Série YouTube e Plataformas, parte 1 de 3. A série começa pelo mecanismo técnico que organiza a plataforma de vídeo mais usada do mundo: o sistema de recomendação.
Entre criadores, o algoritmo do YouTube costuma ser tratado como uma entidade quase mística, que premia ou castiga canais por razões misteriosas. Fóruns e vídeos de dicas multiplicam teorias sobre horários, palavras mágicas e punições ocultas. Pouca gente sabe, porém, que os engenheiros da plataforma publicaram em congressos científicos descrições gerais de como o sistema foi desenhado, e que pesquisadores independentes vêm tentando auditá-lo há anos.
Este ensaio organiza essa literatura. Primeiro, apresenta os conceitos básicos de sistemas de recomendação. Em seguida, percorre três artigos publicados por equipes do Google entre 2010 e 2019, que mostram a evolução da arquitetura. Depois, discute o debate acadêmico sobre os efeitos do sistema, em especial a controvérsia sobre radicalização, e as leituras críticas das ciências sociais. Por fim, examina o que tudo isso significa, e o que não significa, para quem produz conteúdo.
Um aviso de método é necessário desde o início: os artigos descrevem versões do sistema em determinados momentos. A plataforma altera seus modelos continuamente, e os detalhes atuais não são públicos. O que a literatura oferece são princípios de funcionamento, não um manual atualizado.
Conceitos básicos: o que é um sistema de recomendação
Resnick e Varian (1997) definiram sistemas de recomendação como ferramentas que agregam indicações de muitas pessoas para ajudar cada usuário a escolher em meio a um excesso de opções. A definição continua útil porque destaca o problema central: há muito mais conteúdo do que qualquer pessoa consegue avaliar, e alguém, ou algo, precisa filtrar.
Filtragem colaborativa e baseada em conteúdo
Duas famílias de técnicas dominam a área. A filtragem baseada em conteúdo recomenda itens parecidos, em suas características, com os que o usuário já consumiu. A filtragem colaborativa recomenda com base no comportamento de pessoas semelhantes: se muitos que assistiram ao vídeo A também assistiram ao B, B é um bom candidato para quem viu A. Sarwar e colegas (Sarwar et al., 2001) mostraram que calcular a similaridade entre itens, e não entre usuários, tornava a filtragem colaborativa mais eficiente em grandes catálogos. Koren, Bell e Volinsky (2009), a partir da experiência no concurso de recomendação da Netflix, popularizaram a fatoração de matrizes, que representa usuários e itens como vetores num espaço de fatores latentes.
Esses conceitos ajudam a desfazer um mito comum: o sistema não assiste aos vídeos como um espectador humano. Ele aprende sobretudo com sinais de comportamento, como cliques, tempo assistido e interações, embora também use metadados e outras características do conteúdo.
A evolução do sistema segundo os próprios engenheiros
2010: covisualização e grafo de vídeos
Davidson e colegas (Davidson et al., 2010) descreveram a recomendação personalizada da página inicial da época. O núcleo era uma medida de relação entre vídeos baseada em covisualização, isto é, em quantas vezes dois vídeos eram assistidos na mesma sessão. A partir dos vídeos que o usuário já tinha visto, curtido ou adicionado a listas, o sistema expandia um conjunto de candidatos percorrendo esse grafo de relações e depois ordenava os candidatos combinando sinais de qualidade do vídeo, de especificidade para o usuário e de diversidade. Os autores destacavam a necessidade de recomendações recentes e variadas, e de explicar ao usuário por que um vídeo aparecia.
2016: redes neurais profundas e tempo de exibição
Covington, Adams e Sargin (2016) apresentaram uma arquitetura baseada em aprendizado profundo, dividida em duas etapas. Na geração de candidatos, uma rede neural seleciona, entre milhões de vídeos, algumas centenas potencialmente relevantes, usando o histórico de exibição, as buscas e dados demográficos. Na etapa de ranqueamento, outra rede ordena esses candidatos com um conjunto mais rico de sinais. Dois detalhes são especialmente relevantes. Primeiro, o modelo de ranqueamento foi treinado para prever o tempo de exibição esperado, e não apenas a probabilidade de clique, justamente para não premiar títulos enganosos. Segundo, os autores incluíram a idade do conteúdo como variável para lidar com a preferência do público por vídeos recentes. Quem quiser entender o funcionamento das redes neurais por trás dessas escolhas pode consultar o ensaio sobre aprendizado de máquina e redes neurais.
