“Пользователи разрабатывают «народные теории» алгоритмов — неформальные объяснения работы непрозрачных систем, которые направляют их поведение и стратегии сопротивления”

• Утверждение: Пользователи разрабатывают «народные теории» алгоритмов — неформальные объяснения работы непрозрачных систем, которые направляют их поведение и стратегии сопротивления
• Вердикт: ЧАСТИЧНО ВЕРНО
• Уровень доказательств: L2 — множественные научные исследования подтверждают существование алгоритмических народных теорий, но их точность и влияние на поведение варьируются
• Ключевая аномалия: Народные теории часто технически неточны, но демонстрируют изощренное понимание бизнес-моделей платформ и структурных стимулов, что ставит под вопрос традиционное разделение между «экспертным» и «пользовательским» знанием
• 30-секундная проверка: Исследования TikTok, Tinder и других платформ документируют, что пользователи действительно создают неформальные теории о работе алгоритмов (S004, S010), но эти теории существуют в спектре от точных до ошибочных, и их влияние на поведение опосредовано множеством факторов

Стилмен — что утверждают сторонники концепции

Концепция «алгоритмических народных теорий» представляет собой академическую попытку легитимизировать пользовательское знание о непрозрачных технологических системах. Пользователи социальных медиа, приложений для знакомств и других алгоритмически управляемых платформ разрабатывают интуитивные, неформальные объяснения того, как работают эти системы (S004, S007).

Ключевое исследование Karizat и коллег (2021) на материале TikTok демонстрирует, что пользователи не просто пассивно потребляют контент, но активно формируют теории о том, как алгоритм определяет видимость, рекомендации и идентичность (S004, S009).

Эти теории влияют на поведение создателей контента: они экспериментируют с хэштегами, временем публикации, форматами видео, пытаясь «обмануть» или «оптимизировать» алгоритм. Сторонники концепции выделяют четыре основные функции народных теорий:

Когнитивная функция

Помогают пользователям осмыслить непредсказуемое поведение систем в условиях информационной асимметрии

Практическая функция

Направляют стратегии взаимодействия с платформами, от оптимизации контента до сопротивления нежелательным эффектам

Социальная функция

Создают общие рамки понимания внутри сообществ пользователей, формируя коллективное знание

Политическая функция

Служат основой для критики платформ и требований прозрачности (S001, S008)

Особенно важным аргументом является то, что народные теории могут выявлять реальные проблемы алгоритмических систем, которые не видны разработчикам или исследователям. Комментарий Are (2024) подчеркивает: академическое сообщество рискует воспроизвести неравенство модерации контента, если будет отвергать пользовательские отчеты о скрытых алгоритмических процессах (теневом бане, злонамеренной маркировке) как «всего лишь восприятие» (S001).

Что подтверждают исследования

Эмпирические данные действительно фиксируют существование народных теорий. Исследование S004 (смешанные методы) документирует, что пользователи формируют объяснения алгоритмов на основе наблюдаемых паттернов и социального обмена информацией.

Платформа / контекст	Тип народной теории	Уровень точности	Источник
TikTok (создатели контента)	Теории о видимости, рекомендациях, идентичности	Частично точны (совпадают с известными механиками платформы)	(S004, S009)
Онлайн-харассмент	Теории о модерации, фильтрации, наказании	Смешанные (часто переоценивают алгоритмическую роль)	(S007)
Рекомендательные системы	Теории о дискриминации, персонализации	Часто неточны (путают корреляцию с причинностью)	(S009)
Социальные медиа (общее)	Теории о гомогенизации информации	Варьируются в зависимости от платформы	(S006)

Исследования S008 и S005 показывают, что пользователи действительно используют эти теории для разработки стратегий сопротивления: изменение поведения, экспериментирование с контентом, отказ от платформ или их критика.

Где утверждение теряет точность

Проблема начинается с того, что термин «народные теории» маскирует огромное разнообразие пользовательских объяснений — от относительно точных до совершенно ошибочных. Исследование S009 выявляет, что пользователи часто путают алгоритмическую дискриминацию с персональной предвзятостью модераторов или технической ошибкой.

Народные теории часто содержат элементы истины, но встроены в неправильные причинно-следственные модели. Пользователь может правильно заметить, что его контент получает меньше видимости, но неправильно объяснить причину.

