W sieci mediów społecznościowych

Ryc. 1. Grafika wygenerowana za pomocą Magic Media Canva Pro

Dlaczego „internety” kochają kotki, ale „kciuka w górę” lepiej czasami nie używać? Skąd Facebook wie, że szukamy nowego materaca albo wybieramy się na wakacje? Czy TikTok stał się telewizją XXI wieku? Badacze mediów społecznościowych stawiają przed sobą różne wyzwania, ale w obliczu ciągłych zmian platform jedno z nich jest niezmienne i sprowadza się do pytania o wybór metodologii.

W sieci mediów społecznościowych. Teorie i metody badań to książka koncentrująca się na metodologii badań serwisów społecznościowych. Jej celem jest zaznaczenie najważniejszych kwestii związanych z prowadzeniem badań w mediach społecznościowych oraz opisanie aktualnych teorii dotyczących platform i zachowań ich użytkowników. Przeprowadzone analizy opieram zarówno na pracy naukowej, jak i ponad dwunastoletnim doświadczeniu praktycznym w obszarze marketingu społecznościowego. Jednak mimo dość głębokiego zanurzenia w platformowy świat, nie ma dnia, kiedy któraś z nich by mnie nie zaskoczyła. Czasami jest to za sprawą użytkowników i zamieszczanych przez nich treści. Niekiedy sam serwis postanawia zmienić swoje dotychczasowe logo na wizerunek psa znanego z memów jako „pieseł” lub wprowadza całkowicie nową funkcjonalność, przez którą czuję się, jakbym korzystała z aplikacji pierwszy raz w życiu. W tle natomiast nieustannie działają algorytmy – nieludzcy agenci o bardzo dużej sprawczości. Dla nich nie ma znaczenia, czy jesteśmy internautami chcącymi podzielić się zdjęciami z wakacji, czy osobami prowadzącymi badania online.

Ryc. 2. Grafika wygenerowana za pomocą Magic Media Canva Pro

Algorytmy i problem danych w mediach społecznościowych

Światem mediów społecznościowych rządzą aktorzy ludzcy i nieludzcy. To oznacza, że o tym, czy dana treść będzie w ogóle widoczna w pierwszej kolejności, zadecyduje sam użytkownik (przez akt publikacji i/lub późniejsze ustawienia prywatności), a następnie algorytmy odpowiedzialne m.in. za jej dystrybucję. Te ostatnie odpowiedzialne są również za powstawanie baniek filtrujących. Pojęcie to opisuje sytuację, w której serwisy społecznościowe oraz wyszukiwarki dopasowują treści do naszych preferencji zdefiniowanych na podstawie wcześniejszych aktywności [Pariser, The Filter Bubble: What the Internet Is Hiding from You, 2011]. Oznacza to, że będąc aktywnymi użytkownikami, otrzymujemy treści w dużej mierze spersonalizowane. W praktyce mało prawdopodobne jest to, aby wielbiciel kotów przeglądający strony internetowe kocich behawiorystów, zamawiający zabawki dla kotów i wysyłający zdjęcia swoich pupili do znajomych na Messengerze otrzymywał reklamy produktów dla psów lub oferty dołączenia do grup dedykowanych miłośnikom koni. Coraz częściej, wobec natłoku informacji, z którymi codziennie musimy sobie radzić, użytkownicy dostrzegają zalety tej algorytmicznej selekcji. Świadczą o tym badania TikToka przeprowadzone przez S. Bimo i A. Bhandari [2022], które potwierdzają, że osoby korzystające z tego serwisu doceniają trafność dopasowywania treści do ich zainteresowań i jest to ponadto jeden z kluczowych czynników przyciągających ich do TikToka.

Jest jednak i druga strona medalu. Bańki filtrujące zamykają nas w określonych przestrzeniach informacyjnych. Dla badaczy mediów społecznościowych to duże utrudnienie, w szczególności kiedy fenomeny cyberkultury badane są wielokontekstowo. W zależności od wybranej metody badawczej algorytmy mogą również utrudniać rzetelny dobór próby. Jak sobie zatem radzić z przeciwnikiem, którego mechanizmów działania nie sposób do końca poznać? Odpowiedzi przychodzą nowe nurty badań netnograficznych.

Netnografia nie tylko ludzka

Netnografia to inaczej obserwacja uczestnicząca prowadzona w środowiskach online [Kozinets, Netnografia. Badania etnograficzne online, 2012]. W jednym z rozdziałów opisuję jej wyzwania w obliczu algorytmizacji serwisów społecznościowych, rosnącej roli sztucznej inteligencji oraz nieludzkich użytkowników, takich jak boty. Dla przykładu, prowadząc badania w grupie na Facebooku, możemy obserwować zachowania zarówno ludzkich, jak i nieludzkich aktorów. Co więcej, powinniśmy potrafić je rozróżniać, by poprawnie opisać dynamikę badanej społeczności. Sprawa jeszcze bardziej się komplikuje, gdy analizujemy treści zamieszczane przez internautów. Które z nich są ich własnymi wytworami, a które stworzyła sztuczna inteligencja? Jakie to ma znaczenie dla algorytmów? Ignorowanie aktorów nieludzkich w procesie badawczym byłoby jednak błędem. Z uwagi na to S. Quinton i N. Reynolds [2021] postulują prowadzenie badań w nurcie more-than-human netnography, czyli takich, które uwzględniają wszystkie rodzaje interakcji w środowiskach wirtualnych. Zatem, nawet jeśli nie do końca rozumiemy, jak działają algorytmy danej platformy i dlaczego pewne dyskusje zostały zdominowane przez boty, musimy pamiętać, że zarówno pierwsze, jak i drugie mają bezpośredni wpływ na działania aktorów ludzkich. Każdemu z nas zapewne zdarzyło się odpowiedzieć na komentarz bota lub mieć wątpliwości, czy artykuł został napisany przez dziennikarza, czy przez sztuczną inteligencję.

