REGISTRO DOI: 10.69849/revistaft/ch10202512211506
Lucas Santos Marquezzini¹
Matheus Almeida de Carvalho²
RESUMO: As redes sociais integram recomendação algorítmica, anúncios personalizados e pagamentos de baixa fricção, criando um funil atencional que pode favorecer compras não planejadas, mas a literatura carece de uma síntese orientada à engenharia para explicar esse processo no Instagram. Este trabalho objetiva mapear como a arquitetura multissuperfície do Instagram (Feed, Explore e Reels) se relaciona com o aumento do desejo de compra por impulso e com marcadores de bem-estar. Adotamos uma revisão integrativa que conecta engenharia de ranking e leilões publicitários, gatilhos de interface (escassez/urgência, prova social) e psicologia do consumidor (autocontrole, fadiga/reatância) sob o arcabouço S-O-R. A síntese indica que a otimização por taxa estimada de ação (acoplamento ranking + leilão) tende a gerar sobre-exposição a conteúdo persuasivo e ativar vias hedônicas, elevando o urge to buy, especialmente entre usuários com menor autocontrole. Como contribuição, propomos um modelo técnico-psicológico unificado e diretrizes de engenharia ética — diversidade mínima de exposição, janelas de cool-down e transparência útil — para mitigar riscos ao bem-estar e orientar decisões de produto e pesquisas futuras.
Palavras‑chave: Instagram. sistemas de recomendação. publicidade personalizada. compra por impulso. bem‑estar. S‑O‑R.
ABSTRACT: Social media integrates algorithmic recommendation, targeted advertising, and low-friction payments, creating an attentional funnel that can favor unplanned purchases, yet the literature lacks an engineering-oriented synthesis explaining this process on Instagram. This study aims to map how Instagram’s multi-surface architecture (Feed, Explore, and Reels) relates to increased impulse-buying desire and markers of well-being. We conduct an integrative review that connects ranking engineering and ad auctions, UI triggers (scarcity/urgency, social proof), and consumer psychology (self-control, fatigue/reactance) under the S-O-R framework. The synthesis indicates that optimizing for estimated action rate (the ranking–auction coupling) tends to produce over-exposure to persuasive content and activate hedonic pathways, heightening urge to buy, particularly among users with lower self-control. As a contribution, we propose a unified techno psychological model and ethical engineering guidelines—minimum exposure diversity, cool-down windows, and useful transparency—to mitigate well-being risks and inform product decisions and future research.
Keywords: Instagram. recommender systems. targeted advertising. impulse buying. well‑being. S‑O‑R.
1 INTRODUÇÃO
O Instagram consolidou‑se como um ecossistema de recomendação multissuperfície (Feed, Explore e Reels). Em cada superfície, mecanismos de ordenação (rankers) definem a posição de exibição a partir de sinais comportamentais (retenção, cliques, salvamentos), atributos do item (tema, trilha de áudio, popularidade contextual) e afinidade entre emissor e receptor, maximizando uma função‑objetivo por scroll (p. ex., probabilidade estimada de engajamento/ação). Em paralelo, os espaços publicitários nessas mesmas superfícies são alocados por leilões que combinam lance do anunciante, qualidade/relevância do criativo e taxa de ação estimada do usuário, sob budget pacing. O efeito prático é a fusão entre conteúdo orgânico e pago em um funil atencional único, no qual ambos disputam posição exatamente nos momentos de suscetibilidade previstos pelos modelos.
Essa arquitetura cria condições férteis para compras não planejadas sob baixa deliberação. Dois mecanismos são decisivos: (i) personalização baseada em dados, que intensifica a exposição repetida a itens com alta probabilidade estimada de clique/ação; e (ii) gatilhos de interface (prova social, escassez/urgência) combinados a pagamentos de baixa fricção (autofill, carteiras, buy now), que comprimem a janela de decisão e convertem desejo em ação. Evidências recentes sugerem que recomendações personalizadas e anúncios segmentados tendem a elevar o “desejo de comprar” (urge to buy) por vias afetivas (entretenimento/afeição) e cognitivas (informatividade/credibilidade), com predominância da via hedônica em redes sociais (e.g., Chen et al., 2019; Verma & Gupta, 2024). Em paralelo, há indícios de custos ao bem‑estar em subgrupos vulneráveis (e.g., Nyrhinen et al., 2024).
