تحلیل داده کاوانه نقش الگوریتم های توصیه گر در شکل دهی واقعیت های موازی اطلاعاتی در شبکه های اجتماعی

الگوریتم های توصیه گر شبکه های اجتماعی با شخصی سازی نظام مند جریان اطلاعات، ساختار مواجهه کاربران با محتوا را بازتعریف کرده و زمینه شکل گیری «واقعیت های موازی اطلاعاتی» را فراهم می کنند؛ وضعیتی که در آن گروه های مختلف کاربران برداشت های متمایز و گاه متناقضی از واقعیت اجتماعی دارند. پژوهش حاضر با رویکردی تجربی و داده محور، به تحلیل نقش این الگوریتم ها در شکل دهی و تقویت چنین واقعیت هایی می پردازد. بدین منظور، داده های رفتاری کاربران شامل الگوهای مشاهده، تعامل (پسند، اشتراک گذاری و اظهار نظر) و ارتباطات شبکه ای از یک پلتفرم اجتماعی منتخب گردآوری شد. در مرحله پیش پردازش، داده ها پاک سازی و نرمال سازی شده و سپس با بهره گیری از روش های داده کاوی و تحلیل شبکه های اجتماعی مورد بررسی قرار گرفتند. برای شناسایی خوشه های اطلاعاتی و اجتماعات کاربری، از الگوریتم های کشف اجتماع استفاده شد و به منظور سنجش میزان جداسازی اطلاعاتی، شاخص هایی نظیر تنوع محتوایی، هم پوشانی اطلاعاتی میان خوشه ها و فاصله گرافی کاربران محاسبه گردید. افزون بر این، با تحلیل پویایی زمانی محتوا، الگوهای « فراموشی الگوریتمی»—به عنوان فرایندی که طی آن برخی محتواها در اثر منطق اولویت بندی الگوریتم ها به تدریج از چرخه نمایش حذف یا کم رنگ می شوند—استخراج و مدل سازی شد. نتایج نشان می دهد الگوریتم های توصیه گر با کاهش تنوع مواجهه اطلاعاتی و تقویت همگنی درون خوشه ای، به قطبی شدن جریان اطلاعات منجر شده و کاربران را در معرض نسخه های متفاوتی از واقعیت اجتماعی قرار می دهند. این پژوهش با ارائه یک چارچوب روش شناختی قابل تعمیم، امکان سنجش تجربی واقعیت های موازی اطلاعاتی را فراهم کرده و بینش های جدیدی برای تحلیل اثرات الگوریتم ها بر رفتار اطلاعاتی کاربران و طراحی مسئولانه شبکه های اجتماعی ارائه می دهد.

کلیدواژه ها:

شبکه های اجتماعی ، داده کاوی ، تحلیل شبکه های اجتماعی ، الگوریتم های توصیه گر ، واقعیت های موازی اطلاعاتی ، فراموشی الگوریتمی