Cada vez m\u00e1s, existe la sensaci\u00f3n de que todo lo que importa est\u00e1 en la web y deber\u00eda ser accesible mediante b\u00fasqueda1<\/sup>. Como dice LM Hinman, \"Esse est indicato in Google (ser es estar indexado en Google)\". Como tambi\u00e9n se\u00f1ala, \"los ciudadanos en una democracia no pueden tomar decisiones informadas sin acceso a informaci\u00f3n precisa\"2,3<\/sup>. Si la democracia se basa en el acceso libre a informaci\u00f3n sin distorsiones, los motores de b\u00fasqueda afectan directamente cu\u00e1n democr\u00e1ticos son nuestros pa\u00edses. Su papel como guardianes del conocimiento est\u00e1 en conflicto directo con su naturaleza como empresas privadas dependientes de anuncios para sus ingresos. Por lo tanto, por el bien de una sociedad libre, debemos exigir responsabilidad a los motores de b\u00fasqueda y transparencia en c\u00f3mo funcionan sus algoritmos2<\/sup>.<\/p>\r\n\r\n Los sistemas que recomiendan contenido basado en perfiles de usuario, incluidos los motores de b\u00fasqueda, pueden aislar a los usuarios de la exposici\u00f3n a diferentes puntos de vista. Al alimentar contenido que le gusta al usuario, crean sesgos auto-reforzados y \"burbujas de filtro\"2,4<\/sup>. Estas burbujas, creadas cuando el conocimiento reci\u00e9n adquirido se basa en intereses y actividades pasadas5<\/sup>, cementan los sesgos como fundamentos s\u00f3lidos del conocimiento. Esto podr\u00eda volverse particularmente peligroso cuando se usa con mentes j\u00f3venes y susceptibles. Por lo tanto, se deben promover en el aula discusiones abiertas entre estudiantes, profesores y generar actividades de aprendizaje colaborativo.<\/p>\r\n\r\n Los motores de b\u00fasqueda, como otros sistemas de recomendaci\u00f3n, predicen lo que ser\u00e1 de inter\u00e9s para el usuario. Luego, cuando el usuario hace clic en lo que se recomend\u00f3, lo (el motor de b\u00fasqueda) toma como retroalimentaci\u00f3n positiva. Esta retroalimentaci\u00f3n afecta qu\u00e9 enlaces se muestran en el futuro. Si un usuario hizo clic en el primer enlace mostrado, \u00bffue porque lo encontr\u00f3 relevante o simplemente porque era el primer resultado y, por lo tanto, m\u00e1s f\u00e1cil de elegir?<\/p>\r\n La retroalimentaci\u00f3n impl\u00edcita es dif\u00edcil de interpretar. Cuando las predicciones se basan en una interpretaci\u00f3n incorrecta, los efectos son aun m\u00e1s dif\u00edciles de predecir. Cuando ciertos resultados se muestran repetidamente, y son lo \u00fanico que el usuario llega a ver, incluso puede terminar cambiando lo que al usuario le gusta y lo que no le gusta, una predicci\u00f3n autocumplida, quiz\u00e1s.<\/p>\r\n En los Estados Unidos, se lanz\u00f3 un sistema de polic\u00eda predictiva mediante el cual se destacaban las \u00e1reas de alta criminalidad de una determinada ciudad. Esto significaba que se desplegaban m\u00e1s oficiales de polic\u00eda en tales \u00e1reas. Dado que estos oficiales sab\u00edan que el \u00e1rea estaba en alto riesgo, eran cuidadosos y deten\u00edan, registraban o arrestaban a m\u00e1s personas de lo normal. Los arrestos validaban la predicci\u00f3n, incluso cuando la predicci\u00f3n estaba sesgada en primer lugar. No solo eso, los arrestos eran datos para futuras predicciones sobre las mismas \u00e1reas y sobre \u00e1reas similares, acumulando sesgos con el tiempo5<\/sup>.<\/p>\r\n Usamos sistemas de predicci\u00f3n para actuar sobre las predicciones. Pero actuar sobre predicciones sesgadas afecta los resultados futuros, las personas involucradas, y en \u00faltima instancia, la sociedad misma. \"Como efecto secundario de cumplir su prop\u00f3sito de recuperar informaci\u00f3n relevante, un motor de b\u00fasqueda necesariamente cambiar\u00e1 la misma cosa que pretende medir, ordenar y clasificar. De manera similar, la mayor\u00eda de los sistemas de aprendizaje autom\u00e1tico afectar\u00e1n los fen\u00f3menos que predicen\"5<\/sup>.