مقایسه الگوریتم‌های امتیازدهی فیلم: لنگر بیزی IMDb در برابر منحنی فشرده‌سازی لترباکسد

وقتی در یلپ (Yelp) دنبال یک رستوران می‌گردید، امتیاز ستاره‌ای آن یک مسئله ساده ریاضی است: ستاره‌ها را جمع کنید، بر تعداد نقدها تقسیم کنید و نتیجه را ارائه دهید. ریاضیات شفاف است، حتی اگر مشتریان کمی نامتعادل باشند. اما وقتی در IMDb یا لترباکسد دنبال یک فیلم می‌گردید، عددی که به شما خیره شده است، یک میانگین ساده نیست. این عدد خروجی یک الگوریتم اختصاصی و جعبه سیاه است که طراحی شده تا امتیاز را از دست همان مردمی که به آن رأی می‌دهند، محافظت کند. در حالی که هر دو پلتفرم برای کمی‌سازی سلیقه فرهنگی وجود دارند، از فلسفه‌های ریاضیاتی اساساً متفاوتی برای رسیدن به هدف استفاده می‌کنند—یکی متکی بر یک لنگر بیزی به سمت میانگین جهانی، و دیگری متکی بر یک منحنی فشرده‌سازی پنهان برای صاف کردن افراط‌ها.

اهمیت این اعداد کاملاً واقعی است. یک دهم امتیاز در هر یک از این پلتفرم‌ها می‌تواند جایگاه فیلم در الگوریتم‌های پخش آنلاین، تأمین مالی فیلم‌های مستقل و پنجره‌های اکران سینمایی را تعیین کند. از آنجا که این پلتفرم‌ها به عنوان داوران فرهنگی پیش‌فرض اینترنت عمل می‌کنند، انتخاب‌های ریاضی پنهان آن‌ها، شاکله سینمای مورد قبول را شکل می‌دهد. با این حال، مکانیسم اینکه چگونه کلیک یک کاربر به یک امتیاز عمومی تبدیل می‌شود، توسط مخاطبانی که به آن‌ها تکیه می‌کنند، تا حد زیادی درک نشده باقی مانده است.

تفاوت از توهم یک مقیاس یکسان شروع می‌شود. IMDb از یک سیستم ۱ تا ۱۰ امتیازی استفاده می‌کند که محدود به اعداد صحیح است. لترباکسد از یک سیستم ۰.۵ تا ۵ ستاره‌ای استفاده می‌کند که شامل نیم‌ستاره‌ها نیز می‌شود. از نظر ریاضی، هر دو پلتفرم دقیقاً ده افزایش (increment) ارائه می‌دهند. اما از نظر روانشناختی، آن‌ها رفتارهای رأی‌دهی کاملاً متفاوتی ایجاد می‌کنند. یک تحلیل در سال ۲۰۲۵ توسط شرکت تجسم داده دیتاورپر (Datawrapper)، «باشگاه ۱۰۰,۰۰۰ تماشاشده»—فیلم‌هایی با تعامل گسترده در هر دو پلتفرم—را بررسی کرد و دریافت که کاربران با این مقیاس‌ها به شکل متفاوتی برخورد می‌کنند.

محققان دیتاورپر با اشاره به پدیده‌ای که به عنوان سوگیری عدد رُند (round number bias) شناخته می‌شود، خاطرنشان کردند: «گزینه ۷ امتیازی در IMDb، ۵۱ درصد بیشتر از گزینه ۳.۵ ستاره در لترباکسد رأی دریافت کرده است.» کاربران در دادن یک ستاره کسری تردید می‌کنند، حتی زمانی که این ستاره دقیقاً همان درصد ریاضی یک عدد کامل در مقیاس ۱۰ امتیازی را نشان دهد. علاوه بر این، سختی درک‌شده مقیاس‌ها، انتهای پایین توزیع را تغییر می‌دهد. در IMDb، ۶.۸٪ از امتیازات ۴/۱۰ یا کمتر هستند. در لترباکسد، ۱۰٪ از امتیازات زیر آستانه معادل ۲/۵ قرار می‌گیرند.

