Jourcros_les9_Nieuwsaanbevelingssystemen_2025-26.pptx

# Nieuwsaanbevelingssystemen Hieronder volgt een gedetailleerde samenvatting over nieuwsaanbevelingssystemen, bedoeld als studiemateriaal voor een examen. ## 1. Nieuwsaanbevelingssystemen Dit onderwerp verkent de werking en implementatie van systemen die gepersonaliseerde nieuwscontent aanbieden aan gebruikers, inclusief hun methodes, voordelen, uitdagingen en de huidige stand van zaken. ### 1.1 Nieuwspersonalisatie: Wat en Hoe? Nieuwsaanbevelingen op maat van de gebruiker, aangepast aan een persoonlijk profiel, vallen onder de noemer nieuwspersonalisatie. Dit wordt gerealiseerd door middel van nieuwsaanbevelingssystemen (News Recommender Systems - NRS). Deze systemen zijn algoritmische oplossingen die content filteren, suggereren en prioriteren op basis van: * Gedrag van eerdere of vergelijkbare gebruikers. * Expliciet verklaarde gebruikersvoorkeuren. * Populariteitsstatistieken. * Content-specifieke kenmerken. #### 1.1.1 Nieuwspersonalisatie Vandaag De mate van personalisatie op nieuwswebsites is momenteel beperkt, met voorbeelden zoals het 'Mijn NWS'-profiel van VRT, dat personalisatie toelaat op basis van regio's en meldingen. Er zijn ook opties voor nieuwsbrieven. Sociale media daarentegen bieden sterke personalisatie, vaak hyper-gepersonaliseerd op basis van gedrag, locatie, netwerk en profiel, met beperkte mogelijkheden voor gebruikers om hun voorkeuren aan te passen. Google Search personaliseert steeds meer via zoekgeschiedenis, profiel en locatie, en generatieve AI-chatbots spelen hierin ook een rol. > **Tip:** Veel nieuwswebsites bieden momenteel beperkte personalisatie omdat ze geen profiel van de bezoeker hebben, tenzij deze is ingelogd. Expliciet aangegeven voorkeuren worden soms niet gebruikt, zoals de ervaring van VRT leert. ### 1.2 Types van Nieuwsaanbevelingen Er zijn verschillende benaderingen voor het filteren en aanbevelen van nieuwscontent: * **Collaboratief filteren:** Aanbevelingen gebaseerd op het gedrag van gebruikers in een netwerk of op gebruikers die vergelijkbaar zijn met de huidige gebruiker. Wat deze vergelijkbare gebruikers interessant vinden, wordt aanbevolen. * **Inhoudsgebaseerd filteren:** Aanbevelingen gebaseerd op kenmerken van de content zelf, zoals onderwerpen, genre en format. Dit is gebaseerd op eerdere gebruikersvoorkeuren. * **Kennisgebaseerd filteren:** Aanbevelingen die gebruik maken van een combinatie van de bovenstaande methoden, specifiek gericht op wat gebruikers hebben aangegeven te willen of niet te willen. Deze systemen kunnen worden onderverdeeld in: * **Pre-geselecteerde nieuwsaanbevelingen:** Content die door het platform wordt voorgesteld, vaak onder de noemer 'Voor jou'. * **Zelfgeselecteerde nieuwsaanbevelingen:** Content die de gebruiker zelf kiest op basis van interessegebieden, via een opt-in of opt-out mechanisme ('Mijn interesses'). > **Example:** De Australian Broadcasting Corporation (ABC) experimenteerde met 'For You'-feeds op hun homepage, waarbij de site probeert te voorspellen wat gebruikers leuk vinden op basis van hun eerdere gedrag. ### 1.3 Stand van Zaken (circa 2022) #### 1.3.1 Aanbodszijde Het gebruik van NRS door nieuwsmedia is nog beperkt. Veelgebruikte methoden zijn: * **Impliciete personalisering:** Gebaseerd op geolocatie en leesgeschiedenis. * **Expliciete personalisering:** Gebaseerd op opgegeven interesses, bijvoorbeeld in nieuwsbrieven of 'mijn nieuws'-secties. Gepersonaliseerde advertenties (targeted ads) zijn echter al wijdverbreid, vaak uitbesteed aan externe bedrijven zoals Google. Nieuwsmedia en journalisten staan over het algemeen positief tegenover het potentieel van NRS, mits er menselijk toezicht blijft. #### 1.3.2 Vraagzijde: Attituden Gebruikers vertonen een neiging tot 'algoritmische appreciatie', waarbij ze meer vertrouwen hebben in machinaal geselecteerde content (machine heuristic). Er zijn minder indicaties voor 'algoritmische aversie'. Gebruikers geven