Влияют ли мнения друзей на наши взгляды? Как алгоритмы ранжирования мешают нам узнавать новое? Что такое эхокамера и можно ли ее избежать? Почему в социальных сетях особенно хорошо распространяются фейки? Об этом расспросили Ивана Козицина — исследователя моделей динамики взглядов и распространения социального влияния.
Как вы пришли к тематике ваших исследований?
Я начал заниматься этой тематикой еще в институте — на четвертом курсе, когда мы выбирали научных руководителей. Мой руководитель Александр Алексеевич Белолипецкий предложил мне исследовать конкретную модель, модель Краснощекова. Она описывает, как люди меняют свои мнения в рамках разговоров друг с другом. То есть у людей были какие-то мнения, но затем люди как-то пообщались, повзаимодействовали. И наша задача — найти, какими будут мнения после взаимодействия, в зависимости от их структуры общения, как кто на кого влиял. Эта модель может описывать достаточно широкий круг явлений: например, как люди меняют свое мнение о вакцине, как относятся к ношению масок.
Я начал заниматься моделью Краснощекова восемь лет назад и занимался ею вплоть до моей кандидатской диссертации. Она, можно сказать, была венцом: так получилось, что моя защита совпала с финальным блоком, который я внес в эту модель. Я полностью теоретически происследовал и провалидировал эту модель, получил интересные результаты и подробно изучил ее свойства — как она себя ведет в разных интересных ситуациях. И далее посмотрел, как она описывает реальные данные на примере данных онлайновой соцсети «ВКонтакте».
Вообще, изначально все эти модели распространения социального влияния возникли задолго до появления онлайновых социальных сетей. У нас принято выделять: вот социальная сеть — это вы, ваш круг знакомых, их знакомые. Онлайновая социальная сеть — это уже платформы, которые появились в XXI веке. А само понятие «соцсеть» возникло задолго до этого, в XX веке им уже активно оперировали социологи. Первые модели социального влияния появились в конце первой четверти XX века.
А есть ли какая-то принципиальная разница между моделями, которые работают в реальных социальных сетях и онлайновых?
Есть. Скажем так, при желании вы можете взять любую модель, которая описывает офлайн-мир и применить ее к онлайн-миру. Но если вы хотите добиться большей точности, учесть больше явлений, то, конечно, нужно будет внести некоторые поправки. Потому что онлайновые социальные сети достаточно сильно изменили то, как распространяется информация. Они стерли границы между пользователями — географические, экономические, социальные. Теперь любой талантливый человек при желании может стать очень влиятельным актором на этом информационном поле. Раньше такими влиятельными акторами были газеты, политики, какие-то известные личности, а сейчас ситуация поменялась. И инфлюенсеры могут возникать откуда угодно. Это с одной стороны. С другой стороны, в онлайновых социальных сетях есть механизмы, которые регулируют, как распространяется информация. Это так называемые алгоритмы ранжирования.
Можете, пожалуйста, подробнее рассказать, что это такое и почему они нарушают естественный поток информации?
Это вообще большая проблема. Одна из нескольких основных, которые сейчас интересуют исследователей, — алгоритмы ранжирования, информационные пузыри и поляризация. Такие вот три кита — ну три насущных вопроса, которые всех волнуют.
Наверное, нужно начать с самого глобального — поляризации. Когда в обществе мнения расходятся в стороны, формируются два кластера людей с противоположными взглядами, которые агрессивно друг против друга настроены и вряд ли смогут достичь компромисса. В таких ситуациях всегда возникает социальная напряженность, которая нежелательна, естественно. Если у вас есть два непримиримых лагеря, с ними очень тяжело что-то сделать.
Получается, поляризация касается всех сфер? Мы привыкли, что это происходит в политике, но общество может так просто «расколоться» по любому вопросу?
Политика — то, что всех интересует, но ученые, естественно, стараются аккуратно ее касаться и приводить более безопасные примеры — например, глобальное потепление, отношение к абортам, вакцинация. Конечно, много было исследований на тему политической поляризации, особенно в США. Было обнаружено, что у них поляризация действительно есть: общество раскалывается на два таких «айсберга», которые дрейфуют прочь друг от друга. Научная группа, в которую я вхожу (ее возглавляет доктор физико-математических наук Александр Гедеванович Чхартишвили), также проводила исследования нашего политического ландшафта. И мы выяснили, что у нас тоже есть поляризация, но небольшая — точнее, небольшой рост уровня поляризации.
Можно ли сказать, что это хорошо или плохо для общества? Или никак, и это просто его фундаментальное свойство?
Чтобы ответить на этот вопрос, нужно, чтобы над ответом думали люди из самых разных областей — не только специалисты в области математического моделирования и теории управления, как мы с коллегами. Если говорить о ситуации, когда группа людей должна договориться друг с другом, прийти к какому-то соглашению, например в рамках договора по борьбе с глобальным потеплением, то в таком случае поляризация вредна. Вряд ли удастся достичь какого-то полюса, это будет, скорее всего, что-то посредине. Но компромисс желателен. Так что поляризация — действительно скорее что-то вредное. Это всегда социальная напряженность, которая может потенциально приводить к конфликтам.
Не очень приятно, если тебя обсчитывают со всех сторон и знают наперед, что ты будешь делать.
Тогда вот вам теоретический вопрос: можно ли вообще по структуре социальной сети понять, получится ли договориться? Может быть, не сразу, но в принципе.
Вы знаете, это действительно важный вопрос, он включает в себя сразу несколько составляющих. С одной стороны, мы смотрим на реальную систему, с другой — применяем к ней какую-то модель. Такие исследования редки. Объясню почему. Потому что в любой модели есть какие-то параметры. И если вы хотите применить модель к реальным данным, эти параметры нужно идентифицировать. Идентификация параметров, которые обычно заложены в модели влияния, — сложный вопрос, потому что они, как правило, касаются трудно формализуемых сущностей.