خود رابط کاربری، شکل داده‌ها را قبل از اینکه الگوریتم‌ها حتی به آن دست بزنند، دیکته می‌کند. مقاله‌ای که در فوریه ۲۰۲۶ در آرکایو (arXiv) منتشر شد، نحوه تأثیر ترتیب ارزیابی بر نتایج امتیازدهی در پلتفرم‌های دیجیتال را تحلیل کرد. محققان دریافتند که معماری «امتیاز اول» IMDb—جایی که کاربران می‌توانند بدون گذاشتن نظر، روی یک ستاره کلیک کنند—رأی‌دهی گذرا و عجولانه را تشویق می‌کند. این امر یک توزیع دوقطبی ایجاد می‌کند که با اوج‌های عظیمی در ۱ و ۱۰ مشخص می‌شود، زیرا طرفداران و مخالفان به شدت قطبی‌شده، سیستم را با رأی‌های خود پر می‌کنند.

در مقابل، لترباکسد از مکانیسم «نقد اول، امتیاز بعد» استفاده می‌کند. با متصل کردن ماژول امتیازدهی به کادر ورود متن، پلتفرم به طور زیرکانه‌ای کاربران را مجبور می‌کند تا امتیاز خود را عقلانی کنند. مطالعه آرکایو نتیجه گرفت که این اصطکاک، یک توزیع متمرکزتر با امتیازات شدید کمتر ایجاد می‌کند و اوج‌های دوقطبی مشاهده‌شده در IMDb را کاهش می‌دهد. اما رابط کاربری تنها اولین لایه دفاعی است؛ تفاوت واقعی در پردازش پشت صحنه رخ می‌دهد.

IMDb ترافیک دوقطبی و با حجم بالای خود را با استفاده از میانگین وزنی بیزی مدیریت می‌کند. این پلتفرم فرمول فعال خود را منتشر نمی‌کند، اما مستندات تاریخی و مهندسی معکوس آماری، معادله اصلی را فاش کرده‌اند: (v ÷ (v+m)) × R + (m ÷ (v+m)) × C. در این فرمول، R میانگین خام امتیاز فیلم و v تعداد رأی‌هایی است که دریافت کرده است.[2][5]

جادوی سیستم IMDb در دو متغیر دیگر نهفته است. C نشان‌دهنده میانگین رأی جهانی در کل پایگاه داده است—که به طور تاریخی حدود ۷.۰ می‌چرخد. متغیر m نشان‌دهنده حداقل تعداد رأی مورد نیاز برای اعتماد آماری به یک فیلم است، که در حال حاضر برای فهرست ۲۵۰ فیلم برتر سایت، روی ۲۵,۰۰۰ تنظیم شده است. وقتی یک فیلم جدید اکران می‌شود و پنجاه رأی ۱۰/۱۰ از خانواده نزدیک کارگردان دریافت می‌کند، میانگین خام R، عدد ۱۰ است. اما از آنجا که v (۵۰) بسیار کوچک‌تر از m (۲۵,۰۰۰) است، فرمول به شدت میانگین جهانی C را وزن‌دهی می‌کند. امتیاز نمایش داده شده فیلم به طور ایمن به ۷.۱ کشیده می‌شود.[2][5]

هنگامی که یک فیلم کشش مشروعی پیدا می‌کند و تعداد رأی‌ها به سمت آستانه حداقل صعود می‌کند و از آن عبور می‌کند، لنگر بیزی دست خود را رها می‌کند. میانگین جهانی از نظر ریاضی بی‌ربط می‌شود و میانگین واقعی فیلم حاکم می‌شود. این سیستم به طور کامل از فیلم‌های مبهم در برابر دستکاری محافظت می‌کند، اما در مقیاس بزرگ کاملاً تسلیم نظر جمع می‌شود.[2]

بر اساس تحلیل سال ۲۰۲۲ توسط استت سیگنیفیکنت (Stat Significant)، فیلم رستگاری در شاوشنک (The Shawshank Redemption) بیش از ۲.۶۷ میلیون امتیاز در IMDb دارد. در این حجم عظیم، فرمول بیزی عملاً دور زده می‌شود. احساسات خام مخاطب تثبیت می‌شود و به فیلم‌های پرفروش و کلاسیک‌های شناخته‌شده جهانی اجازه می‌دهد بدون دخالت الگوریتمی، بر رتبه‌های بالای پلتفرم مسلط شوند.

