التفسير الأكثر شيوعاً الذي يقدمه الناس لتوصية دقيقة بشكل مُقلِق أن التطبيق كان يستمع، وهو مفهوم بالنظر لكم تبدو النتائج محددة أحياناً. وهو أيضاً خاطئ تقريباً بالتأكيد، والتفسير الحقيقي أكثر إزعاجاً بطرق معينة.
لا تحتاج أنظمة التوصية للصوت لأن البيانات السلوكية أغنى بكثير وأرخص جوهرياً للمعالجة. ما تشاهده، وكم تتوقف، وما تتخطاه، ومن تشبه إحصائياً، وما فعله أشخاص مشابهون لك بعدها، تُنتج معاً تنبؤات دقيقة بما يكفي ليخلط المستخدمون بينها وبين المراقبة روتينياً. فهم الآلية الفعلية يفسر الدقة وحدودها معاً.
بين ماذا تختار الخلاصة فعلياً
في أي لحظة قد يكون لدى منصة ملايين أو مليارات العناصر المرشحة التي تستطيع عرضها، والمهمة اختيار ربما بضع عشرات للعرض بترتيب معين.
لا يمكن فعل هذا بتقييم كل عنصر لكل مستخدم، إذ ستكون الحوسبة باهظة جداً للأداء ضمن جزء الثانية الذي يتوقعه المستخدمون.
لذا تُقسَم المشكلة لمراحل، مع تضييق طرق رخيصة للمجال بشكل هائل قبل ترتيب طرق باهظة لما ينجو، وهي البنية الأساسية لتقريباً كل نظام توصية كبير.
كيف يُضيِّق توليد المرشحين المجال
تسترجع المرحلة الأولى مجموعة قابلة للإدارة من المرشحين المعقولين، عادة بضع مئات لبضعة آلاف، من المجمع الكلي الهائل باستخدام طرق سريعة عمداً.
تشمل هذه الطرق عناصر مشابهة لأشياء تفاعل معها المستخدم حديثاً، وعناصر شائعة بين مستخدمين مشابهين، وعناصر من حسابات مُتابَعة، وعناصر رائجة ضمن سياقات ذات صلة.
تهم الدقة أقل في هذه المرحلة من الاستدعاء، إذ الهدف ضمان وجود مرشحين جيدين بدلاً من ترتيبهم صحيحاً، وهو ما تتعامل معه المرحلة التالية.
ماذا تتنبأ نماذج الترتيب
تُطبِّق مرحلة الترتيب نموذجاً أكثر كلفة بكثير يُقدِّر، لكل مرشح، احتمال أفعال مستخدم متنوعة كالنقر أو المشاهدة للنهاية أو الإعجاب أو المشاركة.
تُدمَج هذه التنبؤات في درجة واحدة باستخدام أوزان تعكس ما تُحسِّنه المنصة، وهو قرار منتج بدلاً من تقني.
يُغيِّر تغيير تلك الأوزان طابع الخلاصة جوهرياً، وهذا سبب قدرة المنصات على تحويل الخلاصات نحو أو بعيداً عن أنواع محتوى معينة دون تغيير النماذج الكامنة إطلاقاً.
لماذا تعمل التصفية التعاونية جيداً
البصيرة الجوهرية وراء معظم التوصيات أن الأشخاص الذين اتفقوا في الماضي يميلون للاتفاق في المستقبل، لذا يمكن التنبؤ بتفضيلات مستخدم من سلوك مستخدمين مشابهين.
لا يتطلب هذا فهماً للمحتوى نفسه، إذ يتعلم النظام أن عناصر معينة تروق لجماهير معينة بحتاً من أنماط من تفاعل مع ماذا.
هذا سبب قدرة التوصيات على إبراز عناصر بلا تشابه سطحي واضح مع أي شيء رآه مستخدم، ما يُنتج بشكل متكرر انطباع بصيرة لا يمتلكها النظام فعلياً.
كيف تُمثِّل التضمينات الذوق
تُمثِّل الأنظمة الحديثة المستخدمين والعناصر كمتجهات أرقام، موضوعة بحيث تجلس العناصر المتشابهة قريبة من بعضها ويجلس المستخدمون قرب العناصر التي يفضلونها.
تُتعلَّم هذه التمثيلات من السلوك بدلاً من تعيينها يدوياً، ولا تُقابل الأبعاد تسميات سيتعرف عليها شخص، رغم التقاطها بنية حقيقية.
