Page 57 - Anuario AC/E de cultura digital 2026

de los entornos digitales podía subir sus pro-
pios contenidos, con los foros, las plataformas
de blogs y fotologs y, poco después, las redes
sociales.
En 2010, Facebook presentó su algoritmo Edge-
Rank, que decidía qué contenido se mostraba en
el muro o feed de los usuarios. Hasta ese mo-
mento, el orden del feed había sido cronológico,
pero, a partir de ahí, Facebook y luego el resto de
las plataformas sociales comenzaron a mostrar
el contenido teniendo en cuenta otros factores.
Y, aunque al principio parecía posible identificar
esos factores, los algoritmos avanzaron hacia
sistemas más complejos basados en machine
learning, que evolucionan constantemente,
lo que los hace prácticamente indescifrables.
Este es uno de los principales problemas de los
algoritmos culturales actuales: su falta de trans-
parencia sobre los criterios de ordenación o de
prescripción.
Los algoritmos han avanzado hacia sistemas
más complejos basados en machine
learning, que evolucionan constantemente,
lo que los hace prácticamente indescifrables.
A lo largo del día interactuamos con miles de
algoritmos. Para entender cómo impactan en
la cultura, vamos a colocar la mirada en lo que
hacen:
Los algoritmos de clasificación sirven para
estructurar el conocimiento. Mediante machine
learning, el modelo asigna etiquetas a los datos
en función de patrones históricos aprendidos
de datos ya etiquetados.1 Los algoritmos de
clasificación pueden ser útiles en el catalogado
de grandes bases de datos, como archivos,
bibliotecas o hemerotecas digitales, añadiendo
etiquetas, taxonomías, metadatos, etc. Algunos
agentes del sector del libro, por ejemplo, recla-
man que el sistema de clasificación y cataloga-
ción de los libros se actualice para adaptarse a
1 https://www.ibm.com/es-es/think/topics/
classification-models
los criterios de búsqueda y consulta de los lec-
tores, de forma que un usuario de una biblioteca
pueda hacer una consulta tipo «un libro parecido
a Harry Potter, pero que suceda en China» y que
los resultados de búsqueda sugieran lecturas que
cumplan ese criterio, en lugar de lo que el sis-
tema de catalogación actual pueda sugerir. Una
de las estrategias desarrolladas por las distintas
plataformas de acceso a contenidos (libros,
películas, series, música) consiste en reclasificar
los géneros. Como señala Radakovich (2023):
Netflix caracteriza su oferta a partir de adjetivos
que revelan, además del tema del argumento y
la narrativa de la película, la subjetividad de los
usuarios al clasificar la oferta, como, por ejemplo,
«Series emotivas», «Romances excéntricos» o
«Películas sombrías».
Los sistemas de catalogación, clasificación y
metadatado están inicialmente diseñados para
garantizar que los contenidos sean encontrados
no solo por tipo de contenido, sino por criterios
más subjetivos de los usuarios.
Los algoritmos de predicción son capaces de
hacer prospectiva de tendencias, mercados,
audiencias, etc., detectando patrones en grandes
volúmenes de datos.
Los algoritmos de personalización o profiling al-
gorithms definen perfiles de usuarios utilizando,
entre otros factores, datos sociodemográficos
y datos de uso de los usuarios en las distintas
plataformas. Las plataformas de streaming, por
ejemplo, perfilan a sus usuarios para recomen-
darles contenido. También usan los perfilados
para decidir qué contenido producir.
Los algoritmos de recomendación organizan
y jerarquizan los contenidos para mostrar a los
usuarios aquellos más afines al perfilado que la
plataforma tenga de ellos. Podemos encontrar
algoritmos de recomendación en playlists sugeri-
das en plataformas de streaming de música o en
contenido «para ti» de las plataformas de strea-
ming de series o películas. La recomendación
Anuario AC/E de cultura digital 2026
ANUARIO AC/E DE CULTURA DIGITAL 2026
57