Lacuna. Falta na literatura uma síntese orientada à engenharia que conecte, ponta a ponta, o “como” (acoplamento ranking + leilão) ao “quê” (gatilhos de interface) e aos desfechos de consumo (impulso, clique, compra) e bem‑estar do usuário, especificamente no contexto multissuperfície do Instagram.
Tese orientadora. Argumenta‑se que, no Instagram, a combinação entre ranking por superfície (Feed/Explore/Reels) e publicidade personalizada tende a intensificar a exposição repetida, a prova social e os gatilhos de urgência/escassez, elevando o desejo de compra por impulso. Esse efeito é condicionado por diferenças individuais — amplificado em usuários com menor autocontrole e atenuado por fadiga ou reatância à personalização.
Objetivos da revisão. (1) Mapear como personalização e posicionamento (ranking) se associam ao desejo impulsivo; (2) identificar gatilhos de interface (prova social, urgência/escassez, rótulos) que amplificam esse efeito; (3) analisar como autocontrole e fadiga/reatância moderam o processo; e (4) explorar associações reportadas entre impulso e indicadores de bem‑estar.
Contribuições. A revisão oferece: (i) uma cartografia técnica do “como é feito” (sinais, ranking e leilão); (ii) um modelo conceitual integrador que articula recomendação, gatilhos e moderadores psicológicos sob S‑O‑R; e (iii) diretrizes de engenharia ética (diversidade de exposição, cool‑downs, transparência útil) derivadas da síntese.
2 DESENVOLVIMENTO
A compra não planejada no ambiente de social commerce decorre de decisões de engenharia de sistemas que controlam exposição, ordenação e pagamento. No Instagram, o acoplamento ranking + leilão consolida, em um mesmo funil atencional, conteúdo orgânico e anúncios: rankers por superfície maximizam a probabilidade estimada de engajamento/ação a cada scroll, enquanto os espaços publicitários são alocados por leilões que combinam lance, qualidade/relevância do criativo e taxa de ação estimada, sob budget pacing.
Assim, ambos disputam posição nos momentos previstos de suscetibilidade do usuário.
Para dissecar este ecossistema, propomos um modelo que integra esses domínios em três pilares: (1) Ecossistema de Estímulos (S), (2) Mecanismo Interno de Mediação (O) e (3) Fatores Moderadores.
2.1 ECOSSISTEMA DE ESTÍMULOS (S): GATILHOS ALGORÍTMICOS E DE INTERFACE
2.1.1 Conteúdo (ranking e anúncios)
Em plataformas sociais, a otimização de ranking tende a priorizar engajamento, não “informação”. Evidências em larga escala em contexto correlato (Facebook Pages) mostram que apelos persuasivos/afetivos (humor, emoção, filantropia) elevam engajamento (curtidas/comentários), enquanto conteúdo puramente informativo (p. ex., preço) pode reduzir tais sinais quando isolado (Lee; Hosanagar; Nair, 2013). A extrapolação para-Instagram deve ser cautelosa, mas é plausível dado o parentesco entre superfícies orientadas a feed.
Tabela 1 – Efeito de conteúdo persuasivo vs. informativo no engajamento.
Fonte: Adaptado de LEE, D.; HOSANAGAR, K.; NAIR, H. S. (2013). SSRN The Effect of Advertising Content on Consumer Engagement: Evidence from Facebook.
2.1.2 Interface (gatilhos e fricção)
Uma vez capturada a atenção, a interface pode comprimir a janela de decisão. Gatilhos de escassez (“últimas unidades”) e urgência (contadores regressivos) funcionam como heurísticas de valor (Ali; Maqsood; Janjua, 2025), e
quando combinados a pagamentos de baixa fricção (autofill, carteiras digitais, buy now), facilitam a conversão. Resultados de survey sugerem efeitos positivos de personalização, escassez e urgência sobre intenção de compra, com variância explicada substantiva (e.g., R² ≈ 0,52) no modelo reportado por Ali; Maqsood; Janjua (2025).
Tabela 2 – Sumário do modelo de regressão (personalização, escassez, urgência).
Fonte: Adaptado de ALI, F.; MAQSOOD, H.; JANJUA, Q. (2025). The Critical Review of Social Sciences Studies, 3(2), 269–289.
2.2 MECANISMO INTERNO (O): MEDIAÇÕES AFETIVAS E COGNITIVAS
Os estímulos (S) não levam diretamente à resposta (R); são processados pelo organismo (O) por vias cognitivas e afetivas. A literatura de social commerce indica que confiança afetiva e afeição frequentemente mediam o caminho para o desejo de compra impulsiva, superando a via puramente cognitiva (Chen et al., 2019; Verma; Gupta, 2024).
