خطر جریان اطلاعات وابسته به مسیر در وب – سیستم دینامیک

الی پاریسر استدلال می‌کند که «حباب‌های فیلتر» برای ما بد و برای دموکراسی بد هستند:

از آنجایی که شرکت‌های وب تلاش می‌کنند خدمات خود (از جمله اخبار و نتایج جستجو) را مطابق با سلیقه شخصی ما تنظیم کنند، یک پیامد ناخواسته خطرناک وجود دارد: ما در یک «حباب فیلتر» گرفتار می‌شویم و در معرض اطلاعاتی قرار نمی‌گیریم که می‌تواند جهان بینی ما را به چالش بکشد یا گسترش دهد.

حباب های فیلتر پسر عموزاده های نزدیک سوگیری تاییدی، تفکر گروهی، قطبی شدن و سایر آسیب شناسی های شناختی و اجتماعی هستند.

یک بازخورد کلیدی این حلقه تقویت‌کننده، از مدل استرمن و ویتنبرگ برای وابستگی به مسیر در انقلاب‌های علمی کوهنی است:

با افزایش اعتماد به یک ایده، تاخیر در تشخیص (یا دفعات رد کامل) اطلاعات غیرعادی بیشتر می شود. در نتیجه، اعتماد به این ایده – زمین مسطح، کاربراتور 100 mpg – می تواند بسیار فراتر از سطحی باشد که در صورت شناخت اطلاعات متناقض معقول تلقی می شود.

پویایی ناشی از این بازخورد و سایر بازخوردهای مثبت در بسیاری از حوزه ها ظاهر می شود. ویتنبرگ و استرمن مثالی می زنند:

پویایی ایجاد شده توسط مدل شبیه چرخه زندگی مدهای فکری است. اغلب یک ایده جدید امیدوار کننده به سرعت از طریق خوش بینی بیش از حد، بازاریابی تهاجمی، تبلیغات رسانه ای و محبوبیت توسط متخصصان مد می شود. در بسیاری از مواقع هجوم سریع تمرین‌کنندگان ضعیف، یا فقدان پروتکل‌ها و روش‌های تثبیت‌شده، باعث می‌شود که انتظارات از دستاوردها پیشی بگیرد و منجر به واکنش و نارضایتی شود. چنین مدهایی رایج است، به ویژه در پزشکی (کواک) و به ویژه در دنیای تجارت، جایی که “پارادایم های جدید” به طور معمول در صفحات مجلات مشهور مدیریت تبلیغ می شود، اما در شماره بعدی توسط بسیاری از افراد تجاری جایگزین می شود. بدبینانه آمده‌اند تا «طعم ماه» بعدی را نام ببرند.

به طور معمول، یک گورو نظریه، ابزار یا فرآیند جدیدی را پیشنهاد می‌کند که نوید می‌دهد به مشکلات دائمی پیش روی کسب‌وکارها رسیدگی کند (یعنی یک الگوی جدید که ادعا می‌کند ناهنجاری‌هایی را که پارادایم قدیمی را تضعیف کرده‌اند، حل می‌کند). و برخی پروژه ها را آغاز کنید. حتی در مواردی که ایده‌های گورو شایستگی کمی دارند، انرژی و اشتیاق یک تیم می‌تواند روی یک مشکل به همراه داشته باشد، همراه با اثرات هاثورن و دارونما و وجود «میوه کم آویزان» اغلب به موفقیت‌هایی منجر می‌شود. واقعی و ظاهری طرفداران به سرعت این موفقیت ها را به استفاده از ایده های مرشد نسبت می دهند. تبلیغات شفاهی مثبت منجر به پذیرش بیشتر ایده های مرشد می شود. (البته، شکست‌ها پنهان می‌شوند و توضیح داده می‌شوند؛ همانطور که در علم تقلب‌های گاه به گاه نیز وجود دارد.) توجه رسانه‌ها بیشتر اخبار را در مورد موفقیت‌های ظاهری منتشر می‌کند و اعتبار و اعتبار مرشد را بیشتر افزایش می‌دهد و پذیرش بیشتری را تحریک می‌کند.

