چگونه داده‌های تجربی فرضیه «حباب فیلتر» را رد می‌کنند

روایت غالب درباره الگوریتم‌های شبکه‌های اجتماعی این است که آن‌ها موتورهای گزینشگر قادر مطلقی هستند که کاربران را در «حباب‌های فیلتر» گریزناپذیری به دام می‌اندازند و دیدگاه‌های مخالف را به‌طور سیستماتیک پنهان می‌کنند. فرضیه حباب فیلتر که در سال ۲۰۱۱ مطرح شد، الگوریتم‌های شخصی‌سازی را به‌عنوان محرک‌های اصلی قطبی‌شدن سیاسی مدرن معرفی می‌کند؛ الگوریتم‌هایی که آن‌قدر محتوای کاملاً هم‌سو به خورد کاربر می‌دهند تا دیدگاه‌های متقاطع و مخالف به‌کلی ناپدید شوند. این یک شعار تبلیغاتی جذاب و پادآرمان‌شهری برای نشان دادن قدرت پلتفرم‌های فناوری است. با این حال، وقتی پژوهشگران واقعاً داده‌های در جریان در این شبکه‌ها را اندازه‌گیری می‌کنند، شواهد تجربی مستقیماً این نظریه را رد می‌کند.[3]

یک مداخله آزمایشی گسترده در سال ۲۰۲۳ که در نشریه نیچر (Nature) منتشر شد، فرض اساسی حباب فیلتر را به بوته آزمایش گذاشت. پژوهشگران با همکاری شرکت متا (Meta)، حجم محتوای هم‌سوی سیاسی را در فید ۲۳٬۳۷۷ کاربر بزرگسال فیس‌بوک که رضایت داده بودند، در طول سه ماه در زمان انتخابات ریاست‌جمهوری ۲۰۲۰ ایالات متحده، حدود ۳۳ درصد کاهش دادند. اگر الگوریتم‌ها محرک اصلی قطبی‌شدن بودند، شکستن این حباب الگوریتمی با تزریق محتوای متنوع باید افراط‌گرایی ایدئولوژیک را به‌طور قابل‌سنجشی کاهش می‌داد.[1]

اما داده‌ها واقعیت دیگری را فاش کردند. مطالعه نیچر نشان داد که اگرچه این مداخله با موفقیت مواجهه با منابع مخالف را افزایش و مواجهه با ادبیات غیرمدنی را کاهش داد، اما تاثیر قابل‌اندازه‌گیری آن بر قطبی‌شدن عاطفی، افراط‌گرایی ایدئولوژیک یا باور به ادعاهای نادرست، دقیقاً صفر بود. الگوریتم تغییر کرد و حباب سوراخ شد، اما نگرش‌های سیاسی بنیادین کاربران کاملاً دست‌نخورده باقی ماند. همان‌طور که برندان نایهان (Brendan Nyhan)، پژوهشگر ارشد از کالج دارتموث اشاره کرد: «این یافته‌ها به این معنا نیستند که هیچ دلیلی برای نگرانی درباره شبکه‌های اجتماعی به‌طور کلی یا فیس‌بوک به‌طور خاص وجود ندارد»، اما نشان می‌دهند که کاهش مواجهه با محتوای هم‌سو، لزوماً به کاهش قطبی‌شدن منجر نمی‌شود.[1]

برای درک اینکه چرا الگوریتم تنها مقصر ماجرا نیست، پژوهشگران توپولوژی واقعی شبکه‌های آنلاین را نقشه‌برداری کرده‌اند. یک تحلیل جامع در سال ۲۰۲۱ که در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شد، بیش از ۱۰۰ میلیون قطعه محتوا را در فیس‌بوک، ردیت، توییتر و گب (Gab) بررسی کرد. پژوهشگران «اثر اتاق پژواک» را با اندازه‌گیری هم‌وفاقی (homophily) - تمایل جامعه‌شناختی کاربران به تجمع با افراد مشابه - و ردیابی سوگیری دقیق در نحوه انتشار اطلاعات در این شبکه‌ها در طول بحث‌های به‌شدت قطبی، کمّی‌سازی کردند.[2]

داده‌های شبکه‌ای، تفکیک‌های متمایز و خاص هر پلتفرم را نشان دادند؛ ضریب اتاق پژواک برای فیس‌بوک ۰/۴۳ و برای ردیت ۰/۲۸ محاسبه شد. این امر تایید می‌کند که معماری پلتفرم بر میزان فشردگی خوشه‌های گروهی تاثیر می‌گذارد. با این حال، وجود یک اتاق پژواک به این معنا نیست که الگوریتم در حال پنهان کردن اطلاعات بیرونی است. در واقع، فراتحلیل‌های متعدد، از جمله یک بررسی جامع در سال ۲۰۱۸ توسط دانشگاه آمستردام، نشان می‌دهند که فیدهای الگوریتمی معمولاً کاربران را در معرض تنوع گسترده‌تری از منابع خبری قرار می‌دهند تا آنچه که از طریق وب‌گردی مستقیم یا شبکه‌های اجتماعی آفلاین با آن مواجه می‌شوند.[2][3]