<\/p>\r\n\r\n Hay una prevalencia creciente de noticias falsas (historias falsas que aparecen como noticias) en foros en l\u00ednea, sitios de redes sociales y blogs; todos disponibles para los estudiantes a trav\u00e9s de la b\u00fasqueda. Peque\u00f1os grupos de personas enfocados pueden aumentar las calificaciones para videos espec\u00edficos y sitios web de contenido extremo. Esto aumenta la popularidad del contenido y la apariencia de autenticidad, manipulando los algoritmos de clasificaci\u00f3n4<\/sup>. Sin embargo, hasta ahora, las compa\u00f1\u00edas de motores de b\u00fasqueda no han adoptado una pol\u00edtica clara y expl\u00edcita para controlar las noticias falsas2<\/sup>.<\/p>\r\n Por otro lado, los motores de b\u00fasqueda excluyen sistem\u00e1ticamente ciertos sitios y ciertos tipos de sitios a favor de otros6<\/sup>. Censuran contenido de algunos autores, a pesar de no haber sido solicitado hacerlo por el p\u00fablico. Por lo tanto, se debe usar los motores de b\u00fasqueda con conciencia, discreci\u00f3n y discriminaci\u00f3n.<\/p>\r\n\r\n\r\n 1 Hillis, K., Petit, M., & Jarrett, K.<\/strong> (2013). Google and the culture of search<\/em>. Routledge Taylor & Francis. https:\/\/books.google.com\/books\/about\/Google_and_the_Culture_of_Search.html?id=0X_1HS13FbsC<\/a><\/span><\/sup><\/p>\r\n 2<\/sup> Tavani, H. T., & Zimmer, M.<\/strong> (2020, Fall). Search engines and ethics<\/em>. En E. N. Zalta (Ed.), The Stanford Encyclopedia of Philosophy<\/em> (Fall 2020 ed.). Stanford University. https:\/\/plato.stanford.edu\/archives\/fall2020\/entries\/ethics-search<\/a><\/p>\r\n 3 Hinman, L. M.<\/strong> (2005). Esse est indicato in Google: Ethical and political issues in search engines<\/em>. International Review of Information Ethics, 3<\/em>(6), 19\u201325. https:\/\/doi.org\/10.29173\/irie345<\/a><\/sup><\/p>\r\n 4 Milano, S., Taddeo, M., & Floridi, L.<\/strong> (2020). Recommender systems and their ethical challenges. AI & Society, 35<\/em>(6), 957\u2013967. https:\/\/doi.org\/10.1007\/s00146-020-00950-y<\/a><\/span><\/sup><\/p>\r\n 5 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\r\n 6 Introna, L. D., & Nissenbaum, H.<\/strong> (2000). Shaping the web: Why the politics of search engines matters<\/em>. The Information Society, 16<\/em>(3), 169\u2013185. https:\/\/doi.org\/10.1080\/01972240050133634<\/a><\/sup><\/p>","rendered":" Cada vez m\u00e1s, existe la sensaci\u00f3n de que todo lo que importa est\u00e1 en la web y deber\u00eda ser accesible mediante b\u00fasqueda1<\/sup>. Como dice LM Hinman, \u00abEsse est indicato in Google (ser es estar indexado en Google)\u00bb. Como tambi\u00e9n se\u00f1ala, \u00ablos ciudadanos en una democracia no pueden tomar decisiones informadas sin acceso a informaci\u00f3n precisa\u00bb2,3<\/sup>. Si la democracia se basa en el acceso libre a informaci\u00f3n sin distorsiones, los motores de b\u00fasqueda afectan directamente cu\u00e1n democr\u00e1ticos son nuestros pa\u00edses. Su papel como guardianes del conocimiento est\u00e1 en conflicto directo con su naturaleza como empresas privadas dependientes de anuncios para sus ingresos. Por lo tanto, por el bien de una sociedad libre, debemos exigir responsabilidad a los motores de b\u00fasqueda y transparencia en c\u00f3mo funcionan sus algoritmos2<\/sup>.<\/p>\n Los sistemas que recomiendan contenido basado en perfiles de usuario, incluidos los motores de b\u00fasqueda, pueden aislar a los usuarios de la exposici\u00f3n a diferentes puntos de vista. Al alimentar contenido que le gusta al usuario, crean sesgos auto-reforzados y \u00abburbujas de filtro\u00bb2,4<\/sup>. Estas burbujas, creadas cuando el conocimiento reci\u00e9n adquirido se basa en intereses y actividades pasadas5<\/sup>, cementan los sesgos como fundamentos s\u00f3lidos del conocimiento. Esto podr\u00eda volverse particularmente peligroso cuando se usa con mentes j\u00f3venes y susceptibles. Por lo tanto, se deben promover en el aula discusiones abiertas entre estudiantes, profesores y generar actividades de aprendizaje colaborativo.<\/p>\n Los motores de b\u00fasqueda, como otros sistemas de recomendaci\u00f3n, predicen lo que ser\u00e1 de inter\u00e9s para el usuario. Luego, cuando el usuario hace clic en lo que se recomend\u00f3, lo (el motor de b\u00fasqueda) toma como retroalimentaci\u00f3n positiva. Esta retroalimentaci\u00f3n afecta qu\u00e9 enlaces se muestran en el futuro. Si un usuario hizo clic en el primer enlace mostrado, \u00bffue porque lo encontr\u00f3 relevante o simplemente porque era el primer resultado y, por lo tanto, m\u00e1s f\u00e1cil de elegir?