Uma revisão publicada no Taylor & Francis em janeiro de 2025, analisando evidências empíricas acumuladas na década após o livro de Pariser, concluiu que os dados desafiam a suposição de que algoritmos de recomendação predominantemente criam ambientes de opinião homogênea. Isso não significa que bolhas não existam. Significa que a causa é mais distribuída entre o algoritmo e o comportamento do usuário do que o debate popular frequentemente assume. Quando uma pessoa clica consistentemente em conteúdo que confirma suas crenças, o sistema interpreta esse comportamento como sinal de preferência e entrega mais do mesmo. O algoritmo amplifica o que o usuário já estava escolhendo, não necessariamente impõe uma visão de mundo por conta própria.
O mecanismo técnico por trás disso tem nome: feedback loop em sistemas de filtragem colaborativa. Sistemas de recomendação registram quais conteúdos geram mais engajamento, como tempo de visualização, cliques e compartilhamentos, e ajustam a distribuição futura com base nesses sinais. Cada interação alimenta o modelo com mais dados sobre o que o usuário responde, e o modelo usa esses dados para selecionar o próximo conteúdo. Com o tempo, o intervalo de temas, perspectivas e fontes apresentadas ao usuário tende a se estreitar, segundo revisão sistemática publicada no International Journal of Advanced Computer Science and Applications em 2025. O processo é gradual e invisível porque cada entrega parece individualmente razoável.
O estudo de Gao et al., publicado na Scientific Reports em 2023, documentou efeitos de câmara de eco especificamente em plataformas de vídeo curto, confirmando que a estrutura de recomendação baseada em engajamento acelera o agrupamento de usuários em clusters de interesse progressivamente mais homogêneos. Um caso com dados documentados é o do Twitter durante o debate sobre vacinas na pandemia de COVID-19: pesquisa de Mønsted e Lehmann (2022) encontrou evidências de que o sistema de recomendação da plataforma contribuiu para o surgimento de facções polarizadas funcionando como câmaras de eco, segundo análise publicada no arXiv sobre sistemas de recomendação com modelos generativos.
A revisão sistemática de Ahmmad et al., publicada no periódico Societies em 2025, sintetizou uma década de pesquisa sobre o tema e identificou que o impacto é desproporcionalmente maior em grupos mais jovens, que consomem mais conteúdo em plataformas com recomendação algorítmica intensa e têm menos repertório prévio para questionar o que o sistema entrega. A exposição sistemática a um único espectro de perspectivas durante a formação de visão de mundo tem implicações que vão além do consumo de notícias.
Para quem quer sair da bolha de forma deliberada, a pesquisa aponta um caminho contraintuitivo: a mudança não começa em ajustar configurações de privacidade ou instalar extensões de diversificação de conteúdo. Começa em comportamento, especificamente em clicar, assistir e interagir intencionalmente com conteúdo de fontes e perspectivas diferentes das que o histórico registra. O sistema aprende com o que o usuário faz, não com o que ele declara preferir. É o mesmo princípio que o Radar Tech documentou no artigo sobre o sistema de recomendação da Netflix: dados implícitos de comportamento são tratados como mais confiáveis do que qualquer preferência declarada. Mudar o que o algoritmo entrega exige mudar o que o usuário efetivamente consome.
Sobre a autora
Camila Domingues é publicitária e pesquisadora de tendências digitais. No Radar Tech, escreve sobre inteligência artificial, marketing e tecnologia com foco em aplicações práticas para quem vive e trabalha no mundo digital.
Radar Tech – Tecnologia descomplicada para o seu dia a dia
Gostou deste conteúdo? Compartilhe com alguém que precisa ficar por dentro do que está mudando no digital. E se quiser mais análises como essa, acompanhe o blog.
.jpg)
.jpg)
