Nye algoritmer kan mindske polarisering på sociale medier

De færreste af os tænker til daglig over, hvorfor bestemte opslag, videoer eller artikler dukker op i vores feed på sociale medier. Men måden, indhold sorteres og præsenteres på, afgør ikke kun, hvad vi ser – den har også stor betydning for, hvad vi tror på, ved og mener.

I et nyt studie viser forskere fra Københavns Universitet, Technische Universität Dresden og Max Planck Institute for Human Development, at selv små ændringer i de algoritmer, der sorterer indhold for brugerne, kan påvirke både graden af polarisering i grupper og nøjagtigheden af deres vurderinger af virkeligheden.

”Techfirmaerne siger, at deres algoritmer blot er designet til at hjælpe brugerne med at finde det indhold, de gerne vil se. Men vores studie viser, at den måde, algoritmerne fungerer på, potentielt kan bidrage til, at brugerne bliver polariserede eller mere resistente over for fakta,” siger Jason William Burton, adjunkt ved Institut for Psykologi og Center for Social Data Science og studiets hovedforfatter. Han tilføjer:

»På den ene side er vores resultater bekymrende, fordi sociale medier er blevet så dominerende. Men på den anden side kan studiet også ses i et positivt lys, fordi vi viser, at det faktisk er muligt at designe algoritmer, der hjælper brugere med at opnå større gensidig forståelse på disse platforme.«

Engagement føles godt, men kan være misvisende

De fleste store sociale medieplatforme rangerer indhold ud fra engagement, som for eksempel likes, reaktioner eller delinger. Det nye studie tyder på, at denne tilgang ganske vist giver brugerne indhold, som appellerer til dem, men at det samtidig kan have utilsigtede konsekvenser.

»Algoritmer, der sorterer indhold efter engagement, kan føles informative og tilfredsstillende, men det betyder ikke nødvendigvis, at de hjælper folk med at forstå fx faktuelle forhold mere præcist,« siger Jason Burton.

Han og hans kolleger viser i artiklen, at en personlig, engagementbaseret algoritme – som ligner dem, der bruges på platforme som Facebook og X – fik deltagerne til at danne mere polariserede og mindre korrekte holdninger end nogen af de andre algoritmer, der blev testet.

Ironisk nok var det netop disse feeds, som brugerne vurderede som mest »indsigtsfulde«, og som modtog flest positive reaktioner.

Test af alternative algoritmer

For at undersøge, om sociale medier kan designes anderledes, sammenlignede forskerne engagementbaseret rangering med to alternative tilgange: den såkaldte brobyggende rangering, som prioriterer opslag, der får opbakning på tværs af politiske skel, og intelligensbaseret rangering, som prioriterer indhold, der forventes at forbedre den samlede præcision i gruppers vurderinger.

»Den brobyggende algoritme øgede i nogle tilfælde enigheden mellem liberale og konservative deltagere, mens intelligensalgoritmen forbedrede nøjagtigheden af deres faktuelle vurderinger sammenlignet med både tilfældig og engagementbaseret rangering,« forklarer Jason Burton og tilføjer:

»Vores resultater tyder dermed på, at det faktisk er muligt at designe et feed, der hverken splitter eller vildleder folk.«

Godt for forretningen – eller for demokratiet?

Ifølge forskerne rejser studiet et centralt spørgsmål: Hvilke værdier bør sociale medieplatforme understøtte? I dag fokuserer platformene primært på engagement, fordi det er bedst for deres forretning.

»Vores eksperiment viser, at vi bør undersøge flere forskellige typer algoritmer, fordi de kan have positive effekter på den offentlige samtale på sociale medier. Det udfordrer forestillingen om, at engagement-drevne sociale medier er den eneste mulige model,« siger Jason Burton.

Techfirmaerne vil formodentlig være tilbageholdende med at indføre alternative algoritmer, hvis de truer deres forretningsmodel, og derfor peger Jason Burton og hans kolleger på, at politisk regulering kan blive nødvendig for at ændre den nuværende situation.

Om studiet

Forskerne undersøgte, hvordan forskellige algoritmer påvirker politisk polarisering og hvor præcist grupper vurderer faktuelle forhold. Det skete gennem et kontrolleret onlineeksperiment med amerikanske borgere, hvor halvdelen var liberale og halvdelen konservative. Eksperimentet bestod af to faser.

Fase 1: Hvad kan folk lide?
500 deltagere blev præsenteret for 72 korte debatindlæg om seks politiske og samfundsmæssige emner – blandt andet regulering af sociale medier, religion og konkrete samfundsforudsigelser.

Deltagerne kunne:
- synes godt om et opslag
- stemme det ned
- eller springe det over

På den måde kunne forskerne kortlægge, hvilke typer indhold liberale og konservative typisk støttede – og hvilke de afviste.

Fase 2: Hvad gør algoritmer ved holdninger?

En ny gruppe på 1.000 deltagere blev først spurgt om deres holdninger til de samme seks emner. Derefter fik de vist korte nyhedsfeeds med tre opslag og blev bedt om at tage stilling til emnerne igen.

Hvilke opslag deltagerne så, afhængte af hvilken type algoritme deres feed var styret af. Forskerne testede fem forskellige tilgange:

• Tilfældig rangering – opslag vises tilfældigt
• Engagementbaseret rangering – opslag med flest reaktioner prioriteres
• Personlig engagementbaseret rangering – opslag støttet af politiske meningsfæller prioriteres
• Brobyggende rangering – opslag, der støttes af både liberale og konservative, prioriteres
• Intelligensbaseret rangering – opslag, der forventes at gøre gruppens vurderinger mere præcise, prioriteres

Efterfølgende målte forskerne:

• om deltagerne blev mere eller mindre enige
• om deres vurderinger blev mere eller mindre faktuelt korrekte
• og hvordan de oplevede indholdet (fx som civiliseret, følelsesladet eller indsigtsfuldt)