<\/p>\n La retroalimentaci\u00f3n impl\u00edcita es dif\u00edcil de interpretar. Cuando las predicciones se basan en una interpretaci\u00f3n incorrecta, los efectos son aun m\u00e1s dif\u00edciles de predecir. Cuando ciertos resultados se muestran repetidamente, y son lo \u00fanico que el usuario llega a ver, incluso puede terminar cambiando lo que al usuario le gusta y lo que no le gusta, una predicci\u00f3n autocumplida, quiz\u00e1s.<\/p>\n En los Estados Unidos, se lanz\u00f3 un sistema de polic\u00eda predictiva mediante el cual se destacaban las \u00e1reas de alta criminalidad de una determinada ciudad. Esto significaba que se desplegaban m\u00e1s oficiales de polic\u00eda en tales \u00e1reas. Dado que estos oficiales sab\u00edan que el \u00e1rea estaba en alto riesgo, eran cuidadosos y deten\u00edan, registraban o arrestaban a m\u00e1s personas de lo normal. Los arrestos validaban la predicci\u00f3n, incluso cuando la predicci\u00f3n estaba sesgada en primer lugar. No solo eso, los arrestos eran datos para futuras predicciones sobre las mismas \u00e1reas y sobre \u00e1reas similares, acumulando sesgos con el tiempo5<\/sup>.<\/p>\n Usamos sistemas de predicci\u00f3n para actuar sobre las predicciones. Pero actuar sobre predicciones sesgadas afecta los resultados futuros, las personas involucradas, y en \u00faltima instancia, la sociedad misma. \u00abComo efecto secundario de cumplir su prop\u00f3sito de recuperar informaci\u00f3n relevante, un motor de b\u00fasqueda necesariamente cambiar\u00e1 la misma cosa que pretende medir, ordenar y clasificar. De manera similar, la mayor\u00eda de los sistemas de aprendizaje autom\u00e1tico afectar\u00e1n los fen\u00f3menos que predicen\u00bb5<\/sup>.<\/p>\n Hay una prevalencia creciente de noticias falsas (historias falsas que aparecen como noticias) en foros en l\u00ednea, sitios de redes sociales y blogs; todos disponibles para los estudiantes a trav\u00e9s de la b\u00fasqueda. Peque\u00f1os grupos de personas enfocados pueden aumentar las calificaciones para videos espec\u00edficos y sitios web de contenido extremo. Esto aumenta la popularidad del contenido y la apariencia de autenticidad, manipulando los algoritmos de clasificaci\u00f3n4<\/sup>. Sin embargo, hasta ahora, las compa\u00f1\u00edas de motores de b\u00fasqueda no han adoptado una pol\u00edtica clara y expl\u00edcita para controlar las noticias falsas2<\/sup>.<\/p>\n Por otro lado, los motores de b\u00fasqueda excluyen sistem\u00e1ticamente ciertos sitios y ciertos tipos de sitios a favor de otros6<\/sup>. Censuran contenido de algunos autores, a pesar de no haber sido solicitado hacerlo por el p\u00fablico. Por lo tanto, se debe usar los motores de b\u00fasqueda con conciencia, discreci\u00f3n y discriminaci\u00f3n.<\/p>\n 1 Hillis, K., Petit, M., & Jarrett, K.<\/strong> (2013). Google and the culture of search<\/em>. Routledge Taylor & Francis. https:\/\/books.google.com\/books\/about\/Google_and_the_Culture_of_Search.html?id=0X_1HS13FbsC<\/a><\/span><\/sup><\/p>\n 2<\/sup> Tavani, H. T., & Zimmer, M.<\/strong> (2020, Fall). Search engines and ethics<\/em>. En E. N. Zalta (Ed.), The Stanford Encyclopedia of Philosophy<\/em> (Fall 2020 ed.). Stanford University. https:\/\/plato.stanford.edu\/archives\/fall2020\/entries\/ethics-search<\/a><\/p>\n 3 Hinman, L. M.<\/strong> (2005). Esse est indicato in Google: Ethical and political issues in search engines<\/em>. International Review of Information Ethics, 3<\/em>(6), 19\u201325. https:\/\/doi.org\/10.29173\/irie345<\/a><\/sup><\/p>\n 4 Milano, S., Taddeo, M., & Floridi, L.<\/strong> (2020). Recommender systems and their ethical challenges. AI & Society, 35<\/em>(6), 957\u2013967. https:\/\/doi.org\/10.1007\/s00146-020-00950-y<\/a><\/span><\/sup><\/p>\n 5 Barocas, S., Hardt, M., & Narayanan, A.<\/strong> (2023). Fairness and machine learning: Limitations and opportunities<\/em>. MIT Press. https:\/\/fairmlbook.org\/<\/a><\/sup><\/p>\nCreaci\u00f3n de burbujas de filtro<\/h3>\r\n
Bucles de retroalimentaci\u00f3n<\/h3>\r\n
Noticias falsas, contenido extremo y censura<\/h3>\r\n
\r\nEfectos sociales<\/h3>\n
Creaci\u00f3n de burbujas de filtro<\/h3>\n
Bucles de retroalimentaci\u00f3n<\/h3>\n
Noticias falsas, contenido extremo y censura<\/h3>\n
\n