تُختزَل التوصية بعدها لمشكلة هندسية بإيجاد عناصر قرب موضع مستخدم، يمكن حسابها بسرعة فائقة باستخدام بنى بحث متخصصة.
لماذا لا تزال إشارات المحتوى مهمة
تفشل النهج السلوكية البحتة للعناصر الجديدة بلا تاريخ تفاعل، وهي مشكلة البدء البارد وستجعل بخلاف ذلك إبراز أي شيء جديد مستحيلاً.
لذا تُحلِّل الأنظمة أيضاً المحتوى مباشرة، مُستخرِجة سمات من النص والصوت والفيديو تسمح بوضع عنصر جديد قرب عناصر موجودة مشابهة قبل تفاعل أحد معه.
يعني هذا النهج الهجين إمكانية عرض فيديو مرفوع حديثاً لجمهور معقول فوراً، مع تولي الإشارات السلوكية تدريجياً بينما تتراكم بيانات التفاعل.
ماذا تكشف الإشارات الضمنية
التغذية الراجعة الصريحة كالإعجابات والتقييمات نادرة ومنحازة، إذ لا يُقيِّم معظم الناس شيئاً، ومن يفعلون غير ممثلين للجمهور العام.
لذا تعتمد الأنظمة بشكل أثقل بكثير على إشارات ضمنية بما فيها مدة المشاهدة وسرعة التمرير وإعادة المشاهدة والتوقف وحقيقة عدم التخطي فوراً ببساطة.
هذه الإشارات أوفر بشكل هائل، وهذا سبب قدرة منصة على تطوير نموذج دقيق لشخص لم يُعبِّر عمداً أبداً عن تفضيل حول أي شيء.
لماذا أصبح زمن المكوث مركزياً
يتبين أن كم يقضي مستخدم على عنصر قبل المضي إحدى أكثر الإشارات المتاحة إفادة، إذ يصعب تزييفه ولا يتطلب فعلاً متعمداً.
يخلق تحسينه مباشرة مشاكل، إذ إن المحتوى المُهندَس للإمساك بالانتباه ليس بالضرورة محتوى يُقدِّره الناس، واضطرت المنصات مراراً لتصحيح هذا.
تدمج عدة منصات الآن إشارات تهدف لالتقاط الرضا بدلاً من التفاعل، بما فيها استطلاعات وتغذية راجعة سلبية، تحديداً لأن زمن المكوث وحده يكافئ الأشياء الخاطئة.
كيف يتعلم النظام من كونه مخطئاً
كل توصية فعلياً تنبؤ يُختبَر فوراً، إذ يتفاعل المستخدم أو لا، مُوفِّراً مثال تدريب مُعنوَن خلال ثوانٍ.
تعني حلقة التغذية الراجعة هذه إمكانية إعادة تدريب النماذج بشكل متكرر على أحجام هائلة من بيانات طازجة، وهذا سبب تكيف الخلاصات مع سلوك متغير خلال أيام بدلاً من شهور.
تعني أيضاً أن النظام يتعلم من بيانات ولّدها، إذ يستطيع المستخدمون الاستجابة فقط لما عُرض عليهم، ما يُدخِل انحيازاً صعب التصحيح فعلياً.
لماذا يُبنى الاستكشاف عمداً
نظام يعرض فقط عناصر يتنبأ بثقة بنجاحها لا يتعلم شيئاً جديداً، ويضيق تدريجياً في منطقة صغيرة مما قد يستمتع به مستخدم.
لذا تحقن المنصات عمداً توصيات غير مؤكدة، قابلة كلفة قصيرة الأمد في التفاعل مقابل معلومات عن تفضيلات لم يرسمها النموذج بعد.
هذا سبب عرض الخلاصات دورياً شيئاً غير ذي صلة ظاهرياً، ما يقرؤه المستخدمون غالباً كخطأ بينما هو مسبار متعمد لمنطقة غير مستكشفة.
كيف تبدو مشكلة البدء البارد فعلياً
لا تاريخ لمستخدم جديد، لذا يعود النظام لمحتوى شائع عريضاً والموقع والجهاز واللغة وأي شيء استُنتج من كيفية إنشاء الحساب.
