Algoritmo do X amplifica o que contraria os valores do usuário

Um estudo liderado por pesquisadores de Stanford e publicado na Proceedings of the National Academy of Sciences (PNAS) chega a uma conclusão desconfortável sobre feeds algorítmicos: o conteúdo que aparece na aba “Para você” do X tende a ser desalinhado dos valores que o próprio usuário declara ter. O anúncio foi publicado pelo Stanford HAI em 18 de agosto de 2026.

O achado inverte a promessa comercial desse tipo de recomendação. A premissa vendida é que o sistema encontra exatamente o que a pessoa quer ver. O que os autores mediram é diferente: quanto melhor o algoritmo lê o comportamento do usuário, mais ele se afasta daquilo que essa pessoa afirma valorizar.

O trabalho tem como primeiro autor Ziv Epstein, que fez a pesquisa como pós-doutorando no laboratório de Michael Bernstein, professor de ciência da computação em Stanford e pesquisador sênior do instituto de IA centrada no ser humano da universidade. Epstein hoje é pesquisador de pós-doutorado no Schwarzman College of Computing, do MIT. O estudo recebeu apoio parcial do Stanford HAI.

Como o estudo foi construído

O desenho é direto. Os pesquisadores selecionaram aleatoriamente 715 usuários do X e aplicaram um questionário. As respostas foram posicionadas na Hierarquia de Valores Humanos Básicos de Schwartz, uma escala consolidada na psicologia social que organiza 19 valores — de humildade a hedonismo.

Em seguida, a equipe examinou dois fluxos distintos na conta de cada participante. O primeiro é o feed “Seguindo”, formado por conteúdo das contas que o usuário escolheu acompanhar. O segundo é a página “Para você”, montada algoritmicamente. O conteúdo de cada fluxo foi avaliado contra a mesma escala e comparado ao perfil de valores do participante.

O resultado: publicações desalinhadas dos valores do usuário têm mais chance de serem amplificadas para o “Para você” do que publicações alinhadas.

O repositório público de replicação do estudo detalha a estatística por trás disso. Os autores ajustam modelos lineares generalizados mistos binomiais, com efeito aleatório por usuário, para prever se um item foi amplificado a partir das pontuações de valores de Schwartz. A alinhamento individual é calculado por correlações de Spearman entre o perfil de valores normalizado de cada participante e os vetores de coeficientes de amplificação e de engajamento. Os dados incluem também uma variável de partidarismo.

Por que o engajamento leva o feed para o lado errado

A explicação apontada pelos autores está na métrica que governa o ranqueamento. O sistema mede e pondera fortemente a probabilidade de o usuário interagir com o conteúdo — seguir criadores, tempo de leitura, republicações e, sobretudo, respostas. Esse número vira um substituto para “interesse”, e o interesse presumido realimenta a recomendação.

“O engajamento é fácil de medir, então as plataformas o usam como métrica principal para avaliar o interesse do usuário no conteúdo”, disse Epstein na divulgação do estudo. “Elas estão dizendo, na prática, que engajamento é igual a valores, mas não é tão simples assim.”

O estudo encontra que as pessoas são mais propensas a interagir com conteúdo do qual discordam do que com conteúdo que consideram mais palatável. Como a discordância gera resposta, e a resposta pesa muito no ranqueamento, o feed acaba conduzido para conteúdo que provoca indignação. É eficaz para manter a atenção e ineficaz para amplificar o que a pessoa de fato preza.

Bernstein resume a distorção: “Neste momento, nós interagimos com todo tipo de conteúdo — às vezes porque concordamos com ele, às vezes porque estamos irritados com ele — mas as plataformas interpretam tudo isso como um desejo por mais conteúdo daquele tipo.”

Uma tensão que também é do usuário

Há um ponto no estudo que evita a leitura simplista de culpar apenas a plataforma. Os autores destacam uma tensão dentro do próprio usuário: buscamos conteúdo alinhado aos nossos valores, mas reagimos ao que nos provoca ou ofende. O algoritmo não inventa esse comportamento — ele o mede e o realimenta em escala.