vaak de voorkeur aan content-based aanbevelingen boven collaboratieve filtering of aanbevelingen puur gebaseerd op populariteit. Algoritmische geletterdheid en bewustzijn variëren sterk, afhankelijk van factoren zoals het gebruikte platform. Transparantie en serendipiteit (het onverwacht tegenkomen van nuttige informatie) zijn belangrijk voor gebruikers. #### 1.3.3 Vraagzijde: Effecten Gepersonaliseerde aanbevelingen kunnen de betrokkenheid bij nieuws verhogen (meer engagement). Er zijn weinig indicaties dat NRS leiden tot selectieve blootstelling of filterbubbels, deels doordat nieuwsconsumptie divers is en personalisatie nog beperkt. Er is potentieel voor NRS om gebruikers aan te zetten tot meer divers nieuwsgebruik. Echter, er is nog weinig onderzoek gedaan naar de effecten van aanbevelingen op politieke kennis en attitudes. > **Tip:** Het integreren van 'publieke waarden' in NRS kan helpen om gebruikers op het juiste moment de juiste content te bieden, waardoor ze beter geïnformeerd kunnen worden. ### 1.4 Vragen en Uitdagingen m.b.t. Nieuwsaanbevelingssystemen #### 1.4.1 De Diversiteitsparadox Dit fenomeen beschrijft de spanning tussen enerzijds het potentieel van aanbevelingssystemen om gebruikers te 'nudgen' naar meer divers nieuws, wat kan leiden tot langer en dieper nieuwsgebruik, en anderzijds het feit dat gebruikers niet noodzakelijk meer diversiteit in het nieuwsaanbod herkennen of waarderen. Het is een uitdaging om gebruikers bewust te maken van de diversiteit in hun nieuwsconsumptie, bijvoorbeeld door transparant aan te geven wanneer content is aangeboden met het oog op het verhogen van diversiteit. #### 1.4.2 De Transparantieparadox Hoewel gebruikers transparantie waarderen over hoe nieuws wordt geselecteerd, kan overmatige transparantie (bijvoorbeeld door duidelijke labels voor AI-gegenereerde of gepersonaliseerde content) ook argwaan wekken en leiden tot een daling in het vertrouwen in het nieuwsplatform. Websites die erg transparant zijn, worden soms minder vertrouwd en gebruikers engageren minder met de content. De EU's Digital Services Act verplicht platforms om informatie te verstrekken over hoe hun aanbevelingssystemen werken en hoe gebruikers deze kunnen beïnvloeden. Dit omvat het presenteren van de belangrijkste parameters die worden gebruikt voor suggesties en de redenen daarvoor. > **Example:** De EU's Digital Services Act (artikel 27) stelt dat online platforms recipients van hun diensten moeten informeren over hoe recommender systemen de weergave van informatie beïnvloeden en hoe gebruikers dit kunnen beïnvloeden. Artikel 38 verplicht zeer grote platforms om een optie voor aanbevelingen te bieden die niet gebaseerd is op profiling. > **Tip:** Transparantie kan als een waarde op zich worden beschouwd, maar de dilemma's rond AI-transparantie tonen aan dat labels ook argwaan kunnen uitlokken en nieuws als minder betrouwbaar kunnen doen overkomen. Platforms zoals Facebook maken labels minder zichtbaar om het vertrouwen te behouden, terwijl nieuwsmedia dit wel doen, wat kan leiden tot een daling in vertrouwen. #### 1.4.3 Serendipiteit Een belangrijke vraag is of NRS kunnen 'nudgen' naar meer diversiteit in nieuwsconsumptie en of gebruikers daadwerkelijk meer diversiteit in het aanbod zien en waarderen. #### 1.4.4 Dilemma rond Transparantie in Journalistiek Er bestaat een dilemma rond transparantie, bijvoorbeeld bij 'AI disclosure'. Enerzijds wordt transparantie gewaardeerd, maar anderzijds kan het leiden tot dalend vertrouwen. Gebruikers vragen om diversiteit en transparantie, maar belonen nieuwsmedia hier niet altijd voor, en soms zelfs het tegenovergestelde. Investeren in diversiteit en transparantie brengt kosten met zich mee, en zonder een duidelijke return on investment is er weinig stimulans om hiermee door te gaan. ### 1.5 De (Nabije) Toekomst: Hyper-gepersonaliseerd Nieuws? De evolutie naar hyper-gepersonaliseerd nieuws is een trend, waarbij de balans tussen technologie