosto de 2025). "Wikipedia pierde impugnación contra las normas de la Ley de Seguridad en Línea del Reino Unido" . Euronews . Recuperado el 12 de marzo de 2026 .
  76. 1 2 "La Fundación Wikimedia cuestiona las regulaciones de la Ley de Seguridad en Línea del Reino Unido" . Fundación Wikimedia. 10 de julio de 2026. Consultado el 12 de julio de 2026 .
  77. ↑ "Seguridad en línea: Registro de servicios categorizados y lista de servicios emergentes de Categoría 1" . Ofcom. 30 de junio de 2026. Consultado el 13 de julio de 2026 .
  78. ↑ Godoy, Jody (29 de junio de 2026). "La Cámara de Representantes de EE. UU. aprueba legislación sobre seguridad en línea para jóvenes" . Reuters . Consultado el 1 de julio de 2026 .
  79. 1 2 3 Xu, Jian (2024). "Abriendo la 'caja negra' de los algoritmos: regulación de los algoritmos en China" . Communication Research and Practice . 10 (3): 288– 296. doi : 10.1080/22041451.2024.2346415 .
  80. 1 2 Barrett, Paul M.; Sims, J. Grant (febrero de 2021). Acusación falsa: la afirmación infundada de que las empresas de redes sociales censuran a los conservadores (PDF) (Informe). Centro Stern de la Universidad de Nueva York para los Negocios y los Derechos Humanos . Recuperado el 20 de marzo de 2026 .
  81. 1 2 "Moody v. NetChoice, LLC, 603 US ___ (2024)" . Justia . Consultado el 20 de marzo de 2026 .
  82. ↑ DiResta, Renée (30 de agosto de 2018). "La libertad de expresión no es lo mismo que la libertad de acción" . Wired . Consultado el 28 de mayo de 2026 .