L'impatto dell'algoritmo di raccomandazione di Twitter sulla polarizzazione politica

I social media giocano un ruolo importante nel modo in cui riceviamo notizie e condividiamo informazioni. Una delle preoccupazioni principali è la diffusione di informazioni fuorvianti e come le persone spesso finiscano in camere d'eco, dove sentono solo opinioni che corrispondono alle loro. Queste camere d'eco possono portare a disaccordi politici maggiori e a una maggiore polarizzazione nella società. Gli Algoritmi, che sono fondamentalmente insieme di regole usate dalle piattaforme di social media per raccomandare contenuti, possono contribuire a questi problemi. Ma come funzionano realmente questi algoritmi e che impatto hanno?

#Che Cosa Sono le Camere d'Eco?

Una camera d'eco è una situazione in cui le persone interagiscono solo con altri che condividono le loro convinzioni. Questo porta a rafforzare le loro opinioni esistenti e può creare opinioni più estreme. La preoccupazione è che le camere d'eco possano causare una divisione nell'opinione pubblica e aumentare la Polarizzazione Politica. I ricercatori hanno studiato questo fenomeno su varie piattaforme di social media, specialmente riguardo a discussioni politiche. La maggior parte dei risultati suggerisce che gli utenti tendono a raggrupparsi con altri che hanno credenze simili, ma alcuni sostengono che le camere d'eco potrebbero non essere così comuni come si pensa.

Un altro concetto legato alle camere d'eco è la bolla filtrante. Questo termine descrive come gli algoritmi influenzano quali contenuti le persone vedono in base alle loro interazioni precedenti. Mentre le camere d'eco possono essere create per molte ragioni, come la tendenza delle persone a cercare informazioni che confermino le loro convinzioni, le bolle filtranti possono essere un fattore significativo.

#Audit degli Algoritmi

Per capire meglio i potenziali impatti negativi degli algoritmi sulle piattaforme di social media, i ricercatori conducono audit algoritmici. Questo comporta esaminare gli input e gli output di questi sistemi per vedere come influenzano l'esperienza degli utenti. Un metodo comune è creare account automatizzati, a volte chiamati "sock-puppet", che simulano come gli utenti reali interagiscono con la piattaforma.

Sono stati condotti vari studi sugli algoritmi di Twitter per vedere come influenzano gli utenti. Alcuni hanno mostrato che l'ordine in cui vengono selezionati gli amici può impattare significativamente l'esperienza dell'utente. Altre ricerche indicano che gli algoritmi di Twitter stessi potrebbero promuovere una gamma diversificata di link aumentando però il divario politico.

#Il Ruolo dei Sistemi di Raccomandazione

I sistemi di raccomandazione degli amici sui social media suggeriscono account con cui gli utenti possono connettersi. Quando è stata introdotta la funzione "Chi seguire" di Twitter, il numero di follower è aumentato notevolmente. Tuttavia, la maggior parte della ricerca mainstream sull'impatto di questi sistemi sulla polarizzazione politica e sulle informazioni fuorvianti si basa su simulazioni.

Alcune simulazioni suggeriscono che algoritmi che portano a reti simili possono promuovere la polarizzazione delle opinioni. Altri studi rivelano che questi sistemi potrebbero ridurre la visibilità delle opinioni minoritarie e aumentare le camere d'eco se le reti iniziali sono già omogenee.

#La Struttura dello Studio

Per indagare come l'algoritmo di raccomandazione degli amici di Twitter influisce sulla polarizzazione politica, in particolare durante le Elezioni di Midterm 2022 negli Stati Uniti, è stato progettato uno studio unico. I ricercatori hanno creato account automatizzati che rispecchiavano utenti reali seguendo politici di sinistra e di destra. L'obiettivo era osservare come le loro reti cambiassero nel tempo in base ai suggerimenti dell'algoritmo.

Lo studio era diviso in due parti principali: un insieme di account usava le raccomandazioni di "Chi seguire", mentre l'altro seguiva account basati sulle approvazioni degli amici esistenti. In questo modo, i ricercatori potevano confrontare le reti formate dall'algoritmo con quelle formate naturalmente tramite connessioni sociali.

#Processo di Raccolta Dati

Durante lo studio, che si è svolto da settembre a dicembre 2022, gli account automatizzati hanno creato reti diverse utilizzando suggerimenti di raccomandazione o seguendo amici di amici. Hanno seguito un elenco predefinito di protocolli per raccogliere dati.