تحمل التفاعلات القليلة الأولى وزناً هائلاً لأنها الإشارة الوحيدة المتاحة، وهذا سبب تشكيل السلوك المبكر بشكل غير متناسب لما تصبح عليه خلاصة.
يفسر هذا التجربة الشائعة حيث يُنتج تفاعل واحد مدفوع بالفضول أسابيع من توصيات مشابهة، إذ لدى النظام القليل جداً غير ذلك للعمل به.
لماذا تبدو الخلاصات كقراءة أفكار
الدقة جزء فقط من التفسير، إذ يتذكر الناس الإصابات المُقلِقة بحيوية وينسون العدد الأكبر بكثير من التوصيات العادية التي سبقتها.
تتنبأ الأنظمة أيضاً من ارتباطات لا يستطيع المستخدمون ملاحظتها، بما فيها سلوك أشخاص مشابهين ديموغرافياً أو سلوكياً، ما يُنتج توصيات بلا مسار سببي مرئي.
تُنتج أحداث الحياة بشكل متكرر تغيرات سلوكية قبل مناقشة الناس لها بصوت عالٍ، ما يعني إمكانية كشف نظام لتغير ظروف من أنماط التصفح أبكر بكثير مما يبدو معقولاً.
لماذا لا تصمد نظرية الميكروفون
سيكون نقل ومعالجة صوت باستمرار من قاعدة مستخدمين كبيرة باهظاً بشكل هائل في النطاق الترددي والبطارية والحوسبة، وسيكون قابلاً للكشف بسهولة في تحليل حركة الشبكة.
فحص الباحثون مراراً التطبيقات لهذا السلوك ولم يجدوا دليلاً على جمع صوت مستمر خفي بالنطاق الذي تتطلبه النظرية.
الحجة الأقوى ببساطة أنه سيكون زائداً، إذ تُنتج البيانات السلوكية سلفاً تنبؤات دقيقة بما يكفي بحيث ستُوفِّر إضافة الصوت فائدة ضئيلة لكلفة وخطر هائلين.
كيف تُغذِّي الرسوم الاجتماعية الترتيب
تُوفِّر الاتصالات بين المستخدمين إشارة قوية، إذ يميل الأشخاص المتصلون ببعضهم لامتلاك اهتمامات متداخلة والتأثير على استهلاك بعضهم.
حتى على منصات لا تكون فيها الخلاصة اجتماعية أساساً، تساعد بيانات الاتصال المُستنتَجة، إذ إن معرفة أن عدة أشخاص يشبههم مستخدم تفاعلوا مع عنصر تنبؤية بشدة.
هذا سبب السعي بقوة لوصول قوائم جهات الاتصال من التطبيقات، إذ تُحسِّن معلومات الرسم الاجتماعي جودة التوصيات جوهرياً من الجلسة الأولى.
لماذا فقاعات التصفية أكثر تعقيداً مما يُدَّعى
القلق الحدسي أن التخصيص يُضيِّق التعرض حتى يرى المستخدمون فقط ما يؤكد آراء موجودة، وهي آلية متماسكة وتحدث بوضوح لدرجة ما.
أنتج البحث التجريبي نتائج أكثر اختلاطاً مما يشير الحساب الشعبي، مع إيجاد عدة دراسات أن الخلاصات الخوارزمية تُعرِّض المستخدمين لمصادر أكثر تنوعاً مما ستفعل خياراتهم المتعمدة.
النتيجة الأمتن أن الناس يختارون ذاتياً بيئات معلومات ضيقة بغض النظر، ما يعني أن الخوارزميات تُضخِّم ميلاً موجوداً بدلاً من خلقه من لا شيء.
كيف يُشوِّه تحسين التفاعل المحتوى
لأن المنشئين يستطيعون ملاحظة ما يؤدي جيداً، تُشكِّل أنظمة الترتيب ما يُنتَج، لا مجرد ما يُعرَض، وهو أثر أكبر بكثير من التوزيع وحده.
تنتشر الأشكال التي تُولِّد تفاعلاً بموثوقية، بما فيها بدايات قوية مُصمَّمة لمنع التمرير وبنى تحجب الحل لتمديد وقت المشاهدة.
يعني هذا أن تغييراً في أوزان الترتيب ينتشر عبر نظام المحتوى البيئي بأكمله خلال أسابيع، بينما يتكيف المنشئون مع ما يكافئه النظام حالياً.
