🚨 زمان مطالعه: ۱ دقیقه و نیم
🔗 #مقاله
این مقاله سراغ الگوریتم‌های پیشنهاددهنده شبکه‌های اجتماعی رفته، اما نتیجه‌اش یک بحث کلی درباره «شفافیت» نیست. نویسنده‌ها یک مدل agent-based ساختند، آن را با داده‌های X کالیبره کردند و بعد پرسیدند: الگوریتم برای بالا آوردن محتوا، به کدام سیگنال بیشتر وزن می‌دهد؟
🗯 نتیجه عددی چه بود؟
مدل توانست رفتار واقعی retweetها را نسبتا خوب بازسازی کند. خطای NRMSE در سه دیتاست بین 0.0509 تا 0.0854 بود، در حالی که مدل قبلی عدد 0.25 داشت. نکته مهم‌تر اینکه این مدل همزمان ۵۰ مسیر انتشار tweet را شبیه‌سازی می‌کرد، نه فقط یک tweet.
💻 سیگنال‌ها چه فرقی کردند؟
در موضوع زلزله ترکیه، وزن الگوریتم تقریبا بین محبوبیت محتوا و هم‌باوری کاربران تقسیم شد: 42.6 درصد برای محبوبیت و 49.8 درصد برای belief-based signal.
در موضوع Brits 2023، داستان عوض شد. حدود 50 درصد وزن روی سیگنال تصادفی بود، حدود 35 درصد روی محبوبیت، و کمی بیشتر از 10 درصد روی هم‌باوری.
در Balloon Incident، سیگنال هم‌باوری پررنگ‌تر بود و حدود 50 درصد وزن را گرفت.
نکته جالب این بود که «تازگی» یا chronological signal در هر سه موضوع وزن خیلی کمی داشت. یعنی در این بازه کوتاه، اینکه یک پست تازه‌تر باشد، لزوما دلیل اصلی بالا آمدنش نبود.
پس نتیجه مقاله این است: الگوریتم فقط یک قانون ثابت ندارد. بسته به موضوع، یک بار محبوبیت مهم‌تر می‌شود، یک بار شباهت موضع کاربران، و یک بار حتی سیگنال‌های تصادفی سهم زیادی می‌گیرند.
خود مقاله هم محتاط است. داده فقط از X آمده، دوره جمع‌آوری کوتاه بوده و مدل فقط چهار سیگنال را بررسی کرده. اما برای فهم عمومی الگوریتم‌ها، همین نتیجه مهم است: شفافیت واقعی یعنی بفهمیم در هر موضوع، سیستم چه چیزی را جلو می‌کشد.
💳 https://link.springer.com/article/10.1007/s43681-024-00527-1
✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️
😊 ما رو به دوستانتون معرفی کنین 😉
🔅 «Instagram 💎 @Pyramid_Research»
