🫧 Bańki filtrujące — dynamika opinii zniekształcona przez rekomendacje

Modele ograniczonego zaufania zakładają, że ludzie pozwalają wpływać na swoje opinie tylko tym, których poglądy są już rozsądnie bliskie ich własnym — co odzwierciedla tu suwak progu zaufania ε. Jeśli opinie dwóch agentów różnią się o więcej niż ε, niezależnie od tego, jak często się spotykają, żaden z nich się nie zmieni. To jedno założenie wystarcza, by wyjaśnić, dlaczego populacje czasem zbiegają do jednej wspólnej opinii, a czasem trwale dzielą się na kilka obozów — zależnie wyłącznie od tego, jak szeroko lub wąsko ustawiono ε względem początkowego rozrzutu opinii.

Prawdziwe silniki rekomendacji optymalizują pod kątem sygnałów zaangażowania, takich jak kliknięcia, czas oglądania i udostępnienia, które często są wyższe dla treści potwierdzających to, w co użytkownik już wierzy. Nawet bez celowego zamysłu ideologicznego tworzy to pętlę sprzężenia zwrotnego: treści zgodne z poglądami są pokazywane częściej, generują więcej zaangażowania i są dalej promowane, podczas gdy treści, które mogłyby podważyć poglądy użytkownika, są po cichu spychane na dalszy plan. Wykładnicza krzywa „prawdopodobieństwa pokazania” w tej symulacji to uproszczony odpowiednik tego efektu rankingowania napędzanego zaangażowaniem.

Niekoniecznie — zależy to od równowagi między siłą stronniczości a szerokością progu zaufania. Przy niskiej stronniczości ta symulacja zazwyczaj nadal zbiega do jednej wspólnej opinii, ponieważ przetrwa wystarczająco dużo kontaktów przecinających granice, by połączyć różne punkty widzenia, zanim się utrwalą. Dopiero gdy stronniczość przekroczy pewien próg względem ε, sieć niezawodnie rozpada się na odrębne, nieporozumiewające się ze sobą skupiska. Odzwierciedla to prawdziwe debaty o tym, czy personalizacja jest z natury polaryzująca, czy staje się taka dopiero po przekroczeniu pewnej intensywności.

Działacz internetowy Eli Pariser wprowadził termin „bąbel filtrujący” w swojej książce z 2011 roku „The Filter Bubble: What the Internet Is Hiding from You”, ostrzegając, że spersonalizowane wyszukiwanie i algorytmy społecznościowe zawężają zakres punktów widzenia, na jakie trafiają użytkownicy. Leżąca u podstaw mechanika aktualizacji opinii pochodzi z modeli ograniczonego zaufania sformalizowanych przez Hegselmanna i Krause (2002) oraz przez Deffuanta, Neau, Amblarda i Weisbucha (2000) — dwóch z najczęściej cytowanych ram w badaniach nad obliczeniową dynamiką opinii.

Bąble filtrujące są ściśle powiązane z homofilią (tendencją podobnych do siebie osób do łączenia się, badaną w symulacji Segregacji Schellinga na tej stronie), z tworzeniem konsensusu w Modelu Wyborcy oraz z polaryzacją kulturową w modelu rozprzestrzeniania kultury Axelroda. Wszystkie te modele łączy podstawowa obserwacja, że lokalne, pozornie niegroźne reguły interakcji — kto z kim rozmawia i jak bardzo się przekonuje — mogą prowadzić do bardzo różnych globalnych wyników, od jednolitego konsensusu po trwałe rozdrobnienie.

Aktywne badania obejmują sposoby audytowania i pomiaru efektów bąbla filtrującego w rzeczywistych systemach rekomendacji na dużą skalę, to, w jakim stopniu personalizacja faktycznie zmienia zachowanie użytkowników, a w jakim jedynie odzwierciedla ich wcześniejsze preferencje, oraz to, jak decyzje projektowe platform (na przykład domyślne pokazywanie zróżnicowanych treści) mogą przeciwdziałać powstawaniu bąbli bez utraty zaangażowania. Naukowcy łączą też modele ograniczonego zaufania, takie jak ten, z danymi z rzeczywistych sieci społecznych, aby sprawdzić, czy obserwowane wzorce polaryzacji odpowiadają przewidywaniom teoretycznym.