en redactionele integriteit cruciaal blijft. De volgende onderwerpen in de cursus zullen verder ingaan op de platformisering en automatisering van journalistiek. --- # Nieuwspersonalisatie Nieuwspersonalisatie omvat het op maat aanbieden van nieuwscontent aan individuele gebruikers via geautomatiseerde systemen die rekening houden met hun gedrag, voorkeuren en andere factoren. ### 2.1 Wat is nieuwspersonalisatie? Nieuwspersonalisatie verwijst naar nieuws dat wordt aangepast aan het persoonlijke profiel van de gebruiker. Dit wordt gerealiseerd door middel van nieuws aanbevelingssystemen (news recommender systems – NRS). Deze systemen zijn algoritmische oplossingen die content filteren, suggereren en prioriteren op basis van: * **Gedrag van de gebruiker:** Eerdere interacties met nieuwscontent. * **Gedrag van vergelijkbare gebruikers:** Patronen van gebruikers met soortgelijke profielen. * **Expliciet aangegeven voorkeuren:** Door de gebruiker zelf opgegeven interesses of onderwerpen. * **Populariteitsstatistieken:** Hoe populair bepaalde content is bij een bredere groep. * **Content-specifieke kenmerken:** Kenmerken van de nieuwsartikelen zelf, zoals onderwerp of genre. ### 2.2 Nieuwspersonalisatie vandaag De mate van nieuwspersonalisatie verschilt aanzienlijk tussen verschillende platforms: * **Nieuwswebsites:** Bieden doorgaans beperkte personalisatie. Voorbeelden zijn het instellen van regio's, het ontvangen van meldingen ('breaking news', dagelijks nieuws) of het beheren van nieuwsbrieven. Vaak is een account nodig om deze functionaliteiten te benutten, en veel bezoekers blijven anoniem, waardoor personalisatie voor hen beperkt is. De mogelijkheid om expliciet voorkeuren in te geven, wordt soms afgeschaft omdat gebruikers er weinig gebruik van maken. * **Sociale media:** Kenmerken zich door sterke personalisatie. De algoritmes houden rekening met een breed scala aan gegevens, zoals gedrag, locatie, sociaal netwerk en profielinformatie, wat leidt tot hyper-personalisatie. Het aanpassen van voorkeuren door de gebruiker is wel mogelijk, maar niet altijd intuïtief of eenvoudig. * **Google Search:** Biedt steeds meer personalisatie op basis van zoekgeschiedenis, profiel en locatie. Ook generatieve AI chatbots worden ingezet voor antwoorden op maat. #### 2.2.1 Personalisatie anno 2024 Nieuwsmedia staan steeds meer open voor personalisatie omdat lezers behoefte hebben aan relevante nieuwsfiltering en steeds meer vertrouwd raken met algoritmische media. Nieuwsbedrijven zien de noodzaak om hierin te investeren vanwege de bereidheid en impliciete vraag van gebruikers. Er bestaat echter ook bezorgdheid dat belangrijk nieuws gemist kan worden door een te grote focus op populariteit. Het behoud van menselijke curatie en redactionele verantwoordelijkheid blijft cruciaal om te garanderen dat belangrijk nieuws de gebruiker bereikt. ### 2.3 Types van (nieuws)aanbevelingen Er zijn drie belangrijke benaderingen voor het aanbevelen van nieuwscontent: * **Collaboratief filteren:** Aanbevelingen gebaseerd op het gedrag van netwerkleden of vergelijkbare gebruikers. Dit betekent dat de content die je ziet, bepaald wordt door wat mensen zoals jij interessant vinden. * **Inhoudsgebaseerd filteren:** Aanbevelingen gebaseerd op de kenmerken van de content zelf, zoals onderwerpen, genre of format. * **Kennisgebaseerd filteren:** Aanbevelingen die een combinatie maken van de bovenstaande methoden, vaak aangevuld met expliciete gebruikersvoorkeuren. Deze aanbevelingen kunnen worden onderverdeeld in: * **Pre-geselecteerde nieuwsaanbevelingen ('Voor jou'):** Het platform bepaalt wat de gebruiker waarschijnlijk interessant vindt, vaak op basis van eerder gedrag. * **Zelfgeselecteerde nieuwsaanbevelingen ('Mijn interesses'):** Gebruikers geven zelf aan welke onderwerpen ze willen volgen (opt-in/opt-out). In de praktijk maken gebruikers hier weinig gebruik van, zeker niet op nieuwsplatformen. #### 2.3.1 Voorbeeld: Australian Broadcasting