Монетизація алгоритмічних медіа у контексті поведінкової економіки
Анотація
Аналіз споживання відеоконтенту з точки зору отримання прибутку піднімає питання алгоритмічних медіа, які спираються на економіку уваги. В її основі знаходиться управління людською поведінкою через алгоритми для отримання прибутку. Розглядаючи поняття «уваги» як категорію взаємодії аудиторії з медіа, продемонстровано параметри контролю на увагою. Обґрунтовано гіпотезу, згідно з якою обмежена раціональність сучасної людини делегувала свій вибір алгоритмам. Фізіологічні та когнітивні бар’єри стали ресурсом медіа, які через коди перетворюють вибір людини на монетизацію власного бізнесу. Теоретичний аналіз дослідження побудований на моделі Г. Саймона та Д. Бродбента, де продемонстровано принцип фільтрації інформаційних потоків з обмеженою пропускною здатністю системи. Що доводить й обмежену механіку прийняття рішень людини під тиском великої кількості інформації. Практична складова дослідження полягає в аналізі сучасної літератури алгоритмічних медіа та створенні класифікації параметрів монетизації. Наголошено, що сучасна бізнес модель медіаіндустрії не працює за лінійним принципом монетизації, де класичний розподіл аудиторії гарантував рекламні інвестиції. У роботі розглянуто платформи YouTube, Meta, Douyin, TikTok, Pinterest, Netflix які розвиваються за принципом розподілу уваги та здійснюють контроль над автоматизованою поведінкою своїх аудиторій. Виділено чотири стратегії контролю над поведінкою споживачів медіа продуктів: кількісно-часовий вимір, залучення, цифрові мітки контенту та алгоритмічна логіка ілюзії вибори. Зроблено висновок, що пасивне споживання контенту та критичне сприйняття інформації замінюється керованим автоматизованим тиском, де увага глядача стає конвертованою валютою, що забезпечує монетизацію.
Завантаження
Посилання
Meta. (2025, April 15). Cracking down on spammy content on Facebook. Retrieved March 2, 2026, from https://about.fb.com/news/2025/04/cracking-down-spammy-content-facebook/
Ferris, G. R., Fedor, D. B., & King, T. R. (1994). A political conceptualization of managerial behavior. Human Resource Management Review, 4(1), 1–34. https://doi.org/10.1016/1053-4822(94)90002-7
Moritz, J. M., et al. (2026). A meta-analysis on reactions to algorithmic decision-making in human resource management. Human Resource Management Review, 36(2), Article 101135. https://doi.org/10.1016/j.hrmr.2026.101135
Dibb, S., et al. (2021). Whose rationality? Muddling through the messy emotional reality of financial decision-making. Journal of Business Research, 131, 826–838. https://doi.org/10.1016/j.jbusres.2020.10.041
Simon, H. A. (1996). Models of my life. Cambridge, MA: MIT Press.
Broadbent, D. E. (1957). A mechanical model for human attention and immediate memory. Psychological Review, 64(3), 205–215.
Villi, M., & Picard, R. G. (2025). Transformation and innovation of media business models. In Making media (pp. 121–131). Routledge. https://doi.org/10.1017/9789048540150.009
Simon, H. A. (1982). Models of bounded rationality. Vol. 1: Economic analysis and public policy (pp. 161–176). Cambridge, MA: MIT Press.
Min, S. J. (2019). From algorithmic disengagement to algorithmic activism: Charting social media users’ responses to news filtering algorithms. Telematics and Informatics, 43, Article 101251. https://doi.org/10.1016/j.tele.2019.101251
Dekker, C. A., Baumgartner, S. E., & Sumter, S. R. (2025). For you vs. for everyone: The effectiveness of algorithmic personalization in driving social media engagement. Telematics and Informatics, 101, Article 102300. https://doi.org/10.1016/j.tele.2025.102300
Leonardi, P. M., & Vaast, E. (2017). Social media and their affordances for organizing: A review and agenda for research. Academy of Management Annals, 11(1), 150–188. https://doi.org/10.5465/annals.2015.0144
Verma, S., & Sheel, A. (2022). Blockchain for government organizations: Past, present and future. Journal of Global Operations and Strategic Sourcing, 15(3), 406–430. https://doi.org/10.1108/JGOSS-08-2021-0063
Tassi, P. (2018). Media: From the contact economy to the attention economy. International Journal of Arts Management, 21(1), 49–59. Retrieved from http://www.jstor.org/stable/44989736
Eom, S., Park, J., Choi, E., Park, J., & Kim, S. (2025). How do users contribute to YouTube channels’ revenue? An empirical analysis of Korean beauty channels. Computers in Human Behavior, 172, Article 108741. https://doi.org/10.1016/j.chb.2025.108741
Liang, M. (2022). The end of social media? How data attraction model in the algorithmic media reshapes the attention economy. Media, Culture & Society, 44(6), 1110–1131. https://doi.org/10.1177/01634437221077168
Gaw, F. (2022). Algorithmic logics and the construction of cultural taste of the Netflix Recommender System. Media, Culture & Society, 44(4), 706–725. https://doi.org/10.1177/01634437211053767
Thaler, R. H., & Sunstein, C. R. (2023). Libertarian paternalism. In Research handbook on nudges and society (pp. 10–16). Edward Elgar Publishing. https://doi.org/10.1257/000282803321947001
Gaw F. (2022b). Algorithms and the construction of cultural taste of the Netflix Recommender System: video; iNOVA Media Lab. Retrieved from https://www.youtube.com/watch?v=BUifBpxrcCI&t=6s
Aylsworth, T., & Castro, C. (2024). Kantian ethics and the attention economy: Duty and distraction. Cham, Switzerland: Springer Nature. https://doi.org/10.1007/978-3-031-45638-1
State Intellectual Property Office of the P.R.C. (2017). Chinese Patent No. CN106534990A. Retrieved from https://worldwide.espacenet.com/patent/search/family/058341525 /publication/CN106534990A?q=YouTube
Korean Intellectual Property Office. (2024). Korean Patent No. KR20240086613A. Retrieved from https://worldwide.espacenet.com/patent/search/family/091670868/publication/KR20240086613A?q=pn%3DKR20240086613A
Авторське право (c) 2026 Морозов C.В.
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
