چگونه الگوریتم شبکه‌های اجتماعی موجب از بین رفتن «یادگیری اجتماعی» شده است

ساز و کار شبکه‌های اجتماعی بر مبنای الگوهایی است که به شدت رفتار کاربر را تحت تاثیر قرار داده و بر درک او از دنیای اطراف نقش دارد. نقش و نفوذ اطلاعات PRIME در ساختار پلتفرم‌های دیجیتالی انکارناپذیر است.

ارتباط الگوریتم شبکه‌های اجتماعی با یادگیری اجتماعی چیست؟

قبل از بیان ارتباط میان الگوریتم شبکه‌های اجتماعی با یادگیری اجتماعی، بهتر است به توضیح مطالبی در مورد یادگیری اجتماعی بپردازیم.

یادگیری اجتماعی

در دوران مدرسه، چگونه متوجه شدید که چه لباس‌ها و گروه‌هایی برایتان جالب هستند؟ ممکن است کسی به شما گفته باشد. ولی این احتمال هم وجود دارد که شما آن را صرفاً با تماشا و تجربه شخصی خود از همکلاسی‌هایتان برداشت کرده باشید. در واقع تماشای آنچه که همسالانتان به آن گوش می‌دادند و می‌پوشیدند تاثیر زیادی در شما داشته است. این فرآیند را یادگیری اجتماعی می‌نامند که یکی از مهم‌ترین روش‌ها برای درک دنیای اطراف ما است.

انسان‌ موجودی است که به صورت طبیعی رفتار اجتماعی را یاد می‌گیرد. ویلیام بریدی (William Brady)، استادیار مدیریت و سازمان‌ها در شرکت کلاگ (Kellogg) در این باره می‌گوید:«ما دائماً محیط را بررسی می‌کنیم تا بفهمیم افراد دیگر چه می‌کنند و چه چیزی می‌توانیم از آن‌ها بیاموزیم.» یادگیری اجتماعی زمانی اتفاق می‌افتد که ما افراد را مشاهده می‌کنیم، از آن‌ها بازخورد می‌گیریم، تقلید می‌کنیم و این اطلاعات را در درک خود از هنجارها وارد می‌کنیم.

ارتباط الگوریتم شبکه‌های اجتماعی با یادگیری اجتماعی

شبکه‌‌های اجتماعی در حال ایجاد مرز جدیدی برای این نوع از یادگیری است. تصور کنید چه اتفاقی خواهد افتاد وقتی این مشاهده و تقلید از دیگران توسط الگوریتم‌های کنترل‌شده صورت گیرد؟ به خصوص اینکه الگوریتم شبکه‌های اجتماعی توسط شرکت‌های فناوری که هدف آن‌ها حفظ توجه مردم روی پلتفرم‌ها است، ارائه شود.

این پدیده با مشکلات بسیاری همراه است. به گفته بریدی، جاشوا کنراد جکسون از دانشگاه شیکاگو، بیورن لیندستروم از مؤسسه کارولینسکا و ام جی کروکت از پرینستون در یک مقاله جدید، چارچوبی را ارائه کرده‌اند که خطرات یادگیری اجتماعی در عصر دیجیتال را توصیف می‌کند.

این محققان استدلال می‌کنند که روش فیلتر کردن محتوا توسط الگوریتم‌ شبکه‌های اجتماعی با استراتژی‌های معمول افراد برای یادگیری اجتماعی تداخل دارد. این تداخل‌ها منجر به برداشت نادرست از جهان و تسهیل گسترش اطلاعات نادرست و دیدگاه‌های افراطی می‌شود. البته برایدی اظهار می‌کند تنظیمات الگوریتم‌ها این آسیب‌ها را کاهش می‌دهد با وجود اینکه همچنان مطالب جذابی را به کاربران ارائه می‌دهد.

روش فیلتر کردن محتوا توسط الگوریتم‌ شبکه های اجتماعی با استراتژی‌های یادگیری اجتماعی تداخل دارد.

