Co-Exist Newsroom

Περιεχόμενο Ενότητας 3

Εισαγωγή στη Μηχανική Προκατάληψη – Πώς λειτουργούν οι αλγόριθμοι όταν ελέγχουν και φιλτράρουν τις πληροφοριών που βλέπουμε στις ροές ειδήσεων μας και τι μπορούμε να κάνουμε για να ανακτήσουμε τον έλεγχο των ειδήσεων μας.

Σύνολο: 18 διαφάνειες

Εισαγωγή στη Μηχανική Προκατάληψη - Κατανόηση και εξοικείωση με τους αλγόριθμους ροής ειδήσεων

Διαφάνεια 2 Μαθησιακά Αποτελέσματα

Μετά από αυτό το μάθημα, θα μπορείτε να:

  • Κατανοήσετε πώς οι αλγόριθμοι αλλάζουν τις ροές ειδήσεων μας
  • Πώς λειτουργούν οι αλγόριθμοι
  • Υιοθετείτε στρατηγικές για τον έλεγχό τους

Κατανόηση Αλγόριθμων

Η τεχνητή νοημοσύνη και οι αλγόριθμοί της είναι όροι γνωστοί σε όλους μας, ωστόσο οι εφαρμογές και οι λειτουργίες τους μπορεί να μην είναι ευκολά κατανοητές. Τους συναντάμε τακτικά, αν όχι καθημερινά και πολύ πιο συχνά από ό,τι φανταζόμαστε. Ενώ οι αλγόριθμοι πράγματι απλοποιούν πολλές λειτουργίες σε διάφορους τομείς, είναι σημαντικό να αναγνωρίσουμε ότι αυτά τα εργαλεία, αν και ισχυρά, δεν είναι άψογα και μπορούν, κατά καιρούς, να διαιωνίσουν ακούσια τις διακρίσεις.

Αλγόριθμοι στα μέσα κοινωνικής δικτύωσης

Οι αλγόριθμοι ροών κοινωνικής δικτύωσης είναι πολύπλοκα σύνολα προγραμματιστικών κανόνων και μαθηματικών μοντέλων που έχουν σχεδιαστεί για να ταξινομούν και να ιεραρχούν τις αναρτήσεις, τις εικόνες, τα βίντεο και άλλους τύπους περιεχομένου που θα εμφανίζονται στη ροή ειδήσεων ενός χρήστη.

Κάθε κλικ, κάθε like, κάθε διαμοιρασμός, διαμορφώνει το newsfeed μας – και κατ’ επέκταση, την άποψή μας για τον κόσμο. Η κατανόηση αυτού του μηχανισμού είναι το πρώτο βήμα προς μια πιο συνειδητή και ισορροπημένη χρήση των κοινωνικών δικτύων!

Πώς λειτουργούν οι αλγόριθμοι; (1/2)

