A Meta divulgou em janeiro de 2026 uma atualização sobre como vem aprimorando as recomendações do Reels a partir do feedback direto dos usuários. Segundo a própria empresa, em material publicado no site Meta for Developers, além dos sinais tradicionais como curtidas, compartilhamentos e tempo de visualização, o sistema passou a incorporar respostas a pesquisas exibidas entre os vídeos, perguntando como as pessoas avaliaram o conteúdo recém-assistido. A ideia é captar preferências de forma explícita e em tempo real, complementando os dados de comportamento.
De acordo com a Meta, essas pesquisas são tratadas com ajustes estatísticos para reduzir vieses de amostragem e de não resposta, prática comum em estudos de opinião. Com isso, a empresa afirma ter construído uma base de dados mais próxima das preferências reais dos usuários, indo além do que pode ser inferido apenas por ações como parar ou rolar a tela. Esse tipo de abordagem já foi descrito em iniciativas semelhantes por outras plataformas, como o Pinterest, que detalhou em publicações técnicas como o uso de pesquisas ajudou a refinar seus sistemas de recomendação.
Os resultados apresentados indicam um ganho. Antes da adoção em larga escala desse modelo, os sistemas de recomendação do Reels atingiam cerca de 48,3%de alinhamento com os interesses declarados dos usuários. Após a integração do feedback das pesquisas aos modelos de aprendizado de máquina, esse índice teria superado 70%, segundo dados divulgados pela própria Meta. Em termos práticos, isso significa maior chance de o usuário ver vídeos que considera interessantes, mesmo quando seu histórico de interações ainda é limitado.
Apesar do avanço, a Meta reconhece que o processo ainda está em evolução. Entre os desafios citados estão melhorar a diversidade das recomendações e atender perfis com pouco histórico de engajamento. Estudos sobre sistemas de recomendação publicados em periódicos como o ACM Transactions on Recommender Systems apontam que combinar sinais implícitos e feedback explícito tende a aumentar a precisão, mas também exige cuidado para evitar vieses e excessiva repetição de conteúdos. Nesse contexto, o uso de perguntas diretas aparece como mais uma camada de ajuste, não como substituição completa dos algoritmos já existentes.
