“Básicamente, todo lo puedes encontrar ahí”: Creencias, sesgos y estrategias de búsqueda de estudiantes universitarios en los motores de búsqueda

Martha Vidal-Sepúlveda, Cristian Olivares-Rodríguez, Luis Cárcamo-Ulloa

Resumen


Esta investigación indaga las percepciones de estudiantes universitarios respecto del
funcionamiento de los motores de búsqueda. Se realizaron entrevistas semiestructuradas a 13
estudiantes universitarios que previamente participaron de una sesión de búsqueda experimental.
Posteriormente, se analizaron los datos del comportamiento de búsqueda con las respuestas de
las entrevistas para identificar las creencias, criterios de selección de páginas webs y la operación
de sesgos cognitivos en la búsqueda de información. El principal hallazgo es la observación de los
sesgos de familiaridad, ranking, confirmación e información. Particularmente, se establece que la
preferencia del motor de búsqueda Google está asociada a la operación del sesgo de familiaridad con la plataforma. De esta manera, la mayoría de los participantes elige los primeros resultados basado en la confianza con el buscador. Lo que conlleva a un bajo número de consultas, independiente del tipo de tarea a resolver.


Texto completo:

PDF

Referencias


Baeza-Yates, R. (2018). Bias on the web. Communications of the ACM, 61(6), 54-61. https://

doi.org/10.1145/3209581

Baeza-Yates, R. (2020). Bias in search and recommender systems. Comunicación presentada en RecSys ‘20: Proceedings of the 14th ACM Conference on Recommender Systems. Virtual Event Brazil, 22-26 de septiembre. https://doi.

org/10.1145/3383313.341843

Balabantaray, R. C. (2017). Evaluation of web search engines based on ranking of results

and its features. International Journal of Human Computer Interaction, 10(4), 392-

https://doi.org/10.1504/IJICT.2017.084337

Banerjee, M., Zlatkin-Troitschanskaia, O., y Roeper, J. (2020). Narratives and their impact on students’ information seeking and critical online reasoning in higher education economics and medicine. Frontiers in Education, 5, 570625. https://doi.

org/10.3389/feduc.2020.570625

Barilá, S. (2003). Regulation of TV Contents in Argentina. En von Feilitzen, C., y Carlsson, U. (Eds.), Promote or Protect? Perspectives on Media Literacy and Media Regulations

(pp. 213-220). Nordicom, University of Gothenburg.

Baron, J. (2000). Thinking and deciding (3ª edición). Cambridge University Press.

Boyd, D., Levy, K., y Marwick, A. (2014, octubre). The networked nature of algorithmic discrimination. Open Technology Institute. Recuperado de http://www.danah.org/

papers/2014/DataDiscrimination.pdf

Brandão, G. D. S., Santos, J. O., y Borges, J. (2020). Comportamento infocomunicacional: um diagnóstico entre estudantes para a promoção de competências infocomunicacionais. Informação & informação, 25(4), 670-696. https://doi.

org/10.5433/1981-8920.2020v25n4p670

Breakstone, J., Smith, M., Connors, P., Ortega, T., Kerr, D., y Wineburg, S. (2021). Lateral reading: College students learn to critically evaluate internet sources in an online course. The Harvard Kennedy School Misinformation Review, 2(1), 1-17. https://doi.

org/10.37016/mr-2020-56

Cano-Orón, L. (2019). Dr. Google, what can you tell me about homeopathy? Comparative study of the top 10 websites in the United States, United Kingdom, France, Mexico, and Spain. Profesional de la Información, 28(2), 1-12. https://doi.org/10.3145/

epi.2019.mar.13

Creswell, J. W. (2013). Research design: Qualitative, quantitative, and mixed methods approaches. Sage Publications.

Cortada de Kohan, N. (2008). Los sesgos cognitivos en la toma de decisiones. International Journal of Psychological Research, 1(1), 68-73. https://doi.org/10.21500/20112084.968

Chander, A. (2016). The racist algorithm. Michigan Law Review, 115, 1023. http://repository.

law.umich.edu/mlr/vol115/iss6/13

Eisenberg, M. B., y Berkowitz, R. E. (2000). Teaching Information & Technology Skills: The

Big6™ in Secondary Schools. Linworth Publishing, Inc

Fernández-Vicente, A. (2020). Hacia una teoría crítica de la razón algorítmica. Palabra

Clave, 23(2), 1-26. https://doi.org/10.5294/pacla.2020.23.2.2

Flick, U. (2007). Introducción a la investigación cualitativa. Morata.

Jiang, M. (2014a). Search concentration, bias, and parochialism: A comparative study

of Google, Baidu, and Jike’s search results from China. Journal of Communication,

(6), 1088-1110. https://doi.org/10.1111/jcom.12126

Jiang, M. (2014b). The business and politics of search engines: A comparative study

of Baidu and Google’s search results of Internet events in China. New Media &

Society, 16(2), 212-233. https://doi.org/10.1177/1461444813481196

Kalyani, R., & Gadiraju, U. (2019). Understanding user search behavior across varying

cognitive levels. Comunicación presentada en HT ‘19: Proceedings of the 30th ACM

Conference on Hypertext and Social Media. Hof, Alemania. 17-20 de septiembre.

https://doi.org/10.1145/3342220.3343643

Kuhlthau, C. C. (1991). Inside the search process: Information seeking from the

user’s perspective. Journal of the American Society for Information Science,

(5), 361-371. https://doi.org/10.1002/(SICI)1097-4571(199106)42:5%3C361::AID ASI6%3E3.0.CO;2-%23

Lewandowski, D. (2017). Is Google Responsible for Providing Fair and Unbiased Results?

En M. Taddeo y L. Floridi (Eds.), The Responsibilities of Online Service Providers.

