TikTok to nie tylko aplikacja do zabawy — to zaawansowany system oparty na sztucznej inteligencji, który odpowiada za spersonalizowaną dystrybucję treści. Algorytm TikToka, który zarządza zakładką „Dla Ciebie” (For You Page, FYP), to prawdziwe laboratorium danych, które analizuje setki milionów interakcji użytkowników w czasie rzeczywistym.
Z najnowszych badań (Masood et al., 2025) wynika, że decyzje algorytmu opierają się na analizie czasu oglądania, interakcji z treścią, danych kontekstowych filmu oraz strategii eksploracji, których celem jest podtrzymywanie zaangażowania użytkownika.
Zachowania użytkownika jako główny sygnał wejściowy
W centrum systemu rekomendacyjnego TikToka znajdują się sygnały behawioralne:
- oglądanie filmów do końca,
- polubienia, komentarze, udostępnienia,
- zapisane treści i kliknięcia w profil autora,
- oznaczanie treści jako „nie interesuje mnie”,
- aktywność w poszczególnych porach dnia.
Badanie „AutoLike” (Elmalaki et al., 2025) wykazało, że nawet symulowana aktywność użytkownika (np. kliknięcia w przypadkowe filmy) wystarcza, by algorytm zaczął zmieniać rekomendacje w ciągu kilku minut. System wykazuje również silną reakcję na czas oglądania — im dłużej film jest oglądany, tym wyżej plasuje się w kolejnych rekomendacjach.
Co „widzi” algorytm w treści wideo?
Drugim kluczowym filarem jest analiza samej treści. TikTok wykorzystuje uczenie maszynowe i analizę wizualno-językową (NLP + computer vision), aby rozpoznać:
- tematykę wideo (np. fitness, makijaż, polityka),
- użyte hashtagi i opis,
- dźwięki i filtry,
- styl montażu i długość filmu.
W pracy Lynch (2025) przedstawiono model matematyczny, który symuluje system punktacji TikToka, bazujący na wskaźnikach typu „współczynnik ukończenia” (completion rate) i „interakcje per sekunda”.
TikTok tworzy z tych danych embedding — matematyczną reprezentację treści — i dopasowuje ją do profilu użytkownika, który również opisywany jest jako wektor zainteresowań (Skurla et al., 2025).
Architektura algorytmu: personalizacja oparta na głębokim uczeniu
Wbrew powszechnemu przekonaniu, TikTok nie opiera się tylko na prostych regułach. To system klasy „deep recommender system”, oparty na:
- modelach uczenia głębokiego (DNN),
- systemach sekwencyjnych (recurrent learning),
- wzmacnianiu przez eksplorację (reinforcement learning).
Zgodnie z analizą Masood et al. (2025), system ten dynamicznie aktualizuje ranking filmów po każdej nowej interakcji użytkownika. Co ważne, TikTok testuje losowo nowe treści (cold start) w celu sprawdzenia potencjału wiralowego — nawet filmy z zerowym zasięgiem mają szansę trafić na FYP.
Eksploracja, świeżość i równowaga
TikTok wprowadza algorytmiczną „różnorodność treści” przez:
- okresowe wprowadzanie treści spoza preferencji użytkownika,
- zwiększanie ekspozycji filmów trendujących lokalnie,
- testowanie nowych typów treści w krótkich oknach czasowych.
W pracy Qi (2025) określono ten mechanizm jako “kreatywny algorytmiczny filtr”, który pełni również rolę kuratora treści kulturowych, wzmacniając niektóre style i marginalizując inne — często nieświadomie.
Negatywna selekcja i ograniczenia systemowe
Treści są nie tylko promowane, ale i eliminowane. TikTok aktywnie usuwa lub ukrywa:
- treści zgłoszone (np. przemoc, dezinformacja),
- filmy masowo przewijane lub ignorowane,
- filmy uznane za niezgodne z polityką regionalną (shadow banning).
Zgodnie z badaniem Verma (2025), TikTok stosuje różne standardy moderacji dla różnych krajów, co rodzi pytania o transparentność i globalną etykę algorytmiczną.
Problemy badawcze: audyt i powtarzalność
Skurla et al. (2025) ostrzegają, że TikTok jest nieprzejrzysty i trudny do zbadania metodami klasycznymi. Większość wyników audytów jest krótkoterminowa i zależna od indywidualnych profili testowych. Z kolei Elmalaki et al. (2025) wprowadzają system AutoLike, który pozwala symulować użytkowników w sposób kontrolowany, co może posłużyć do lepszego zrozumienia działania algorytmu.
Podsumowanie
TikTok zrewolucjonizował świat cyfrowych rekomendacji, przenosząc ciężar z relacji społecznych na inteligentne dopasowanie treści do odbiorcy. Jego algorytm jest przykładem dynamicznego, uczącego się systemu, który nie tylko analizuje użytkownika, ale także modeluje go w czasie rzeczywistym.
Zrozumienie tego systemu to nie tylko kwestia ciekawości technologicznej — to klucz do zrozumienia współczesnej kultury cyfrowej, mechanizmów wiralowości i siły oddziaływania treści w przestrzeni publicznej.
Bibliografia
- Masood, M., Liu, Z., Vasisht, D. (2025). Counting How the Seconds Count: Understanding Algorithm-User Interplay in TikTok via ML-driven Analysis of Video Content. arXiv. PDF
- Elmalaki, S., Shafiq, Z., Markopoulou, A. (2025). AutoLike: Auditing Social Media Recommendations through User Interactions. arXiv. PDF
- Skurla, A., Pecher, B., Mosnar, M. (2025). Revisiting Algorithmic Audits of TikTok: Poor Reproducibility and Short-term Validity of Findings. ACM CHI. PDF
- Lynch, A. N. (2025). Decoding the Algorithm: The Mathematics Behind TikTok’s Short-Form Content Success. University of Connecticut. PDF
- Qi, X. (2025). Algorithmic Gatekeepers: How Short-Video Platforms Shape Artistic Creativity and Visibility. SSRN. PDF
- Verma, A. (2025). Digital Personalization and Consumer Engagement in AI-Based Social Media Advertising. SSRN. PDF
Artur Strzelecki
Ostatnie wpisy Artur Strzelecki (zobacz wszystkie)
- Webinar z autorami książki „SEO w praktyce” - 25 września 2025
- Usunięcie parametru &num=100 w Google - 17 września 2025
- Google usuwa z wyników wyszukiwania część Rich Snippets - 15 września 2025
