Nature封面:社交网络影响集体决策 或改变选举结果

  • 时间:
  • 浏览:1
  来源:新智元(ID:AI_era)

  导读:《Nature》封面刊登了一项新研究,研究显示,社交网络中人与人之间的信息流动原因会扭曲社区中这各自 对怎么才能 才能 投票的看法,而这原因会改变选举的结果。

  今天,来自宾夕法尼亚大学、休斯顿大学、MIT等高校的研究人员的一项研究荣登《Nature》封面。

  研究表明,社交网络中的这一行态原因会影响到一方的投票结果,即使双方全部需用相同的规模且每个参与者全部需用相同的影响,这一 问题图片大伙儿儿称之为“information gerrymandering”。

  Electoral gerrymandering,即政治选区被吸引到一方的选举制度,最近引起了大伙儿儿的重新关注,十2个 世纪以来的做法使选举的结果产生偏见。

  研究人员首先从集体决策的数学模型中预测了这一 问题图片,已经 通过对数千这各自 类受试者进行社会网络实验来证实其效果。最后,大伙儿儿分析了各种现实世界网络,并在Twitter、博客圈以及美国和欧洲立法机构中找到了“information gerrymandering”的例子。

  Information gerrymandering可不需用改变大伙儿儿思考政治决策的措施,正如这一 不同思想的形象所描绘的那样。在决定怎么才能 才能 投票时,大伙儿儿需用整合不同的信息来源。但信息从不老是 自由流动;它可不需用受到社交网络的限制,并受到狂热者和自动机器人的扭曲。

  2520名志愿者参与“选民游戏”,少数转投多数以免陷入僵局

  现在,由宾夕法尼亚大学生物学家Joshua B. Plotkin和休斯顿大学的Alexander J. Stewart领导的研究人员发现了民主决策的原本 障碍,这原因与在线社区尤为相关。 

  大伙儿儿研究了三个 群体在三个 有争议的决定下对抗的情況。大伙儿儿基于博弈论开发了一种生活选民选者模型, 有2520名真实的人参与,每12人为一组,玩在线游戏。

  首先,研究人员构建了三个 简单的游戏,玩家被分配到竞争团体或党派。把玩家放进去去三个 网络上,这一 网络决定了每这各自 都能都看这各自 的投票意向,玩家们被激励起来,原本 大伙儿儿的政党就能“赢得”选举。第十个 最好的结果是这各自 获胜,最坏的结果是陷入僵局。 

  如上图显示,社会网络行态影响选民的看法。在哪些地方地方社交网络中,十这各自 投了橙色,十个 投了蓝绿色。每这各自 全部需用十个 互惠的社交关系,其中:

  a,在这一 随机网络中,八这各自 正确地从大伙儿儿的联系人的偏好推断出橙色更受欢迎,十个 推断平局,只能三个 错误地推断出蓝绿色更受欢迎。 

  b,当这各自 主要与志趣相投的人进行互动时,会总出 “过滤泡沫”,各自 都认为大伙儿儿那一方是最受欢迎的。在这一 情況下,投票僵局更有原因,原因没法 人认识到需用妥协。 

  c,Stewart等人描述“Information gerrymandering”,其中网络行态扭曲了选民对他人偏好的看法。在这里,三分之二的选民错误地推断蓝绿色更受欢迎,这是原因蓝绿色支持者战略性地影响了少数喜欢橙色的人。

  研究发现,在科学家所谓的“information gerrymandering”中,全部需用地理边界会产生偏见,只是社交网络的行态,累似 社交媒体连接。 

  “大伙儿儿根据大伙儿儿阅读的内容和与之互动的人来形成意见或决定怎么才能 才能 投票,” Plotkin说:“在今天的世界里,大伙儿儿做了一定量的在线分享和阅读。大伙儿儿发现,即使在没法 “虚假新闻”的情況下,“information gerrymandering”也会原因集体决策结果产生强烈偏见。 

  “这他不知道们,大伙儿儿需用谨慎依赖社交媒体进行沟通,原因网络行态没哟大伙儿儿的控制之下,但它原因会扭曲大伙儿儿的集体决策。”