Uno dei principali focus era sulla struttura delle reti che si formavano, il che aiutava a determinare se esistessero camere d'eco. Sono stati raccolti dati aggiuntivi da utenti reali di Twitter che seguivano gli stessi politici per creare un gruppo di confronto per gli account automatizzati. La raccolta ha coinvolto Tweet, informazioni sui follower e metriche di engagement.

I ricercatori hanno registrato la crescita delle reti in tempo reale, annotando quando ciascun account automatizzato seguiva nuovi account. Questo ha permesso loro di analizzare come le reti evolvessero.

#Comprendere l'Omogeneità Politica

Esaminando attentamente queste reti, i ricercatori miravano a misurare quanto fossero politicamente uniformi. Questo è stato fatto etichettando gli utenti come di sinistra, di destra o neutri in base ai contenuti politici che condividevano. Le reti personali formate dagli account automatizzati potevano quindi essere confrontate con il comportamento degli utenti di Twitter tipici e quelli che ricevevano suggerimenti di amici.

Il confronto ha rivelato che gli account che si basavano sul sistema di raccomandazione degli amici finivano in reti politicamente più diverse. Gli account che crescevano in base alle approvazioni di amici esistenti mostravano livelli più alti di omogeneità politica.

#Risultati sull'Esposizione Politica

Uno dei risultati chiave riguarda l'esposizione a informazioni fuorvianti. Gli account automatizzati che si basavano sull'algoritmo affrontavano una minor esposizione a narrazioni fuorvianti sulle elezioni rispetto a quelli formati tramite approvazione sociale. La differenza era particolarmente nota per gli account avviati da candidati repubblicani.

Questa intuizione suggerisce che l'algoritmo di raccomandazione potrebbe aiutare a ridurre la polarizzazione politica e le informazioni fuorvianti fornendo una gamma più ampia di prospettive, anche se porta a reti che si adattano ancora alla definizione strutturale di camere d'eco.

#Il Paradosso dell'Amplificazione

Sebbene gli algoritmi di raccomandazione influenzino notevolmente il comportamento degli utenti, non raccontano tutta la storia di perché le persone possano interagire con contenuti estremi online. Lo studio ha indicato che il sistema di raccomandazione degli amici potrebbe ridurre le probabilità che gli account automatizzati siano esposti a informazioni fuorvianti, creando una maggiore diversità politica nelle loro reti.

Tuttavia, i risultati hanno anche sollevato la questione se gli algoritmi fossero progettati per promuovere ambienti informativi sani o se fossero semplicemente creati per ottimizzare l'engagement degli utenti e aumentare le entrate pubblicitarie. Questi fattori necessitano di ulteriori esami per capire come le piattaforme di social media potrebbero coltivare esperienze informative migliori per gli utenti.

#Limitazioni dello Studio

Ci sono state diverse limitazioni nello studio, in particolare riguardo al numero di account automatizzati utilizzati. Il campione ridotto ha reso difficile trarre conclusioni ampie. Inoltre, poiché gli account automatizzati non si comportavano come utenti reali-come postare o interagire con contenuti-i risultati potrebbero non riflettere il comportamento genuino degli utenti sulla piattaforma.

Lo studio ha anche fornito solo un'istantanea di Twitter mentre esisteva durante un periodo specifico. A causa delle varie modifiche viste sulla piattaforma successivamente, replicare lo studio non sarebbe fattibile al momento.

#Conclusione

Questo studio aggiunge informazioni preziose sull'impatto dell'algoritmo di raccomandazione degli amici di Twitter sulla formazione di reti personali durante un periodo politico cruciale. Sebbene l'algoritmo abbia portato gli account a cluster o quartieri che sembravano strutturalmente densi e possibilmente simili a camere d'eco, il contenuto all'interno di quelle reti era più ideologicamente diversificato rispetto a quelle formate puramente da approvazioni sociali.

La ricerca indica che gli algoritmi dei social media da soli non sono la causa principale delle camere d'eco. È invece essenziale comprendere l'interazione tra questi algoritmi e le scelte individuali degli utenti. Le future ricerche dovrebbero continuare a esplorare queste dinamiche per informare meglio la progettazione e la regolamentazione delle piattaforme di social media per un discorso online più sano.