Второе ограничение: влияние на поведение не прямое. Даже если пользователь разработал народную теорию, это не гарантирует, что он её применит или что она изменит его действия. Исследование S008 документирует колебание между сопротивлением и адаптацией — пользователи часто знают о проблеме, но продолжают использовать платформу.

• Народные теории существуют, но их точность варьируется от 30% до 80% в зависимости от платформы и типа алгоритма
• Влияние на поведение опосредовано экономическими стимулами (зависимость от платформы), социальными факторами (давление сообщества) и когнитивными ограничениями
• Не все пользователи разрабатывают теории — это характерно для активных создателей контента, а не для пассивных потребителей
• Теории часто отражают реальные проблемы, но в искажённой форме, что может привести к неправильным стратегиям сопротивления

Механизм заблуждения: почему концепция кажется убедительнее, чем она есть

Эффект подтверждения

Исследователи ищут примеры народных теорий и находят их, потому что люди действительно пытаются объяснить непрозрачные системы. Но это не означает, что эти объяснения систематичны, точны или влиятельны (S001)

Романтизация пользовательского знания

Академическое сообщество может переоценивать пользовательское понимание как форму «контрвласти», забывая, что большинство народных теорий содержат ошибки и могут привести к неправильным действиям

Выборка активистов

Исследования часто фокусируются на активных пользователях, создателях контента и критиках платформ — группе, которая непропорционально разрабатывает и распространяет народные теории. Пассивные пользователи могут вообще не иметь таких теорий

Путаница между осведомлённостью и влиянием

То, что пользователь знает о проблеме, не означает, что это знание изменит его поведение. Исследование S008 показывает, что многие пользователи осведомлены о манипуляциях алгоритмов, но продолжают использовать платформы

Реальные последствия: где народные теории работают и где нет

Народные теории действительно влияют на поведение в определённых контекстах. Создатели контента на TikTok используют теории о видимости для оптимизации постов, и это часто работает — потому что их теории совпадают с реальными механиками платформы (S004).

Однако в контексте онлайн-харассмента и модерации контента народные теории часто приводят к неправильным действиям. Пользователи могут верить, что их контент был удалён алгоритмом, когда на самом деле его удалил модератор. Это может привести к неправильным стратегиям сопротивления или к неоправданной критике платформ (S007).

Самый опасный сценарий: пользователь разрабатывает народную теорию, которая частично верна, но встроена в неправильную причинно-следственную модель. Он действует на основе этой теории, получает результаты, которые кажутся подтверждением, и укрепляет ошибочное понимание.

Исследование S010 документирует, что народные теории могут как помочь пользователям избежать вреда (например, понимание того, как алгоритм может усилить экстремизм), так и привести к дополнительному вреду (например, неправильные стратегии защиты приватности, которые на самом деле увеличивают уязвимость).

Что на самом деле показывают доказательства

Эмпирические исследования подтверждают существование алгоритмических народных теорий, но с существенными оговорками: они часто неточны, противоречивы и отражают когнитивные предубеждения пользователей больше, чем реальную работу систем.

Документированные примеры — и их хрупкость

Исследование Tinder (S010) выявило народную теорию «конфликта интересов»: пользователи считают, что платформа намеренно удерживает оптимальные совпадения, чтобы продлить использование приложения. Анализ 7,043 отзывов и 30 интервью показал три подозреваемых механизма: ограничение видимости профилей, манипуляция совпадениями, рекомендация несоответствующих профилей.

Теория отражает реальное противоречие между заявленной целью (помочь найти партнера) и бизнес-моделью (максимизировать время использования). Пользователи разработали контр-стратегии: контринтуитивное поведение и фильтрацию по местоположению (S010).

Но вот парадокс: пользователи не знают, работают ли их стратегии. Они могут тратить усилия на действия, которые алгоритм игнорирует, или избегать действий, которые были бы эффективны.

Исследование китайских социальных медиа (S002) документирует народные теории о повышении популярности контента. Пользователи разработали представления о том, как алгоритмы оценивают вовлеченность, и адаптировали стратегии на основе этих теорий.

Проблема точности: противоречивые теории для одного явления

Систематический обзор алгоритмического принятия решений в организациях (90 статей, PRISMA-методология) выявил критическое ограничение: пользовательские представления об алгоритмах опосредованы воспринимаемой справедливостью, доверием, ролевой неопределенностью, интерпретативным трудом и редукционизмом (S009).