Corporation (ABC) De ABC experimenteerde met 'For You'-feeds op hun homepage, waarbij op basis van eerder gedrag werd voorspeld wat gebruikers leuk zouden vinden, met als doel hen te boeien en nieuwe perspectieven te bieden. Dit soort initiatieven helpt het platform om de voorkeuren van gebruikers te leren. ### 2.4 Stand van zaken van nieuwsaanbevelingssystemen (2022) * **Aanbodzijde:** Het gebruik van NRS door nieuwsmedia is in 2022 nog beperkt. Vaak gaat het om **impliciete personalisatie** (bv. op basis van geolocatie of leesgeschiedenis) en in mindere mate om **expliciete personalisatie** (op basis van opgegeven interesses). Wel zijn advertenties op nieuwswebsites in sterke mate gepersonaliseerd, vaak door externe partijen zoals Google. Nieuwsmedia en journalisten staan over het algemeen positief tegenover het potentieel van NRS, mits er menselijk toezicht blijft. * **Vraagzijde: attitudes:** Er is een neiging tot 'algoritmische appreciatie', waarbij gebruikers meer vertrouwen hebben in machine-gegenereerde selecties. Minder indicaties zijn er voor 'algoritmische aversie'. Gebruikers hebben een voorkeur voor inhoudsgebaseerde aanbevelingen, en minder voor puur collaboratieve filtering of populariteit. Algoritmische geletterdheid en bewustzijn variëren sterk. Belangrijk zijn serendipiteit (het onverwacht ontdekken van nuttige informatie) en transparantie. * **Vraagzijde: effecten:** Personalisatie kan leiden tot **positieve invloed op nieuwsengagement** (bv. langer kijken, meer delen). Er zijn weinig indicaties van 'selectieve blootstelling' of filterbubbels door NRS, mede doordat gebruikers vaak verschillende nieuwsmedia combineren en personalisatie nog beperkt is. Er is potentieel voor **nudging** naar meer divers nieuwsgebruik. Er is echter nog weinig onderzoek naar de effecten op politieke kennis en attitudes. ### 2.5 'Publieke waarden' integreren in NRS Het is wenselijk om nieuwsaanbod zo te ontwerpen dat relevantie en diversiteit worden gewaarborgd, en gebruikers op het juiste moment de juiste content te bieden om hen beter geïnformeerd te maken. Hoewel utopisch, kan dit bereikt worden met recommender systems. ### 2.6 Vragen en uitdagingen m.b.t. nieuwsaanbevelingssystemen #### 2.6.1 Diversiteitsparadox Hoewel aanbevelingssystemen mensen kunnen 'nudgen' naar meer divers nieuwsgebruik (wat leidt tot langer kijken en meer verwerken), leidt dit niet noodzakelijk tot een grotere appreciatie voor diversiteit of een loyalere gebruiker. Er is een uitdaging om gebruikers bewust te maken van de diversiteit in hun nieuwsgebruik en om hier positieve waardering voor te creëren. #### 2.6.2 Transparantieparadox Er bestaat een dilemma rond transparantie in journalistiek, met name met betrekking tot AI-gegenereerde content. Transparantie wordt enerzijds gewaardeerd door gebruikers, maar kan anderzijds argwaan wekken en leiden tot een daling in vertrouwen. Nieuwsgebruikers vragen om diversiteit en transparantie, maar belonen nieuwsmedia er niet altijd voor; soms integendeel. Websites die erg transparant zijn, kunnen minder vertrouwen wekken en leiden tot minder engagement. Het creëren van transparantie kan kostbaar zijn zonder directe return on investment, wat een disincentive kan zijn voor nieuwsmedia. ##### 2.6.2.1 EU's Digital Services Act De Digital Services Act (DSA) definieert een 'recommender system' als een (gedeeltelijk) geautomatiseerd systeem dat content suggereert of prioriteert in een online interface. De wet vereist dat platforms ontvangers informeren over hoe deze systemen informatie presenteren en hoe gebruikers deze kunnen beïnvloeden. Platforms moeten de gebruikte parameters duidelijk maken, inclusief de belangrijkste criteria voor suggesties en de redenen daarvoor, met name wanneer profiling en online gedrag van gebruikers worden gebruikt voor prioritering. Zeer grote platforms moeten een optie bieden voor aanbevelingen die niet op profiling gebaseerd zijn. ##### 2.6.2.2 Dilemma van AI-transparantie