«انسان‌ها یادگیرنده های طبیعی اجتماعی هستند. ما دائماً در حال بررسی محیط هستیم تا بفهمیم افراد دیگر چه می‌کنند و چه چیزی می‌توانیم از آن بیاموزیم.»

ویلیام بریدی

چرا در یادگیری اجتماعی به اطلاعات PRIME یا اصلی تکیه می‌کنیم؟

وقتی درگیر یادگیری اجتماعی هستیم، از میانبرها برای تعیین اینکه چه اطلاعاتی مهم‌تر هستند استفاده می‌کنیم. چون ما نمی‌توانیم به همه چیز توجه کنیم.

بنابراین، نکته مثبت این است که مطابق با تحقیقات قبلی، ما توجه خود را به اطلاعاتی معطوف می‌کنیم که بریدی به آن‌ها PRIME یا اصلی می‌گوید. یعنی اطلاعات معتبر، درون گروهی، اخلاقی یا هیجانی. اطلاعات معتبر از فردی به دست می‎‌آید که موفق محسوب می‌شود. اطلاعات درون گروهی از یک هم سن و سال به دست می‌آید. منظور از اطلاعات اخلاقی این است که آیا افراد مطابق با هنجارهای اخلاقی مشترک رفتار می‌کنند یا خیر. اطلاعات هیجانی دارای بار هیجانی و اغلب منفی است.

دلایل بسیار خوبی وجود دارد که چرا انسان‌ها نسبت به اطلاعات PRIME تعصب یا سوگیری دارند. به عنوان مثال، طبق گفته بریدی «سوگیری در مورد اطلاعاتی که از افراد موفق به دست می‌آید، می‌تواند مفید باشد. آن‌ها صاحب نوعی دانش‌اند که موجب موفقیت آن‌ها شده است.» همچنین سوگیری نسبت به اطلاعات درون گروهی برای کمک به افراد در جهت‌یابی محیط اجتماعی خاص مفید است و به طور گسترده‌تر می‌تواند همکاری را تسهیل کند. سوگیری نسبت به اطلاعات اخلاقی و هیجانی، به ترتیب می‌تواند به برچسب رفتار غیراخلاقی و تهدیدهای اجتماعی هویتی کمک کند.

با این حال، از نظر حیاتی اطلاعات PRIME زمانی مفیدتر است که نادر و در عین حال قابل تشخیص باشد. به این معنی که فردی که موفق به نظر می‌رسد، در واقعیت موفق است. یا رفتاری که به عنوان رفتار غیراخلاقی شناخته می‌شود، واقعاً غیراخلاقی است.

محققان استدلال می‌کنند که این کمک می‌کند توضیح دهیم که چرا اطلاعات PRIME در فضاهای آنلاین مانند محیط آفلاین مفید نیست. دلیل آن تقویت الگوریتم‌هایی است بر مبنای اطلاعات PRIME توسعه داده شده است.

مشکلات وجود اطلاعات PRIME در الگوریتم شبکه‌های اجتماعی

الگوریتم شبکه‌های اجتماعی برای به حداکثر رساندن تعامل طراحی شده‌‌اند و این تعامل کلیک‌ها، لایک‌ها، زمان صرف شده در پلتفرم و غیره را شامل می‌شود. بنابراین از آنجایی که مغز ما تمایل دارد که اطلاعات PRIME را مهم و در نتیجه جذاب ببیند، الگوریتم‌ها نیز چنین طراحی شده‌اند که در طول زمان و با توجه به رفتار ما این دست از اطلاعات را در اختیار ما قرار دهند. در نتیجه، انگیزه‌ای برای کاربران وجود دارد که مطالبی معتبر، درون‌گروهی، اخلاقی و هیجانی را به روش‌هایی پست کنند که مطابق سلیقه ما به عنوان کاربر باشد.

