Кнопка «Не интересно» в TikTok действительно работает, но не так хорошо, как хотелось бы пользователю, который просто хочет перестать видеть один и тот же тип роликов. Исследование показало: алгоритм TikTok может сократить долю нежелательного контента примерно на 84%, если человек явно нажимает на отказ, но затем платформа постепенно возвращает такие видео обратно в ленту. Для IT-аудитории это хороший пример того, как продуктовая механика «даём пользователю контроль» на деле часто означает «даём немного контроля, если он готов работать модератором собственной ленты».
Об этом сообщает Ars Technica со ссылкой на работу исследователей из Northwestern University, которые решили проверить частую пользовательскую жалобу: почему негативная обратная связь в TikTok вроде бы есть, а рекомендации всё равно продолжают подсовывать то, что уже просили не показывать. Команда, которая занимается аудитом алгоритмов онлайн-платформ, изучала не абстрактные модели и не опросы, а реальное поведение мобильного приложения TikTok через сеть бот-аккаунтов.
Методология у них получилась довольно приземлённая и потому убедительная. Исследователи создали 90 клонированных аккаунтов на эмулируемых устройствах и многократно прогоняли через них одинаковые сценарии взаимодействия с лентой For You. Они перехватывали сетевой трафик, извлекали метаданные и автоматизировали решения через LLM, а затем валидировали эти решения человеческими ответами. Отдельно важно, почему они вообще пошли этим путём: официальные инструменты для исследователей, по словам авторов, не позволяют увидеть персонализированную ленту на уровне конкретного пользователя и проследить, как именно рекомендации меняются после просмотра, пропуска или явного отказа от контента. Для изучения персонализации вживую агрегированных данных оказалось недостаточно.
Как именно проверяли рекомендации
Эксперименты строились вокруг трёх популярных тематик: кулинария, фитнес и спортивные ставки. Исследователи сравнивали два типа негативного сигнала. Первый был неявным: аккаунт просто пропускал видео и не досматривал его. Второй был явным: использовалась функция «Не интересно», то есть прямой отказ от такого контента. Разница оказалась заметной. Простое пролистывание снижало объём нежелательных рекомендаций примерно на 48%. Явный отказ работал лучше и давал сокращение примерно на 84%.
Если перевести это с исследовательского на человеческий, вывод простой: алгоритм TikTok куда лучше понимает, что вам нравится, чем то, что вас уже раздражает. Пропустили ролик? Платформа может трактовать это как угодно: не успели, отвлеклись, не зацепил конкретный автор, но тема в целом вам всё ещё подходит. Нажали «Не интересно»? Сигнал сильнее, спорить труднее. Но и здесь есть нюанс: этот эффект не закрепляется надолго. По словам соавтора исследования Петра Сапежинского, в начале платформа действительно убирает часть такого контента из выдачи, а потом постепенно начинает возвращать его в ленту. Стоит пользователю хоть немного снова повзаимодействовать с этой темой, и рекомендации быстро откатываются назад.
В этом месте вся история перестаёт быть рассказом только про TikTok и превращается в кейс о дизайне цифрового контроля. Исследователи отдельно отмечают, что функция «Не интересно» спрятана не слишком удобно. Это не главный жест продукта, не кнопка на поверхности, а скорее опция для тех, кто уже полез в меню и готов заниматься тонкой настройкой. Формально контроль у пользователя есть. Практически он устроен так, что воспользоваться им сложнее, чем просто продолжать смотреть то, что навязчиво предлагает система. Для продактов здесь нет никакой мистики: если явный негативный сигнал спрятан, а неявные позитивные сигналы вроде времени просмотра считываются автоматически и постоянно, баланс власти предсказуемо смещается к платформе.
Почему это важно не только для пользователей TikTok
Для разработчиков рекомендательных систем вывод тоже неприятно конкретный. В большинстве потребительских продуктов implicit signals почти всегда богаче explicit feedback: клики, dwell time, повторные просмотры, возвраты, досмотры и паузы система собирает сама, без лишнего трения. Негативный явный фидбек пользователь даёт реже, а иногда и не понимает, где именно это сделать. Отсюда системный перекос: модель обучается на массиве интереса, а отказ получает дозированно и с высоким порогом усилия. На уровне продуктовой метрики это может выглядеть прекрасно, потому что engagement держится. На уровне пользовательской автономии выходит менее красиво: лента как будто слушает, но только пока на неё буквально не повысишь голос.
Для бизнеса и HR в IT тут тоже есть практический слой. Рекомендательные механики давно вышли за пределы развлечений и теперь определяют, какие вакансии, курсы, инструменты и экспертные мнения увидит пользователь в первую очередь. Если отрицательная обратная связь быстро деградирует, это означает не просто плохой UX одной кнопки. Это значит, что платформы в целом склонны переоценивать краткосрочный интерес и недооценивать осознанный отказ. Для рынка это важный сигнал: обещание «персонализации под вас» слишком часто оказывается персонализацией под вашу последнюю слабость, а не под ваши долгосрочные намерения.
Исследователи надеются в будущем проверить ту же гипотезу на данных реальных пользователей, но уже сейчас работа выглядит показательной. Она не утверждает, что алгоритм TikTok игнорирует негативную обратную связь полностью. Наоборот, она показывает более неудобную правду: система реагирует, но не запоминает отказ так же цепко, как запоминает вовлечение. И это уже вопрос не только инженерии, но и продуктовой этики. Если платформы всерьёз хотят говорить о пользовательском контроле, им придётся доказывать это не формальным наличием нужной кнопки, а тем, насколько устойчиво этот выбор влияет на выдачу. Иначе «ваша лента под вашим контролем» останется красивой фразой для онбординга, а реальным интерфейсом власти останется автоплей. Подробнее о самой работе и её методике можно посмотреть в материале .