شبیه‌سازی با هوش مصنوعی نشان داد: ساختار سمی شبکه‌های اجتماعی ذاتاً قابل اصلاح نیست
پژوهش جدید از دانشگاه آمستردام نشان می‌دهد که مشکلات عمیق و بنیادین شبکه‌های اجتماعی مانند قطبی‌سازی شدید احتمالاً قابل حل نیستند.
در دیجیاتو ثبت‌نام کنید
جهت بهره‌مندی و دسترسی به امکانات ویژه و بخش‌های مختلف در دیجیاتو عضو ویژه دیجیاتو شوید.
عضویت در دیجیاتوتازههای تکنولوژی
ویدئوی مرتبط
پژوهش جدید از دانشگاه آمستردام نشان می‌دهد که مشکلات عمیق و بنیادین شبکه‌های اجتماعی مانند ایجاد اتاق‌های پژواک، قطبی‌سازی شدید و تسلط تعداد انگشت‌شماری از کاربران بر دیگران، احتمالاً قابل حل نیستند. این مطالعه به یک نتیجه‌گیری تکان‌دهنده می‌رسد: مشکل نه در الگوریتم‌های مضر، نه در فیدهای غیرزمانی و نه حتی در تمایل انسان به منفی‌گرایی است، بلکه به ذات و معماری خود شبکه‌های اجتماعی برمی‌گردد.
براساس گزارش Ars Technica، برای بررسی ابعاد منفی معماری شبکه‌های اجتماعی، پژوهشگران رویکرد جالبی را به کار گرفتند. آنها یک شبکه اجتماعی کامل را شبیه‌سازی کردند که تمام کاربران آن، بات‌های هوش مصنوعی بودند. این بات‌ها صرفاً کدهای ساده نبودند؛ به هر کدام از آنها یک شخصیت متنی غنی براساس داده‌های واقعی «نظرسنجی انتخابات ملی آمریکا» داده شده بود؛ مثلاً «اسم تو باب است، اهل ماساچوست هستی و به ماهیگیری علاقه داری.»
این کار به آنها اجازه داد تا بدون دخالت انسان، پویایی یک شبکه اجتماعی را مشاهده و سناریوهای مختلف را آزمایش کنند. محققان در کمال تعجب دریافتند که برای بازتولید تمام مشکلات شناخته‌شده شبکه‌های اجتماعی، نیازی به اضافه‌کردن هیچ الگوریتم یا دستکاری خاصی نبود؛ تمام این پویایی‌های سمی به صورت خودکار از مدل پایه و اسکلت اصلی شبکه (یعنی امکان پست‌گذاشتن، بازنشرکردن و دنبال‌کردن) پدیدار شدند.
ساختار و معماری معیوب شبکه‌های اجتماعی
براساس مقاله محققان، آنها شش راه‌حل رایج و پیشنهادی برای اصلاح شبکه‌های اجتماعی را در این محیط شبیه‌سازی‌شده آزمایش کردند؛ از جمله تغییر فید به حالت زمانی، تقویت دیدگاه‌های متنوع، پنهان‌کردن آمار لایک و دنبال‌کننده و استفاده از الگوریتم‌های «پل‌زن» برای ترویج محتوای وحدت‌بخش.
نتایج ناامیدکننده بود. هیچ‌یک از این راه‌حل‌ها نتوانستند مکانیسم‌های بنیادین تولیدکننده این مشکلات را مختل کنند. درواقع، برخی از آنها حتی اوضاع را بدتر کردند. برای مثال، فید زمانی اگرچه نابرابری توجه (تسلط عده‌ای خاص) را کاهش داد، اما درمقابل، باعث تقویت و نمایش بیشتر محتوای افراطی شد.
«پتر تورنبرگ» (Petter Törnberg)، استاد هوش مصنوعی و رسانه‌های اجتماعی دانشگاه آمستردام، توضیح می‌دهد که یک حلقه بازخورد سمی در ذات این پلتفرم‌ها وجود دارد: محتوای احساسی و تفرقه‌انگیز به‌طور طبیعی بیشتر بازنشر می‌شود. این بازنشرها، صرفاً محتوا را پخش نمی‌کنند، بلکه ساختار خود شبکه را شکل می‌دهند و در این ساختار افراد با عقاید مشابه به هم متصل می‌شوند. سپس این ساختار شبکه‌ای جدید، تعیین می‌کند که شما در آینده چه محتوایی را ببینید و این چرخه به‌طور مداوم خود را تقویت می‌کند.
این مطالعه نشان می‌دهد تا زمانی که معماری اصلی شبکه‌های اجتماعی برپایه همین دینامیک «پست، بازنشر، دنبال‌کردن» استوار باشد، ما احتمالاً محکوم به تکرار این حلقه‌های بازخورد سمی هستیم. بدتر از آن، با ظهور هوش مصنوعی مولد که قادر به تولید انبوه محتوای جنجالی برای جلب توجه است، این بحران احتمالاً در آینده نزدیک بسیار شدیدتر خواهد شد.
برای گفتگو با کاربران ثبت نام کنید یا وارد حساب کاربری خود شوید.