هدف الگوریتم شبکه‌های اجتماعی افزایش تعامل کاربران است

جعل آشکار

در نهایت این روند اغلب اوقات جعل آشکار صورت می‌گیرد. فرض کنید شما عکسی را در شبکه‌های اجتماعی پست کنید که به نظر برسد با هواپیمای شخصی گرفته‌اید. در این صورت دیگران فکر می‌کنند واقعا این هواپیما برای شما است در حالی ممکن است این تصویر فقط از سمت شما انتخاب و به اشتراک گذاشته شده است.

الگوریتم‌ شبکه‌های اجتماعی اینفلوئنسرها را تشویق می‌کند که موفقیت‌های «جعلی» را با تصویری بسیار شیک نشان دهند.

بنابراین، پرستیژ و موفقیت آنلاین به اندازه محیط‌های دنیای واقعی با هم مرتبط نیستند. در نهایت الگوریتم‌ شبکه‌های اجتماعی اینفلوئنسرها را تشویق می‌کند که موفقیت‌های «جعلی» را با تصویری بسیار شیک نشان دهند. به دنبال آن سایر کاربران از گفتار یا اعمال آن‌ها درس می‌گیرند. به همین دلیل است که گفته می‌شود عملکرد سوگیری نسبت به منابع اطلاعاتی معتبر از بین رفته است.

این شکست مشابه می‌تواند با انواع دیگر اطلاعات PRIME نیز اتفاق بیفتد. سوگیری یادگیری اجتماعی نسبت به اطلاعات درون گروهی از لحاظ تاریخی همکاری و تفاهم را در یک جامعه تقویت کرده است. چون افراد برای کنار آمدن با هم مجموعه‌ای از هنجارهای مشترک را دنبال می‌کنند.

تقویت الگوریتمی

فضای آنلاین، می‌تواند نقش تفرقه‌انگیزتری در نحوه درک مردم از هنجارهای اجتماعی و سیاست‌ها داشته باشد. پرورش تفکر گروهی و در نهایت افراط‌گرایی برای اطلاعات درون گروهی آسان است. بنابراین هنگامی که کاربران شبکه‌های اجتماعی دیدگاه‌های افراطی را به صورت مستمر و همراه با لایک‌های زیاد مشاهده می‌کنند، ممکن است باور کنند که این دیدگاه رایج‌تر از چیزی است که به نظر می‌رسد.

هنگامی که کاربران شبکه‌های اجتماعی دیدگاه‌های افراطی را به صورت مستمر و همراه با لایک‌های زیاد مشاهده می‌کنند، ممکن است باور کنند که این دیدگاه رایج‌تر از چیزی است که به نظر می‌رسد.

بریدی در این باره می‌گوید: « در رویارویی با چنین شرایطی زمینه و افراد مناسب را در نظر بگیرید. سپس تقویت الگوریتمی را اضافه کنید. این می‌تواند یادگیری اجتماعی را به گونه‌ای منحرف کند که دیدگاه‌های افراطی مشروع‌تر و گسترده‌تر به نظر برسد.»

اطلاعات آنلاین PRIME همچنین می‌تواند مردم را به این باور برساند که کشور قطبی‌تر از آن چیزی است که واقعاً هست. طرفداران یک طیف سیاسی تفاوت دیدگاه خود در مقایسه با دیدگاه طرف دیگر را بیش از حد ارزیابی می‌کنند و تعاملات شبکه‌های اجتماعی یکی از منابع این سوء تفاهم است.

وقتی پلتفرم‌ها کاربران را در معرض اطلاعاتی در مورد گروه سیاسی مخالفشان قرار می‌دهد، محتواهایی که به آن‎ها ارائه می‌شود اغلب افراطی است و با نظرات گروه سیاسی درون گروهی رنگ‌آمیزی شده. بنابراین چنین تفسیری اغلب منفی، اخلاقی و هیجانی است. این دقیقاً همان نوع اطلاعاتی است که الگوریتم‌ شبکه‌های اجتماعی تقویت می‌کند. طبق گفته بریدی: «مردم تصویری اشتباه از طرف مقابل می‌بینند».