همانطور که مردم به طور فزاینده‌ای متقاعد می‌شوند که ایده‌های گورو کار می‌کنند، کمتر و کمتر به دنبال شواهد نادرست می‌گردند یا به آنها توجه می‌کنند. مربیان مدیریت و پیروان آن‌ها، مانند بسیاری از دانشمندان، در موفقیت نظریه‌های خود نقش‌های شخصی، حرفه‌ای و مالی قوی ایجاد می‌کنند و وسوسه می‌شوند که به‌طور انتخابی داده‌های نامطلوب را ارائه دهند و آن‌ها را سرکوب کنند، همانطور که دانشمندان به طور فزاینده‌ای نمی‌توانند ناهنجاری‌ها را به عنوان آشنایی خود تشخیص دهند. با و اعتماد به پارادایم آنها رشد می کند. فرآیندهای بازخورد مثبت بر پویایی ها تسلط دارند، که منجر به پذیرش سریع آن ایده های جدید می شود که به اندازه کافی خوش شانس هستند که دنبال کنندگان اولیه کافی به دست آورند. …

طیف گسترده بازخوردهای مثبت شناسایی شده در بالا می تواند منجر به انتشار سریع و گسترده یک ایده با شایستگی ذاتی کمی شود، زیرا بازخوردهای منفی که ممکن است نشان دهد که ابزارها کار نمی کنند با تاخیرهای بسیار طولانی در مقایسه با حلقه های مثبت که باعث رشد می شوند، عمل می کنند. . …

برای حباب های فیلتر، من فکر می کنم حلقه های مثبت کلیدی به شرح زیر است:

حلقه های R1 مسیر فرسوده کاربر هستند. ما ترجیحاً از سایت هایی بازدید می کنیم که اطلاعاتی را ارائه می دهند (نظریه x یا y) که به آنها اطمینان داریم. در انجام این کار، ما تنها زیرمجموعه ای از همه اطلاعات را در نظر می گیریم و اعتماد خود را به نظریه بازدید شده ایجاد می کنیم. این بخشی از روانشناسی ما است، و تا حدودی بخشی ضروری از فرآیند جمع کردن شیلنگ آتش نشانی جهان به یک جریان قابل استفاده است.

حلقه های R2 شامل ارائه دهندگان اطلاعات می شود. هنگامی که ما از یک سایت بازدید می کنیم، تبلیغ کنندگان و سایر ناظران (نیلسن) متوجه می شوند و این منابع (درآمد تبلیغات) و انگیزه برای ایجاد محتوای بیشتر از نظریه x یا y را فراهم می کند. این نیز بخشی از بازار اطلاعات برای مدت طولانی بوده است.

R1 و R2 توسط برخی از حلقه های متعادل کننده (نشان داده نشده) تثبیت می شوند. کاربران از رژیم غذایی تمام تئوری خسته می شوند و به دنبال تنوع هستند. ارائه دهندگان به دنبال بحث و جدل (واقعی یا خیالی) هستند و نبردهای x-vs-y را هیجان انگیز می کنند. همانطور که پاریسر اشاره می کند، در محیطی با چند رسانه گسترده، مانند روزنامه های شهری، فضای کمتری برای پخش حلقه های مثبت وجود دارد. صفحه اول Bozeman Daily Chronicle باید برای طیف وسیعی از خوانندگان کار کند. اگر روزنامه اجازه دهد که حلقه های مثبت بیداد کنند، به سرعت نیمی از خوانندگان خود را از دست خواهد داد. در دنیای آنلاین، با اطلاعات سفارشی شده در سطح فردی، چنین محدودیتی وجود ندارد.

فیلترینگ فردی R3 را معرفی می کند. همانطور که فیلتر الگوهای بازدید از سایت را مشاهده می کند و ترجیحاً اطلاعاتی مطابق با اولویت های گذشته ارائه می دهد. این مجموعه سومی از فرآیندهای بازخورد تقویت‌کننده را معرفی می‌کند، وقتی کاربران شروع به دیدن آنچه ترجیح می‌دهند، همچنین یاد می‌گیرند آنچه را که می‌بینند ترجیح دهند. علاوه بر این، در فیس‌بوک و سایر سایت‌های شبکه‌های اجتماعی هر شخص اساساً یک سایت است و افراد ترجیحاً یکدیگر را در شبکه‌ها قرار می‌دهند. این مکانیسم دیگری است که حلقه R1 را پیاده‌سازی می‌کند – پرندگان یک پر با هم جمع می‌شوند و اطلاعاتی را مطابق با ترجیحات متقابل خود به اشتراک می‌گذارند، و به طور بالقوه یکی دیگر را در سوراخ‌های مفهومی خرگوش دنبال می‌کنند.