Labels die de aanwezigheid van AI of gepersonaliseerde content aangeven, kunnen argwaan opwekken en de perceptie van betrouwbaarheid verminderen. Nieuwsmedia laten deze labels wel zichtbaar, wat kan leiden tot een daling in vertrouwen, terwijl sommige platforms, zoals Facebook, labels minder zichtbaar maken om vertrouwen te behouden. De effectiviteit van transparantie hangt af van de mate waarin deze wordt herkend en gewaardeerd door de gebruiker. ### 2.7 De (nabije) toekomst: hyper-gepersonaliseerd nieuws? De evolutie richting hyper-gepersonaliseerd nieuws brengt de vraag met zich mee hoe de balans gevonden kan worden tussen technologie en redactionele integriteit. Volgende onderwerpen zullen hier verder op ingaan, zoals de platformisering en automatisering van journalistiek. --- # StampMedia en jongerenjournalistiek Dit onderdeel introduceert StampMedia als een jongerenpersagentschap en bespreekt het onderzoek Represent 2.0, dat de representatie van jongeren in de media evalueert. ### 3.1 StampMedia: een jongerenpersagentschap StampMedia functioneert als een jongerenpersagentschap met als primair doel de stem van jongeren te vertegenwoordigen binnen de nieuws- en mediadiscussie. Het richt zich op journalistiek gemaakt *met* jongeren. ### 3.2 Het onderzoek Represent 2.0 Represent 2.0 is een vervolgonderzoek, voortbouwend op een eerdere editie uit 2017. Het oorspronkelijke doel was het evalueren van de representatie van jongeren in de media, wat resulteerde in acht aanbevelingen. In de meest recente editie, gepland voor 2025, worden hieraan nieuwe aanbevelingen toegevoegd. Dit onderzoek wordt uitgevoerd in samenwerking met Studio Data. #### 3.2.1 Doelstellingen en methodologie Het onderzoek streeft ernaar inzicht te geven in hoe jongeren worden gerepresenteerd in bestaande mediakanalen. Dit gebeurt door middel van evaluatie en de formulering van concrete aanbevelingen om de representatie te verbeteren. De specifieke methodologie van Represent 2.0 is niet gedetailleerd in de verstrekte tekst, maar het is een voortzetting van een evaluatief proces. > **Tip:** Het belang van onderzoeken zoals Represent 2.0 ligt in het proactief adresseren van hiaten in de mediarepresentatie van jongeren, wat essentieel is voor een inclusieve en evenwichtige berichtgeving. #### 3.2.2 Evolutie van aanbevelingen Het onderzoek evolueert over de tijd. De eerste versie leidde tot acht aanbevelingen. De komende editie (2025) zal nieuwe, aanvullende aanbevelingen introduceren, wat suggereert dat de mediadynamiek en de behoeften van jongeren voortdurend worden geëvalueerd en dat de aanbevelingen daarop worden aangepast. --- # Overlappingen en studiemethodes Dit onderwerp behandelt de mogelijke overlap tussen de methodeseminaries van de Master Politieke Communicatie en de Journalistiek en crossmedialiteit, inclusief de procedure voor studenten die hierdoor lessen missen. ### 4.1 Overlap met methodeseminaries Master Politieke Communicatie Er is een overlap voorzien in het collegrooster met de methodeseminaries 'Applied Statistics' en 'Case studies'. Studenten die deze seminaries volgen, krijgen voorrang voor de verplichte lesbijeenkomsten van die seminaries. Het studiemateriaal van de gemiste les Journalistiek en crossmedialiteit dient via begeleide zelfstudie verwerkt te worden. #### 4.1.1 Procedure voor gemiste lessen * De docent reserveert tijd op specifieke data (11/12 en 18/12) om vragen te beantwoorden over de teksten die deel uitmaken van Les 10 en 11. * Studenten die door de deelname aan een methodeseminarie de les Journalistiek en crossmedialiteit niet kunnen bijwonen, dienen de docent hiervan per e-mail (steve.paulussen@uantwerpen.be) op de hoogte te stellen. > **Tip:** Maak tijdig gebruik van de aangeboden begeleide zelfstudie-uren om vragen te stellen en de leerstof van gemiste lessen volledig onder de knie te krijgen. ### 4.2 Nieuwsaanbevelingssystemen Nieuwsaanbevelingssystemen, ook wel 'news recommender