Meta migliora le raccomandazioni dei Reels

Meta ha pubblicato un nuovo approfondimento su come sta lavorando per migliorare le raccomandazioni dei Reels, puntando su un mix di feedback diretto degli utenti e intelligenza artificiale.

Come Meta sta migliorando le raccomandazioni dei Reels

Il cuore dell’aggiornamento riguarda l’uso su larga scala di sondaggi di feedback mostrati tra un Reel e l’altro. Si tratta di domande che chiedono agli utenti come si sono sentiti dopo aver visto un contenuto.

Meta spiega di aver raccolto questi segnali in modo sistematico per affinare i suoi sistemi di raccomandazione.

Dai like al feedback diretto degli utenti

Finora, le raccomandazioni si basavano soprattutto su segnali impliciti come like, condivisioni e watch time. Con i sondaggi, Meta introduce invece feedback esplicito, che permette di capire non solo cosa viene guardato, ma perché un contenuto piace o meno.

Secondo l’azienda, questo approccio consente di superare i limiti delle metriche tradizionali.

I numeri dietro il nuovo sistema di raccomandazione

Meta afferma che, prima dell’introduzione dei sondaggi, i suoi sistemi raggiungevano solo il 48,3% di allineamento con i reali interessi degli utenti. Dopo l’integrazione dei dati raccolti, la percentuale sarebbe salita oltre il 70%.

Un miglioramento significativo, almeno sul piano dichiarato.

Machine learning e correzione dei bias

Per rendere affidabili i risultati, Meta spiega di aver pesato le risposte per correggere distorsioni legate a campionamento e non-response bias, costruendo un dataset più rappresentativo delle preferenze reali.

Il feedback diretto viene poi integrato nei modelli di machine learning che alimentano il feed dei Reels.

Un approccio già visto, ma con risultati rilevanti

L’uso dei sondaggi per migliorare i sistemi di raccomandazione non è una novità assoluta. Anche Pinterest ha raccontato in passato di utilizzare metodi simili.

Ciò che colpisce, in questo caso, è la velocità del miglioramento rivendicato da Meta.

Esperienza più personalizzata e meno casuale

L’obiettivo dichiarato è offrire un’esperienza più personalizzata, riducendo la sensazione di contenuti casuali e aumentando le probabilità di visite ripetute sulla piattaforma.

Perché TikTok resta il benchmark degli algoritmi

Nonostante i progressi, Meta ammette implicitamente di essere ancora dietro a TikTok, il cui feed “For You” continua a essere considerato il punto di riferimento per engagement compulsivo.

Il motivo principale sembra essere la diversa profondità dell’analisi dei contenuti.

Entity recognition e computer vision

TikTok avrebbe sviluppato sistemi avanzati di entity recognition e computer vision, capaci di identificare elementi visivi molto specifici all’interno dei video.

Questo consente alla piattaforma di associare preferenze estremamente dettagliate ai singoli utenti, andando oltre i comportamenti espliciti.

LEGGI ANCHE: Algoritmi dei social : cosa cambia (davvero) su Meta, TikTok, LinkedIn, YouTube e X

Le ombre dietro l’algoritmo di TikTok

Documenti emersi già nel 2019 e analizzati da The Intercept hanno suggerito che TikTok fosse in grado di riconoscere e valutare tratti fisici e contesti ambientali nei video, con l’obiettivo di mantenere un’immagine aspirazionale della piattaforma.

TikTok ha poi chiarito che alcune di queste linee guida riguardavano Douyin, la versione cinese dell’app, e non sarebbero mai state applicate globalmente.

Il confine tra personalizzazione e manipolazione

La sola esistenza di tali criteri solleva interrogativi su bias algoritmici, profilazione psicologica e possibili effetti dannosi sull’esperienza degli utenti.

È un territorio su cui Meta, almeno per ora, sembra muoversi con maggiore cautela.

LEGGI ANCHE: Come cambieranno i social nel 2026? Trend, piattaforme e strategie per restare al passo

Dove Meta sta cercando di colmare il divario

Meta continua a basarsi su segnali più tradizionali, arricchiti ora da sondaggi diretti, per migliorare il feed di Facebook Reels.

Secondo l’azienda, questo dovrebbe portare a una distribuzione dei contenuti verso pubblici più coinvolti, migliorando anche le performance dei creator.

Raccomandazioni migliori, audience più rilevanti

Se le raccomandazioni stanno effettivamente migliorando, il beneficio non riguarda solo gli utenti, ma anche chi produce contenuti, che potrebbe raggiungere audience più interessate e meno casuali.

Una promessa che ora dovrà essere verificata sul campo.