• Via Cognitiva (confiança racional): qualidade da informação → confiança cognitiva (competência/percepção de utilidade).
• Via Afetiva (confiança emocional): similaridade/estética → confiança afetiva → urge to buy.
Em Chen et al. (2019), modelos de equações estruturais (SEM) mostram efeito direto e significativo da confiança afetiva sobre o desejo de compra impulsiva (β ≈ 0,218).
Figura 1 – Modelo teórico dos mediadores de confiança no social commerce.
Fonte: Adaptado de CHEN, Y. et al. (2019). Information & Management, 56(2), 236–248.
2.3 MODERADORES PSICOLÓGICOS (LIMITES DO SISTEMA)
A eficácia do pipeline não é uniforme: depende de moderadores de vulnerabilidade e resistência.
• Vulnerabilidade (baixo autocontrole). Estudos com jovens consumidores indicam associação entre baixo autocontrole e maior propensão à compra por impulso (β ≈ 0,403), maior impulsividade em redes sociais (β ≈ 0,240) e atitudes mais positivas a anúncios segmentados (β ≈ 0,247) (Nyrhinen et al., 2024).
• Resistência (fadiga e reatância). Exposição repetida a gatilhos de escassez/urgência pode gerar fadiga publicitária e dessensibilização (Ali; Maqsood; Janjua, 2025). Sinais de personalização excessiva ou rótulos percebidos como manipulativos podem ativar reatância psicológica; em Amin (2024), rótulos de IA “recomendado por IA” não elevaram intenção (p = 0,065), sugerindo limites para nudges.
Tabela 3 – Baixo autocontrole → impulso (modelo SEM).
Fonte: Adaptado de NYRHINEN, J. et al. (2024). Computers in Human Behavior, 153, 108129.
3 DISCUSSÃO E MODELO TEÓRICO PROPOSTO
A revisão permite ir além da ideia simplista de que “algoritmos causam impulso”. A integração entre engenharia de ranking/leilões, mediadores psicológicos e moderadores sugere um mecanismo coeso.
3.1 JANELA ALGORÍTMICA DE SUSCETIBILIDADE
Propomos o conceito de Janela Algorítmica de Suscetibilidade: intervalo temporal em que conteúdo orgânico eleva sinais de engajamento, os rankers por superfície ampliam a exposição, o leilão publicitário sincroniza impressões pagas para explorar o pico de suscetibilidade e gatilhos de interface + baixa fricção convertem emoção em ação.
• Abertura (engenharia): priorização de conteúdo com alto potencial persuasivo/afetivo que gera sinais de engajamento.
• Exploração (ads): sincronização via leilão e budget pacing.
• Conversão (psicologia): ativação predominante de vias hedônicas e confiança afetiva.
• Fechamento (interface): urgência/escassez + pagamentos de baixa fricção.
3.2 MODERADORES COMO PEÇA CENTRAL: QUANDO A PERSUASÃO FALHA
• Amplificação (vulnerabilidade): mais efeito em perfis de baixo autocontrole.
•Atenuação (resistência): fadiga por repetição e reatância a sinais de personalização limitam o efeito; rótulos de IA podem não funcionar como nudge universal.
3.3 IMPLICAÇÕES PRÁTICAS (ENGENHARIA DE PRODUTO ÉTICA)
• Criativo e ranking com diversidade: balancear atributos persuasivos com diversidade de exposição (p. ex., meta de diversidade mínima por sessão).
• Orquestração responsável com ads: usar pacing para evitar saturação; reduzir frequência de gatilhos para coortes suscetíveis.
• Gatilhos com freios: frequency caps e janelas de cool‑down para mensagens de urgência/escassez.
• Fricção justa: passos de confirmação opcionais para valores altos ou categorias de alto impulso.
3.4 LIMITAÇÕES E AGENDA DE PESQUISA
1) Plataforma: muitas evidências são de contextos correlatos (Facebook, WeChat); validar diretamente em Instagram (por superfície).
2) Causalidade: forte presença de estudos transversais (survey/SEM); ampliar com experimentos.
3) Medidas de bem‑estar: predominância de autorrelato; combinar com métricas comportamentais.
Agenda proposta: (i) Survey + SEM replicando S→O→R e moderadores (autocontrole, fadiga) no Instagram; (ii) Experimento 2×2 em feed simulado (personalização: alta/baixa × urgência: presente/ausente); (iii) Experimentos naturalistas com logs de sessão; (iv) modelos dinâmicos de fadiga para estimar dessensibilização ao longo do tempo.
