Algoritmos de machine learning dificultam visibilidade de esportes femininos
São Paulo — InkDesign News — Pesquisas recentes destacam como algoritmos de machine learning influenciam a visibilidade do esporte feminino nas plataformas digitais, reproduzindo vieses históricos e impactando sua representatividade e sustentabilidade financeira.
Contexto da pesquisa
Conforme o consumo de esportes migra para plataformas digitais como YouTube, TikTok e serviços de streaming baseados em inteligência artificial (IA), modelos de machine learning decidem o conteúdo exibido aos usuários. Esses algoritmos são treinados para maximizar o engajamento, priorizando conteúdos já populares, que geralmente são de esportes masculinos. Essa escolha algorítmica gera um efeito bolha, restringindo a visibilidade do esporte feminino.
Método proposto
Os sistemas utilizados incluem modelos de recomendação baseados em aprendizado supervisionado, que analisam interações anteriores do usuário para sugerir conteúdos. Algoritmos de geração de conteúdo, como Large Language Models (LLMs) e ferramentas generativas de vídeo, também são empregados para criar resumos, comentários e posts. Entretanto, esses modelos treinam em bases históricas predominantemente masculinas, reforçando o viés. Estudos usam análises quantitativas de dados legados e métricas de engajamento, como visualizações e taxas de clique, para demonstrar o fenômeno.
Resultados e impacto
“Algoritmos priorizam conteúdo que já é popular, o que normalmente significa esporte masculino”
(“algorithms prioritize content that is already popular, which usually means men’s sport”)— Pesquisadores da University College London, 2024
Esses vieses algorítmicos ampliam a desigualdade na cobertura esportiva: em média, apenas 15% da mídia tradicional cobre o esporte feminino, e plataformas digitais tendem a replicar esse desbalanceamento. A invisibilidade digital pode levar à queda em comercialização, patrocínios e engajamento do público jovem, impactando diretamente a viabilidade econômica do esporte feminino.
Por meio de auditorias independentes das recomendações algorítmicas e da implementação de campanhas digitais para diversificar o conteúdo, é possível mitigar esse problema. Regulamentações, como a Artificial Intelligence Act na Europa, impõem transparência e fiscalização em aplicações de IA consideradas de alto risco, servindo de modelo para outras jurisdições.
Essa pesquisa aponta que a combinação de machine learning e AI, embora promissora para democratizar acesso à informação, pode reforçar desigualdades ao reproduzir preconceitos históricos nos dados de treinamento. Estratégias multidisciplinares são necessárias para equilibrar personalização e diversidade no consumo de mídia esportiva.
Para aprofundar sobre machine learning e IA, veja também nossas publicações em machine learning e deep learning.
Fonte: (TechXplore – Machine Learning & AI)