تضاد این موضوع با زندگی آفلاین به‌ویژه قابل‌توجه است. شبکه‌های اجتماعی آفلاین - محله‌ها، محل کار و گروه‌های دوستی - به‌شدت بر اساس جغرافیا، طبقه اجتماعی و وابستگی سیاسی تفکیک شده‌اند. مطالعات به‌طور مداوم نشان می‌دهند که محیط فیزیکی یک شهروند عادی بسیار بیشتر از محیط دیجیتال او شبیه به یک اتاق پژواک است. شبکه‌های اجتماعی، به دلیل مقیاس عظیم خود، «پیوندهای ضعیفی» ایجاد می‌کنند که اطلاعات متضاد با نگرش کاربر را به حاشیه دید او تزریق کرده و انزوای جغرافیاییِ مشخصه مصرف رسانه‌ایِ پیش از اینترنت را در هم می‌شکنند.[3][4]

گسست میان مواجهه با اطلاعات و قطبی‌شدن، ریشه در رفتار انسانی دارد، نه یادگیری ماشینی. مرور پیشینه پژوهش‌ها در سال ۲۰۲۲ توسط موسسه مطالعات روزنامه‌نگاری رویترز نشان داد که گزینش الگوریتمی توسط پلتفرم‌های دیجیتال معمولاً به استفاده اندکی متنوع‌تر از اخبار منجر می‌شود. وقتی یک موتور توصیه‌گر مقاله‌ای با دیدگاه مخالف را در فید کاربر قرار می‌دهد، این کاربر است که باید تصمیم بگیرد روی آن کلیک کند یا نه. داده‌ها نشان می‌دهند که انتخاب شخصی - تمایل انسان به نادیده گرفتن دیدگاه‌های مخالف و تعامل شدید با شواهد تاییدکننده - بر تنوع پایه الگوریتم غلبه می‌کند.[4]

این تعامل انتخابی، یک حلقه بازخورد ایجاد می‌کند که خود کاربران آن را می‌سازند. اگر به کاربری ۵۰/۴ درصد محتوای هم‌سو و ۱۴/۷ درصد محتوای مخالف ارائه شود - که میانه مواجهه در فیس‌بوک طبق مطالعه نیچر است - اما او فقط روی پست‌های هم‌سو کلیک کند، آن‌ها را به اشتراک بگذارد و نظر بدهد، الگوریتم یاد می‌گیرد محتوایی را بیشتر ارائه دهد که کاربر فعالانه تقاضا می‌کند. این انزوا یک زندان الگوریتمی نیست؛ بلکه یک پناهگاه خودساخته توسط کاربر است.[1][5]

علاوه بر این، کاربرانی که بیشترین احتمال را دارد در اتاق‌های پژواک واقعی و کاملاً مهروموم‌شده حضور داشته باشند، شهروندان عادی نیستند که منفعلانه توسط کدها دستکاری شده باشند. آن‌ها حامیان حزبی به‌شدت درگیر در سیاست هستند که فعالانه محیط خود را گزینش می‌کنند. این کاربرانِ پرمصرف، با پرخاشگری صداهای مخالف را آنفالو می‌کنند، حساب‌های معارض را مسدود کرده و به دنبال فضاهای به‌شدت حزبی می‌گردند. برای این اقلیت کوچک اما پرسروصدا، الگوریتم صرفاً ابزاری است که از آن برای تسریع خودانزوایی‌شان استفاده می‌کنند، نه یک دست نامرئی که آن‌ها را به این کار وادار کند.[4]

پذیرش این واقعیت که حباب‌های فیلتر تا حد زیادی افسانه‌ای از قدرت مطلق الگوریتم‌ها هستند، تمرکز سواد دیجیتال و مقررات‌گذاری پلتفرم‌ها را تغییر می‌دهد. اگر معماری شبکه‌های اجتماعی صرفاً مواجهه انتخابی انسان را بازتاب داده و تقویت می‌کند، تلاش‌های قانون‌گذاران برای اجباری کردن فیدهای زمانی (کرونولوژیک) یا تحمیل تنوع الگوریتمی نتایج ناچیزی به همراه خواهد داشت. داده‌های تجربی نشان می‌دهند که کاربران همین حالا هم در فیدهای روزانه خود طرف مقابل را می‌بینند؛ آن‌ها فقط انتخاب می‌کنند که گوش ندهند. این یک واقعیت رفتاری است که به‌روزرسانی‌های نرم‌افزاری و دستکاری‌های الگوریتمی به‌تنهایی قادر به وصله‌پینه کردن آن نیستند.[5]