O núcleo do sistema usa fatoração da matriz para distinguir a utilidade de uma nota da afinidade entre avaliadores e notas. Depois disso, o resultado ainda passa por filtros, limites de confiança e regras de estabilização.
Quando muitas pessoas avaliam uma nota, parte dos votos reflete se a nota é de fato útil; outra parte reflete a proximidade de perspectiva entre quem avalia e o conteúdo da nota. Em temas polarizados, uma nota pode parecer “boa” para um grupo e “ruim” para outro mesmo quando todos estão olhando para o mesmo fato.
Se o sistema usasse apenas maioria simples, o resultado dependeria do grupo mais numeroso ou mais ativo. O objetivo do algoritmo é descobrir se uma nota consegue reunir aprovação entre pessoas que normalmente discordam entre si.
Para cada avaliação de um avaliador u sobre uma nota n, o modelo estima um valor previsto a partir de quatro componentes:
Nesta página, o eixo horizontal é apresentado como uma metáfora de perspectiva. Em política, ele pode lembrar esquerda e direita, mas o algoritmo não parte de rótulos ideológicos prévios: ele aprende um fator latente a partir do padrão real das avaliações.
A variável mais importante para a nota é in. Ela resume o quanto a nota tende a ser considerada útil depois de descontadas, em parte, as diferenças sistemáticas entre avaliadores. No entanto, o status final da nota não depende só desse número: ele também considera quantidade mínima de avaliações, novas rodadas de ajuste, limites de confiança e filtros adicionais.
O modelo não olha uma nota de cada vez. Ele ajusta todos os parâmetros ao mesmo tempo, buscando reduzir a diferença entre as avaliações observadas e as avaliações previstas. Em termos simples, ele procura os valores de μ, i e f que tornem o erro total o menor possível, sem deixar os parâmetros crescerem livremente.
O primeiro termo da função de perda mede o erro de reconstrução: quão longe a previsão está do voto observado.
O termo com λ é a regularização, que desestimula soluções exageradas. Sem ele, o modelo pode “decorar” ruídos do conjunto de dados.
O gradiente diz a direção em que o erro cresce. Ao caminhar na direção oposta, o algoritmo melhora gradualmente os parâmetros até estabilizar uma solução útil.
Em linguagem menos técnica: se uma nota está recebendo mais avaliações positivas do que o modelo esperava, seu intercepto tende a subir; se recebe menos, tende a cair.
O desenho abaixo não representa a rotina exata de treinamento, mas ajuda a interpretar o resultado. Depois do ajuste conjunto, cada nota fica posicionada num espaço em que o eixo horizontal representa o fator latente de perspectiva e o eixo vertical representa o intercepto da nota.
No resultado conceitual abaixo, cada ponto representa uma nota após o ajuste. O eixo horizontal mostra o fator latente da nota; o vertical mostra o intercepto usado como base para a decisão. As faixas coloridas são ilustrativas: na prática, o sistema usa regras adicionais e limites mais específicos.
A fatoração da matriz é o núcleo do ranqueamento, mas o sistema completo também inclui pré-filtragem de dados esparsos, nova estimação após filtrar avaliadores pouco confiáveis, avaliação de incerteza com avaliadores sintéticos extremos, filtros para marcações de incorreção, reconciliação entre modelos e mecanismos de estabilização de status.
Em outras palavras: o intercepto da nota é central, mas não basta sozinho para explicar toda decisão final. Esta página descreve a lógica principal sem fingir que ela esgota o processo.