systems' (NRS) genoemd, zijn algoritmische oplossingen die inhoud filteren, suggereren en prioriteren. Dit gebeurt op basis van diverse factoren zoals: * Gedrag van eerdere of vergelijkbare gebruikers. * Expliciet opgegeven voorkeuren van de gebruiker. * Populariteitsstatistieken. * Inhoudsspecifieke kenmerken. #### 4.2.1 Nieuwspersonalisatie Nieuwspersonalisatie verwijst naar het op maat aanbieden van nieuws aan de gebruiker, aangepast aan diens persoonlijke profiel. ##### 4.2.1.1 Huidige stand van zaken in nieuwspersonalisatie * **Beperkte personalisatie op nieuwswebsites:** Veel nieuwswebsites bieden slechts beperkte personalisatiemogelijkheden. Voorbeelden hiervan zijn het kiezen van regio's voor nieuwsberichten of het instellen van notificaties voor 'breaking news' en dagelijks nieuws, zoals bij VRT NWS. De mogelijkheid om expliciet voorkeuren in te geven, is vaak afgeschaft omdat gebruikers hier weinig gebruik van maakten. * **Sterke personalisatie op sociale media:** Sociale mediaplatforms bieden een veel sterkere mate van personalisatie, gebaseerd op gedrag, locatie, netwerk en profielinformatie. Het aanpassen van voorkeuren kan hier echter complex zijn. * **Hyper-personalisatie:** Door het gebruik van geavanceerde algoritmes die rekening houden met een breed scala aan gebruikersgegevens, worden aanbevelingen steeds specifieker. * **Toenemende personalisatie via Google Search:** Ook zoekmachines personaliseren resultaten steeds meer op basis van zoekgeschiedenis, profiel en locatie. * **Generatieve AI chatbots:** Deze technologieën dragen bij aan de verdere ontwikkeling van gepersonaliseerde nieuwscontent. ##### 4.2.1.2 Redenen voor nieuwspersonalisatie voor nieuwsplatforms Nieuwsmedia staan open voor personalisatie om verschillende redenen: * **Gebruikerswens:** Lezers verlangen naar filtering van relevant nieuws en personalisatie door technologie. * **Vertrouwdheid met algoritmes:** Gebruikers raken steeds meer gewend aan algoritmisch gestuurde digitale media. * **Marktstrategie:** Mediabedrijven erkennen de noodzaak om in te spelen op de bereidheid en impliciete vraag van gebruikers naar gepersonaliseerde content. ##### 4.2.1.3 Zorgen en uitdagingen bij nieuwspersonalisatie Er zijn ook belangrijke zorgen en uitdagingen verbonden aan nieuwspersonalisatie: * **Risico op gemist belangrijk nieuws:** Belangrijk nieuws kan de gebruiker ontgaan door een te grote focus op populariteit. * **Behoud van menselijke curatie:** Het is cruciaal dat menselijke curatie en redactionele verantwoordelijkheid aanwezig blijven om te garanderen dat belangrijk nieuws de gebruiker bereikt. #### 4.2.2 Types van (nieuws)aanbevelingen Er worden drie hoofdtypes van aanbevelingssystemen onderscheiden: 1. **Collaboratief filteren:** Gebaseerd op het gedrag van vergelijkbare gebruikers binnen een netwerk. Wat mensen in een vergelijkbare situatie interessant vinden, wordt ook aan de gebruiker getoond. 2. **Inhoudsgebaseerd filteren:** Aanbevelingen zijn gebaseerd op de kenmerken van de inhoud zelf, zoals onderwerpen, genres en formaten. Dit filtert op basis van het eigen gedrag en voorkeuren van de gebruiker. 3. **Kennisgebaseerd filteren:** Combinatie van verschillende factoren en expliciet opgegeven voorkeuren van de gebruiker. ##### 4.2.2.1 Vormen van nieuwsaanbevelingen * **Pre-geselecteerde nieuwsaanbevelingen:** Dit zijn aanbevelingen die door het platform worden gedaan, vaak aangeduid als 'Voor jou'. * **Zelfgeselecteerde nieuwsaanbevelingen:** Gebruikers kunnen zelf hun interesses aangeven, wat gebeurt via opt-in of opt-out mechanismen, zoals in secties 'Mijn interesses'. In de praktijk wordt dit echter zelden door gebruikers geactiveerd op nieuwsplatformen. > **Voorbeeld:** De Australian Broadcasting Corporation (ABC) experimenteerde met 'For You'-feeds op hun homepage, die proactief content suggereren op basis van het gedrag van de gebruiker. #### 4.2.3 Stand van zaken nieuwsaanbevelingssystemen (2022) * **Aanbodzijde (gebruik