اعتراف عجیب توییتر درباره توییت‌های سیاستمداران

توییتر تعصب در الگوریتم سیاستمداران راستگرا و خبرگزاری‌ها را پذیرفته است، درواقع توییتر اعتراف کرده است که توئیت‌های سیاستمداران و خبرگزاری‌های راست‌گرا را بیشتر از محتوای منابع چپ‌گرا تقویت می‌کند و حزب محافظه‌کار بریتانیا در میان بزرگترین ذینفعان آن قرار دارد.

به گزارش گاردین، این شبکه اجتماعی توییت‌های مقامات منتخب در هفت کشور انگلستان، ایالات متحده، کانادا، فرانسه، آلمان، اسپانیا و ژاپن را مورد بررسی قرار داد. همچنین بررسی کرد که آیا محتوای سیاسی سازمان‌های خبری در توییتر تقویت می‌شود یا خیر، با تمرکز اصلی بر منابع خبری ایالات متحده مانند فاکس نیوز، نیویورک تایمز و بازفید.

این مطالعه جدول زمانی «صفحه اصلی» توییتر را مقایسه کرد  روشی که به ۲۰۰ میلیون کاربر آن به طور پیش‌فرض به توئیت‌ها ارائه می‌شود، که در آن یک الگوریتم آنچه را که کاربران می‌بینند تنظیم می‌کند، با جدول زمانی سنتی که در آن جدیدترین توییت‌ها در رتبه اول قرار می‌گیرند.

این تحقیق نشان داد: در شش کشور از هفت کشور، به غیر از آلمان، توییت‌های سیاستمداران راست‌گرا بیشتر از الگوریتم‌های چپ تقویت می‌شوند. سازمان‌های خبری راست‌گرا بیشتر از سازمان‌های چپ تقویت شدند؛ و به طور کلی، توییت‌های سیاستمداران بیشتر توسط یک جدول زمانی الگوریتمی تقویت می‌شد تا با جدول زمانی زمانی.

بر اساس یک سند تحقیقاتی ۲۷ صفحه‌ای، توییتر “تفاوت آماری قابل توجهی به نفع جناح راست سیاسی” در همه کشور‌ها به جز آلمان پیدا کرد. بر اساس این تحقیق، مقدار ۰ ٪ به این معنی است که توییت‌ها در جدول زمانی الگوریتمی به همان تعداد کاربر رسیده اند، در حالی که مقدار ۱۰۰ ٪ به معنای دسترسی دو برابری توییت‌ها است.

بر این اساس، قوی‌ترین اختلاف بین راست و چپ در کانادا (لیبرال‌ها ۴۳ درصد؛ محافظه کاران ۱۶۷ درصد) و پس از آن بریتانیا (کارگر ۱۱۲ درصد؛ محافظه کاران ۱۷۶ درصد) بود. در این سند آمده است که حتی بدون احتساب مقامات ارشد دولتی، نتایج مشابه بود.

محققان این سوگیری را در بریتانیا، ایالات متحده، کانادا، فرانسه، اسپانیا و ژاپن یافتند -، اما در آلمان نه. توییتر گفت که مشخص نیست چرا جدول زمانی Home خود این نتایج را ایجاد کرده است و نشان داد که اکنون ممکن است نیاز به تغییر الگوریتم خود داشته باشد. یک پست وبلاگی توسط Ruman Chowdhury، مدیر بخش اخلاق در یادگیری ماشینی، شفافیت و پاسخگویی توییتر، و لوکا بلی، محقق توییتر، گفت:” یافته‌ها می‌تواند «مشکل‌ساز» باشد و باید مطالعات بیشتری انجام شود. این پست اذعان داشت که این موضوع نگران کننده است که آیا توییت‌های خاصی به دلیل نحوه تعامل کاربران با الگوریتمی که جدول زمانی خود را تنظیم می‌کند، مورد توجه قرار می‌گیرند یا خیر. تقویت الگوریتمی مشکل ساز است اگر رفتار ترجیحی به عنوان تابعی از نحوه ساخت الگوریتم در مقابل تعامل افراد با آن وجود داشته باشد. به منظور تعیین اینکه در صورت وجود تغییراتی که برای کاهش اثرات نامطلوب توسط الگوریتم جدول زمانی Home ما لازم است، به تجزیه و تحلیل علت ریشه‌ای بیشتری نیاز است. “

توییتر اعلام کرد تحقیقات خود را در اختیار افرادی خارج از شرکت توییتر  مانند دانشگاهیان قرار می‌دهد و در حال آماده سازی است تا به اشخاص ثالث اجازه دسترسی گسترده‌تر به داده‌های خود را بدهد، در اقدامی که احتمالاً فشار بیشتری را بر فیس بوک وارد می‌کند تا همین کار را انجام دهد.

مطالعه توییتر دو روشی را که کاربر می‌تواند جدول زمانی خود را مشاهده کند، مقایسه کرد: اولی از یک الگوریتم برای ارائه یک نمای مناسب از توییت‌ها استفاده می‌کند و دیگری همه توییت‌ها را بر اساس حساب‌های دنبال‌شده، با رتبه‌بندی زمانی نمایش می‌دهد.

این مطالعه دو نوع جدول زمانی را با در نظر گرفتن اینکه آیا برخی از سیاستمداران، احزاب سیاسی یا رسانه‌های خبری تقویت شده‌تر  از دیگران هستند، مقایسه کرد. در این مطالعه میلیون‌ها توییت از سوی مقامات منتخب بین ۱ آوریل تا ۱۵ اوت ۲۰۲۰ و صد‌ها میلیون توییت از سازمان‌های خبری، عمدتاً در ایالات متحده، در مدت مشابه مورد تجزیه و تحلیل قرار گرفت.

توییتر اعلام کرد که تحقیقات خود را در دسترس اشخاص ثالث قرار می‌دهد، اما گفت که نگرانی‌های حفظ حریم خصوصی مانع از در دسترس قرار دادن “داده‌های خام” شده است. در این پست آمده است: «ما مجموعه داده‌های انبوهی را برای محققان شخص ثالثی که می‌خواهند یافته‌های اصلی ما را بازتولید کنند و روش‌شناسی ما را در صورت درخواست تأیید کنند، در دسترس قرار می‌دهیم.»

توییتر اضافه کرد که آماده می‌شود تا داده‌های داخلی را به طور منظم در اختیار منابع خارجی قرار دهد. این شرکت گفت که تیم اخلاقی، شفافیت و پاسخگویی یادگیری ماشینی توییتر در حال نهایی کردن برنامه‌ها به روشی است که از حریم خصوصی کاربران محافظت کند.