Så väljer YouTubes algoritm vad barn tittar på

Vad algoritmen optimerar för

En rekommendationsalgoritm är en uppsättning regler och maskininlärningsmodeller som förutspår vilken video en tittare mest sannolikt tittar på härnäst, och sedan placerar de videorna där de är lätta att trycka på: startflödet, sidofältet och platsen som spelas automatiskt när den nuvarande videon tar slut.

Det viktiga är målet som systemet är byggt för att träffa. I en artikel skriven av YouTubes egna ingenjörer beskrivs rekommendationssystemet som uttryckligen optimerat kring förväntad visningstid och engagemang snarare än enbart klick (Covington, Adams, & Sargin, 2016). Författarnas resonemang är praktiskt: en video som får många klick men stängs efter några sekunder är en sämre rekommendation än en som håller kvar uppmärksamheten, så systemet lär sig att gynna det som får folk att titta längre. Observera att det är en beskrivning av plattformens design för en allmän publik, inte en studie av barn specifikt.

När du väl känner till målet slutar mycket av beteendet att se slumpmässigt ut. Flödet försöker inte bilda ditt barn, matcha hens ålder eller runda av passet vid en rimlig stoppunkt. Det försöker förutspå nästa video som mest sannolikt kommer att ses, och ställa upp den som kommer efter. Varje yta ett barn ser – rutnätet med miniatyrer, raden bredvid spelaren, nedräkningen till nästa klipp – formas av det enda målet. När folk beskriver flödet som ”designat för att hålla kvar barn” är det just det här optimeringsmålet de pekar på.

Signalerna den lär sig av ditt barn

Algoritmen känner inte ditt barn som person. Den bygger en statistisk profil utifrån beteende och uppdaterar den profilen hela tiden. I stora drag faller signalerna i några grupper.

**Tittarbeteende.** Vilka videor som spelas, hur mycket av varje som ses och om tittaren stannar till slutet eller hoppar av tidigt. Längre och mer fullständiga visningar lyfter liknande innehåll.

**Klick och tryck.** Vad som väljs i flödet, och lika viktigt, vad som hoppas över. Att välja en miniatyr framför de andra är en röst som systemet registrerar.

**Engagemang.** Gillamarkeringar, prenumerationer, upprepade visningar och sökord matar alla profilen, men på ett barns konto kan de vara få eller styras av den som ställde in enheten.

**Sammanhang.** Tid på dygnet, enhet och videons metadata som ämne, kanal, längd och miniatyrstil hjälper systemet att gruppera innehåll och gissa vad som passar för stunden.

**Mönster från liknande tittare.** Systemet lutar sig också mot samlat beteende. Om tittare som såg samma klipp som ditt barn tenderade att titta på en viss video härnäst blir den videon en stark kandidat.

Två saker förtjänar att betonas. För det första finns det ingen separat signal för ”är det här bra för en femåring” som styr; profilen byggs av engagemang, inte omdöme. För det andra går loopen snabbt. Några tryck på en viss sorts video kan synligt ändra vad som visas härnäst, eftersom modellen behandlar färskt beteende som en stark ledtråd om vad den ska servera. Den lyhördheten är anledningen till att ett flöde kan glida iväg under ett enda pass, och till att det kan kännas som att systemet ”ändrade sig” om ditt barn över en natt.

Relaterat: Därför rekommenderar YouTube Kids konstiga videor · Blockera YouTube-rekommendationer för barn

Rekommendationer, autouppspelning och kaninhålet

Rekommendationer och autouppspelning är där optimeringsmålet blir ett tittarpass. Rekommendationerna bestämmer vad som erbjuds; autouppspelningen bestämmer att erbjudandet tas emot som standard, utan att någon väljer.

Autouppspelning spelar större roll än det ser ut. I ett kontrollerat experiment med 76 vuxna som studerade ett jämförbart streaminggränssnitt fann forskarna att avstängd autouppspelning avsevärt minskade hur mycket folk tittade – belägg för att autouppspelning orsakar mer visningstid snarare än bara följer med den (Schaffner et al., 2025). Det var ett urval av vuxna på en annan plattform, så det ska inte läsas som ett mått på skada för barn. Men mekanismen är generell och värd att ta på allvar: standardläget ”nästa video spelas bara” tar bort den lilla paus där en person, eller ett barn, annars kanske hade slutat. Ta bort beslutspunkten så drar passet ut av sig självt.

Lägg det ovanpå ett rekommendationssystem som siktar på visningstid så får du det ”kaninhål” som föräldrar beskriver. Varje video lämnar över till en liknande eller mer engagerande, nedräkningen börjar innan barnet hinner titta bort och en plan på tio minuter blir i tysthet en timme.

Där de två samverkar kan själva innehållet glida på sätt som föräldrar inte väntar sig. En beskrivande innehållsanalys av YouTube-tittande bland barn i åldern 0–8 år fann att det små barn faktiskt hamnade i att titta på dominerades kraftigt av konsumism – annonser, uppackning av leksaker och produktdrivna videor – och att några av de mest visade videorna innehöll material som inte passade åldern (Common Sense Media, 2020). Det är en beskrivande rapport om hur tittandet såg ut, inte ett orsakspåstående om att algoritmen skapar skada. Ändå stämmer det med designen: ett system som optimerar för engagemang visar det som håller kvar uppmärksamheten, och påkostat, produkttungt eller gränsöverskridande innehåll gör ofta precis det.

Relaterat: Återställ YouTubes algoritm för barn

Stäng av algoritmen helt: ett kurerat bibliotek

Du kan knuffa algoritmen i en riktning – rensa historiken, ogilla videor, skärpa inställningarna – men du kan inte få den att sluta optimera för visningstid, eftersom det är vad den är byggd för. Det enda sättet att ta bort motorn ur ekvationen är att inte använda någon motor alls.

Det är den modellen Watchly Player bygger på. Watchly Player är en vitlisteapp: det finns ingen rekommendationsalgoritm, inget sidofält med rekommendationer och ingen autouppspelning till orelaterat innehåll. Bara biblioteket du godkänner visas, och efter varje video återgår appen till biblioteket i stället för att köa något nytt. Ingenting försöker förutspå barnets nästa tryck eller förlänga passet, eftersom det inte sker någon förutsägelse av nästa video över huvud taget.

För att hålla det godkända biblioteket lämpligt kör Watchly Player en AI-skanning som kontrollerar videor mot 21 innehållsmönster innan de hamnar framför ett barn. Dessutom får varje barn en egen profil – namn, emoji, en fyrsiffrig PIN-kod och födelseår – så att bibliotek och gränser kan anpassas efter just det barnet. Du kan ställa in en daglig tidsgräns med inbyggda pauser och gå igenom en läsbar visningshistorik för att se exakt vad som har tittats på, utan något mystiskt flöde att rekonstruera. Startbibliotek efter åldersgrupp ger dig en rimlig utgångspunkt, och allt är reklamfritt. Watchly Player erbjuder en gratis provperiod på 7 dagar utan kort.

Forskning och källor

1. Covington, P., Adams, J., & Sargin, E. (2016). Deep Neural Networks for YouTube Recommendations. RecSys ’16, 191–198. Länk
2. Schaffner, B., m.fl. (2025). An Experimental Study of Netflix Use and the Effects of Autoplay on Watching Behaviors. Proceedings of the ACM on Human-Computer Interaction, 9(2), CSCW030. Länk
3. Common Sense Media (2020). Young Kids and YouTube: How Ads, Toys, and Games Dominate Viewing. Common Sense Media (forskningsrapport, inte expertgranskad). Länk