  1. Συλλογή δεδομένων: Όλα ξεκινούν με τη συλλογή των δεδομένων του χρήστη. Τα μέσα κοινωνικής δικτύωσης συλλέγουν πληροφορίες σχετικά με τις διαδικτυακές δραστηριότητές μας: τι μας αρέσει, τι κλικάρουμε, τι μοιραζόμαστε, με ποιους λογαριασμούς αλληλεπιδρούμε περισσότερο, ακόμη και πόσο καιρό παρακολουθούμε ένα συγκεκριμένο είδος περιεχομένου!
  2. Ανάλυση συμπεριφοράς: Στη συνέχεια, αυτά τα δεδομένα αναλύονται για να καθοριστούν οι προτιμήσεις και τα ενδιαφέροντά μας. Οι αλγόριθμοι εξετάζουν μοτίβα συμπεριφοράς για να προσδιορίσουν τι τραβάει περισσότερο την προσοχή μας. Λαμβάνουν επίσης υπόψη τη συμπεριφορά των φίλων μας και των διασυνδέσεών μας…
  3. Μοντελοποίηση και πρόβλεψη: Από αυτήν την ανάλυση, τα κοινωνικά δίκτυα δημιουργούν προφίλ χρηστών που χρησιμοποιούνται για να προβλέψουν ποιο περιεχόμενο θα είναι πιο ελκυστικό για εμάς. Χρησιμοποιούν μοντέλα μηχανικής μάθησης για να βελτιώνουν συνεχώς αυτές τις προβλέψεις με βάση τη συνεχιζόμενη συμπεριφορά μας.
  4. Φιλτράρισμα και κατάταξη: Στη συνέχεια, οι αλγόριθμοι φιλτράρουν το διαθέσιμο περιεχόμενο, κατατάσσοντάς το με βάση αυτό που εκτιμούν ότι είναι η πιθανότητα αλληλεπίδρασής μας. Αυτό περιλαμβάνει αναρτήσεις, ανακοινώσεις, άρθρα, βίντεο κ.λπ. των φίλων μας Στη συνέχεια, οι αλγόριθμοι φιλτράρουν το διαθέσιμο περιεχόμενο, κατατάσσοντάς το με βάση αυτό που εκτιμούν ότι είναι η πιθανότητα αλληλεπίδρασής μας. Αυτό περιλαμβάνει αναρτήσεις των φίλων μας, ανακοινώσεις, άρθρα, βίντεο κ.λπ..
  5. Εξατομίκευση ειδήσεων: Το αποτέλεσμα αυτής της διαδικασίας φιλτραρίσματος είναι μια εξατομικευμένη ροή ειδήσεων, όπου κάθε στοιχείο επιλέγεται για να μεγιστοποιηθεί η πιθανότητα να αλληλοεπιδράσουμε.
  6.  Ανατροφοδότηση και προσαρμογή: Οι αλγόριθμοι προσαρμόζονται σε πραγματικό χρόνο με βάση τις συνεχείς αλληλεπιδράσεις μας. Εάν αλλάξουμε τη συμπεριφορά μας, για παράδειγμα αρχίζοντας να αλληλεπιδρούμε με διαφορετικούς τύπους περιεχομένου, ο αλγόριθμος θα προσαρμόσει ανάλογα τη ροή ειδήσεων μας!

Κοινωνικός αντίκτυπος: Περιπτώσεις Filter Bubble (φούσκα φίλτρου)

Αυτό το πολύπλοκο και δυναμικό σύνολο αλγορίθμων επηρεάζει όχι μόνο το περιεχόμενο που βλέπουμε αλλά και τον τρόπο που αντιλαμβανόμαστε τον κόσμο.

 

 To Filter Bubble είναι η εξατομικευμένη πραγματικότητα που που μας προσφέρει η ροή ειδήσεων και που δημιουργείται από αλγόριθμους. Ο Eli PARISER έκανε δημοφιλή αυτή την έννοια στο βιβλίο του “The Filter Bubble: How the New Personalized Web Is Changing What We Read and How We Think”. 

 

Σύμφωνα με την PARISER, οι χρήστες βρίσκονται συχνά εκτεθειμένοι σε μια περιορισμένη ροή πληροφοριών που ενισχύει τις υπάρχουσες απόψεις τους και τους απομονώνει από αντικρουόμενες απόψεις ή διαφορετικές προοπτικές.

 

Φιλτράροντας τις πληροφορίες και παρουσιάζοντάς μας μια εξατομικευμένη πραγματικότητα, έχουν τη δύναμη να ενισχύσουν τις υπάρχουσες πεποιθήσεις και να διαμορφώσουν κοινωνικές απόψεις και συμπεριφορές!

 

Ως αποτέλεσμα, οι χρήστες βρίσκονται συχνά εκτεθειμένοι σε μια περιορισμένη ροή πληροφοριών που ενισχύει τις υπάρχουσες απόψεις τους και τους απομονώνει από αντικρουόμενες απόψεις ή διαφορετικές προοπτικές. Αυτό μπορεί να περιορίσει την κατανόηση και τις γνώσεις των χρηστών σε διάφορα θέματα, να δημιουργήσει «θαλάμους ηχούς» και ενδεχομένως να συμβάλει στην πόλωση των απόψεων για σημαντικά ζητήματα.

Μελέτη Περίπτωσης (1/3)

Πραγματικά καθημερινά παραδείγματα που δείχνουν πώς οι αλγόριθμοι έχουν επηρεάσει τις τάσεις των μέσων κοινωνικής δικτύωσης και τις συζητήσεις.