door nieuwsmedia):** * Het gebruik van NRS door nieuwsmedia is nog beperkt. * **Impliciete personalisering:** Vindt plaats op basis van geolocatie en leesgeschiedenis. * **Expliciete personalisering:** Gebaseerd op door de lezer opgegeven interesses (bv. in nieuwsbrieven of 'Mijn nieuws'-secties), maar wordt weinig benut. * **Gepersonaliseerde advertenties:** Deze zijn wel al sterk gepersonaliseerd, vaak uitbesteed aan externe partijen. * Nieuwsmedia en journalisten zijn over het algemeen positief over het potentieel van NRS, mits menselijk toezicht. * **Vraagzijde (attitudes van gebruikers):** * Er is een neiging tot 'algoritmische appreciatie' (meer vertrouwen in machinale selectie) en minder indicaties voor 'algoritmische aversie' (kritisch tegenover machines). * Gebruikers hebben vaak een voorkeur voor inhoudsgebaseerde aanbevelingen (filteren op basis van eigen gedrag), minder voor collaboratieve filtering of louter populariteit. * Algoritmische geletterdheid en bewustzijn variëren sterk, maar bewustzijn kan geletterdheid verhogen. * **Belang van serendipiteit en transparantie:** Gebruikers waarderen het wanneer er bewust rekening wordt gehouden met het ontdekken van nieuwe perspectieven en wanneer de werking transparant is. * **Vraagzijde (effecten van NRS):** * **Positieve invloed op news engagement:** NRS kunnen leiden tot meer interactie, zoals langer kijken, sneller liken en meer delen. * **Weinig indicaties voor 'selective exposure' of filterbubbels:** Het filterbubbel-effect wordt vaak overdreven, deels doordat gebruikers meerdere nieuwsbronnen combineren en de personalisatie nog beperkt is. * **Potentieel voor nudging:** Algoritmes kunnen gebruikers subtiel stimuleren tot een diverser nieuwsgebruik. * **Weinig onderzoek:** Er is nog beperkt onderzoek naar de effecten van aanbevelingen op politieke kennis en attitudes. #### 4.2.4 Integratie van 'publieke waarden' in NRS Er is een streven om 'publieke waarden' te integreren in nieuwsaanbevelingssystemen, wat impliceert dat nieuwsaanbod wordt ontworpen om de gebruiker op het juiste moment van de juiste, relevante content te voorzien en zo beter geïnformeerd te maken. #### 4.2.5 Vragen en uitdagingen m.b.t. nieuwsaanbevelingssystemen * **Diversiteitsparadox:** Hoewel aanbevelingssystemen gebruikers kunnen 'nudgen' naar meer divers nieuwsgebruik, vertaalt dit zich niet altijd in een hogere appreciatie of loyaliteit voor diversiteit in het nieuws. Gebruikers herkennen mogelijk wel meer diversiteit, maar hun voorkeur blijft uitgaan naar wat ze al kennen. * **Transparantieparadox:** Transparantie over de werking van aanbevelingssystemen wordt enerzijds gewaardeerd, maar kan anderzijds argwaan wekken en leiden tot een lager vertrouwen in nieuwscontent. Websites die veel transparantie tonen, worden soms minder vertrouwd. * **Serendipiteit:** De uitdaging is om serendipiteit effectief te implementeren in aanbevelingssystemen om diversiteit in nieuwsconsumptie te bevorderen. De vraag is of gebruikers daadwerkelijk meer diversiteit appreciëren en zien. * **Dilemma's van AI-transparantie:** Labels die de inzet van AI of gepersonaliseerde content aangeven, kunnen het nieuws als minder betrouwbaar doen overkomen, terwijl gebruikers wel om transparantie vragen. Er bestaat een risico dat het tonen van labels leidt tot minder engagement en vertrouwen. ##### 4.2.5.1 De rol van de Digital Services Act (DSA) De EU's Digital Services Act (DSA) definieert een 'recommender system' en stelt eisen aan online platforms: * Platforms moeten gebruikers informeren over hoe aanbevelingssystemen de weergave van informatie beïnvloeden en hoe gebruikers deze kunnen beïnvloeden. * De gebruikte parameters voor aanbevelingen, inclusief de belangrijkste criteria en de redenen voor hun belang (met name bij profilering en gebruikersgedrag), moeten duidelijk worden gepresenteerd. * Zeer grote platforms moeten een optie aanbieden die niet gebaseerd is op profilering. ##### 4.2.5.2 