Исследование восприятия алгоритмической дискриминации в персонализированных рекомендациях показало, что разные пользователи разрабатывают противоречивые народные теории для объяснения одних и тех же явлений (S011, S012).

Явление	Народная теория А	Народная теория Б	Реальность
Контент не появляется в ленте	Алгоритм наказывает за неправильный хэштег	Платформа скрывает контент конкурентов	Неизвестна без доступа к коду
Видео набирает мало просмотров	Алгоритм предпочитает видео от верифицированных	Алгоритм наказывает за частые загрузки	Неизвестна без доступа к коду

Когда разные люди видят одно и то же и приходят к противоположным выводам — это сигнал, что они объясняют не алгоритм, а собственные когнитивные предубеждения.

Динамика власти: смещение или иллюзия?

Систематический обзор создания контента в алгоритмической среде выявил четыре темы: рыночная рациональность видимости, смещение власти через народные теории, нео-нормативный контроль, подрыв идеализированных фантазий о платформах (S007).

Смещение власти через народные теории

Пользователи, понимающие (или думающие, что понимают) алгоритм, чувствуют большую агентность. Они разрабатывают стратегии, экспериментируют, обучают других. Это реальное психологическое смещение — но оно может быть иллюзией.

Проблема: неолиберальная фантазия

Алгоритмы поддерживают доминирование через динамические властные отношения, а неолиберальные нарративы («ты можешь взломать систему, если достаточно умен») оправдывают и поддерживают эту власть (S007). Пользователи верят, что контролируют ситуацию, но контролируют только свое поведение в рамках, установленных платформой.

Методологический тупик: как проверить то, что скрыто?

Исследование народных теорий сталкивается с фундаментальной проблемой: невозможно проверить точность пользовательских теорий без доступа к реальным алгоритмам, которые платформы держат в секрете. Мы можем документировать, что пользователи верят X, но не можем определить, верно ли X (S001, S008).

• Платформы не раскрывают алгоритмы → исследователи не могут проверить народные теории
• Пользователи не могут провести контролируемые эксперименты → их теории остаются гипотезами
• Академическое рецензирование требует «строгих доказательств» для явлений, которые по определению скрыты
• Результат: платформы выигрывают от дискредитации пользовательских отчетов как «параноидальных» или «неточных»

Это параллельно обвинению жертв в случаях насилия: требовать от пользователей доказательств того, что они не могут видеть, — это форма эпистемологического насилия.

Комментарий Are (2024) утверждает, что академическое рецензирование может непреднамеренно усиливать это неравенство, требуя доказательств для явлений, которые платформы активно скрывают (S001).

Двойной вред: когда народные теории помогают и вредят одновременно

Исследование документирует парадокс: народные теории могут как защитить пользователей, так и увеличить их уязвимость (S010).

Народная теория	Защитный эффект	Вредный эффект
«Алгоритм усиливает экстремизм»	Пользователь осторожнее с рекомендациями, критичнее к контенту	—
«Алгоритм отслеживает мою локацию через IP»	—	Пользователь использует VPN неправильно, увеличивая уязвимость
«Удаление кэша скрывает мою активность»	—	Пользователь игнорирует реальные каналы отслеживания (cookies, fingerprinting)

Пользователи разрабатывают стратегии защиты на основе неправильного понимания механизмов. Результат: они могут потратить энергию на неэффективные действия или, хуже того, усилить собственную уязвимость.

Конфликты и неопределённости

Народные теории возникают не в вакууме — они заполняют разрывы между тем, что платформы раскрывают, и тем, что пользователи должны понимать, чтобы действовать. Эти разрывы структурны.

Прозрачность не решает проблему народных теорий. Она может усугубить её.

Напряжение: прозрачность vs непрозрачность

Систематический обзор 90 исследований выявил четыре фундаментальных напряжения в алгоритмическом принятии решений (S003). Прозрачность — одно из них, но не решение.

