耶鲁研究发现社交媒体会训练用户表达更多的愤怒情绪
研究配图 1:用户网络意识形态的极端分布和愤怒表达水平
包括 Twitter 和 Facebook 在内的各大社交媒体平台,都提供了包括“点赞”和“分享”在内的基础功能,以便用户向他人表达对于某些消息的强烈态度。
然而随着时间的推移,推荐系统会极大地增强那些“政治温和”的网络用户的极端情绪,并陷入更容易发布此类内容的循环。
研究配图 2:网络意识形态调节对社会愤怒表达的影响
耶鲁大学的这项新研究,侧重于 Twitter 用户就现实中发生的实际争议事件相关的“道德愤怒表达”。
有趣的是,新研究与一项基于受控环境的早期研究结果不谋而合。即社交媒体的底层算法设计,会训练某些用户在网络上表达更多的愤怒情绪。
研究配图 3:社交媒体机器学习任务的描述
研究人员指出,愤怒的情绪有好有坏。有时人们会借此推动正义的诉求,但有时又会陷入欺凌、假新闻传播、以及加剧政治团体间两极分化的矛盾。
研究期间,他们通过自建的机器学习模型,追踪了来自 7331 名 Twitter 用户的超过 1200 万条推文。
结果与对照组相比,那些因义愤填膺的推文而获得更多点赞和分享的人,更有可能在未来加剧他们的相关情绪。
研究配图 4:强化 / 规范学习在模拟社交媒体环境中塑造的愤怒表达
研究负责人之一的 Molly Crockett 解释称:
道德愤怒的放大,是社交媒体商业模式的一个明显结果,因其致力于优化用户的参与度。
鉴于道德愤怒在社会和政治变革中起着至关重要的作用,我们应该意识到科技企业能够通过其平台设计,对集体运动的成败发挥多大的影响力。
感兴趣的朋友,可移步至 Science Advances 查看全文。原标题为《How social learning amplifies moral outrage expression in online social networks》。
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/91037.html
aliyun相关文章
- 日拱一卒,LeetCode周赛287,训练你的逆向思维
- 【全流程】从头在树莓派4B上部署自己训练的yolov5模型(配合NCS2加速)
- 训练集训练次数对测试效果的关系证明
- Mask Rcnn目标分割-训练自己数据集-详细步骤[通俗易懂]
- 强化学习技巧四:模型训练速度过慢、GPU利用率较低,CPU利用率很低问题总结与分析。
- [KDD 2022 | 论文简读] KPGT: 用于分子性质预测的知识指导的预训练图形变换模型
- 训练多个epoch来提高训练模型的准确率
- 一日一卡挑战:RTX2080Ti搞定大模型训练,算力节省136倍,学界欢呼
- 对话 APUS 李涛:全面转型做 AI,蒸馏法训练大模型,沉淀中小模型
- 技术培训 Oracle Two Days技术训练拓展知识新境界(oracle 两日)
- 把老婆训练成女黑客的漏洞大神黄正|宅客故事
- Facebook:计算机视觉新升级,1秒钟可训练40000张图片