نتیجه وب اجتماعی و فیلترینگ الگوریتمی برهم زدن تعادل موجود بازخورد مثبت و منفی است. سوال این است که آیا قبلاً اوضاع بهتر شده بود یا اکنون بهتر است؟

دقیقاً نمی دانم چگونه بگویم. احتمالاً می توان روندهای قطبی شدن سیاسی و مدت زمان مدها را برای نشان دادن جهت تغییر مشاهده کرد، اما این هنوز این سؤال را باز می گذارد که آیا ما بیشتر یا کمتر از مقدار “بهینه” سنگ های خانگی، کمپین های ضد واکسن و شک اقلیمی

گمان من این است که اکنون بازخورد مثبت زیادی داریم. این با بینش ویتنبرگ و استرمن از تمرین مدل‌سازی مطابقت دارد که حلقه‌های مثبت سریع هستند، در حالی که حلقه‌های منفی ضعیف یا با تأخیر هستند. آنها نسخه ای برای آن ارائه می دهند،

نتایج مدل ما نشان می‌دهد که موفقیت بلندمدت نظریه‌های جدید را می‌توان با کند کردن فرآیندهای بازخورد مثبت، مانند تبلیغات شفاهی، بازاریابی، تبلیغات رسانه‌ای، و ادعاهای گزاف در مورد اثربخشی که توسط آن نظریه‌های جدید می‌توانند رشد کنند و تقویت شود، افزایش داد. فرآیندهای بیان نظریه و آزمون، که می تواند یادگیری و توانایی حل پازل را افزایش دهد.

در این ویدئو، پاریسر از جمع‌آورندگان محتوا می‌خواهد تا عواقب فیلتر کردن را به دقت بررسی کنند. من فکر می‌کنم که بازخورد منفی بیشتری را در الگوریتم‌ها نشان می‌دهد. با این حال، مشخص نیست که ارائه دهندگان انگیزه ای برای انجام این کار داشته باشند. حلقه های مثبت تمایل دارند به افراد برای فیلترینگ موفق پاداش دهند، در حالی که خطرات (مثلاً تفکر گروهی فاجعه آمیز) تا حدی متوجه جامعه می شود. در عین حال، تصور نهاد نظارتی که با سانسور معاشقه نمی کند دشوار است.

بدون یک راه حل جهانی، من فکر می کنم این وظیفه افراد است که با جستجوی اطلاعات متنوعی که هر چند وقت یک بار احتمال رد پیش فرض های آنها را دارد، بهداشت روانی خوبی را رعایت کنند. همانطور که پاریسر پیشنهاد می‌کند، اگر افراد کافی در فیلتر کردن شفافیت بخواهند، حتی ممکن است کنترل محلی بر حلقه‌های مثبتی که در آن شرکت می‌کنیم به دست آوریم.

من مطمئن نیستم که به اندازه کافی دور باشد. ما به ابزارهایی نیاز داریم که معادل اجتماعی «تقویت فرآیندهای بیان و آزمایش تئوری» باشد تا توانایی ما در تفکر و صحبت درباره سیستم‌های پیچیده را بهبود بخشد. یکی از این تلاش‌ها «هوش جمعی» پشت Climate Colab است. هنوز در مقیاس فیس بوک نیست، اما یک شروع است. ابتکارات وب معنایی با سازمان‌دهی داده‌های دقیق شروع به کمک می‌کنند، اما ما تا داشتن یک «وب پویا رفتاری» که ساختار را به روشی قابل اشتراک‌گذاری به پیش‌بینی رفتار ترجمه می‌کند، فاصله زیادی داریم.

به روز رسانی: از بررسی فناوری، فناوری شکستن حباب