美国普林斯顿大学政治系和公共与国际事务学院助理教授Andrew M. Guess等人发表了题为《社交媒体推送算法如何影响竞选活动中的态度和行为》的论文,该论文由来自美国知名高校和大型科技公司Meta的29位作者共同完成,深入研究了美国大选期间,Facebook和Instagram推送算法对其用户在大选中的态度和行为的影响。元战略摘编论文的重要内容,旨在为探讨社交媒体对政治行为的影响提供参考。

一、摘要

该研究调查了美国大选期间Facebook和Instagram的推送算法的影响。研究将用户样本分配到按时间倒序推送的信息流中,不再使用默认推送算法。这一改变显著减少了用户在平台上的停留时间和活动量,同时也影响了用户接受的信息:他们在Facebook和Instagram上看到的政治性内容和不可信内容的数量都有所增加,但在Facebook上看到的被归类为不文明或含有污言秽语的内容数量减少了,来自温和派用户和意识形态混杂来源的内容数量增加了。尽管用户在平台上的体验发生了重大变化,但在为期3个月的研究期间,按时间顺序推送的内容并没有显著改变用户在问题极化、情感极化、政治知识或其他关键态度方面的水平

二、研究背景

社交媒体公司使用的机器学习算法对选举和政治产生了何种影响?这种算法会产生政治“过滤泡沫”、助长两极分化、加剧现有的社会不平等并使虚假信息得以传播,这一观点已在公众意识中根深蒂固。由于社交媒体公司使用的算法在很大程度上对用户并不透明,因此关于这些算法的工作原理和实际效果存在许多观念或“民间理论”。因此,了解这些系统如何影响个人层面的关键政治成果具有极其重要的科学和现实意义。

该研究聚焦于特定推送算法对个人政治态度和行为的影响。为此,研究团队在美国总统大选的背景下,在Facebook和Instagram两大社交媒体平台上进行了随机对照实验。研究团队将Facebook和Instagram上的算法排序系统作为现状(以下简称“算法推送”)。在随机分配的处理组中,用户收到的推送按倒序(reverse-chronological)排列(以下简称“按时间顺序推送”(Chronological Feed)。虽然按时间顺序排列项目在技术层面构成了一种算法,但它并不像社交媒体平台使用的机器学习系统那样具有显著的预测性。简单的时间顺序排列,即最近的项目显示在用户信息源的顶部,既易于实施(最初在Facebook和Instagram上使用,现在仍是多个社交媒体平台上的一个选项),又与决策者和民间社会成员目前在公开讨论中提出的替代方案相匹配。

三、理论和研究问题

与其他领域相比,算法效应很少成为社交媒体和政治领域量化、公开研究的重点。出于研究需要,该研究倾向于将社交媒体作为一个统一的“捆绑”功能来处理。例如,社交媒体不仅包括算法,还包括与特定个体的重复互动以及重新分享内容的能力等,或操纵社媒平台内特定来源的曝光率。通过取代现状的算法排序系统,该实验让研究者有机会关注Facebook和Instagram算法基于用户社交网络中的连接、用户发布的帖子和互动所产生的“库存”,对内容进行排序和排名方面所起的作用。

这一关注点使研究团队能够确定算法排序的特殊作用。可以想象,社交媒体“捆绑”功能中的其他要素或能力可能更为重要。同样,尽管用户所看到的特定内容组合和排序可能是影响政治态度和行为的重要因素,但除了所使用的特定算法外,这种排序的其他决定因素,如用户选择或个人网络的构成,也可能与此相关。先前的研究已经证明了社交媒体对个人政治成果的影响,该研究的贡献在于确定这些影响是否可归因于现代社交平台的一个关键特征:个性化算法排序系统。

由于这些系统的影响在很大程度上是未知的,因此研究团队首先提出了一个研究问题(RQ):按时间顺序推送如何影响人们看到的内容?研究团队根据随机分配的处理方法提出了这个问题和随后的假设,在这种处理方法中,参与者的收到的推送内容将按照相反的时间顺序而不是默认算法进行排序。除了政策相关性和简便性之外,研究团队选择倒序基线的目的还在于最大限度地扩大用户的订阅体验差异,从而使算法驱动的内容和重点变化有可能塑造与政治相关的态度和行为。此外,机器学习信息算法通常被认为是一个“黑箱”,因为它们遵循的规则并不透明。相比之下,按时间顺序提供的信息则不具备这些特点,因为在任何时候都对所有用户采用相同的规则。

该研究重点关注3个主要假设,这些假设代表了现有研究中理论上的重要公众关切,并与可能受推送内容组合变化影响的3组结果相关联。该团队研究的第一个结果是两极分化(H1),第二个主要假设与政治知识有关(H2),第三个主要假设与政治参与有关(H3),这可能会受到推送算法的多种影响。

