8 دقیقه
تحقیق میدانی: الگوریتم «برای شما» و تغییرات سیاسی
با پنج دقیقه اسکرول کردن ممکن است گرایش سیاسی شما بهطور آرامی تغییر کند. این تیتر نگرانکننده از آزمایشی میدانی نشأت میگیرد که در سال ۲۰۲۳ نزدیک به ۵۰۰۰ کاربر فعال آمریکایی پلتفرم X را دنبال کرد تا روشن شود الگوریتم «برای شما» واقعاً چه اثری بر ترجیحات سیاسی دارد.
طراحی تحقیق و گروهبندی شرکتکنندگان
به رهبری اکاترینا ژوراوسکایا، پژوهشگران بهطور تصادفی ۴٬۹۶۵ شرکتکننده را به دو گروه تقسیم کردند. یک گروه برای حدود هفت هفته از فید «برای شما» استفاده کرد؛ گروه دیگر تایملاین زمانیِ متداول (chronological) را نگه داشت. همه شرکتکنندگان پیش و پس از آزمایش پرسشنامههای سیاسی و رفتاری را تکمیل کردند و تیم پژوهشی از یک افزونهٔ مرورگر سفارشی برای ثبت دقیق محتوایی که افراد میدیدند، استفاده کرد. ساختار آزمایش ساده بهنظر میرسد، اما پیامدهای آن ساده نیست.
ثبت و تحلیل دقیقِ مواجهه (exposure) با محتوا، رفتار دنبالکردن و پاسخهای گزارششدهٔ کاربران، یک تصویر جزئی و معتبر از اثرات متقابل ارائه داد—چیزی که در بسیاری از مطالعات قبلی بهطور کامل دیده نشده بود.
نکات کلیدی دربارهٔ روششناسی
- نمونهٔ نسبتاً بزرگ: نزدیک به ۵۰۰۰ کاربر فعال که افزایش اعتبار نتایج تجربی را تقویت میکند.
- اختلاف تصادفی: تخصیص تصادفی به «برای شما» یا تایملاین زمانی کمک میکند تا اثر علی (causal) تفکیک شود.
- اندازهگیری مبتنی بر دادهٔ واقعی: افزونهٔ مرورگر محتوای واقعی فید را ثبت کرد، نه فقط گزارش ذهنی کاربران.
یافتهها: افزایش تعامل و شیفت سیاسی
در گروهی که فید «برای شما» را داشتند، میزان تعامل افزایش یافت. جلسات کوتاهتر تبدیل به کلیکهای بیشتر، دنبالکردنهای بیشتر و تعاملات بیشتر شد. همراه با آن افزایش تعامل، یک انحراف قابلاندازهگیری ظاهر شد: کاربرانی که در معرض الگوریتم بودند، شروع به دنبال کردن بازیگران سیاسی محافظهکارتر کردند و گرایشهای سیاسیشان بهسمت دیدگاههای محافظهکارانهتر متمایل شد. دلیل این تغییرِ جهتدار این بود که الگوریتم پستها و بازیگران سیاسی—بهویژه بازیگران محافظهکار—را بیشتر از منابع رسانهای سنتی که در حالت زمانی معمولی مشاهده میشد، در اولویت قرار میداد.
توضیح مکانیزمِ اثر
الگوریتمهای توصیهگر براساس سیگنالهای تعامل (لایک، ریتوییت، کلیک، زمان مشاهده) و طراحی تجربهٔ کاربری، محتوا را وزندهی میکنند. وقتی سیگنالها و طراحی به محتوای سیاسی حساس و قابل تعامل پاداش میدهند، این نوع محتوا در فید بالاتر میآید و احتمال دیدنش افزایش پیدا میکند. در این مطالعه، این مکانیزم منجر به اولویتدهی پستها و حسابهای سیاسی شد که در عمل بیشترِ تمرکز و تعامل را جذب میکردند—که به نوبهٔ خود رفتار دنبالکردن و در نهایت نوع دیدگاههای سیاسی کاربران را تغییر میداد.
