2.3.2.5 Algoritmik şaşırmış

Bulunan verilerde davranışı sistemlerinin mühendislik hedefleri tarafından yönlendirilen, doğal değildir.

insanlar farkında değil, çünkü birçok bulundu veri kaynakları reaktif olmayan olmasına rağmen kendi veri (Bölüm 2.3.1.3), araştırmacılar "doğal olarak oluşan" veya bu çevrimiçi sistemlerde davranış düşünmemelisiniz kaydedilen ediliyor "saf." Gerçekte, kayıt davranışı son derece tür reklamlara tıklayarak ya da içerik gönderme gibi belirli davranışları ikna etmek için tasarlanmıştır dijital sistemler. Sistem tasarımcıları hedefleri veri içine desenleri tanıtmak yolları algoritmik karıştırıcı denir. Algoritmik karıştırıcı sosyal bilimcilerin nispeten bilinmemektedir, ancak dikkatli veri bilimciler arasında önemli bir husustur. Ve, dijital izleri diğer bazı sorunların aksine, algoritmik karıştırıcı ölçüde görünmez.

Algoritmik Etki karışımı bir nispeten basit bir örnek Facebook'ta yaklaşık 20 arkadaşları ile kullanıcıların bir anormal yüksek sayıda olmasıdır (Ugander et al. 2011) . Facebook şüphesiz 20 büyülü sosyal sayıda çeşit hakkında birçok hikayeler yaratacaktır nasıl çalıştığını herhangi bir anlayış olmadan bu verilerle analiz bilim adamları. Ancak, Ugander ve arkadaşları verileri oluşturulan sürecin önemli bir anlayış vardı ve onlar Facebook 20 arkadaş ulaşana kadar daha fazla arkadaş edinmek için Facebook'ta kaç bağlantıları olan insanları teşvik biliyordu. Ugander ve arkadaşları kağıt bu söyleme rağmen, bu politika muhtemelen daha aktif hale yeni kullanıcıları teşvik etmek amacıyla Facebook tarafından oluşturuldu. Bu politikanın varlığı hakkında bilmeden, ancak verilerden yanlış sonuç çıkarmak kolaydır. Bir başka deyişle, yaklaşık 20 arkadaşları ile insanların şaşırtıcı çok sayıda bize insan davranışlarına göre Facebook hakkında daha fazla bilgi söyler.

algoritmik karıştırıcı dikkatli araştırmacılar vardır çevrimiçi sistemlerin tasarımcıları sosyal teorilerin farkında oluşur algoritmik Etki karışımı daha yanıltıcıdır versiyonu ve daha sonra çalışma içine bu teorileri fırında, daha fazla araştırmak olabilir ilginç bir sonuç üretti bu önceki örnekte daha tehlikeli kendi sistemlerinin. Sosyal bilimciler bu performatifliğini çağırır: kuramlar daha teorisi doğrultusunda dünyayı getirmek şekilde dünyayı değiştirmek zaman. performatif algoritmik Etki karışımı durumlarda, veri eleştirilmiştir doğası muhtemel görünmez.

Performatifliğin tarafından oluşturulan bir model örneğinde online sosyal ağlarda geçişlilik olup. 1970'lerde ve 1980'lerde, araştırmacılar art arda Alice ile arkadaş ve Bob ile arkadaş iseniz, o zaman Bob ve Alice iki rastgele seçilmiş insanlardan daha birbirleriyle arkadaş olmak daha muhtemel olduğunu bulundu. Ve, bu çok aynı model Facebook'ta sosyal grafik bulundu (Ugander et al. 2011) . Böylece, bir Facebook arkadaşlık desenleri, en azından geçişlilik açısından, çevrimdışı dostlukların kalıplarını çoğaltmak sonucuna varmak mümkündür. Ancak, Facebook sosyal grafikte geçişlilik büyüklüğü kısmen algoritmik Etki karışımı ile tahrik edilir. Bu Facebook veri bilim adamları geçişlilik konusunda ampirik ve teorik araştırma biliyordu ve daha sonra Facebook nasıl çalıştığını içine pişmiş vardır. Facebook bir "İnsanlar You Know Mayıs" yeni arkadaşlar öneriyor özelliği, ve Facebook geçişlilik olduğu önermek için kim karar verir bir yolu vardır. Yani, Facebook arkadaşlarınızla arkadaşlarıyla birlikte arkadaş olmak öneririz olasılığı daha yüksektir. Bu özellik, bu şekilde Facebook sosyal grafikte geçişlilik arttırma etkisi vardır; diğer bir deyişle, geçişlilik teorisi teorisinin öngörüleri ile uyumlu hale dünyaya getiriyor (Healy 2015) . Büyük veri kaynakları, sosyal teorinin tahminler yeniden göründüğünde Böylece, biz teorinin kendisi sistemin nasıl çalıştığını içine pişmiş değildi emin olmalıdır.

Aksine doğal bir ortamda insanları gözlemleyerek kadar büyük veri kaynakları düşünmekten çok, bir daha benzetme bir kumarhane insanları izliyor. Casinolar son derece belirli davranışları ikna etmek için tasarlanmış ortamları tasarlanmıştır ve araştırmacılar bir kumarhane bu davranış, insan davranış içine sınırsız bir pencere sağlamak olacağını bekliyoruz asla. Tabii ki, biz insan davranışları okuyan insanlar hakkında bir şeyler öğrenebilirler casinolar-aslında bir kumarhane alkol tüketimi ve risk arasındaki ilişkiyi incelemek için ideal bir ortam olabilir biz veri bir kumarhane oluşturulan edildiğini göz ardı edilmesi durumunda tercihleri ​​ama biz olabilir bazı kötü sonuçlar çıkarırlar.

Online sistemlerin birçok özellik kötü belgelenmiş, özeldir, ve sürekli değişen çünkü ne yazık ki, algoritmik Etki karışımı ile ilgili özellikle zordur. Bu bölümde daha sonra anlatacağım Örneğin, algoritmik karıştırıcı Google Grip Trendleri (Bölüm 2.4.2) kademeli break-down için olası bir açıklama, ama bu iddia değerlendirmek zordu çünkü Google'ın arama iç işleyişini algoritma tescilli bulunmaktadır. algoritmik Etki karışımı dinamik yapısı sistemi sürüklenme şekillerinden biridir. Algoritmik karıştırıcı ne kadar büyük olursa olsun tek bir dijital sisteminden gelen insan davranışı için herhangi bir iddia, dikkatli olması gerektiği anlamına gelir.