Giải mã thuật toán TikTok: Liệu nút Not Interested có thực sự hiệu quả như bạn nghĩ?

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• Nghiên cứu từ Đại học Northwestern sử dụng các tài khoản bot để kiểm chứng khả năng kiểm soát nội dung của người dùng trên TikTok.
• Nút Not Interested có hiệu quả nhất trong việc giảm nội dung không mong muốn (84%), trong khi việc lướt qua chỉ đạt 48%.
• Thuật toán có xu hướng quay lại thói quen cũ nếu người dùng không duy trì phản hồi liên tục, cho thấy sự kiểm soát của người dùng chỉ mang tính tạm thời.

Bạn đã bao giờ cảm thấy dù mình đã nhấn nút Not Interested hàng chục lần, nhưng những nội dung phiền toái vẫn liên tục xuất hiện trên trang For You Page (FYP) của mình? Nhiều người dùng tin rằng thuật toán của TikTok là một thực thể bất biến, nhưng thực tế, sự tương tác giữa hành vi người dùng và hệ thống gợi ý phức tạp hơn nhiều so với những gì chúng ta tưởng tượng. Một nghiên cứu mới từ các nhà khoa học máy tính tại Đại học Northwestern đã vén màn bức tranh thực sự về quyền kiểm soát của người dùng đối với luồng nội dung cá nhân hóa.

Phương pháp nghiên cứu: Khi bot thay thế người dùng

Thay vì dựa vào các khảo sát chủ quan, nhóm nghiên cứu đã chọn cách tiếp cận kỹ thuật nghiêm ngặt bằng cách tạo ra 90 tài khoản bot trên ứng dụng TikTok di động. Họ sử dụng các thiết bị giả lập và can thiệp trực tiếp vào thuật toán thông qua mã nguồn. Để hiểu cách thuật toán phản ứng, nhóm đã chặn lưu lượng mạng (network traffic) để lấy metadata, sau đó sử dụng các mô hình ngôn ngữ lớn (LLM) để đưa ra quyết định tương tác, tất cả đều được kiểm chứng bởi phản hồi từ con người.

Lưu ý: Việc sử dụng dữ liệu tổng hợp (aggregated data) từ các API nghiên cứu chính thức thường không cho phép quan sát hành vi cá nhân hóa trên từng timeline. Do đó, phương pháp giả lập tài khoản (account cloning) là cách duy nhất để nghiên cứu cơ chế phản hồi thực tế của thuật toán đối với một người dùng cụ thể.

Hiệu quả của các tín hiệu phản hồi

Nhóm nghiên cứu đã tập trung vào ba chủ đề phổ biến: video nấu ăn, video thể hình và cá cược thể thao. Kết quả cho thấy sự chênh lệch rõ rệt giữa các hành vi phản hồi khác nhau của người dùng.

Như vậy, việc chủ động tương tác với các tính năng của nền tảng mang lại hiệu quả cao hơn đáng kể so với việc thụ động lướt qua. Tuy nhiên, vấn đề nằm ở chỗ tính năng Not Interested thường bị ẩn đi, khiến người dùng khó tiếp cận.

Hiện tượng tái phát của thuật toán

Một phát hiện đáng chú ý là thuật toán có xu hướng relapses (tái phát). Ngay cả khi bạn đã thành công trong việc loại bỏ một chủ đề, thuật toán sẽ dần dần đưa nội dung đó trở lại feed của bạn. Nếu bạn không tiếp tục phản hồi tiêu cực, nội dung đó sẽ nhanh chóng quay lại mức độ hiển thị ban đầu. Điều này tương tự như cách chúng ta cần tách biệt tín hiệu khỏi nhiễu để đánh giá hiệu năng của các mô hình AI, nơi mà sự nhất quán là chìa khóa.

Đánh giá & Lời khuyên Thực tiễn

Từ góc độ kỹ thuật, cơ chế của TikTok phản ánh sự ưu tiên tối đa cho việc giữ chân người dùng (retention). Khi bạn vô tình xem lại nội dung đã từng từ chối, thuật toán sẽ hiểu rằng sở thích của bạn đã thay đổi và bắt đầu đề xuất lại nội dung đó.

• Ưu điểm: Thuật toán cực kỳ nhạy bén với hành vi hiện tại, giúp cập nhật sở thích người dùng theo thời gian thực.
• Nhược điểm: Quyền kiểm soát của người dùng bị suy yếu bởi thiết kế nền tảng. Sự minh bạch về cách thuật toán xử lý feedback vẫn là một ẩn số lớn.
• Lời khuyên: Nếu bạn muốn tối ưu hóa trải nghiệm, hãy nhất quán trong việc sử dụng nút Not Interested. Đừng để hành vi xem thụ động làm nhiễu dữ liệu huấn luyện của thuật toán. Nếu bạn quan tâm đến việc xây dựng các hệ thống gợi ý minh bạch hơn, hãy tham khảo cách các kỹ sư tối ưu hóa LLM để hiểu về cách dữ liệu đầu vào ảnh hưởng đến kết quả đầu ra.

Mẹo hay: Hãy coi việc quản lý feed như việc quản lý một cơ sở tri thức. Bạn cần liên tục làm sạch dữ liệu đầu vào để hệ thống không bị chệch hướng.

Câu hỏi thường gặp (FAQ)

Tại sao tôi đã nhấn Not Interested mà video vẫn xuất hiện?

Thuật toán của TikTok ưu tiên hành vi thực tế (xem, like, thời gian xem) hơn là các tín hiệu phản hồi tiêu cực đơn lẻ. Nếu bạn vô tình xem lại nội dung đó, thuật toán sẽ ghi đè lên phản hồi trước đó của bạn.

Việc lướt qua video có thực sự hiệu quả không?

Có, nhưng hiệu quả thấp hơn nhiều so với nút Not Interested. Lướt qua chỉ là một tín hiệu yếu, trong khi Not Interested là tín hiệu mạnh (explicit signal) gửi trực tiếp đến hệ thống gợi ý.

Liệu có cách nào để kiểm soát hoàn toàn feed không?

Hiện tại, không có cách nào để kiểm soát 100% vì thiết kế của nền tảng luôn hướng tới việc khám phá nội dung mới. Sự cảnh giác liên tục là cách duy nhất để định hướng thuật toán theo ý muốn của bạn.

Kết luận

Nghiên cứu này một lần nữa khẳng định rằng quyền kiểm soát của người dùng trên các nền tảng mạng xã hội lớn thường bị giới hạn bởi các mục tiêu kinh doanh của thuật toán. Việc hiểu rõ cách hệ thống vận hành giúp chúng ta sử dụng công cụ hiệu quả hơn thay vì trở thành nạn nhân của sự thao túng nội dung. Hãy tiếp tục theo dõi hi_dev để cập nhật những phân tích chuyên sâu về công nghệ và các xu hướng mới nhất trong thế giới lập trình.