پایداری اثر: بازگشت به حالت زمانی کافی نبود
ممکن است انتظار داشته باشید با بازگرداندن فید به ترتیب زمانی، نگرشها سریعاً به وضعیت قبلی برگردند. اما چنین چیزی رخ نداد. گروهی که بعد از دورهٔ هفت هفتهای به تایملاین زمانی بازگشت، هیچ بازگشت معناداری در مواضع سیاسی یا الگوهای دنبالکردن نشان نداد. تأثیر الگوریتم حتی پس از قطع مواجههٔ مستقیم ادامه داشت. این پدیده شبیه موجی است که قایق را به پیش رانده؛ موتور را خاموش کنی اما قایق هنوز مدتی در جهت موج حرکت میکند.
نتیجهگیری مطالعه این است که سیستمهای توصیهٔ شبکههای اجتماعی میتوانند به طور معناداری گرایشهای سیاسی را هل دهند، و این اثرات میتواند فراتر از دورهٔ مواجههٔ مستقیم ادامه یابد.
اهمیت پایداری اثر
پایداری تغییرات رفتاری و نگرشی نشان میدهد که تأثیر الگوریتم محدود به همان لحظهٔ مشاهده نیست؛ بلکه میتواند رفتار دنبالکردن را تغییر دهد و این تغییر ساختاری در شبکهٔ روابط اجتماعی دیجیتال ممکن است پیامدهای بلندمدت برای نمایندگی اطلاعاتی و شکلگیری افکار عمومی داشته باشد.
ارتباط با تحقیقات پیشین و پیامدهای نظارتی
این یافتهها با نگرانیهای قبلی دربارهٔ تقویت الگوریتمی و قطبیت سیاسی همراستا هستند، اما این پژوهش یک شواهد محکمِ آزمایشی از یک آزمایش میدانی تصادفی ارائه میدهد—چیزی که در مطالعات تأثیر پلتفرمها نادر است. ترکیب یک افزودنی مرورگر برای ثبت محتوای فید با نظرسنجیهای پیش و پس، دید بسیار دقیقی به تعامل میان مواجهه با محتوا، رفتار دنبالکردن و نگرشهای گزارششدهٔ کاربران داد.
شفافیت و کنترل کاربر
ناشران و پلتفرمها اغلب فیدها را بهعنوان امری خنثی معرفی میکنند. اما سیستمهای توصیهگر آینه نیستند؛ آنها فیلترها و تقویتکنندههایی هستند که توسط سیگنالهای تعامل و انتخابهای طراحی شکل میگیرند. وقتی این سیگنالها به محتوای سیاسیِ هیجانانگیز یا بازیگران سیاسی خاص امتیاز میدهند، خروجی میتواند یک فشار پایدار در احساسات عمومی ایجاد کند. بنابراین شفافیت الگوریتمی و کنترلهای قابلفهم برای کاربران اهمیت پیدا میکند: کاربران باید بدانند چه معیاری محتوا را در صدر میآورد و چه ابزارهایی برای تنظیم تجربهٔ خود در اختیار دارند.
توصیهها برای خوانندگان، سیاستگذاران و طراحان پلتفرم
بر اساس نتایج این تحقیق، چند برداشت عملی وجود دارد که گروههای مختلف میتوانند دنبال کنند:
- برای خوانندگان و کاربران: آگاهی از نحوهٔ کار فیدهای توصیهای و بازنگری دورهای در حسابهایی که دنبال میکنید میتواند کمککننده باشد. استفاده از حالتهای زمانی یا فیلترهای موضوعی ممکن است دید متوازنتری فراهم کند.
- برای سیاستگذاران: شواهد آزمایشی مانند این نشان میدهد که تنظیمات متفکرانه دربارهٔ شفافیت الگوریتمی، نیاز به آزمایشهای مستقل و ایجاد چارچوبهایی برای حفظ تنوع اطلاعاتی وجود دارد. قانونگذاری میتواند در زمینهٔ افشای معیارهای کلی یا فراهم کردن دسترسی به محققان برای انجام آزمایشهای میدانی تصادفی مفید باشد.
