В настоящее время алгоритмическое управление широко применяется для снижения информационной нагрузки в различных веб-сервисах, таких как онлайн-платформы для покупок и развлечений или социальные сети. Рекомендательные системы сокращают объем информации, которую платформа отображает пользователю, однако то, каким образом контент отбирается алгоритмом, варьируется в зависимости от платформы, постоянно меняется и часто защищено коммерческой тайной. Такая система фильтрации контента получила распространение также и в научных социальных сетях, таких как ResearchGate.net и Academia.edu. Коллектив авторов – Лусиана Монтейро-Кребс (Luciana Monteiro-Krebs), Биеке Заман (Bieke Zaman), Соня Элиза Кареньято (Sonia Elisa Caregnato), Дэвид Гертс (David Geerts), Висенте Грасси-Фильо (Vicente Grassi-Filho) и Ньи-Ньи Хтун (Nyi-Nyi Htun) – в статье «Выявление алгоритмических механизмов научных социальных сетей, вызывающих искажения и предубеждения» (Trespassing the gates of research: identifying algorithmic mechanisms that can cause distortions and biases in academic social media) представляют социально-технический анализ рекомендательных систем платформы ResearchGate с использованием метода пошагового руководства. Платформа ResearchGate выбрана благодаря ее популярности среди исследователей и широкому охвату пользователей. Это исследование – часть проекта «Алгоритмическое посредничество в научных социальных системах» (Algorithmic Mediation in Academic Social Systems, AMASS); оно является продолжением ранее опубликованной научной работы, посвященной коммуникации между платформой и пользователями.
Сбор данных был проведен в сентябре 2019 г.; процедура анализа состояла из трех этапов. На первом этапе были определены все коммуникативные элементы интерфейса (метки контента), так или иначе связанные с рекомендациями. Второй этап (анализ интерфейса) включал в себя подробное изучение сущностей, участвующих в формировании рекомендаций и их соответствующих (видимых) атрибутов. Авторы статьи определили шесть основных сущностей: исследователь, публикация, исследовательский проект, карьерный уровень и ученая степень, вопросы пользователю и учреждение. Также был определен 21 атрибут, используемый платформой ResearchGate для составления рекомендаций контента, и выделены потенциальные предубеждения, которые порождаются системами рекомендаций или усиливаются ими, включая те, что связаны с выбором платформы, расстановкой приоритетов, влиянием аудитории, передачей данных и профилированием. На третьем этапе авторы изучили условия пользования ResearchGate в поисках информации о модерации контента и формировании RG Score, одного из наиболее важных показателей на платформе. Эта метрика отображается рядом с именем каждого исследователя в интерфейсе и важна для рекомендаций, поскольку устанавливает «репутацию исследователя» на платформе. В логике платформы при выборе эксперта возможно возникновение эффекта Матфея, поскольку платформа в значительной степени учитывает репутацию исследователя как одного из факторов рекомендаций.
Термин «эффект Матфея» был введен американским социологом Робертом Мертоном для описания феномена накопленного преимущества, когда выдающийся ученый часто получает больше признания, чем сравнительно неизвестный исследователь, даже если их работы равнозначны. Эффект выражается также в том, что заслуга в совместной работе присваивается самому известному ученому, независимо от порядка упоминания авторов в статье, запускается автокаталитический процесс, и таким образом этот ученый становится еще более известным.
УДК: 316.74:001.8
ГРНТИ: 12.21.65; 19.31; 12.41.55
Источник:
https://www.emerald.com/insight/content/doi/10.1108/OIR-01-2021-0042/full/html