Saltar al contenido
Noticias de tecnologia

Rango de relevancia social: ¿Qué falta?

El futuro de la búsqueda: rango de relevancia social

Es casi seguro que el futuro de la búsqueda involucre redes sociales, gráficos sociales o filtrado social de alguna manera. Las empresas vivirán o morirán si hacen bien la parte “social”: crear el nivel adecuado de intimidad, confianza, confiabilidad, conexión social, y precisión en sus listas de resultados. Por supuesto, esto significa específicamente que su experiencia de usuario debe al menos igualar o, preferiblemente, superar la de Google.

Para lograrlo, primero debemos dejar de discutir sobre los diferentes tipos de búsqueda.

Búsqueda en tiempo real. Búsqueda social. Búsqueda semántica. Estas distinciones carecen esencialmente de sentido, especialmente cuando ni siquiera podemos ponernos de acuerdo en las definiciones y cuando cada uno de sus límites permanece indefinido. En cambio, debemos reconocer que son parte integral de la personalización y contextualización de la búsqueda para usuarios individuales. Dejemos de jugar al “juego de los nombres” y comencemos a pensar de manera integral acerca de cómo cada (y ¡todos!) afecta y mejora lo que hoy consideramos “búsqueda”.

Debido a que la promesa de la integración de redes sociales con la búsqueda es un tema favorito actual, nos centraremos en esta publicación en eso: a clase de búsqueda social. Esta es también una respuesta a las ideas planteadas por Alex Iskold en su publicación sobre el futuro de las búsquedas.

Alex propone que clasifiquemos los resultados de búsqueda por una especie de rango de relevancia social, mostrando primero los resultados de amigos y personas a quienes seguimos y luego mostrando resultados de “vecinos del gusto” y personas influyentes, etc. FriendFeed ya filtra los resultados por el contenido de sus amigos primero. Los Trending Topics de Twitter, por el contrario, muestran la perspectiva de la multitud. Si bien el círculo social personal de uno podría mejorar la relevancia de algunos resultados de búsqueda (y hace algunos meses noté que este es un modelo prometedor), este tipo de filtrado es más desafiante de lo que parece.

Primero, como señala Alex, “las opiniones de confianza son escasas. ” Nuestros amigos no podrían saber todo lo que nos interesa, y cuanto más pequeño es nuestro círculo social, peor se vuelve el problema. Incluso con gráficos sociales grandes, tarde o temprano, sin duda, buscaremos un tema que no se haya indexado en los flujos de actividad de nuestros amigos, y luego obtendremos pocos o ningún resultado y sufriremos una experiencia de usuario inferior. Sería mejor que recurrimos al viejo Google … ¡lo que estamos tratando de hacer mejor!

En segundo lugar, conseguir el rango de relevancia social correcto implica una gran cantidad de información sobre lo que les importa a los usuarios. Alex comenta que, “Esto no es difícil para FriendFeed porque … sabe quién te importa”. ¿Pero lo hace? En FriendFeed, sigo solo a un número limitado de personas que realmente me importan. ¿Son esas personas las que dan cuenta de las cosas que me importan? Y cuando realizo una búsqueda, ¿el motor sabe lo que me preocupa en ese momento? Es cierto que tenemos que empezar en alguna parte, como hizo PageRank, y ajustar el algoritmo con el tiempo. Pero sugerir que incluso un ranking de relevancia social inteligente tiene una pista de lo que nos importa en un momento dado es, en el mejor de los casos, presuntuoso dado el estado de la técnica.

Todavía, Tener diferentes niveles de relevancia social es una buena teoría., y las demarcaciones de Alex son sólidas, en esencia. Pero cada nivel indica con mayor probabilidad grados de proximidad social que la relevancia per se; aunque en algunos casos una mayor proximidad puede muy bien indicar una mayor relevancia. El problema es que la relevancia es muy contextual. Depende de muchos factores, como su profesión, su consulta de búsqueda, sus amigos, el conocimiento de sus amigos sobre esos temas y la información que se registra públicamente en sus flujos de actividad.

Por ejemplo, a un analista financiero (es decir, un experto) no le importaría si su círculo más cercano de amigos estuviera en Twitter sobre lo complicado que es un nuevo código tributario. Como experta, preferiría saber exactamente cómo afectan las nuevas políticas a uno de sus clientes extremos. Filtrar los resultados de la búsqueda por “amigos y seguidores” en un extremo y “la multitud en conjunto” en el otro puede fallar igualmente en descubrir la información adecuada para ella.

Para los usuarios generales, el factor “depende” puede ser el urgencia con qué información se necesita. Cuando la necesidad sea urgente, la gente buscará activamente la información (de diversas formas); otras veces, la información puede ser bienvenida, pero solo se encuentra por casualidad o se consume pasivamente. Explorar feeds, publicaciones de Twitter y transmisiones de Facebook son formas pasivas de descubrir información. Poner estas actividades en un continuo en el que la búsqueda de información es activo pero el descubrimiento de información es pasivo podría verse así:

Pero para lograr realmente un “rango de relevancia social”, debemos considerar cómo las capas de proximidad social mapear en este continuo de búsqueda-descubrimiento.

Cuando las personas buscan activamente información (por ejemplo, la mejor guía de Barbary Coast Trail para la caminata de mañana), es probable que necesiten información confiable y de alta calidad que al menos pueda informar su decisión. “Amigos y seguidores” podría servir como un filtro social confiable en esta etapa. Pero a medida que la urgencia disminuye (por ejemplo, simplemente buscando una receta de julepe de menta una semana antes de una reunión), relajamos nuestros requisitos e incluso damos la bienvenida a un conjunto más amplio de resultados. En esta etapa, es apropiado filtrar los resultados por amigos de amigos, personas influyentes, expertos e incluso multitudes en conjunto.

Por supuesto, descubrir información fortuitamente de “amigos y seguidores” sería bienvenido en otros casos. Por lo tanto, para mejorar realmente la relevancia social en los motores de búsqueda y los servicios de descubrimiento, tendría que haber una distribución de filtros sociales aceptables cuyos niveles dependan de qué tan activo sea el usuario y qué esté buscando el usuario:

Sin embargo, lo que esto todavía no logra abordar es cómo evaluar la urgencia de las necesidades de un usuario o cómo derivar ese nivel de urgencia del comportamiento conocido del usuario. Este es un problema que los ingenieros, diseñadores e investigadores de HCI han estado luchando por resolver durante mucho tiempo (y con un millón de dólares solo llegará hasta ahora).

El problema de la búsqueda eficaz es profundo. Puede tener todos los sabores que desee: social, en tiempo real, semántico, y el sabor de mañana será simplemente otro riff de la misma melodía. Sí, las redes sociales y el gráfico social tienen el potencial de filtrar significativamente millones de páginas de resultados que de otro modo no se diferenciarían. Pero palabras como “significativo” y “relevancia” están tan contextualizadas, que varían de un usuario a otro y de un caso de uso a otro, que no se puede esperar que signifiquen nada a menos que estén ancladas por el contexto. Cartografía proximidad social El consumo de información activo y pasivo de los usuarios podría ayudarnos a crear experiencias de usuario más contextualizadas en la Web social, lo que da como resultado menos tiempo dedicado a nombrar el último tipo de búsqueda y más tiempo dedicado a mejorar la búsqueda.

Autor invitado: Brynn Evans es un estudiante de doctorado en Ciencias Cognitivas en UC San Diego que utiliza la antropología digital para estudiar y comprender mejor la búsqueda social.