لماذا الإشارات السلبية غير مُستغَلة
لدى المستخدمين عموماً قدرة محدودة على إخبار نظام بما لا يريدونه، مع اقتصار الضوابط عادة على إخفاء عناصر فردية أو كتم حسابات محددة.
يوجد هذا اللاتناظر جزئياً لأن التغذية الراجعة السلبية نادرة وضوضائية، وجزئياً لأن التصرف بقوة عليها يخاطر بإزالة محتوى كان سيؤدي جيداً بخلاف ذلك.
العاقبة العملية أن التوصيات غير المرغوبة تستطيع الاستمرار رغم كره المستخدمين النشط لها، إذ إن التخطي غامض بطريقة لا تكونها مشاهدة مكتملة.
ما لا يستطيع الترتيب تحسينه
تُحسِّن الأنظمة نتائج قابلة للقياس، ما يعني أن أي شيء صعب القياس يتلقى وزناً ضئيلاً بغض النظر عن كم يدعي الناس تقديره.
الرضا طويل الأمد ودقة المعلومات وما إذا كان الوقت المُقضى يستحق كلها صعبة القياس للغاية من آثار سلوكية وحدها.
هذا السبب البنيوي لميل الخلاصات نحو محتوى جذاب فوراً، إذ لا يمكن تمثيل الأشياء التي ستوازنه بسهولة في الهدف الذي يُدرَّب عليه النظام.
كيف تختبر المنصات التغييرات
تُقيَّم تغييرات الترتيب عبر تجارب مضبوطة يتلقى فيها جزء من المستخدمين النظام المُعدَّل وتُقارَن النتائج مقابل مجموعة محتجزة.
تعمل هذه التجارب باستمرار وبأعداد كبيرة، ما يعني أن الخلاصة التي يراها معظم المستخدمين هي النتيجة المتراكمة لآلاف القرارات الصغيرة بدلاً من تصميم واحد.
تقيس التجارب عادة مقاييس قصيرة الأمد لأن الآثار طويلة الأمد تتطلب ملاحظة طويلة بشكل غير عملي، ما يُحيِّز النتيجة المتراكمة نحو التفاعل الفوري.
لماذا تختلف الخلاصات كثيراً بين المنصات
خلاصة مبنية أساساً من حسابات اختار مستخدم متابعتها تتصرف بشكل مختلف جداً عن واحدة تسحب من مجمع المحتوى بأكمله بغض النظر عن الاتصال.
يستطيع النهج الأخير تحديد جمهور لمحتوى من منشئين مجهولين أسرع بكثير، وهذا سبب إنتاجه إحساس خلاصة تفهم اهتمامات متخصصة بشكل جيد غير عادي.
يجعل أيضاً الوصول أقل قابلية للتنبؤ بكثير للمنشئين، إذ يُوفِّر جمهور متابعين راسخ ضمانات أضعف بكثير عندما يُحدَّد التوزيع بالاهتمام المُتنبَّأ به بدلاً من الاشتراك.
كيف تُوازَن الحداثة مقابل الجودة
ستعرض الخلاصات المُرتَّبة بالجودة بحتاً العناصر القوية ذاتها مراراً، لذا تُطبِّق الأنظمة دوال اضمحلال تُقلِّل درجة المحتوى الأقدم بمرور الوقت.
يختلف معدل الاضمحلال بشكل هائل بالمنصة ونوع المحتوى، مع اضمحلال الخلاصات الموجهة للأخبار خلال ساعات بينما قد يبقى محتوى الترفيه قابلاً للحياة لشهور.
هذا سبب قدرة بعض المنصات على إبراز فيديو بعد النشر بمدة طويلة بينما تدفن أخرى فعلياً أي شيء أقدم من يوم، وهو قرار ضبط بدلاً من قيد تقني.
لماذا يُفرَض التنوع منفصلاً
ستعرض خلاصة مُرتَّبة بالدرجة بحتاً بشكل متكرر عناصر كثيرة شبه متطابقة، إذ إن أدى واحد جيداً لمستخدم، ستُسجِّل عناصر مشابهة درجات مماثلة.
لذا تُطبِّق الأنظمة تنويعاً بعد الترتيب، مُخفِّضة عمداً عناصر مشابهة جداً لما اختير سلفاً لإنتاج نتيجة متنوعة.
هذه الخطوة سبب ندرة عرض خلاصة عدة عناصر من المنشئ ذاته متتالية حتى عندما سيُسجِّل محتوى ذلك المنشئ أعلى درجة فردياً.