Law, Governance and Technology Series (pp. 79-100). Springer, Cham. https://doi.

org/10.1007/978-3-319-47852-4_4

Liu, J., y Zhang, X. (2019). The role of domain knowledge in document selection from

search results. Journal of the Association for Information Science and Technology,

(11), 1236-1247. https://doi.org/10.1002/asi.24199

Matute, H. (2019). Nuestra mente nos engaña. Sesgos y errores cognitivos que todos

cometemos. Shackleton Books.

Nagel, M. T., Schäfer, S., Zlatkin-Troitschanskaia, O., Schemer, C., Maurer, M., Molerov, D.,... y Brückner, S. (2020). How do university students’ web search behavior, website characteristics, and the interaction of both influence students’ critical online reasoning? Frontiers in Education, 5, 565062. https://doi.org/10.3389/

feduc.2020.565062

Noble, S. U. (2018). Algorithms of oppression: How search engines reinforce racism. NYU Press.

Novin, A., y Meyers, E. (2017). Making sense of conflicting science information: Exploring bias in the search engine result page. Comunicación presentada en CHIIR ‘17: Proceedings of the 2017 Conference on Conference Human Information Interaction and Retrieval. Oslo, Noruega, 7-11 de marzo. https://doi.org/10.1145/3020165.3020185

Olivares-Rodríguez, C., y Guenaga, M. (2015). Detection of the Student Creative Behavior Based on Diversity of Queries. En J. García-Chamizo, G. Fortino, y S. Ochoa (Eds.), Ubiquitous Computing and Ambient Intelligence. Sensing, Processing, and Using

Environmental Information. UCAmI 2015. Lecture Notes in Computer Science, 9454. Springer, Cham. https://doi.org/10.1007/978-3-319-26401-1_18

Olivares-Rodríguez, C., Guenaga, M., y Garaizar, P. (2017). Automatic assessment of

creativity in heuristic problem-solving based on query diversity. Dyna, 92(4), 449-

http://dx.doi.org/10.6036/8243

Pariser, E. (2017). El filtro burbuja: Cómo la web decide lo que leemos y lo que pensamos.

Taurus.

Pereira, S., Fillol, J., y Moura, P. (2019). El aprendizaje de los jóvenes con medios digitales

fuera de la escuela: De lo informal a lo formal. Comunicar, 27(58), 41-50. https://

doi.org/10.3916/C58-2019-04

Piergiorgio, C. (2007). Metodología y técnicas de investigación social. McGraw-Hill.

Rutter, S., Blinzler, V., Ye, C., Wilson, M. L., y Twidale, M. D. (2019). Search tactics used

in solving everyday how-to technical tasks: Repertoire, selection and tenacity.

Information Processing & Management, 56(3), 919-938. https://doi.org/10.1016/j.

ipm.2019.02.008

Schultheiß, S., Sünkler, S., y Lewandowski, D. (2018). We still trust in Google, but less

than 10 years ago: an eye-tracking study. Information Research: An International

Electronic Journal, 23(3), n3. http://informationr.net/ir/23-3/paper799.html

Siles, I., Espinoza-Rojas, J., Naranjo, A., & Tristán, M. F. (2019). The mutual domestication

of users and algorithmic recommendations on Netflix. Communication, Culture &

Critique, 12(4), 499-518. https://doi.org/10.1093/ccc/tcz025

Su, N., He, J., Liu, Y., Zhang, M., y Ma, S. (2018, February). User intent, behaviour, and

perceived satisfaction in product search. Comunicación presentada en WSDM

‘18: Proceedings of the Eleventh ACM International Conference on Web Search and

Data Mining. Marina Del Rey, CA, Estados Unidos, 5-9 de febrero. https://doi.

org/10.1145/3159652.3159714

Urgo, K., Arguello, J., y Capra, R. (2019). Anderson and krathwohl’s two-dimensional

taxonomy applied to task creation and learning assessment. Comunicación

presentada en ICTIR ‘19: Proceedings of the 2019 ACM SIGIR International Conference on Theory of Information Retrieval. Santa Clara, CA, Estados Unidos, 2-5 de octubre.

https://doi.org/10.1145/3341981.3344226

Vidal-Sepúlveda, M., & Olivares-Rodríguez, C. (2021). ¿Quién elige mi dieta informativa?

La datificación automatizada de personas en el ambiente digital. Información,

cultura y sociedad, (44), 143-154. https://dx.doi.org/10.34096/ics.i44.8627

Valenzuela, J., y Nieto, A. M. (2008). Motivación y Pensamiento Crítico: Aportes para

el estudio de esta relación. REME, 9(28). http://reme.uji.es/articulos/numero28/

article3/article3.pdf

Vilches, L. (Ed.). (2011). La investigación en comunicación: métodos y técnicas en la era

digital. Gedisa.

Wildemuth, B. M., y Freund, L. (2012, October). Assigning search tasks designed to elicit exploratory search behaviors. Comunicación presentada en HCIR ‘12: Proceedings of the Symposium on Human-Computer Interaction and Information

Retrieval. Cambridge, California, Estados Unidos, 4 de octubre. https://doi.org/10.1145/2391224.2391228

Wu, W. C., y Kelly, D. (2015). Online search stopping behaviors: An investigation of query

abandonment and task stopping. Comunicación presentada en Proceedings of the American Society for Information Science and Technology, 51(1), 1-10. https://doi.

org/10.1002/meet.2014.14505101030

Yoganarasimhan, H. (2020). Search personalization using machine learning. Management Science, 66(3), 1045-1070. https://doi.org/10.1287/mnsc.2018.3255




DOI: http://dx.doi.org/10.7203/drdcd.v0i9.264

Enlaces refback

  • No hay ningún enlace refback.