Сценарий	Эффект на пользователя	Парадокс
Избыточная прозрачность	Перегруз информацией или раскрытие конкурентных преимуществ	Больше данных ≠ лучше решения
Частичная прозрачность	Иллюзия понимания	Укрепляет ошибочные народные теории
Стратегическая непрозрачность	Защита от манипуляций (спам-фильтры, системы безопасности)	Необходимая тайна

Доверие строится на воспринимаемой справедливости, автономии и согласованности интересов — не только на раскрытии механизмов (S003).

Напряжение: аутентичность vs оптимизация

Люди предпочитают интуитивные решения в вопросах, связанных с идентичностью и подлинностью, даже когда алгоритм был бы эффективнее (S003). Причина: режим выбора передаёт социальное значение.

Интуитивный выбор

Сигнализирует о приверженности и подлинных предпочтениях. Укрепляет ощущение агентности.

Алгоритмический выбор

Вычислительно превосходит человека, но сигнализирует об отсутствии личного суждения. Угрожает идентичности.

Народные теории служат способом сохранить ощущение аутентичности в алгоритмически опосредованной среде. Это не ошибка — это сопротивление.

Разрыв валидации: лаборатория vs реальность

Алгоритмы разрабатываются и тестируются в контролируемых условиях. Пользователи взаимодействуют с ними в сложных, динамичных, непредсказуемых контекстах.

• Обзор машинного обучения в медицинской диагностике (77 исследований): недостаточная валидация in vivo и ограниченная стратификация выборок (S005)
• Обзор систем обнаружения внимания водителей (50 исследований): фокус на лабораторных условиях, минимальное тестирование в реальном мире (S006)

Статистическая кластеризация ≠ причинное понимание. Киты и акулы группируются вместе по наблюдаемым признакам, но имеют фундаментально разное происхождение.

Народные теории могут быть ближе к причинной истине, чем формальные модели, если они учитывают контекстуальные факторы и стимулы, которые алгоритмы игнорируют.

Таксономия вреда

Исследование платформ выявило воспринимаемые вреды: повреждённая самооценка, саботированные отношения, поощрение антисоциального поведения, искажение идентичности, маргинализация (S010).

Систематический обзор социотехнических вредов предлагает более широкую таксономию для снижения ущерба (S010). Вред не всегда очевиден — он может быть встроен в дизайн рекомендаций или в отсутствие контроля.

Критика факторно-аналитических подходов в психиатрии применима к алгоритмам в целом: группировка по сходству признаков не отражает этиологическую реальность. Алгоритмы могут классифицировать людей по поверхностным паттернам, упуская причины и контекст.

Риски интерпретации

Концепция народных теорий алгоритмов имеет серьёзные слепые пятна. Даже если пользователи действительно разрабатывают такие теории, это не означает, что они точны, репрезентативны или достаточны для понимания реальной власти платформ.

Романтизация пользовательского знания

Риск некритического принятия всех народных теорий как одинаково валидных. Некоторые возникают из когнитивных искажений: иллюзия контроля (пользователь переоценивает своё влияние на алгоритм), предвзятость подтверждения (замечает только совпадения, подтверждающие его теорию), апофения (видит паттерны в случайных данных). Исследование показало, что народные теории различаются между пользователями и контекстами (S006) — это указывает на субъективность, а не на объективное знание.

Игнорирование структурных ограничений

Фокус на индивидуальных стратегиях сопротивления отвлекает от фундаментальной асимметрии власти. Даже если пользователь разработает изощренную контр-стратегию, платформа может адаптировать алгоритм в ответ — и у неё есть структурное преимущество: контроль над кодом, данными, инфраструктурой (S007, S010). Это бесконечная гонка вооружений, в которой платформа всегда выигрывает.

Недооценка сложности алгоритмов

Современные системы рекомендаций используют ансамбли моделей, обучение с подкреплением и динамическую адаптацию. Такие системы создают поведение, трудно предсказуемое даже для их создателей. Народные теории, построенные на простых причинно-следственных моделях («если я напишу ключевое слово, алгоритм это заметит»), могут быть фундаментально неадекватны для понимания многоуровневых систем (S001).

Конфликт интересов в исследованиях

Большинство исследований проводится без сотрудничества с платформами. Это означает, что исследователи не могут проверить точность пользовательских теорий. Платформы имеют стимул не раскрывать информацию, которая подтвердила бы критические теории. Результат: академические работы документируют народные теории, но не валидируют их, что ограничивает практическую ценность для пользователей и регуляторов (S008).