2019: múltiplos objetivos e viés de posição
Zhao e colegas (Zhao et al., 2019) descreveram o ranqueamento da lista de próximos vídeos com aprendizado multitarefa. O sistema passou a otimizar simultaneamente objetivos de engajamento, como cliques e tempo assistido, e de satisfação, como curtidas e outras formas de avaliação do usuário. O artigo também trata do viés de posição: vídeos que aparecem no topo recebem mais cliques em parte só por estarem ali, e o modelo precisa corrigir esse efeito para não reforçar indefinidamente as próprias escolhas.
Lida em sequência, essa literatura mostra uma tendência: da simples associação entre vídeos para modelos que tentam equilibrar vários sinais, incluindo indicadores de satisfação. Isso não resolve os problemas do sistema, mas desmente a ideia de que ele otimiza uma única métrica.
Debate: o algoritmo radicaliza?
Na segunda metade da década de 2010, jornalistas e pesquisadores passaram a perguntar se a recomendação conduzia usuários a conteúdos cada vez mais extremos, a chamada hipótese da toca do coelho. O tema dialoga com a tese do filtro-bolha de Pariser (2012), segundo a qual a personalização isola as pessoas em ambientes informacionais que confirmam o que já pensam.
Ribeiro e colegas (Ribeiro et al., 2020), em pesquisa com participação de cientistas da UFMG, analisaram canais de diferentes comunidades políticas e encontraram indícios de migração de usuários de conteúdos mais moderados para conteúdos de extrema direita, além de caminhos de recomendação entre essas comunidades. Ledwich e Zaitsev (2020) chegaram a conclusão diferente, sugerindo que o sistema favorecia canais da mídia tradicional, mas o estudo foi criticado por usar recomendações sem login, que não refletem a personalização real. Hosseinmardi e colegas (Hosseinmardi et al., 2021), com dados de navegação de um painel de usuários, concluíram que o consumo de conteúdo radical parecia refletir mais as preferências dos próprios usuários e o ecossistema de canais do que um empurrão sistemático do algoritmo.
O debate não está encerrado, e ele ilustra um problema metodológico central: pesquisadores externos não têm acesso ao sistema, e cada estratégia (contas simuladas, coleta sem login, painéis de navegação) captura apenas parte da realidade. Além disso, a plataforma mudou suas políticas ao longo do período, o que dificulta comparar estudos de anos diferentes.
Leituras críticas: poder algorítmico e criadores
As ciências sociais deslocam a pergunta da eficiência técnica para o poder. Bucher (2018) argumenta que algoritmos não são apenas códigos, mas agentes que moldam o que se torna visível e que são percebidos, imaginados e contornados pelas pessoas. Essa dimensão do imaginário ajuda a entender por que criadores desenvolvem teorias sobre o sistema mesmo sem conhecê-lo por dentro.
Bishop (2018), estudando criadoras de conteúdo de beleza, mostrou como a busca por agradar ao sistema gera ansiedade, rotinas de autootimização e desigualdades: formatos e perfis mais alinhados ao que o mercado publicitário valoriza tendem a ser recompensados, enquanto outros têm mais dificuldade de alcançar visibilidade. O algoritmo, nessa leitura, não é neutro, porque incorpora objetivos comerciais e reproduz padrões existentes.
Implicações e limites para criadores
A literatura técnica permite algumas conclusões prudentes para quem cria conteúdo, sem prometer fórmulas:
- Título e miniatura atraem o clique, mas o sistema também observa o que acontece depois. Desde ao menos 2016, segundo Covington, Adams e Sargin (2016), o ranqueamento considera o tempo de exibição esperado; enganar no título tende a ser punido pela própria audiência.
- O público de um vídeo define seus vizinhos. A lógica colaborativa sugere que vídeos são recomendados a quem assiste a conteúdos parecidos. Canais com temas muito dispersos dão sinais confusos sobre quem é seu público.
- Satisfação conta, e é difícil de medir. Os objetivos múltiplos descritos por Zhao e colegas (Zhao et al., 2019) indicam que métricas isoladas, como o clique, não capturam tudo o que o sistema considera.
- Não há garantias. O sistema muda, e nenhum artigo descreve a versão atual. Afirmações categóricas sobre horários ideais ou palavras proibidas raramente têm base pública.
Para negócios que estão começando no vídeo, essas conclusões reforçam recomendações práticas apresentadas no guia de YouTube para negócios: definir com clareza o público, manter coerência temática e medir a retenção. Vale lembrar também que a busca continua sendo porta de entrada importante na plataforma, e os princípios de como funcionam os mecanismos de busca ajudam a entender títulos e descrições.
