🫧 Інформаційні бульбашки — Упереджена динаміка думок

Інформаційна бульбашка — це стан інтелектуальної ізоляції, який може виникнути через персоналізовані алгоритми контенту, що вибірково вгадують, що людина хоче побачити, на основі її минулої поведінки, і відповідно показують їй дедалі менше інформації, яка суперечить її наявним поглядам. З часом це звужує контакт зі складними чи протилежними точками зору, посилюючи наявні переконання замість того, щоб перевіряти їх альтернативами.

Почніть зі стандартних налаштувань і спостерігайте, як графік дисперсії праворуч повільно спадає, коли думки агентів сходяться до одного спільного значення. Потім підвищте повзунок «Упередженість алгоритму» і подивіться, як зростає частка відфільтрованого контенту — граф мережі ліворуч помітно розділиться на окремі кольорові кластери, які перестануть перемішуватися, а гістограма покаже два або більше окремих горбів замість одного вузького піку.

Дисперсія вимірює, наскільки розсіяні думки популяції навколо середнього значення. Висока дисперсія означає, що думки розкидані по всьому діапазону від -1 до +1; дисперсія, близька до нуля, означає, що майже всі згодні. Спостереження за дисперсією з часом показує, чи прямує мережа до консенсусу, до кількох стабільних кластерів, чи залишається постійно фрагментованою.

Моделі обмеженої довіри припускають, що люди дозволяють своїм думкам змінюватися під впливом лише тих, чиї погляди вже достатньо близькі до їхніх власних — це відображено повзунком порогу довіри ε. Якщо думки двох агентів відрізняються більше, ніж ε, жоден з них не змінить думку, хоч би скільки разів вони зустрічалися. Одного цього припущення достатньо, щоб пояснити, чому популяції іноді сходяться до однієї спільної думки, а іноді назавжди розколюються на кілька таборів — залежно лише від того, наскільки широко чи вузько встановлено ε відносно початкового розкиду думок.

Реальні рекомендаційні системи оптимізуються під сигнали залученості, як-от кліки, час перегляду та поширення, які часто вищі для контенту, що підтверджує вже наявні переконання користувача. Навіть без жодного навмисного ідеологічного задуму це створює зворотний зв'язок: приємний контент показують частіше, він генерує більше залученості й просувається далі, тоді як контент, що міг би поставити під сумнів погляди користувача, тихо витісняється на другий план. Експоненційна крива «ймовірності показу» в цій симуляції — спрощена заміна цього ефекту ранжування, керованого залученістю.

Не обов'язково — це залежить від балансу між силою упередженості й шириною порогу довіри ε. За низької упередженості ця симуляція зазвичай усе ще сходиться до єдиної спільної думки, оскільки достатньо перехресних контактів виживає, щоб з'єднати різні погляди до того, як вони затвердіють. Лише коли упередженість перевищує певний поріг відносно ε, мережа надійно фрагментується на окремі кластери, що не спілкуються між собою. Це віддзеркалює реальні дискусії про те, чи персоналізація за своєю природою поляризує, чи стає такою лише після певної інтенсивності.

Інтернет-активіст Елі Парайзер увів термін «інформаційна бульбашка» у своїй книзі 2011 року «The Filter Bubble: What the Internet Is Hiding from You», попереджаючи, що персоналізований пошук і соціальні алгоритми звужують діапазон поглядів, з якими стикаються користувачі. Базова механіка оновлення думок походить від моделей обмеженої довіри, формалізованих Гегсельманном і Краузе (2002) та Деффюаном, Ньо, Амбларом і Вайсбухом (2000) — двох найширше цитованих концепцій у дослідженнях обчислювальної динаміки думок.

Інформаційні бульбашки тісно пов'язані з гомофілією (тенденцією схожих людей об'єднуватися між собою, яку досліджує симуляція сегрегації Шеллінга на цьому сайті), з формуванням консенсусу в моделі виборця (Voter Model) і з культурною поляризацією в моделі культурного поширення Аксельрода. Усі ці моделі поділяють головну ідею: локальні, на перший погляд нешкідливі правила взаємодії — хто з ким спілкується і наскільки на нього впливають — можуть породжувати дуже різні глобальні результати, від одностайного консенсусу до постійної фрагментації.

Активні дослідження вивчають, як можна аудитувати й вимірювати ефекти інформаційних бульбашок у реальних рекомендаційних системах у масштабі, наскільки персоналізація насправді змінює поведінку користувачів на противагу відображенню вже наявних уподобань, і як рішення в дизайні платформ (наприклад, показ різноманітного контенту за замовчуванням) можуть протидіяти формуванню бульбашок без втрати залученості. Дослідники також поєднують моделі обмеженої довіри, подібні до цієї, з реальними даними соціальних мереж, щоб перевірити, чи відповідають спостережувані патерни поляризації теоретичним передбаченням.