四、讨论

该研究证明,Facebook和Instagram的推送排序算法对用户在社交媒体上的使用体验产生了强烈影响。按时间顺序推送内容大幅减少了用户在平台上花费的时间,降低了用户在平台上参与内容的程度,并改变了用户获得的内容组合。例如,减少了来自好友的内容,增加了来自Facebook页面和群组的内容。与“算法推送”相比,用户看到了更多来自意识形态温和的朋友和受众参差不齐的来源的内容、更多政治内容、更多来自不可信来源的内容、更少被归类为不文明或含有污言秽语的内容。用户参与在线政治活动的程度也有所降低。然而,除了这些平台特有的体验之外,用内容的倒叙排序取代现有的机器学习算法,并没有对下游的政治态度、知识或离线行为(包括基于调查的两极分化和政治参与测量)造成可察觉的变化。这些发现阐明了有关社交媒体算法对政治和选举影响的先前研究和民间理论。

在该研究的用户样本中,研究团队的处理方法导致了在线行为的巨大变化,而政治态度、知识和离线行为的变化却很少,这两者之间的脱节有以下几种可能的解释。尽管该团队约3个月的研究比大多数政治传播实验研究的持续时间要长得多,但这种下行效应可能需要更持久的干预期。如果该研究不是在两极分化的选举活动期间进行,政治对话出现的频率相对较高,或者使用不同的内容排序系统来替代现状的推送排序算法,研究结果可能也会有所不同。

同样,这项研究是在特定的政治环境(美国)下进行的,其结果可能无法推广到其他政治体制。尽管如此,当代美国的许多特征——如两极分化加剧、民粹主义兴起、网络错误信息的存在等,在许多其他国家都存在。在制度化保护较少的环境中(如不太独立的媒体或较弱的监管环境),算法的影响可能会更加明显。

最后,“按时间顺序推送”的改变影响了用户在Facebook、Instagram和其他平台上的多方面体验。例如,用户在这些平台上花费的时间减少、看到更多来自群组和页面而非好友的内容、看到的不同类型的内容越来越多,以及在其他社交媒体平台上花费的时间增加。这些因素又可能相互影响,对政治态度、政治知识和政治行为产生不同的影响,因此从总体上看,我们没有观察到明显的变化。

此外,还有一系列限制因素与该研究设计的性质有关:该研究设计提供了对个人直接影响的估计,因此无法说明社交媒体是否塑造了社会激励机制或影响了其他用户的行为。例如,如果排序算法影响了对某些类型内容的需求,就会影响内容生产者(如新闻机构)、民间组织和政治活动的决策,而这些决策又会反馈到算法系统本身的输入中。简单来讲,该团队所研究的“按时间顺序推送”带来的影响,是由不在样本中的其他用户分享的部分帖子组成的,这些用户的行为受标准算法排名的影响。因此,该研究设计不能说明“一般均衡”效应。由于网络内的算法推送可能会产生复杂的系统动态,如果将该研究的随机干预(按时间顺序推送)扩大到所有用户,其影响可能会有所不同。未来可以探讨本研究中发现的一些最强烈影响因素,例如在平台上花费的时间减少,是否会介入影响"按时间顺序推送"与政治态度和行为之间的关系。

尽管存在上述局限性,但该研究收集的实验数据规模庞大。就主要结果而言,该研究结果排除了一些轻微的影响,从而降低了社交媒体推送排序算法直接的导致个人情感或议题极化,或以其他方式对政治竞选或线下政治参与预期的影响。尽管该团队研究的因变量对民主的健康生态很重要,但它们并不全面。未来应探讨该团队所研究的这类排序算法会对其他结果产生实质性影响,如议程设置或用户自己的管理习惯。

研究发现表明,社交媒体算法可能并不是政治两极分化加剧等现象的根本原因。因此,找出其他可能的线上因素(如社交媒体广告模式产生的激励机制)或离线因素(如长期人口变化、党派媒体、不平等加剧或地域排序)推动影响民主进程及结果的变化,就显得尤为重要。

(本文内容系“元战略”公众号原创编译,转载时请务必标明来源及作者)

文章译自:Science官网

文章题目:

How do social media feed algorithms affect attitudes and behavior in an election campaign?

文章链接:

https://doi.org/10.1126/science.abp9364

免责声明:文章内容系作者个人观点,如有任何异议,欢迎联系我们!图片来源于网络,如有侵权请联系删除。

编译 | 流景

编辑 | 流景

审校 | Zoie Y. Lee

声明:本文来自元战略,版权归作者所有。文章内容仅代表作者独立观点,不代表安全内参立场,转载目的在于传递更多信息。如有侵权,请联系 anquanneican@163.com。