لترباکسد رویکردی متضاد در پیش می‌گیرد. این پلتفرم صرفاً فیلم‌های با رأی کم را متصل نمی‌کند؛ بلکه کل پایگاه داده را به طور فعال فشرده می‌کند. در اواخر سال ۲۰۲۵، محققان در سمپوزیوم چندرسانه‌ای و وب برزیل، یک مطالعه جامع در مورد مکانیسم امتیازدهی مبهم لترباکسد منتشر کردند. آن‌ها با تحلیل مجموعه‌ای از ۱,۷۳۷ فیلم و بیش از ۱.۳ میلیون امتیاز فردی، با موفقیت منحنی نرمال‌سازی پنهان پلتفرم را نقشه‌برداری کردند.[1][4]

محققان «دلتا» (Δ) را به عنوان اختلاف بین میانگین امتیاز واقعی کاربر و امتیازی که لترباکسد واقعاً به عموم نمایش می‌دهد، تعریف کردند. آن‌ها یک فشرده‌سازی الگوریتمی سیستماتیک کشف کردند که امتیازات شدید را به سمت میانگین می‌کشد. این مطالعه یک همبستگی خیره‌کننده ۰.۹۰۳- را بین امتیاز واقعی یک فیلم و جریمه الگوریتمی آن نشان داد.[1]

محققان نتیجه گرفتند: «هر چه میانگین واقعی امتیاز یک فیلم بالاتر باشد، احتمال جریمه شدن آن توسط الگوریتم لترباکسد بیشتر است، و بالعکس، هر چه امتیاز واقعی پایین‌تر باشد، احتمال تقویت شدن آن بیشتر است.» این پلتفرم فقط در برابر تعداد رأی کم محافظت نمی‌کند؛ بلکه فعالانه تصمیم می‌گیرد که اجماع شدید ذاتاً مشکوک است.[1][4]

این فشرده‌سازی به طور نامتناسبی بر انواع خاصی از سینما تأثیر می‌گذارد. مطالعه برزیلی نشان داد که ژانرهای خاص مانند مستند و موزیکال—که به طور طبیعی مخاطبان خودانتخاب‌گر و بسیار مشتاق را جذب می‌کنند—بیشترین جریمه را متحمل می‌شوند. از آنجا که یک مستند درباره یک موسیقی‌دان خاص فقط توسط طرفداران آن موسیقی‌دان تماشا می‌شود، میانگین خام آن به طور مصنوعی بالا است. الگوریتم لترباکسد این پروفایل توزیع قطبی‌شده را شناسایی کرده و امتیاز نمایش داده شده را پایین می‌کشد تا آن را با یک تریلر جریان اصلی قابل مقایسه کند.[1]

لترباکسد همچنین برای جلوگیری از بمباران امتیازی منطقه‌ای، وزن‌دهی جغرافیایی اعمال می‌کند. اگر یک فیلم مستقل محلی، هجوم گسترده‌ای از امتیازات ۵ ستاره را منحصراً از آدرس‌های IP در یک کشور واحد دریافت کند، الگوریتم وزن آن رأی‌های خاص را کاهش می‌دهد تا زمانی که توزیع جغرافیایی گسترده‌تر شود. این امر مانع از آن می‌شود که کمپین‌های ناسیونالیستی رتبه‌بندی‌های جهانی را ربوده و دستکاری کنند، اما همچنین به طور مصنوعی امتیاز شاهکارهای فرهنگی خاصی را که هنوز پخش بین‌المللی خود را تضمین نکرده‌اند، کاهش می‌دهد.[3]

انتخاب بین این دو پلتفرم، انتخابی بین دو فلسفه آماری متمایز است. مدل بیزی IMDb فرض می‌کند که نظر جمع در نهایت درست است، به شرطی که جمع به اندازه کافی بزرگ باشد. این مدل یک خندق ریاضی در اطراف پایگاه داده خود می‌سازد، اما به محض اینکه فیلمی به آگاهی عمومی گسترده دست یابد، پل متحرک را پایین می‌آورد.[3]

فشرده‌سازی الگوریتمی لترباکسد فرض می‌کند که نظر جمع همیشه کمی مغرضانه است. با هموارسازی مداوم منحنی، جریمه کردن شور و شوق ژانرهای خاص، و وزن‌دهی جغرافیایی ورودی‌ها، تلاش می‌کند تا یک اجماع سینه‌فیلانه‌تر و عینی‌تر را مهندسی کند. هیچ‌کدام از این اعداد یک میانگین خالص نیستند، اما هر دو دقیقاً نشان می‌دهند که پلتفرم برای چه چیزی بیشترین ارزش را قائل است.[3]