آیا شبکه های اجتماعی قابل اصلاح هستند؟ تحقیقات جدید خلاف این موضوع را نشان می‌دهند
خانه »
اطلاعات و تحقیقات جدید در مورد شبکه های اجتماعی نشان می‌دهند مکانیزمی که باعث بروز این مشکلات می‌شود بسیار پایدار و حل آن دشوار است.
به گزارش تکراتو و به نقل از arstechnica، هیچ کس نمی‌تواند انکار کند که بسیاری از شبکه‌های اجتماعی به شدت دچار اختلال شده‌اند. به جای اینکه ما را به یک فضای عمومی ایده‌آل متصل کرده و گفت‌وگوی سالمی میان کاربران ایجاد کنند، این پلتفرم‌ها غالباً به ایجاد حباب‌های فیلتر یا اتاق‌های پژواک منجر می‌شوند.
تعداد کمی از کاربران برجسته بیشترین توجه و نفوذ را به دست می‌آورند و الگوریتم‌هایی که برای حداکثر کردن تعامل طراحی شده‌اند، صرفاً باعث تقویت عصبانیت و اختلافات می‌شوند و صدای پرسر و صدای کاربران افراطی غالب می‌شود؛ در نتیجه قطب‌بندی اجتماعی حتی بیشتر می‌شود.
تحقیقات جدید در مورد شبکه های اجتماعی
تاکنون استراتژی‌های متعددی برای کاهش این مشکلات پیشنهاد شده است، اما طبق یک پیش‌چاپ منتشر شده در arXiv، هیچ‌کدام از آن‌ها احتمالاً مؤثر نخواهند بود.
دلیل این وضعیت هم نه الگوریتم‌های منفور، نه نمایش‌های غیرزمانی و نه گرایش طبیعی ما به دنبال کردن خبرهای منفی است، بلکه دینامیک‌های ایجادکننده این نتایج منفی به‌طور ساختاری در معماری شبکه‌های اجتماعی تعبیه شده‌اند.
بنابراین، احتمالاً تا زمانی که کسی طراحی بنیادی و هوشمندانه‌ای ارائه ندهد که این دینامیک‌ها را تغییر دهد، ما گرفتار چرخه‌های بازخورد سمی خواهیم بود.
روش تحقیق و یافته‌ها
پتر تورنبرگ و مایک لارویج از دانشگاه آمستردام قصد داشتند مکانیزم‌هایی را که باعث ایجاد بدترین جنبه‌های شبکه‌های اجتماعی می‌شوند بررسی کنند: اتاق‌های پژواک حزبی، تمرکز نفوذ میان گروهی کوچک از کاربران برجسته (نابرابری توجه)، و تقویت صداهای تند و تفرقه‌افکن.
آن‌ها از ترکیب مدل‌سازی مبتنی بر عامل (agent-based) و مدل‌های زبانی بزرگ (LLM) استفاده کردند و essentially شخصیت‌های کوچک AI برای شبیه‌سازی رفتار آنلاین ایجاد کردند.
تورنبرگ گفت:
«ما نیازی به اضافه کردن هیچ الگوریتمی نداشتیم و مدل را دستکاری نکردیم؛ این دینامیک‌ها به صورت طبیعی از مدل پایه بیرون آمدند.»
سپس شش استراتژی پیشنهادی جامعه‌شناسان را برای مقابله با این اثرات آزمایش کردند:
نمایش پست‌ها به ترتیب زمانی یا تصادفی
تغییر الگوریتم‌های بهینه‌سازی تعامل برای کاهش نمایش محتوای تحریک‌آمیز
افزایش تنوع دیدگاه‌ها برای مواجهه کاربران با دیدگاه‌های مخالف
استفاده از «الگوریتم‌های پل‌سازی» برای ارتقای محتواهای سازنده
مخفی کردن آمار اجتماعی مثل تعداد بازنشر و دنبال‌کنندگان
حذف بیوگرافی کاربران برای محدود کردن سیگنال‌های مبتنی بر هویت
نتایج چندان امیدوارکننده نبود. تنها برخی مداخلات به بهبود جزئی منجر شدند و هیچ‌کدام نتوانستند مکانیزم‌های بنیادی ایجادکننده اثرات منفی را به‌طور کامل مختل کنند. برخی مداخلات حتی وضعیت را بدتر کردند.
برای مثال، نمایش پست‌ها به ترتیب زمانی بیشترین تأثیر را بر کاهش نابرابری توجه داشت، اما در عین حال تقویت محتوای افراطی را افزایش داد. الگوریتم‌های پل‌سازی تنوع دیدگاه‌ها را کمی بهبود دادند اما نابرابری توجه را افزایش دادند. افزایش تنوع دیدگاه‌ها نیز تأثیر قابل توجهی نداشت.