 Εάν παρακολουθήσετε ένα βίντεο που επικρίνει ορισμένες πολιτιστικές ή θρησκευτικές πρακτικές σε μια ξένη χώρα, ο αλγόριθμος θα προτείνει άλλα βίντεο που επικρίνουν την ίδια χώρα ή άλλα βίντεο που απεικονίζουν παρόμοιες πολιτιστικές πρακτικές με στερεότυπο τρόπο… Πέφτετε σε ομοιόμορφη σκέψη!

Στο Facebook, οι αλγόριθμοι της ροής ειδήσεων μπορούν να ενισχύσουν ορισμένες ειδήσεις. Ως αποτέλεσμα, για παράδειγμα, ιδιαίτερα ασήμαντες ιστορίες μπορεί να γίνουν viral, ενώ άλλες, ίσως σημαντικές ιστορίες γίνονται λιγότερο ορατές. Παράδειγμα: Το 2021, το βίντεο του David Allen να χορεύει στο τραγούδι “Stay” των Kid Laroi και Justin Bieber έλαβε 43,9 εκατομμύρια likes και πάνω από 313 εκατομμύρια προβολές στο TikTok.

Μελέτη Περίπτωσης (2/3)

Hashtags στο Twitter. Για παράδειγμα, το hashtag #MeToo έχει πυροδοτήσει μια ευρεία παγκόσμια συζήτηση για τη σεξουαλική παρενόχληση και τις σεξουαλικές επιθέσεις, χάρη σε μεγάλο βαθμό στον αλγόριθμο του Twitter που ευνόησε τα tweets που χρησιμοποιούν αυτό το hashtag λόγω της δημοτικότητας και της συνάφειάς τους.

Στο Instagram, οι αλγόριθμοι τείνουν να προτιμούν περιεχόμενο από influencers με μεγάλο αριθμό ακολούθων και υψηλή αφοσίωση, κάτι που μπορεί να επηρεάσει τις τάσεις της μόδας και την κοινωνία συνολικά και να κατευθύνει τους καταναλωτές προς ορισμένα προϊόντα!

Μελέτη Περίπτωσης (3/3)

Οι αλγόριθμοι μπορούν μερικές φορές να συμβάλλουν στην ταχεία εξάπλωση της παραπληροφόρησης, καθώς το περιεχόμενο που προκαλεί έντονες αντιδράσεις συχνά διαδίδεται ευρύτερα. Για παράδειγμα, οι θεωρίες συνωμοσίας και η παραπληροφόρηση σχετικά με τον COVID-19 έχουν εξαπλωθεί γρήγορα σε πολλές πλατφόρμες.

 Έχουν γίνει συζητήσεις σχετικά με την κακή χρήση αλγορίθμων στη διάδοση πολωτικού πολιτικού περιεχομένου και την πιθανή επιρροή στις εκλογές. Για παράδειγμα, το 2016 η Ρωσική Υπηρεσία Ερευνών Διαδικτύου (IRA) χρησιμοποίησε στοχευμένες διαφημίσεις στα μέσα κοινωνικής δικτύωσης για να βοηθήσει τον Ντόναλντ Τραμπ, κατευθύνοντας τις μαύρες ψήφους υπέρ του που εις βάρος της Χίλαρι Κλίντον.

Κατακτήστε τη ροή ειδήσεων σας

Στρατηγικές για να ανακτήσετε τον έλεγχο της ροής ειδήσεων σας:

Συμπέρασμα - Διευρύνετε τους ορίζοντές σας και πάρτε πίσω την εξουσία από το μηχάνημα

➜ Υιοθετώντας αυτά τα αντανακλαστικά, μπορείτε να έχετε καλύτερο έλεγχο του περιεχομένου που εμφανίζεται στη Ροή Ειδήσεων, καθιστώντας το πιο σχετικό και ενδιαφέρον για εσάς.

Ωστόσο, ο άμεσος έλεγχος των αλγορίθμων μέσων κοινωνικής δικτύωσης δεν είναι δυνατός για τους χρήστες, καθώς αυτοί οι αλγόριθμοι ανήκουν και διαχειρίζονται οι ίδιες οι εταιρείες κοινωνικών μέσων. Μην ξεχνάτε ποτέ ότι πίσω από μια μηχανή, υπάρχει πάντα ένα ανθρώπινο πνεύμα (ή ακόμα και μια πολύ ισχυρή οικονομική αυτοκρατορία) και ότι η ουδετερότητα δεν υπάρχει.