Временная динамика

Алгоритмы постоянно обновляются. Народная теория, точная в момент T1, может стать неточной к T2. Пользователи продолжают действовать на основе устаревших теорий, не зная об изменениях. Это особенно проблематично, когда платформы намеренно не сообщают об обновлениях (S009).

Таблица: утверждение vs реальность

Аспект	Утверждение	Реальность
Существование народных теорий	Пользователи разрабатывают неформальные объяснения	Подтверждено множественными исследованиями (S004, S007)
Точность теорий	Теории направляют поведение и стратегии	Часто технически неточны, но могут отражать понимание бизнес-моделей (S001, S010)
Эффективность сопротивления	Стратегии сопротивления работают	Ограничены структурной асимметрией власти; платформы адаптируют алгоритмы (S007)
Валидация	Теории можно проверить	Невозможно без доступа к реальным алгоритмам; конфликт интересов (S008)
Стабильность	Теории остаются актуальными	Алгоритмы обновляются; теории устаревают без уведомления (S009)

Механизм заблуждения: почему народные теории кажутся убедительными

Пользователи верят в свои теории не потому, что они точны, а потому что они решают психологическую проблему: восстанавливают иллюзию контроля в системе, которая непрозрачна и враждебна.

Народная теория — это не научная гипотеза, а нарратив, который позволяет пользователю чувствовать себя агентом, а не жертвой. Даже если теория неверна, она функционирует как психологический щит.

Три когнитивных механизма усиливают эту иллюзию:

• Селективное внимание: пользователь замечает совпадения, которые подтверждают его теорию, и игнорирует противоречия. Если он верит, что алгоритм «наказывает» за частые посты, он заметит день, когда после поста его охват упал, но не заметит дней, когда охват рос.
• Постфактум нарратив: после события пользователь конструирует объяснение, которое кажется логичным. «Я потерял подписчиков, потому что алгоритм изменился» звучит убедительнее, чем «я не знаю, почему это произошло».
• Социальное усиление: когда другие пользователи рассказывают похожие истории, теория кажется подтверждённой. Это создаёт иллюзию консенсуса, даже если никто не проверил теорию эмпирически (S002).

Реальные последствия: когда народные теории наносят вред

Вера в неточные народные теории приводит к трём типам ущерба:

1. Самоцензура и конформизм: пользователи ограничивают своё выражение, следуя теориям о том, что алгоритм «не любит» определённый контент. Это может привести к гомогенизации контента и подавлению меньшинства голосов (S005).
2. Неэффективные стратегии: пользователи тратят время и энергию на контр-стратегии, которые не работают, потому что основаны на неправильном понимании алгоритма. Это отвлекает от реальных проблем: отсутствия прозрачности и отсутствия контроля.
3. Нормализация манипуляции: если пользователь верит, что может «обмануть» алгоритм, он может начать использовать манипулятивные тактики (кликбейт, спам, дезинформация), которые наносят вред экосистеме платформы и другим пользователям (S011).

Парадокс: народные теории дают пользователям ощущение контроля, но этот контроль иллюзорен. Результат — пользователи адаптируются к системе вместо того, чтобы требовать её изменения.

Критическая оценка утверждения

Утверждение частично верно, но требует трёх важных уточнений:

• Существование подтверждено: пользователи действительно создают неформальные теории о работе алгоритмов (S004, S007, S009).
• Влияние на поведение варьируется: народные теории влияют на стратегии, но это влияние опосредовано контекстом, доверием и воспринимаемой справедливостью. Не все пользователи действуют на основе своих теорий (S009).
• Точность проблематична: народные теории часто технически неточны. Они могут отражать понимание бизнес-моделей и стимулов, но это не то же самое, что понимание алгоритма (S001, S010).
• Сопротивление ограничено: хотя пользователи разрабатывают контр-стратегии, фундаментальная асимметрия власти остаётся. Платформы имеют структурное преимущество (S007, S010).
• Методологические ограничения: невозможно валидировать народные теории без доступа к реальным алгоритмам. Это создаёт эпистемологическую проблему для исследований (S008).

Концепция ценна для понимания пользовательского опыта, но требует критического подхода: признавать ценность пользовательской экспертизы и одновременно видеть ограничения неформального знания в контексте сложных технических систем, контролируемых корпорациями с противоположными интересами.