Isso muda a natureza do problema. Não se trata de um erro de implementação a ser corrigido com um ajuste de parâmetro, e sim de uma escolha de objetivo: se a métrica otimizada é a reação, o sistema converge para o que gera reação.

Limitações que valem registro

Algumas ressalvas são importantes para não superinterpretar o resultado.

• A amostra é de 715 usuários de uma única plataforma. Não há, no material divulgado, evidência de que o mesmo efeito se reproduza em outros sistemas de recomendação com magnitude equivalente.
• O estudo é observacional e comparativo entre dois feeds da mesma conta, não um experimento controlado sobre o ranqueamento da plataforma. Ele mede desalinhamento e o correlaciona com engajamento; não demonstra a lógica interna do algoritmo, que não é pública.
• “Valores declarados” não são a mesma coisa que preferências reveladas. Instrumentos de autorrelato têm limites conhecidos.
• A análise foi conduzida em um contexto majoritariamente norte-americano. A extrapolação para o público brasileiro exige cautela: a distribuição de valores, a composição do ecossistema informacional e os padrões de uso são diferentes.
• Reportagens sobre o estudo mencionam achados adicionais, como a baixa fração de respostas no total de engajamento observado e diferenças por identificação partidária. O Plugged Ninja não conseguiu acessar o artigo completo no site da PNAS — a página está protegida por verificação automatizada de acesso — e, portanto, não confirma esses números de forma independente.

Que remédios estão sobre a mesa

Epstein afirma que o artigo não é um exercício de apontar culpados, e sim um convite ao debate sobre pesquisa e correções possíveis. A equipe produziu uma extensão para o Google Chrome que reavalia e reordena o feed com base nos valores declarados pelo usuário.

O próprio autor reconhece que isso não é uma solução completa, e pode até produzir feeds que apenas ecoem gostos pessoais — trocando um problema por outro. Entre as alternativas discutidas estão algoritmos pró-sociais, que priorizam conteúdo capaz de atravessar divisões, e ferramentas que devolvam controle real ao usuário sobre a composição do seu feed.

“Nossos feeds não deveriam valorizar o engajamento por confronto acima do conteúdo complementar, nem deveriam nos alimentar de forma bajuladora apenas com conteúdo com o qual concordamos”, conclui Bernstein. “Eles deveriam encontrar um equilíbrio.”

Por que isso importa além da discussão acadêmica

Para quem constrói sistemas de recomendação — e isso inclui times de produto no Brasil que operam feeds, notificações e listas de sugestão —, a contribuição prática do trabalho é metodológica: os autores mostram que é possível medir a distância entre o que as pessoas dizem valorizar e o que o sistema amplifica. Isso transforma uma queixa difusa sobre “algoritmos tóxicos” em uma quantidade auditável.

Há também um ângulo regulatório. Discussões sobre transparência algorítmica costumam esbarrar na dificuldade de definir o que exatamente deveria ser auditado. Um indicador de desalinhamento entre valores declarados e conteúdo amplificado é um candidato concreto — desde que se resolva quem coleta os valores declarados, com qual consentimento e com quais garantias de proteção desses dados. No contexto brasileiro, esse tipo de coleta recairia sob a LGPD, com a ressalva de que perfis de valores pessoais tendem a se aproximar de categorias sensíveis.

O que vale acompanhar a seguir é se plataformas incorporam sinais declarados ao ranqueamento, se a extensão dos pesquisadores gera dados sobre efeitos de longo prazo, e se estudos independentes replicam o achado em outros sistemas e outros países. O código e os dados de replicação estão publicados, o que facilita esse tipo de verificação.

Fontes e referências

• Stanford HAI, Andrew Myers — Your ‘For You’ Algorithm Disagrees With You (18 de agosto de 2026)
• Stanford Report — How ‘For You’ feeds amplify outrage
• PNAS — Value misalignment of X’s feed algorithm is a reflection of value tensions in engagement (DOI 10.1073/pnas.2610388123)
• GitHub — Código e dados de replicação do estudo