  偏差高达20%,“罪魁祸首”竟是社交网络

  研究人员的分析表明,“information gerrymandering”很容易产生20%的偏差。换句话说,三个 被平均分成三个 派别的团体原因仅仅原因信息分散而达到100比40的决定。

  Plotkin说:“这一 想法累似 于‘electoral gerrymandering’,一方可不需用获得优势,而全部需用通过绝对数量来决定谁在哪个区投票。”

  鉴于对社交媒体怎么才能 才能 改变信息流的担忧,这一 影响算不算会原因偏见的结果是Plotkin有点痛 关心的问题图片。

  “现在,大伙儿儿需用研究社交媒体对自由民主国家健康的影响,”你说歌词 。

  Plotkin说:“简而言之,大伙儿儿发现,即使两党拥有相同数量的成员、网络中的每这各自 都具有同等的影响力,一切似乎都很公平,但社交网络的行态仍然会将结果偏向一方或这各自 。”

  原因与双方互相交流的措施有关。

  当三个 党派的成员只与同党派成员交谈,而全部需用跨越党派交流时,这原因会原因网上所谓的“过滤泡沫”(filter bubble),你这这各自 的观点会原因付进 人而加强。把三个 原本 的小组放进去去同去,每个小组都站这各自 方的观点,已经 就总出 了僵局。

  然而,当信息gerrymandering,一方的这一成员最终会加入由这各自 成员主导的对话中。在那里,大伙儿儿有原因说服对方,或被说对方服。 

  “处于劣势的党派,”Plotkin解释说,“往往是三个 分裂了这各自 影响力的党派,大多数成员只与这各自 党派成员对话,而少数成员则在原本 党派主导的‘泡沫’中互动,很原因已经 倒戈。”

  “大伙儿儿可不需用通过社交网络的行态将哪些地方地方实验性游戏中的最终投票率提高20%或更多,”Plotkin坦言:“即使一方拥有2比1的规模优势,大伙儿儿也预测少数党可不需用通过information gerrymandering赢得多数选票。”

  大伙儿儿好奇算不算要能使用自动机器人(automated bots)引发information gerrymandering,研究人员还使用了拒绝妥协的“狂热机器人”。真是 ,只能少数狂热者的适当安置也原因原因information gerrymandering和不民主的结果。

  为了评估现实世界网络中算不算处于information gerrymandering,研究人员分析了美国国会以及参与政治讨论的欧洲立法机构和社交媒体用户网络中的法案同去赞助数据。

  大伙儿儿发现information gerrymandering在哪些地方地方现实世界的网络中非常普遍。

  研究人员认为这是三个 新研究的现在现在开始 了了,侧重于社交网络怎么才能 才能 影响集体决策。

  Plotkin说:“大伙儿儿对于假新闻和online troll非常关注,这无疑是破坏性的。” “大伙儿儿正在研究的是不同的东西,这取决于整体网络行态 ——对于民主决策来说,这是三个 更微妙但原因更有害的问题图片。” 

  分分钟影响选举,社交网络需用受到进一步监管

  可不需用说,这项研究让大伙儿儿从新的层厚认识了选举投票。

  过去,信息由少数官方消息来源(如报纸和电视台)传播,或通过现实社交网络传播,哪些地方地方网络主要来自涉及这各自 人际关系动态的分布式流程。现在不再是这一 情況,原因社交网络网站部署了通过设计重构社交关系的技术。

  哪些地方地方在线社交网络是层厚动态的系统,原因人与机器之间的一定量反馈而处于变化:算法推荐连接;大伙儿儿进行敲定;算法根据人类敲定进行调整。

  哪些地方地方互动和过程同去改变了大伙儿儿都看的信息以及大伙儿儿怎么才能 才能 看待世界的措施,information gerrymandering原因在没法 意识的情況下总出 ,但仅仅是机器学习算法的意外结果,哪些地方地方算法经过训练以优化用户体验。

  目前,在线社交网络不受实质性法规或透明度要求的约束。之前 的通信技术有原因干扰民主任务管理器运行运行原因受到立法监督,现在的社交媒体生态系统是全部需用也早该“享受”累似 的待遇了?