Фільтрові бульбашки: Як Рекомендатор Перетворює Гомофільність на Ізоляцію

Опиниження як точки на лінії

Стандартний спосіб моделювання зміни думок – це модель з обмеженою впевненістю: кожен агент має думку у вигляді дійсного числа, зазвичай нормалізованого до [0, 1], і два агенти впливають один на одного лише тоді, коли їхні думки вже знаходяться в межах порогового значення епсилон. Зустрічаючи когось із тобою схожого погляду, ви обидва схиляєтеся до середнього; зустрічаючи когось, чия точка зору значно відрізняється, ніхто з вас не рухається. Цей простий принцип, формалізований незалежно Гегельманом і Краузе близько 2000 року, а також Дефюантом і Вайсбухом, достатній для перетворення однорідної популяції на кілька стабільних груп думок без додавання будь-яких інших елементів.

// Deffuant-Weisbuch pairwise update
if (Math.abs(oi - oj) < epsilon) {
  oi += mu * (oj - oi);
  oj += mu * (oi - oj);   // mu in (0, 0.5], the convergence speed
}
// else: no interaction — the pair is outside each other's confidence bound

Що додає рекомендатор

Простий модельний зразок із обмеженою впевненістю вже генерує кластеризацію за допомогою чисто соціального механізму — люди просто віддають перевагу спілкуванню з людьми, які не надто відрізняються від них, що є гомеофільєю. Система рекомендацій змінює механіку зустрічей між людьми. Замість випадкового семплювання партнерів для взаємодії, вона здійснює вибірку з упередженням до контенту, який агент вже погоджувався, оскільки це підтримує залученість агента та кліки. У термінах моделі ймовірність парів між двома агентами більше не рівномірна; вона збільшена для агентів, які вже близькі в просторі думок, і зменшена для агентів, які знаходяться далеко — графік того, хто впливає на когось, стає корельованим з думками самих агентів.

Цей зворотний зв’язок – це вся історія. Кожен обмін трохи наближає думки, що робить модель «чого любить ця людина» рекомендатора трохи гострішою, що звужує наступну групу впливів ще більше. Запустіть це достатньо разів і населення, яке спочатку було широким розподілом, розділиться на ізольовані, внутрішньо однорідні кластери, які майже не взаємодіють один з одним — це «інформаційний бульбашка» – це модель із обмеженою впевненістю, графік впливу якої щільно стиснуто оптимізатором.

Фільтрувальне середовище проти ехо-камери

Ці два терміни часто використовуються як синоніми, але описують різні механізми. Фільтрувальне середовище, яке придумав Елі Парізер у 2011 році, стосується алгоритмічного звуження впливу – ви не обирали бачити менше різноманітності, а алгоритми та персоналізація зробили це за вас на основі попередніх кліків. Ехо-камера – це старіша, чисто соціальна версія того ж результату: ви обирали своїх друзів, підредити, церкву, і гомофільія викликала звуження без будь-якого алгоритму. Рекомендаційно-орієнтована модель, така як та, що використовується в цій симуляції, фактично містить ехо-камеру як особливий випадок – якщо встановити вагу упередженості рекомендатора на нуль, ви залишитесь з чистою гомофільністю; збільште її, і алгоритм посилить тенденцію, яка вже існувала.

Вимірювання того, наскільки замкненим є бульба

Два числа роблять ефект більш конкретним. Варіативність думок у всьому населенні відстежує, наскільки далеко розійшлися вижилі кластери – при сильному упередженні вони колапсують кластер за кластером, а проміжок між кластерами зростає. Рівень різноманітності впливів, тобто частка останніх взаємодій агента, які потрапляють поза його власний кластер, є більш прямим показником: у незбалансованій мережі він залишається близьким до природної неоднорідності населення, а при сильному рекомендаційному механізмі зменшується до нуля протягом кількох десятків раундів, ще до того, як самі думки повністю розділяться. Різноманітність колапсує першою; поляризація – це видимий симптом, який слідує за цим.

Реалізація ухиленого семплера

Єдина зміна відносно простої моделі з агентами-опосередниками – це етап вибору пари. Замість випадкового вибору сусіда, кандидатів оцінюють за допомогою ядра, яке віддає перевагу близькості – простий експоненційний функціонал підходить, а один параметр – сила ухилу – плавно інтерполює між мережею без спотворення та повністю відсортованою мережею.

function pickPartner(i, agents, bias) {
  // weight ~ exp(-bias * |opinion difference|); bias = 0 -> uniform sampling
  let weights = agents.map(j => Math.exp(-bias * Math.abs(agents[i].o - j.o)));
  return weightedRandomChoice(agents, weights);
}

Frequently asked questions

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Filter Bubbles і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.