算法导致茧房回音室学术研究说NO

白癜风问诊中心 http://www.csjkc.com/
来源｜方可成的新闻实验室使用社交媒体以及带有算法推荐功能的资讯类APP，是否会导致我们只看得到自己感兴趣的、认同的内容，进而让大家都活在自己的小世界里，彼此之间难以认同和沟通？从几年前开始，就有不少人担心这种负面后果。这种担心在年左右到达高峰。Facebook创始人扎克伯格在回顾年的时候，就将“我们能见到的观点是否足够多元”和“信息是否真实”列为两大主要的挑战——也就是说，这个问题的严重性是和假新闻相仿的。比尔·盖茨也在年初接受采访时表示：科技让你和观点相似的人聚在一起，让你看不到不一样的观点，“这个问题比我以及其他很多人预料的都要严重。”近几年来，学术界也投入了大量的资源研究这一问题，传播学、计算机科学、经济学等学科都有学者在研究相关课题。由于学术出版流程较慢，从年左右开始的研究，直到年才逐渐大规模发表。出人意料的是，大部分学术研究的结果都没有支持“社交媒体和算法推荐导致视野变窄”这样一种简单的结论，而是展现出了更加复杂的图景。概念：“信息茧房”是一个很少被使用的说法在中文世界里，很多人使用“信息茧房”这一概念来描述社交媒体和算法推荐带来的视野变窄问题。虽然这一概念最初来自西方（翻译自“informationcocoon”），但英文学术界其实很少使用这一概念。在谷歌学术搜索“informationcocoon”，得到的大多数结果是中文期刊论文的英文摘要。那么，欧美的研究者们用什么概念来描述这一问题？最常见的是“信息回音室（echochamber）”，有时被使用的还有“过滤气泡（filterbubble）”。为什么这两个概念比“信息茧房”要更加适合？首先，“回音室”突出的是“人们听到和自己类似的声音”，也就是所谓“回音”，而“茧房”则只营造了“束缚”的感觉，难以传达“意见同质性”这一特质。其次，“过滤气泡”强调的是社交媒体上的人际关系以及算法推荐功能带来的信息过滤效果，而“茧房”同样不能表达这种含义。因此，在本文的讨论中，我们也采用“信息回音室”这一概念，而不使用在英文世界中并不流行的所谓“信息茧房”。我系统性地阅读了近年来发表在一流学术期刊上的针对“信息回音室”和“过滤气泡”效应的学术研究，发现大部分研究都显示：使用社交媒体和算法推荐app的人，并没有明显出现视野变窄的现象，大多数人阅读的内容依然有相当的多样性。我将主要的相关论文列在了文末的参考文献中。为什么社交媒体和算法推荐并没有导致“信息回音室”现象？从这些论文中，我们大致能总结出几个方面的因素。因素1：算法是有不同类型的当人们在讨论“算法导致信息回音室”的时候，往往是将“算法”视作一种单一的、同质性的存在，似乎普天下只有一种算法。实际上，算法有着多种类型，并且在不断的调整、变化中。明尼苏达大学计算机系的几位研究者，做出了第一篇针对算法推荐系统在用户层面的“过滤气泡”效应的实证研究（参考文献10）。他们使用的是来自电影评分和推荐网站MovieLens的数据。这个网站有点像我们熟悉的豆瓣网，不过只有电影内容。从年上线以来，这个网站已经运行了二十余年，用户数超过二十万。注册使用该网站、对自己看过的电影进行一些评分之后，网站会向你展示“TopPicksForYou”，也就是根据算法向你首选推荐的电影，类似于豆瓣的“猜你喜欢”。这里的重点是：MovieLens所使用的算法叫做item-itemcollaborativefiltering(CF)算法，也就是“基于物品的协同过滤算法”。“协同过滤算法”的基本思路是：计算兴趣爱好的相似程度，把东西推荐给“臭味相投”的人。常见的协同过滤算法有两种，一种是基于用户的（user-based），也即计算用户之间的相似性，如果A和B的兴趣相近，那么A喜欢的电影，B也很有可能喜欢。另一种是基于物品的（item-based），也即计算物品之间的相似性，如果电影C和电影D很相似，那么喜欢电影C的人，可能也会喜欢电影D。协同过滤算法图示：左边是基于用户的算法，右边是基于物品的算法基于物品的协同过滤算法被广泛使用于各类推荐系统中，包括亚马逊的商品推荐系统。今日头条的算法中也有一个主要部份是协同过滤。也正因为被广泛使用，因此这篇论文的研究者认为，他们的研究结果可以推广到电影推荐之外的其他算法推荐系统中。研究者们选取了21个月的数据。他们将用户分为两组，一组是根据算法推荐选择电影观看的，叫做“跟随组”；另一组是不理会算法推荐的电影，叫做“不理会组”。他们发现：算法向“跟随组”推荐的电影，一直要比向“不理会组”推荐的电影更加多元化。也就是说，根据算法的推荐选择电影，然后进行打分，其实会让算法更好地学习到你的喜好，并且给你推荐更多样的片子；而如果不根据算法的推荐来看电影和打分，反而会让算法给你推荐更窄的片子。看起来，这种协同过滤算法其实能够帮助用户打开视野，探索更多样的内容。以上计算的是算法展示的电影，那么，用户们实际上消费的电影是不是真的变得窄化了呢？分析显示：是的，大家看的电影多样性下降了。不过，令人吃惊的是：“跟随组”的下降幅度其实不大（从26.67到26.3），而“不理会组”的多样性下降却比较大（从26.59到25.86）。也就是说，在不使用算法推荐的情况下，用户的视野反而变窄得更快。研究者指出：基于内容的推荐算法可能会比较严重地窄化用户的视野，但协同过滤算法则不会，因为它依据的不是你之前看了什么，而是和你相似的其他人喜欢什么，这有助于向你推荐你自己本不会接触到的更多样内容。因素2：我们的社会关系是复杂的在大多数使用了算法推荐的平台上，也都融入了社交关系的元素。例如，Facebook的信息流（newsfeed），虽然是基于算法排序的，但同时也是被社交关系决定的——算法决定的是信息呈现的次序，但并不能决定有哪些信息会被排序，因为那取决于你有哪些好友，

转载请注明：http://www.shijichaoguyj.com/wxgs/14139.html