Рекомендательные алгоритмы: формируют ли они наши взгляды?

Сегодня рекомендательные алгоритмы стали невидимыми посредниками между человеком и информацией. Исследование «The Effect of People Recommenders on Echo Chambers and Polarization» посвящено влиянию систем рекомендаций, предлагающих для общения и подписки в сети новых персон, на то, какую информационную среду человек таким образом формирует вокруг себя. Мы редко задумываемся о том, что именно эти алгоритмы решают, кого предложить нам в друзья, на кого подписаться и чьи мнения нам будут навязывать.

Основной тезис авторов проведённого исследования состоит в том, что рекомендации «кого читать или с кем общаться» меняют не просто содержательный поток информации, но и саму структуру социальной сети. Это очень важный момент, поскольку именно от структуры сети зависит, какие мнения до нас доходят и насколько разнообразной оказывается наша картина мира.

Чтобы изучить этот эффект, исследователи создали модель, в которой люди представлены как узлы в сети, а их взгляды — как переменные, зависящие от времени. В этой модели алгоритм периодически предлагает новые связи между пользователями примерно так же, как это делают рекомендательные алгоритмы в реальных сетевых платформах. Дальше ученые пронаблюдали, как меняется сеть и как эволюционируют мнения участников.

Определяющим фактором является то, что в предложенной учёными модели учитывается склонность людей общаться с теми, кто на них похож. Это явление называется гомофилией. В реальной жизни оно проявляется повсеместно: мы чаще взаимодействуем с людьми, чьи взгляды, интересы и ценности нам более-менее близки. Исследование показывает, что именно это обстоятельство играет ключевую роль в том, как алгоритмы влияют на общество.

Один из главных выводов заключается в том, что рекомендательные системы действительно могут усиливать эффект так называемых «эхо-камер» — ситуаций, когда человек в основном сталкивается только со мнениями, совпадающими с его собственными. Однако это происходит не всегда. Причём, это усиление становится заметным только тогда, когда в системе уже изначально есть достаточно высокая степень гомофилии. Иначе говоря, алгоритм не создает проблему с нуля, а скорее усиливает уже существующие тенденции.

Если же в сети изначально нет сильного разделения на группы с похожими взглядами, влияние алгоритма оказывается гораздо слабее. В таких условиях рекомендации не приводят к заметному обособлению пользователей. Это весьма существенное уточнение, потому что оно показывает, что сами по себе алгоритмы не являются единственным источником «замкнутых информационных пузырей».

Интересно и другое наблюдение: если эхо-камеры уже сформировались, дальнейшее влияние алгоритмов становится ограниченным. То есть с определенного момента структура сети стабилизируется, и рекомендации становятся неспособными радикально изменить сложившуюся ситуацию. Это можно интерпретировать так: когда референтные группы окончательно «замкнулись» на себе, алгоритмы могут лишь поддерживать существующее состояние, но не усиливать его бесконечно.

Авторы проверили свои выводы на разных моделях изменения мнений — от простых до более сложных. Несмотря на некоторые различия в подходах к формированию самих моделей, результаты оказались устойчиво тождественными. Это укрепляет уверенность в том, что обнаруженные закономерности не зависят от конкретной математической модели, а отражают некий общий принцип.

Отдельное внимание в исследовании уделено перманентной корреляции между алгоритмами и пользователями. Алгоритм предлагает связи, люди на них реагируют, а затем эти реакции используются для дальнейших рекомендаций. Возникает своего рода цикл обратной связи. В зависимости от начальных условий этот цикл может либо поддерживать разнообразие мнений, либо постепенно сужать его.

Необходимо подчеркнуть, что результаты проведённого исследования не приводят к однозначным оценкам и утверждениям, что рекомендательные системы всегда становятся причиной негативных последствий. Скорее, они показывают, что производимый ими эффект зависит от сочетания сразу нескольких факторов: структуры сети, поведения пользователей и логики самих алгоритмов. Это позволяет оценивать изучаемое явление как более сложное и менее однозначное, чем зачастую принято считать.

Практическое значение представленного исследования состоит в том, что оно предлагает инструмент для оценки влияния различных рекомендательных стратегий. С помощью разработанных моделей можно заранее проанализировать, как изменения в тех или иных алгоритмах скажутся на разнообразии предлагаемой ими информации и структуре взаимодействий между пользователями.

В более широком смысле исследование подводит к важной мысли: наше информационное окружение формируется не только технологиями, но и нашими собственными предпочтениями и привычками. Алгоритмы лишь усиливают существующие паттерны поведения человека. Поэтому разговор о влиянии рекомендаций — это не только разговор о технологиях, но и о социальной динамике в целом.

Таким образом, авторы исследования предлагают более взвешенный взгляд на проблему. Рекомендательные системы действительно могут способствовать формированию замкнутых информационных пространств, но их влияние не является абсолютным. Оно зависит от того, в какой среде они функционируют, и как ведут себя сами пользователи.

Источник: Arxiv

Изображение для иллюстрации. Источник: Freepik.com