ماذا يُكلِّف التخصيص في الخصوصية
تعتمد دقة هذه الأنظمة مباشرة على التاريخ السلوكي، ما يعني أن المقايضة بين جودة التوصية وجمع البيانات حقيقية بدلاً من بلاغية.
توجد تقنيات لتقليل تعرض البيانات، بما فيها المعالجة على الجهاز وطرق تدريب تتجنب مركزة السلوك الخام، ونُشرت هذه في سياقات محدودة.
تتضمن عموماً كلفة دقة ما، وهذا سبب كون التبني جزئياً ومُركَّزاً في مجالات يجعل فيها التنظيم أو موضع المنصة الخصوصية قيّمة تجارياً.
لماذا يُشوِّه انحياز الموضع البيانات
تتلقى العناصر المعروضة أولاً تفاعلاً أكثر ببساطة لأنها عُرضت أولاً، ما يعني أن بيانات التفاعل الخام تُبالغ في جودة أياً كان ما فضّله النظام سلفاً.
دون تصحيح، يخلق هذا حلقة ذاتية التعزيز يجمع فيها عنصر مُرتَّب عالياً دليلاً على استحقاقه الترتيب العالي، بغض النظر عن جدارته الفعلية.
تُطبِّق الأنظمة تصحيحات إحصائية تخصم التفاعل حسب الموضع الذي شغله عنصر، وهو أحد أقل أجزاء الآلية وضوحاً لكن أكثرها عاقبة.
كيف يُشكِّل انحياز الشعبية ما يظهر
لأن العناصر الشائعة تُراكم بيانات تفاعل أسرع، تتعلم النماذج عنها بأكبر ثقة، ما يميل لدفع المحتوى الشائع سلفاً أعلى في الترتيب.
يعمل هذا ضد الذيل الطويل للمحتوى المتخصص، الذي قد يُقدِّره جمهور صغير بشدة لكنه لا يجمع أبداً إشارة كافية ليصبح النظام واثقاً بشأنه.
تُقاوم المنصات هذا بتعديلات صريحة تُعزِّز العناصر ناقصة التعرض، إذ إن خلاصة تعرض الناجح سلفاً فقط تصبح في النهاية متكررة بما يكفي لفقدان المستخدمين.
كيف تؤثر فعلياً على خلاصتك
الإكمال وإعادة المشاهدة إشارتان أقوى بكثير من الإعجابات، لذا مشاهدة شيء كاملاً تُعلِّم النظام أكثر مما يفعل وضع علامة استحسان عمداً.
بالمقابل، التخطي سريعاً وباستمرار أكثر إشارة سلبية فعالية متاحة، أكثر بكثير من استخدام ضوابط إخفاء صريحة أحياناً.
التفاعل عمداً مع اهتمام جديد لفترة مستمرة سيُحوِّل خلاصة بشكل ملحوظ، إذ يُوزَن السلوك الحديث بثقل نسبة للتاريخ الأقدم.
لماذا النظام غير مُخصَّص لك فعلياً
من المُغري تخيل نموذج لك تحديداً، لكن معظم القوة التنبؤية تأتي من وضعك ضمن مجموعات أشخاص متشابهين سلوكياً.
لا يعرف النظام لماذا تحب شيئاً وليس لديه تمثيل لأسبابك، فقط أنماط تزامن بين سلوكيات عبر سكان هائلين.
هذا سبب قدرة التوصيات على أن تكون دقيقة وخاطئة كلياً عن الدافع آنياً، ملتقطة ما ستشاهده بينما لا نموذج لديها لما تهتم به فعلياً.
ماذا يعني هذا عملياً
الخلاصات آلات تنبؤ مُحسَّنة لاستجابة قصيرة الأمد قابلة للقياس، مبنية على مراحل، مُدرَّبة على سلوك ولّدته بنفسها، ومضبوطة باستمرار عبر تجارب.
تأتي دقتها من مطابقة أنماط بحجم السكان بدلاً من أي فهم، ما يفسر الإصابات المُقلِقة والإخفاقات المستمرة في إدراك سياق واضح معاً.
أكثر تصحيح مفيد للحدس أن النظام لا يراقبك عن كثب أكثر مما تدرك، بل أن ملاحظة أقل بكثير مطلوبة للتنبؤ بالسلوك مما يفترض الناس.