- برای طراحان و مهندسان پلتفرم: طراحی سیستمهای توصیهگر باید فراتر از صرفاً افزایش تعامل باشد و پیامدهای اجتماعی و سیاسی را در نظر بگیرد. افزودن تنظیمات کاربرمحور، گزینههای زمانی و شفافیت بیشتر در منطق رتبهبندی میتواند به کاهش اثرات ناخواسته کمک کند.
اقدامات فنی و طراحی پیشنهادی
- پیادهسازی حالتهای نمایش جایگزین (مثلاً نمایش زمانی، نمایش موضوعی یا نمایش مبتنی بر تنوع منابع).
- افشای تقریبی وزندهی سیگنالها (مثل تعامل کوتاهمدت در برابر اعتبار منابع) بهصورت قابلفهم برای کاربران.
- پشتیبانی از آزمایشهای مستقل و دسترسی پژوهشی کنترلشده به دادهٔ فیدها برای انجام آزمایشهای تصادفی میدانی.
ملاحظات پژوهشی و محدودیتها
هرچند این مطالعه دارای قوتهای روششناختی مهمی است، محدودیتهایی نیز دارد که باید در تفسیر نتایج در نظر گرفته شوند:
- تمرکز جغرافیایی: نمونه روی کاربران فعال آمریکایی متمرکز بود؛ بنابراین تعمیم یافتهها به دیگر کشورها، فرهنگها یا ساختارهای رسانهای نیاز به احتیاط دارد.
- دورهٔ زمانی: آزمایش در بستر زمانی مشخصی اجرا شد؛ رفتار الگوریتم و اکوسیستم شبکهای در طول زمان تغییر میکند.
- مکانیسمهای عمیقتر: اگرچه نشان داده شد که دنبالکردن و مواجهه تغییر میکند، جزئیات روانشناختیِ دقیقِ چگونگی تغییر عقاید فردی نیاز به پژوهش تکمیلی دارد.
زمینهٔ فنی بیشتر برای پژوهشگران
برای محققانی که میخواهند این کار را توسعه دهند، ترکیب روشهای کمی (دادهٔ لاگ فید، رفتار دنبالکردن) و روشهای کیفی (مصاحبههای عمقی، تحلیل محتوای متنی) میتواند بینشهای عمیقتری دربارهٔ مسیرهای تأثیر ارائه دهد. علاوه بر این، مدلسازی شبکهای و تحلیل نقش گرههای تأثیرگذار (influencers) میتواند نقش ساختار شبکه را در تقویت یا تضعیف این اثرات روشن کند.
نتیجهگیری و پرسش نهایی
خلاصهٔ اصلی این است: سیستمهای توصیهٔ شبکههای اجتماعی قادرند ترجیحات سیاسی را به شکل قابلتوجهی جابهجا کنند و این تغییرات میتوانند حتی پس از قطع مواجهه ادامه پیدا کنند. این یافته تأکید میکند که طراحی فیدها و منطق توصیهگری صرفاً موضوع تجربهٔ کاربری یا کسبوکار نیست؛ بلکه بخشی از معماری مدنی دیجیتال است که میتواند در جهتگیریهای عمومی نقش ایفا کند.
مطالعهٔ کامل در نشریهٔ Nature منتشر شده و یک سؤال ساده اما ناراحتکننده را مطرح میکند: آیا به ما محتوا پیشنهاد میشود، یا بهسمت یک چشمانداز سیاسی پیشنهاد میشویم؟
در پایان، خوانندگان، پژوهشگران، طراحان محصول و قانونگذاران باید این نکته را جدی بگیرند که الگوریتمها تنها فناوری نیستند؛ آنها ناظران، فیلترها و شکلدهندگان اطلاعاتیاند که میتوانند جامعهٔ اطلاعاتی را بهطور پایدار تحت تاثیر قرار دهند. افزایش شفافیت، پشتیبانی از آزمایشهای تصادفی میدانی و ارائهٔ کنترلهای قابلفهم برای کاربران از گامهای کلیدی در راه مدیریت مسئولانهٔ این فناوریهاست.
منبع: smarti
ارسال نظر