Navigating Bias in Streaming: A Qualitatively Driven Mixed-Methods Study of User Experience and Agency on Netflix
Author
Kiraz, Burak
Term
4. term
Publication year
2025
Abstract
This thesis examines how both algorithmic bias and user-driven habits shape Netflix’s recommendation system and affect people’s experience and sense of autonomy when exploring content. Using a pragmatic, qualitatively oriented mixed-methods design, the study combines three methods: mapping potential bias in Netflix’s user interface (UI), a 10-day diary study, and semi-structured interviews conducted before and after the diary period. The analysis identifies several algorithmic biases—popularity bias (popular titles are shown more), engagement bias (content that drives clicks and watch time is pushed), and positioning bias (screen placement guides attention)—that structurally favor certain kinds of content and can narrow discovery. At the same time, cognitive and behavioral user biases—confirmation bias (preferring the familiar), choice overload (too many options make decisions harder), and trust in algorithms—reinforce these patterns. These biases interact with UI design choices, producing a user experience that balances comfort and control. Results show that people often navigate passively; features like autoplay and strong visual hierarchies encourage sticking with promoted content, including the platform’s own productions. Although users value personalization, many report a reduced sense of autonomy and variety. The diary and interviews also indicate that emotional and situational factors meaningfully shape these behaviors. The thesis concludes that recommendation systems should emphasize transparency, user control, and diversity in how content is presented, supporting greater user involvement and personalization without compromising freedom to discover or critical reflection.
Denne afhandling undersøger, hvordan både algoritmiske bias og brugerdrevne vaner former Netflix’ anbefalingssystem og påvirker brugernes oplevelse og følelse af autonomi, når de udforsker indhold. Med en pragmatisk tilgang og en kvalitativt forankret mixed methods-undersøgelse kombineres tre metoder: kortlægning af mulig bias i Netflix’ brugergrænseflade (UI), et 10-dages dagbogsstudie og semistrukturerede interviews før og efter dagbogsperioden. Analysen identificerer flere algoritmiske bias, herunder popularitetsbias (populære titler vises oftere), engagementsbias (indhold, der skaber klik og seertid, skubbes frem) og placeringsbias (placering på skærmen styrer opmærksomheden), som strukturelt favoriserer bestemte typer indhold og kan indsnævre opdagelse. Samtidig forstærker kognitive og adfærdsmæssige brugerbias, som bekræftelsesbias (man vælger det velkendte), valgoverbelastning (for mange valg vanskeliggør beslutninger) og tillid til algoritmer, disse mønstre. Bias spiller sammen med UI’ets designvalg og skaber en brugeroplevelse mellem bekvemmelighed og kontrol. Resultaterne viser, at brugere ofte navigerer passivt; funktioner som autoplay og stærke visuelle hierarkier tilskynder til at blive ved det promoverede indhold, herunder platformens egne produktioner. Selvom brugerne værdsætter personalisering, rapporterer mange en mindre følelse af autonomi og variation. Dagbog og interviews peger også på, at følelsesmæssige og situationsbestemte forhold påvirker adfærden væsentligt. Afhandlingen konkluderer, at anbefalingssystemer bør fremme transparens, brugerkontrol og mangfoldighed i præsentationen af indhold og understøtte større brugerinddragelse og personalisering uden at gå på kompromis med friheden til at opdage nyt og kritisk refleksion.
[This apstract has been rewritten with the help of AI based on the project's original abstract]