مکالمه با پتر تورنبرگ
Ars Technica:
چه چیزی شما را به انجام این مطالعه سوق داد؟
پتر تورنبرگ:
در ۲۰ سال گذشته تحقیقات زیادی درباره تاثیر شبکه‌های اجتماعی بر سیاست انجام شده که غالباً داده‌های مشاهده‌ای را تحلیل کرده‌اند. اما در سال‌های اخیر، علاقه‌ای برای یافتن راهکارهای سازنده ایجاد شده است: چگونه می‌توانیم شبکه‌های اجتماعی را به فضایی تبدیل کنیم که واقعاً وعده‌های اولیه خود برای ایجاد گفت‌وگوی سالم و دموکراتیک را تحقق بخشد؟
استفاده از داده‌های مشاهده‌ای محدودیت دارد، زیرا آزمایش سناریوهای جایگزین دشوار است. یکی از روش‌های موجود در این حوزه شبیه‌سازی‌های مبتنی بر عامل و شبیه‌سازی اجتماعی است: یک مدل کامپیوتری ایجاد می‌کنید و آزمایش‌ها و سناریوهای فرضی را روی آن اجرا می‌کنید تا مکانیزم‌های شبکه را بررسی کنید.
اما مدل‌های سنتی نماینده‌های انسانی را صرفاً به شکل قوانین ساده یا بهینه‌ساز نشان می‌دهند و نمی‌توانند جنبه‌های فرهنگی یا سیاسی رفتار انسان را شبیه‌سازی کنند. ما معتقدیم که این جنبه‌ها اهمیت دارند، به‌ویژه برای سیاست آنلاین. بنابراین ما مدل ترکیبی ایجاد کردیم که LLMها را با مدل‌سازی مبتنی بر عامل ترکیب می‌کند.
Ars Technica:
این روش چگونه عمل می‌کند؟
پتر تورنبرگ:
به هر مدل شخصیت‌هایی می‌دهیم که براساس American National Election Survey ساخته شده‌اند. سپس این اطلاعات به یک شخصیت متنی تبدیل می‌شود: نام شما باب است، اهل ماساچوست هستید و علاقه‌مند به ماهیگیری. این شخصیت می‌تواند اخبار روز را مشاهده کند، پست بگذارد، پست‌های دیگران را بازنشر کند یا کاربران دیگر را دنبال کند. به‌طور شگفت‌انگیز، تمام مشکلات شبکه اجتماعی به‌طور طبیعی از مدل ساده بیرون آمدند، بدون افزودن هیچ چیزی.
علت بنیادی مشکلات شبکه‌های اجتماعی
حباب‌های پژواک و فیلتر: کاربران عمدتاً با افرادی هم‌نظر خود تعامل دارند و گفت‌وگوی واقعی میان دیدگاه‌های مختلف رخ نمی‌دهد.
نابرابری توجه: تعداد کمی از کاربران برجسته بیشترین نفوذ را دارند و اکثریت کاربران کم‌تأثیر باقی می‌مانند.
پرتو سمی شبکه‌های اجتماعی: کاربران افراطی بیشترین توجه را جذب می‌کنند و الگوریتم‌ها محتوایی که کاربران را تحریک می‌کند بیشتر نمایش می‌دهند.
تورنبورگ تأکید می‌کند:
«مشکل نه الگوریتم‌ها و نه کاربران، بلکه ساختار شبکه‌های اجتماعی است. دینامیک‌های منفی از تعاملات طبیعی و قوانین بنیادین شبکه ناشی می‌شوند و بسیار مقاوم هستند.»
چرا مداخلات شکست می‌خورند؟
مداخلات مختلف تنها اثرات جزئی داشتند یا حتی مشکلات را تشدید کردند. برای مثال، مخفی کردن پست‌ها یا کاربران کم‌تأثیر باعث نشد مکانیزم‌های بنیادی تغییر کنند. دلیل آن این است که مکانیزم ایجادکننده این مشکلات در ساختار شبکه‌ها عمیقاً جای گرفته و حل آن دشوار است.
راهکارهای ممکن و محدودیت‌ها
کاهش نابرابری توجه نیازمند فاصله گرفتن از مدل شبکه‌ای جهانی و حرکت به سمت مدل‌های محلی یا گروه‌بندی شده است.
حذف گره‌های تأثیرگذار بزرگ می‌تواند ساختار شبکه را کمتر سمی کند، اما این شبکه‌ها ذاتاً با گفت‌وگوی متوازن و عقلانی ناسازگار هستند.
رسانه‌ها و سیاست همچنان تحت تأثیر شبکه‌های اجتماعی شکل می‌گیرند؛ حتی کسانی که در شبکه‌ها شرکت نمی‌کنند نیز تحت تأثیر منطق آن‌ها قرار دارند.
چشم‌انداز آینده
تورنبورگ می‌گوید:
«با ظهور ال ال ام ها و تولید خودکار محتوا، مدل‌های کنونی شبکه‌های اجتماعی احتمالاً دوام نخواهند آورد. اطلاعات نادرست و قطب‌بندی‌شده افزایش می‌یابد و شبکه‌ها به موتورهای فرهنگی و سیاسی تبدیل می‌شوند.»
او نتیجه می‌گیرد که شاید راه‌حل واقعی مستلزم تغییر بنیادین در طراحی شبکه‌ها باشد، نه فقط اصلاحات جزئی یا تغییر الگوریتم‌ها.
