Twitter зіткнулася з тим, що алгоритми машинного навчання, які використовуються в рекомендаційній системі, виявляються упередженими і видають результат, заснований на даних однієї групи користувачів і ігнорують інші дані. Для розуміння ефекту роботи рекомендацій Twitter замовила дослідження вчених із провідних університетів США та Великобританії.

Аналіз був побудований на ефекті утримання уваги - якщо не менше 50% площі твіту затрималося на екрані користувача як мінімум на 0,5 секунд, то вважається, що користувач ознайомився з постом.

Дослідження дало такі результати:

алгоритми насправді просувають політичні записи, ефект не залежить від того, яка партія опублікувала пост і чи вона наразі при владі;

рекомендаційна система не враховує політичних поглядів користувачів, тому груповий ефект не переростає в індивідуальний;

пости від правих політиків і партій набувають більшого «алгоритмічного посилення», ніж записи від лівих, тенденція простежується у всіх досліджуваних країнах, крім Німеччини;

найконтрастнішою країною виявилася Канада, у ній твіти лібералів були посилені на 43%, а пости від консерваторів на 167%;

ультраліві та ультраправі партії і політики не отримують значного посилення, навіть у тому випадку, якщо правлячий апарат країни включає велику кількість представників цих рухів;

не було виявлено того факту, що рекомендаційна система у всіх країнах однаково просуває лише правлячі партії та ігнорує опозицію чи чинить інакше. Наприклад, у Великій Британії найбільше посилення отримала правляча партія консерваторів, а Канаді опозиційна.

Дослідники вирішили вийти за рамки постів у Twitter, і проаналізували як алгоритми просувають політичні новини новин. Для аналізу використовувалися статті з американських видань. Результат виявився схожим — контент із правих ЗМІ отримує більше посилення, а вкрай ліві та вкрай праві джерела практично не просуваються.

bbabo.Net