Rozwój sztucznej inteligencji i wzrost aktywności aktorów nieludzkich w internecie wymusza również rewizję pojęć związanych z mediami społecznościowymi. Te ostatnie w medioznawstwie definiowane były często w kategoriach podkreślających ludzką sprawczość, dopiero w ostatnich latach zaczęto podkreślać rolę np. botów. Podobnie opisywano treści generowane przez użytkowników (ang. user generated content, w skrócie: UGC), gdy jeden z ich wyznaczników stanowi twórczy wkład [Kaplan i Haenlein 2010], a twórczość kojarzona z kreatywnością przypisywana jest na ogół człowiekowi. Stąd też w książce przywołuję prace wykonane wspólnie z programem Midjourney AI dostępnym na Discordzie. Są one dla mnie punktem wyjścia do własnej definicji treści generowanych przez użytkowników, które opisuję jako „agencyjne treści udostępniane w mediach społecznościowych i tworzone przez aktorów ludzkich i nie-ludzkich lub na drodze ich współdziałania” [str. 77]. Tym samym przesuwam kładziony w mediach społecznościowych nacisk z autora na samą treść i pytanie o jej sprawczość. Pisząc ten artykuł, poprosiłam aplikację „Magic Media” dostępną w programie Canva Pro, aby wygenerowała do niego ilustrację na podstawie wprowadzonego przeze mnie opisu: „Artykuł prezentujący książkę o mediach społecznościowych dla Forum Akademickiego”. Pierwszy wynik to Ryc.1.

Następnie poprosiłam program, aby na podstawie tej samej frazy wygenerował wynik w stylu anime, efekt widać na Ryc. 2.

Oba obrazy zostały stworzone w kilka sekund. Mój twórczy wkład polegał przede wszystkim na wprowadzeniu do generatora kilku słów. To sztuczna inteligencja przełożyła je na język wizualny. I chociaż w grafikach są liczne niedociągnięcia, to nie można odmówić AI sprawczości.

Wędrówki i poszukiwania

Platformy to jednak nie tylko algorytmy, użytkownicy i tworzone przez nich treści. To także interfejs, w którym zagnieżdżonych jest wiele znaczeń kulturowych, w tym stereotypów. Czy zastanawialiście się kiedyś, dlaczego wśród facebookowych reakcji na pierwszych miejscach są te pozytywne? I dlaczego po licznych dyskusjach platforma nie zdecydowała się jednak na dodanie przycisku „Nie lubię”? Reakcje „Wrr” i „Przykro mi” mają jednak inne zastosowania. Jeśli dodamy do tego mniej znany fakt, że Facebook może ograniczyć zasięg postów, które zebrały wiele reakcji typu „Wrr”, analiza wzbogaca się o nowe konteksty. Każdy interfejs to bogactwo ukrytych znaczeń kulturowych, a zadaniem badacza mediów społecznościowych jest ich poszukiwanie i interpretowanie. Pomocna w tym będzie metoda wędrówki polegająca na przejściu przez wszystkie etapy użytkowania aplikacji (od rejestracji aż po zamknięcie konta) ze zwróceniem uwagi na te jej elementy, które mają znaczenie dyskursywne lub symboliczne [Light, Burgess i Duguay 2018]. Ostatecznie nie bez przyczyny w identyfikacji wizualnej zawodowo-biznesowego serwisu LinkedIn dominuje kolor niebieski symbolizujący w reklamie profesjonalizm oraz wiarygodność.

Stare, dobre, sprawdzone

Przez dwanaście lat badań mediów społecznościowych przetestowałam wiele metod badawczych. Nie wszystkie procesy kończyły się sukcesem. Niekiedy znane nam metody trzeba było dostosować do wirtualnych narzędzi lub specyfiki mediów społecznościowych. Dlatego w książce omawiam wywiady prowadzone za pośrednictwem komunikatorów społecznościowych czy analizę zawartości profili. Nie zabrakło również ankiet, chociaż moja propozycja wychodzi poza tradycyjny kwestionariusz i zachęca do wykorzystywania wewnętrznych aplikacji platform. Instagramowe stories nie muszą być tylko materiałem do multimodalnej analizy. Chcąc dobrze zrozumieć użytkowników, trzeba nie tylko poznać ich język, ale także zacząć się w nim komunikować. Poruszanie się w sieci mediów społecznościowych nie należy bowiem do zadań łatwych i każdorazowo wymaga dobrego przygotowania i rozeznania terenu.

***

Omawiane w książce metody badawcze zobrazowane zostały opisami autorskich badań oraz prac badawczych innych akademików ze zwróceniem szczególnej uwagi na napotkane trudności oraz dylematy etyczne. Książka ta nie jest metodologicznym przewodnikiem, ale przytoczone w niej teorie i przykłady badań pozwolą czytelnikom lepiej zrozumieć specyfikę terenu badawczego, jakim są media społecznościowe. I nie zaplątać się w ich sieci.