راهکارهای بهبود الگوریتم شبکه‌های اجتماعی

اگر الگوریتم‌ شبکه‌های اجتماعی مبتنی بر تعامل و اطلاعات PRIME باشد، یک ترکیب سرشار از تعارض و اطلاعات غیرمفید را ایجاد می‌کند. آیا می‌توان با این مشکل مبارزه کرد؟

تنوع محدود شامل بهینه‌سازی الگوریتم شبکه‌های اجتماعی برای محدود کردن میزان مشاهده اطلاعات PRIME توسط کاربران است.

توسعه دیدگاه‌های ارائه شده

یکی از روش‌ها این است که پلتفرم‌ها طیف وسیع‌تری از دیدگاه‌ها را به کاربران شبکه‌های اجتماعی نشان دهند. با این حال، این رویکرد می‌تواند پیامدهای ناخواسته‌ای داشته باشد. مانند نشان دادن دیدگاه‌های مخالف به افراد که ممکن است چندان خوشایند آن‌ها نباشد. در عوض، بریدی و همکارانش دو راه حل جایگزین پیشنهاد می‌کنند.

افزایش شفافیت الگوریتم شبکه‌های اجتماعی

منظور از افزایش شفافیت الگوریتم شبکه‌های اجتماعی این است که به سادگی به کاربران گفته شود دلیل این‌که یک پست به آن‌ها نشان داده می‌شود این است که یک دوست نزدیک آن را به اشتراک گذاشته است. یا به این دلیل که پلتفرم احساس کرده با توجه به تعاملات قبلی این پست می‌تواند برای شما جذاب باشد. این مورد به کاربران کمک می‌کند تا دریابند این فناوری چگونه کار می‌کند و در مورد آن‌چه که در فضای آنلاین استفاده می‌کنند، وسیع‌تر و عمیق‌تر فکر کنند.

تنوع محدود

این رویکرد شامل بهینه‌سازی الگوریتم شبکه‌های اجتماعی برای محدود کردن میزان مشاهده اطلاعات PRIME توسط کاربران است. امروزه، الگوریتم‌ها ارتباط محتوا را رتبه‌بندی می‌کنند و به کاربران پست‌هایی را نشان می‌دهد که بیشترین احتمال را دارد تا تعامل را افزایش دهد. همان‌طور که دیدیم، این فرآیند، اطلاعات PRIME زیادی را وارد ترکیب می‌کند. در این میان تنوع محدود جریمه‌ای را برای اطلاعات PRIME ایجاد می‌کند. به طوری که الگوریتم‌ها این نوع محتوا را کمتر به کاربران نشان می‌دهد.

البته اطلاعات غیر PRIME باقی مانده در ترکیب همچنان حاوی الگوریتم شناسایی شده‌ای است که احتمالاً کاربران را درگیر می‌کند. بسته به سلیقه کاربر، این می‌تواند الگوهای خنده‌دار، عکاسی تاریخی یا ویدیوهای زیبایی باشد. محتوایی که همچنان توجه را جلب می‌کند اما احتمال بروز خشم و ناراحتی کمتری دارد.

بریدی این تغییر را به گونه‌ای می‌بیند که یک پلتفرم می‌تواند هضم کند. او اظهار می‌کند: «در نهایت، ما می‌دانیم که شرکت‌های مالک شبکه‌های اجتماعی می‌خواهند مردم درگیر شوند. چون آن‌ها از این طریق درآمد کسب می‌کنند. آن‌ها باید پلتفرم‌های خود را حفظ کنند. بنابراین، ما این رویکرد را پیشنهاد می‌کنیم زیرا همچنان محتوایی را در اختیار افراد قرار می‌دهد که برایشان جالب است، اما اطلاعات PRIME بر آن‌ها تسلط ندارد.»