Transparantierichtlijn Raad voor de Journalistiek De Raad voor de Journalistiek heeft een richtlijn opgesteld over het gebruik van artificiële intelligentie in de journalistiek, die de noodzaak van transparantie benadrukt. > **Tip:** Hoewel gebruikers transparantie vragen, lijken ze deze niet altijd te belonen in hun gedrag, wat een dilemma vormt voor nieuwsmedia die investeren in transparantie en diversiteit zonder gegarandeerde return on investment. #### 4.2.6 De (nabije) toekomst: hyper-gepersonaliseerd nieuws? De verdere ontwikkeling van nieuwsaanbevelingssystemen wijst op een trend richting hyper-gepersonaliseerd nieuws, waarbij technologie een steeds grotere rol speelt in het vormen van het nieuws dat individuele gebruikers consumeren. > **Kritisch punt:** De potentiële impact van hyper-personalisatie op de vorming van een gedeelde publieke opinie en de toegang tot een breed en divers informatieaanbod blijft een centraal aandachtspunt. --- ## Veelgemaakte fouten om te vermijden - Bestudeer alle onderwerpen grondig voor examens - Let op formules en belangrijke definities - Oefen met de voorbeelden in elke sectie - Memoriseer niet zonder de onderliggende concepten te begrijpen

| Term | Definition | |------|------------| | Nieuwsaanbevelingssystemen (NRS) | Algoritmische oplossingen die content filteren, suggereren en prioriteren op basis van het gedrag van eerdere of vergelijkbare gebruikers, expliciet verklaarde gebruikersvoorkeuren, populariteitsstatistieken en andere content-specifieke kenmerken. | | Nieuwspersonalisatie | Het proces waarbij nieuwscontent op maat van de gebruiker wordt aangeboden, aangepast aan een persoonlijk profiel op basis van diverse gegevens zoals gedrag, voorkeuren en locatie. | | Collaboratief filteren | Een methode van aanbeveling die gebaseerd is op het gedrag van een netwerk van gebruikers, inclusief mensen met wie men verbonden is of gebruikers die als vergelijkbaar worden beschouwd. | | Inhoudsgebaseerd filteren | Een aanbevelingsmethode die zich richt op de kenmerken van de content zelf, zoals onderwerpen, genres en formaten, om relevante aanbevelingen te doen. | | Kennisgebaseerd filteren | Een aanbevelingsmethode die gebruik maakt van een combinatie van verschillende factoren en de specifieke voorkeuren van de gebruiker om aanbevelingen te genereren. | | Algoritmische appreciatie | De neiging van gebruikers om meer vertrouwen te hebben in selecties gemaakt door machines, wat gerelateerd is aan het concept van 'machine heuristic'. | | Algoritmische aversie | Een kritische houding van gebruikers ten opzichte van machines, waarbij machines als minder capabel worden beschouwd. | | Selectieve blootstelling (Selective exposure) | Het fenomeen waarbij gebruikers zich voornamelijk blootstellen aan informatie die hun bestaande overtuigingen bevestigt, wat kan leiden tot filterbubbels of echokamers. | | Filterbubbel | Een situatie waarin gebruikers voornamelijk worden blootgesteld aan informatie die overeenkomt met hun bestaande ideeën en overtuigingen, als gevolg van gepersonaliseerde algoritmen. | | Diversiteitsparadox | De paradox waarbij aanbevelingssystemen gebruikers kunnen stimuleren om diverser nieuws te consumeren, maar dit niet noodzakelijkerwijs leidt tot een hogere waardering of herkenning van die diversiteit door de gebruiker. | | Transparantieparadox | Het dilemma waarbij transparantie over aanbevelingssystemen enerzijds gewaardeerd wordt door gebruikers, maar anderzijds argwaan kan wekken en het vertrouwen in de informatiebron kan verminderen. | | Serendipiteit | Het verschijnsel van het per toeval ontdekken van waardevolle of interessante informatie, wat kan worden gestimuleerd door aanbevelingssystemen die gebruikers blootstellen aan nieuwe of onverwachte content. | | Digital Services Act (DSA) | Een Europese wetgeving die online platforms reguleert om een veiligere en transparantere digitale omgeving te creëren, inclusief regels voor aanbevelingssystemen. |