4 CONCLUSÃO
Esta revisão integrativa articulou, no contexto multissuperfície do Instagram, o encadeamento técnico-psicológico que liga decisões de ranking e leilões publicitários (S) aos gatilhos de interface e, por meio de vias hedônicas e da confiança afetiva (O), ao aumento do desejo de compra por impulso (R), sob a modulação de autocontrole, fadiga e reatância. Ao consolidar evidências dispersas, propusemos a noção de Janela Algorítmica de Suscetibilidade, que explica quando o funil atencional integra conteúdo orgânico e pago para maximizar a conversão — e porque esse processo é heterogêneo entre usuários. O resultado principal é um modelo unificado S-O-R orientado à engenharia, capaz de traduzir construtos psicológicos em variáveis de produto e métricas operacionais.
Do ponto de vista prático, derivamos diretrizes de engenharia ética que equilibram desempenho e responsabilidade: diversidade mínima de exposição por sessão, frequency caps e janelas de cool-down para gatilhos de urgência/escassez, fricção justa em compras de maior risco e transparência útil que informa sem induzir reatância. Reconhecemos limites da literatura (predominância de autorrelato e de estudos transversais, generalização entre plataformas) e delineamos uma agenda empírica com survey/SEM específico para Instagram, experimentos controlados em feed simulado e estudos naturalistas com logs para modelar fadiga ao longo do tempo. A adoção conjunta do modelo e das diretrizes oferece um caminho concreto para reduzir potenciais custos ao bem-estar sem renunciar à relevância e da eficiência do sistema.
REFERÊNCIAS
LEE, D.; HOSANAGAR, K.; NAIR, H. S. The Effect of Advertising Content on Consumer Engagement: Evidence from Facebook. SSRN Working Paper, [S.l.], 2013. Disponível em: https://ssrn.com/abstract=2290802. Acesso em: 16 out. 2025.
CHEN, Y.; LU, Y.; WANG, B.; PAN, Z. How do product recommendations affect impulse buying? An empirical study on WeChat social commerce. Information & Management, [S.l.], v. 56, n. 2, p. 236–248, 2019. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0378720617305372. Acesso em: 18 out. 2025.
AMIN, A. Artificial intelligence in social media: a catalyst for impulse buying behavior? Young Consumers, [S.l.], ahead of print, 2024. Disponível em: https://www.emerald.com/yc/article-abstract/doi/10.1108/YC-10-2024- 2297/1256612/Artificial-intelligence-in-social-media-a catalyst?redirectedFrom=fulltext. Acesso em: 20 out. 2025.
NYRHINEN, J.; SIROLA, A.; KOSKELAINEN, T.; MUNNUKKA, J.; WILSKA, T.-A. Online antecedents for young consumers’ impulse buying behavior. Computers in Human Behavior, [S.l.], v. 153, p. 108129, 2024. Disponível em: https://www.sciencedirect.com/science/article/pii/S0747563223004806. Acesso em: 23 out. 2025.
ALI, F.; MAQSOOD, H.; JANJUA, Q. Psychological Triggers in Online Shopping: The Influence of Scarcity, Urgency, and Personalization on Consumer Buying Behavior. The Critical Review of Social Sciences Studies, [S.l.], v. 3, n. 2, p. 269– 289, 2025. Disponível em: https://thecrsss.com/index.php/Journal/article/view/443. Acesso em: 26 out. 2025.
VERMA, A.; GUPTA, A. K. Unveiling the Psychology Behind Personalized Advertising: A Review of Impulsive Buying Behavior on Social Media Platforms. SSRN Electronic Journal, [S.l.], 2024. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5261403. Acesso em: 28 out. 2025.
PAL, S. Impulse Buying in the Digital Age – The Influence of Personalized Ads, Recommendations, and Instant Purchasing Options. Integrated Journal for Research in Arts and Humanities, [S.l.], v. 5, n. 2, p. 24–33, 2025. Disponível em: https://www.researchgate.net/publication/389794428_Impulse_Buying_in_the_Di gital_Age_- _The_Influence_of_Personalized_Ads_Recommendations_and_Instant_Purchas ing_Options. Acesso em: 30 out. 2025.
¹Graduando em Engenharia de Software, Universidade de Vassouras, Maricá, RJ – Brasil, E-mail: lucas-marquezzini@hotmail.com;
²Mestrando em Engenharia de Biossistemas, Universidade Federal Fluminense (UFF). Orientador