محققان روش جدیدی برای تقویت محتوای خبری قابل اعتماد در رسانه های اجتماعی بدون محافظت از جانبداری پیدا کردند – ScienceDaily


سایت های رسانه های اجتماعی به تقویت اطلاعات نادرست و تئوری های توطئه ادامه می دهند. برای رفع این نگرانی، یک تیم بین رشته ای از دانشمندان کامپیوتر، فیزیکدانان و دانشمندان علوم اجتماعی به رهبری دانشگاه فلوریدا جنوبی (USF) راه حلی برای اطمینان از اینکه کاربران رسانه های اجتماعی در معرض منابع خبری موثق تری قرار دارند، پیدا کرده اند.

در مطالعه آنها که در مجله منتشر شده است طبیعت رفتار انسانمحققان بر روی الگوریتم پیشنهادی تمرکز کردند که توسط پلتفرم های رسانه های اجتماعی برای اولویت بندی محتوای نمایش داده شده به کاربران استفاده می شود. به‌جای اندازه‌گیری تعامل بر اساس تعداد کاربران و بازدید از صفحه، محققان به محتوایی که در فید خبری تقویت می‌شود، با تمرکز بر امتیاز اعتبار یک منبع خبری و تنوع سیاسی مخاطبانشان نگاه کردند.

Giovanni Luca Ciampaglia، استادیار علوم کامپیوتر و مهندسی در USF گفت: «محتوای با کیفیت پایین جذاب است زیرا با آنچه قبلاً می‌دانیم و دوست داریم، صرف نظر از اینکه دقیق باشد یا خیر، مطابقت دارد.» “در نتیجه، اطلاعات نادرست و تئوری‌های توطئه اغلب در بین مخاطبان همفکر پخش می‌شوند. الگوریتم در نهایت سیگنال اشتباهی را انتخاب می‌کند و به تبلیغ بیشتر آن ادامه می‌دهد. برای شکستن این چرخه، باید به دنبال محتوایی بود که جذاب، اما متنوع باشد. مخاطب، نه برای یک همفکر.”

این تیم با همکاری محققان دانشگاه ایندیانا و کالج دارتموث، الگوریتم جدیدی را با استفاده از داده‌های مربوط به ترافیک وب و مشارکت 6890 نفری که منعکس کننده تنوع ایالات متحده در جنسیت، نژاد و وابستگی‌های سیاسی هستند، ایجاد کردند. این داده ها توسط شرکت نظرسنجی آنلاین YouGov ارائه شده است. آنها همچنین نمرات قابلیت اطمینان 3765 منبع خبری را بر اساس شاخص قابلیت اطمینان نیوگارد، که منابع خبری را بر اساس چندین معیار روزنامه نگاری، مانند مسئولیت سردبیری، پاسخگویی و شفافیت مالی رتبه بندی می کند، بررسی کردند.

آنها دریافتند که ترکیب تنوع جانبی مخاطبان خبری می تواند قابلیت اطمینان منابع توصیه شده را افزایش دهد و در عین حال توصیه های مرتبط را به کاربران ارائه دهد. از آنجایی که الگوریتم منحصراً مبتنی بر تعامل یا محبوبیت نیست، همچنان می‌تواند منابع قابل اعتماد را بدون در نظر گرفتن جناحی بودن آنها تبلیغ کند.

فیلیپو منچزر، استاد برجسته انفورماتیک و علوم کامپیوتر لادی در دانشگاه ایندیانا، می‌گوید: «این خبر به‌ویژه برای پلت‌فرم‌های رسانه‌های اجتماعی خوشایند است، به‌ویژه از آنجایی که آنها به دلیل ترس از انتقاد در مورد تعصبات حزبی، تمایلی به ایجاد تغییرات در الگوریتم‌های خود ندارند. .

محققان می‌گویند که پلتفرم‌ها به راحتی می‌توانند تنوع مخاطبان را در الگوریتم‌های توصیه خود بگنجانند، زیرا معیارهای تنوع را می‌توان از داده‌های تعامل مشتق کرد، و پلتفرم‌ها قبلاً این نوع داده‌ها را هر زمان که کاربران روی «پسندیدن» کلیک می‌کنند یا چیزی را در فید خبری به اشتراک می‌گذارند، ثبت می‌کنند. Ciampaglia و همکارانش پیشنهاد می‌کنند که پلتفرم‌های رسانه‌های اجتماعی این استراتژی جدید را برای کمک به جلوگیری از انتشار اطلاعات نادرست اتخاذ کنند.

منبع داستان:

مواد تهیه شده توسط دانشگاه فلوریدا جنوبی (نوآوری USF). توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]