نظرية الميكروفون التفسير الخاطئ لتوصية دقيقة، وليس أساساً لأنها ستكون غير قانونية أو قابلة للكشف. ستكون زائدة. البيانات السلوكية — ما تشاهده، وكم قبل أن تُمرِّر، وما تُعيد مشاهدته، وما فعله أشخاص مشابهون لك إحصائياً بعدها — تُنتج سلفاً تنبؤات دقيقة بما يكفي بحيث سيُضيف الصوت القليل بكلفة هائلة. تعمل الآلية على مراحل. تسترجع طرق رخيصة بضعة آلاف مرشح من مليارات، ثم يتنبأ نموذج باهظ باحتمال النقر أو الإكمال أو المشاركة لكل واحد، مدموجة باستخدام أوزان تعكس ما قررت المنصة تحسينه. تلك الأوزان قرار منتج، لا تقني، وهذا سبب إمكانية تغير طابع خلاصة دون تغير النماذج الكامنة إطلاقاً. ما يجعل الخلاصات تبدو كقراءة أفكار أنها تتنبأ من ارتباطات لا تستطيع رؤيتها، وأنك تتذكر الإصابات المُقلِقة بدلاً من الأغلبية المنسية. لكن ليس لدى النظام نموذج لأسبابك — فقط أنماط تزامن عبر سكان هائلين. يستطيع أن يكون دقيقاً عما ستشاهده وخاطئاً كلياً عن السبب آنياً. النتيجة المُزعِجة ليست أنك مُراقَب عن كثب أكثر مما ظننت؛ بل أن التنبؤ بالسلوك يتطلب ملاحظة أقل بكثير مما يفترض الناس.
المصادر
- ويكيبيديا — نظرة عامة على نهج التوصية وبناها
- مكتبة ACM الرقمية — بحث منشور عن أنظمة الترتيب والتصفية التعاونية
- نيتشر — دراسات عن التعرض الخوارزمي وتنوع المعلومات
- مركز بيو للأبحاث — بيانات استطلاعية عن الفهم العام للخلاصات الخوارزمية
- مؤسسة موزيلا — بحث عن شفافية التوصيات وضوابط المستخدم
الأسئلة الشائعة
هل يستمع هاتفي لمحادثاتي للإعلانات؟
لم يجد البحث دليلاً على جمع صوت مستمر خفي، وسيكون زائداً — تتنبأ البيانات السلوكية سلفاً بدقة كافية بحيث سيُضيف الصوت القليل بكلفة هائلة.
لماذا تبدو التوصيات مُقلِقة أحياناً؟
تتنبأ الأنظمة من ارتباطات لا تستطيع ملاحظتها، بما فيها ما فعله أشخاص مشابهون إحصائياً بعدها، وتتذكر الإصابات اللافتة أفضل بكثير من الأغلبية المنسية.
هل تهم الإعجابات أم وقت المشاهدة أكثر؟
يهم وقت المشاهدة والإكمال أكثر بكثير. التقييمات الصريحة نادرة ومنحازة، لذا تُوزن الأنظمة الإشارات الضمنية كزمن المكوث وإعادة المشاهدة بثقل أكبر بكثير.
كيف أُغيِّر ما تعرضه خلاصتي؟
شاهد الأشياء كاملة لتعزيزها وتخطَّ سريعاً وباستمرار لكبتها. يُوزَن السلوك الحديث بثقل، لذا تحول مستمر فيما تتفاعل معه يُحرِّك الخلاصة خلال أيام.
لماذا تعرض خلاصتي شيئاً غير ذي صلة كلياً؟
غالباً عمداً. تحقن الأنظمة توصيات غير مؤكدة لتتعلم عن تفضيلات لم ترسمها بعد، قابلة خسارة تفاعل قصيرة الأمد مقابل معلومات.
عن الكاتب
نعتمد على ويكيبيديا، ومكتبة ACM الرقمية، ونيتشر، ومركز بيو للأبحاث، ومؤسسة موزيلا لشرح خلفية وفهم هذا الموضوع.
هل أعجبك المقال؟
شارك عبر واتساب ← شارك عبر واتساب
احصل على المزيد من الأدلة في بريدك — اشترك في نشرتنا البريدية للحصول على قصص أسبوعية مثيرة للاهتمام من مصر والسعودية ودبي وأكثر.