Un algoritmo que equilibra noticias nacionales e internacionales aumenta la diversidad informativa sin perder clics

Un estudio desarrollado por investigadores de GroupLens Research (de la University of Minnesota) y la Northwestern University, que recoge el Laboratorio de Periodismo Luca de Tena en su web. concluye que los sistemas de recomendación de noticias pueden aumentar significativamente la diversidad de lectura sin afectar negativamente al número de clics de los usuarios.

La investigación, realizada durante cinco semanas con 120 lectores en Estados Unidos, analizó distintos modelos de recomendación en una plataforma experimental basada en contenidos de Associated Press. El modelo más eficaz combinó la personalización temática —adaptada a los intereses del usuario— con un equilibrio deliberado entre noticias nacionales e internacionales.

Los resultados muestran que esta “doble calibración” reduce de forma notable la brecha entre la diversidad de noticias disponibles y las que realmente consumen los lectores, logrando una mejora cercana al 93 % en la variedad de contenidos leídos.

Uno de los principales hallazgos es que introducir criterios editoriales de diversidad no penaliza el engagement. El estudio no encontró evidencias de una caída en la probabilidad de clic, que se mantuvo estable incluso al incorporar contenidos menos habituales para el usuario.

El trabajo también evaluó el uso de inteligencia artificial para reescribir titulares y resúmenes, con resultados más limitados. Aunque algunas estrategias aumentaron la probabilidad de clic, no lograron mejorar de forma significativa la diversidad más allá del efecto generado por el ajuste algorítmico.

Los investigadores advierten de que la personalización excesiva puede reforzar hábitos informativos estrechos, pero sostienen que este enfoque híbrido permite a los medios mantener la relevancia para el lector sin renunciar a una dieta informativa más amplia. En este sentido, el estudio abre la puerta a integrar objetivos editoriales —como la exposición a información internacional— dentro de los sistemas automatizados de recomendación.