Αν και αυτά τα εργαλεία και οι στρατηγικές δεν σας επιτρέπουν να ελέγχετε απευθείας τους αλγόριθμους, προσφέρουν έναν τρόπο διαχείρισης των όσων βλέπετε στα μέσα κοινωνικής δικτύωσης, ώστε να έχετε μια πιο εξατομικευμένη και ελεγχόμενη διαδικτυακή εμπειρία.

Κατανόηση της επιρροής των αλγορίθμων στις ειδήσεις και τις πεποιθήσεις μας

Πόροι περεταίρω διερεύνησης

Βασικά στοιχεία/Άρθρο: οι 30 πιο ισχυρά ονόματα στον τομέα των μέσων κοινωνικής δικτύωσης για το 2023 https://www.fastcompany.com/90849097/most-innovative-companies-social-media-2023 

Εργαλεία: εδώ υπάρχουν επεκτάσεις προγράμματος περιήγησης, όπως το F.B. Purity για το Facebook, το οποίο επιτρέπει στους χρήστες να εξατομικεύουν την εμπειρία τους στα μέσα κοινωνικής δικτύωσης. Αυτές οι επεκτάσεις ενδέχεται να προσφέρουν επιλογές για το φιλτράρισμα ορισμένων τύπων περιεχομένου, την διαφορετική οργάνωση των ροών ειδήσεων ή τον αποκλεισμό διαφημίσεων.

Βιβλία και Μελέτες

– Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy by Cathy O’Neil, Ed. Crown Σεπτέμβριος 2016 (Αυτό το βιβλίο εξετάζει πώς οι αλγόριθμοι, υπό το πρόσχημα της αντικειμενικότητας, μπορούν να ενισχύσουν την ανισότητα και την προκατάληψη).

– Algorithms of Oppression: How Search Engines Reinforce Racism by Safiya Umoja Noble, Ed. NYU Press 2018 (Η Noble διερευνά πώς οι αλγόριθμοι αναζήτησης, ειδικά αυτοί που χρησιμοποιούνται από μεγάλες εταιρείες όπως η Google, μπορούν να διαιωνίσουν ρατσιστικά και σεξιστικά στερεότυπα).

– The Filter Bubble: How the New Personalised Web Is Changing What We Read and How We Think by Eli Pariser, Ed. New York, Penguin Press, 2011 (Ο Pariser εξηγεί πώς οι αλγόριθμοι εξατομίκευσης στο διαδίκτυο δημιουργούν “filter bubbles”, περιορίζοντας την έκθεσή μας σε διάφορες πληροφορίες και προοπτικές).

– Automating Inequality: How High-Tech Tools Profile, Police, and Punish the Poor by Virginia Eubanks. Ed. St. Martin’s Press, New York, 2018 (Αυτό το βιβλίο εστιάζει στον τρόπο με τον οποίο χρησιμοποιούνται οι αλγόριθμοι για τη διαχείριση κοινωνικών υπηρεσιών, συχνά εις βάρος των πιο ευάλωτων πληθυσμών).

– Data and Goliath: The Hidden Battles to Collect Your Data and Control Your World by Bruce Schneier. Ed. W.W. Norton & Company, 2015 (Η Schneier διερευνά τις τεράστιες ποσότητες δεδομένων που συλλέγονται για εμάς από το διαδίκτυο και πώς χρησιμοποιούνται, συχνά με αδιαφανή τρόπο).

Με τη χρηματοδότηση της Ευρωπαϊκής Ένωσης. Οι απόψεις και οι γνώμες που διατυπώνονται εκφράζουν αποκλειστικά τις απόψεις των συντακτών και δεν αντιπροσωπεύουν κατ’ανάγκη τις απόψεις της Ευρωπαϊκής Ένωσης ή του Ευρωπαϊκού Εκτελεστικού Οργανισμού Εκπαίδευσης και Πολιτισμού (EACEA). Η Ευρωπαϊκή Ένωση και ο EACEA δεν μπορούν να θεωρηθούν υπεύθυνοι για τις εκφραζόμενες απόψεις.Αριθμός Σχεδίου: 2022-2-IE01-KA220-YOU-000099163

 
Scroll to Top