Para pesquisar: questões e caminhos para TCC
- Como criadores brasileiros de um nicho específico descrevem e imaginam o algoritmo do YouTube, e como isso afeta suas rotinas de produção? (Método: entrevistas em profundidade, com base em Bucher e Bishop.)
- As recomendações exibidas a contas novas, sem histórico, diferem entre temas políticos e de entretenimento? (Método: auditoria com contas simuladas, com atenção às limitações éticas e técnicas.)
- Que relação existe entre retenção média e crescimento de visualizações em canais de pequenos negócios? (Método: estudo quantitativo com dados do YouTube Analytics cedidos pelos canais.)
- Como a cobertura jornalística brasileira tratou o debate sobre radicalização no YouTube? (Método: análise de conteúdo de notícias.)
- Usuários percebem e usam os controles de recomendação disponíveis na plataforma? (Método: survey com usuários.)
Palavras-chave de busca no Google Acadêmico, na SciELO e no Portal de Periódicos da CAPES: “algoritmo do YouTube”, “sistemas de recomendação”, “filtragem colaborativa”, “auditoria algorítmica”, “visibilidade algorítmica”, “bolha de filtro”; em inglês, “YouTube recommendation system”, “recommender systems”, “collaborative filtering”, “algorithmic audit”, “radicalization pathways”, “algorithmic visibility”.
Considerações finais
A literatura científica não revela uma fórmula secreta, mas mostra algo mais útil: o sistema de recomendação do YouTube é um conjunto de modelos que aprendem com o comportamento coletivo, que evoluíram da covisualização para redes neurais com múltiplos objetivos e que continuam sendo objeto de controvérsia sobre seus efeitos sociais. Para o criador, compreender esses princípios é mais produtivo do que perseguir truques; para o pesquisador, o desafio é estudar um objeto opaco e em constante mudança.
O algoritmo, porém, é só uma peça de um arranjo maior. Na próxima parte da série, o tema será a economia da atenção e a plataformização: como a disputa pelo tempo das pessoas e o poder das plataformas reorganizam o trabalho de criadores e marcas.
Referências
BISHOP, Sophie. Anxiety, panic and self-optimization: inequalities and the YouTube algorithm. Convergence, v. 24, n. 1, p. 69-84, 2018.
BUCHER, Taina. If… then: algorithmic power and politics. New York: Oxford University Press, 2018.
COVINGTON, Paul; ADAMS, Jay; SARGIN, Emre. Deep neural networks for YouTube recommendations. In: PROCEEDINGS OF THE 10TH ACM CONFERENCE ON RECOMMENDER SYSTEMS, 2016.
DAVIDSON, James et al. The YouTube video recommendation system. In: PROCEEDINGS OF THE FOURTH ACM CONFERENCE ON RECOMMENDER SYSTEMS, 2010.
HOSSEINMARDI, Homa et al. Examining the consumption of radical content on YouTube. Proceedings of the National Academy of Sciences, v. 118, n. 32, e2101967118, 2021.
KOREN, Yehuda; BELL, Robert; VOLINSKY, Chris. Matrix factorization techniques for recommender systems. Computer, v. 42, n. 8, p. 30-37, 2009.
LEDWICH, Mark; ZAITSEV, Anna. Algorithmic extremism: examining YouTube’s rabbit hole of radicalization. First Monday, v. 25, n. 3, 2020.
PARISER, Eli. O filtro invisível: o que a internet está escondendo de você. Rio de Janeiro: Zahar, 2012.
RESNICK, Paul; VARIAN, Hal R. Recommender systems. Communications of the ACM, v. 40, n. 3, p. 56-58, 1997.
RIBEIRO, Manoel Horta et al. Auditing radicalization pathways on YouTube. In: PROCEEDINGS OF THE 2020 CONFERENCE ON FAIRNESS, ACCOUNTABILITY, AND TRANSPARENCY, 2020.
SARWAR, Badrul et al. Item-based collaborative filtering recommendation algorithms. In: PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON WORLD WIDE WEB, 2001.
ZHAO, Zhe et al. Recommending what video to watch next: a multitask ranking system. In: PROCEEDINGS OF THE 13TH ACM CONFERENCE ON RECOMMENDER SYSTEMS, 2019.
Como citar este texto
RÚBIO, Mélker. Algoritmo do YouTube: o que a pesquisa científica diz sobre o sistema de recomendação. MR Academy, Novo Progresso, 29 out. 2026. Disponível em: https://melkerrubio.com/algoritmo-de-recomendacao-do-youtube/. Acesso em: [data do seu acesso].
Quer aprofundar com aulas práticas? Conheça os cursos da MR Academy.