Ну, например, наше мнение. Четко дать определение тому, что такое мнение, непростая задача, а уж измерить — тем более. Если мы хотим измерить мнение сразу большого числа людей, например пользователей социальной сети, это вообще отдельное исследование. А дальше нужно, получается, при помощи какой-то модели посмотреть, как эти мнения взаимодействуют. Тут, мне кажется, больше вопрос какого-то личного опыта и веры. Думаю, на данный момент этого сделать нельзя — наша научная область еще не на таком уровне. Естественно, можно выдвинуть какие-то гипотезы и обосновать их с какой-то долей вероятности. Возможно, когда-то этого все-таки удастся достичь, но я не уверен.
Приведу два соображения. С одной стороны, человек — очень сложная структура, предугадать его поведение невозможно, можно только с какой-то долей уверенности предположить. С другой — мне кажется, это даже и к лучшему, потому что не очень приятно, если тебя обсчитывают со всех сторон и знают наперед, что ты будешь делать. Мне все-таки кажется, что должен быть какой-то предел, за который ученые не должны выходить. Тут уже и вопросы этики вступают в дело.
А как люди относятся к вашим исследованиям: не обижаются, что их сложное поведение, их мнения описывают какими-то числами и матрицами?
Если это какая-то абстрактная модель, безотносительно личных данных, то и обижаться некому. А если мы проводим какое-то исследование с реальными данными, то все данные обезличиваем, стараемся как можно быстрее перейти к числам и матрицам, чтобы невозможно было обидеть людей.
Расскажете о двух других, помимо поляризации, самых актуальных научных вопросах?
Информационные пузыри, или эхокамеры, — второе важное понятие, которое сейчас активно исследуется. Информационный пузырь — такая структура, внутри которой человек (или пользователь, если говорить об онлайне) окружен только той информацией, которая созвучна его собственному мнению. То есть он не имеет доступа к противоположной точке зрения. И это, конечно, очень опасно. Потому что в таких структурах легко распространяются фейковые новости, то есть ложные факты. За счет чего они распространяются? За счет того, что человек склонен доверять той информации, которая созвучна его мнению. Он скорее поверит ложному факту, который поддерживает его мнение, чем критически отнесется к нему и подумает: слушай, ну это же какая-то несусветная чушь, как это может быть правдой?
Нет, оказывается, люди имеют тенденцию доверять той информации, которая похожа на их мнение. Кстати, в эхокамерах люди, не получая никакой критики, могут уверовать в правоту своих взглядов, что может также привести к росту поляризации: при условии, что сформированы две эхокамеры с противоположными позициями. И в онлайновой среде это только усиливается, за счет в том числе алгоритмов ранжирования. Это третья большая проблема.
Социальный граф, построенный на реальных данных. Цветом обозначены политические воззрения: красным — консервативные, синим — либеральные, желтым — нейтральные. Четко видны две эхокамеры с противоположными воззрениями. / © Иван Козицин.
Алгоритмы ранжирования — алгоритмы, которые формируют информационное пространство вокруг нас в онлайновых социальных сетях, они решают, какую информацию нам нужно «выкатить» первой, какую — «задвинуть» подальше. Алгоритмы эти очень сложные, сами платформы их, конечно, не разглашают, но есть способы их исследования. На основании пользовательского опыта и исследований при помощи синтетических аккаунтов было обнаружено, что эти алгоритмы действительно ориентируется на ваши предыдущие действия, на то, какие страницы вы до этого посещали, что лайкали, комментировали и как комментировали.
В зависимости от этого они подсовывают вам контент, который вам заведомо должен понравиться. Так человек попадает в замкнутый круг. С одной стороны, он сам любит то, что будет подтверждать его точку зрения. С другой — демонстрируя эти свои чувства платформе, он побуждает эту платформу еще больше ему это показывать — как наркотик. Пользователь оказывается пойман в эхокамеру.
Такие механизмы существуют в большинстве онлайновых социальных платформ, и наша группа активно их изучает, мы пытаемся понять, как в данных условиях добиться поставленных задач. Вот одна из наших задач — попытаться дать рекомендации, как правильно вести информационную кампанию, чтобы люди следовали рекомендациям по борьбе с коронавирусом: вакцинация, ношение масок, все это непростое дело, как оказалось.
Продвижение научного контента — важная задача, которой мы сейчас занимаемся. Сначала смотрим, как живет система и функционирует, а как только мы понимаем, что можем с какой-то точностью предсказывать, как она отреагирует на тот или иной стимул (то есть если есть провалидированная математическая модель), то придумываем, какое управление навесить. То есть как правильно аргументировать тут или иную позицию. Например, как убеждать людей все-таки вакцинироваться.
А вы можете делиться какими-то инсайтами этих исследований?
К сожалению, нет.
Понимаю. Но вот информационные пузыри — мы можем с ними как-то бороться в нашей жизни? Понятно, что все люди этому подвержены, действительно мы общаемся с людьми, которые с нами соглашаются, нам это приятно. Но что делать? Надо как-то держать себя в тонусе, заводить друзей, которые всегда имеют другую точку зрения?
Мне кажется, самое важное — учиться больше думать.
Ну друзей же мы не выбираем только на основании их мнений — они у нас зачастую появляются исходя из общего социодемографического контекста (вместе ходим в школу, университет, вместе работаем, одинаковые спортивные увлечения (болеем за один футбольный клуб) и так далее). И мы с ними поддерживаем связь, общаемся, ходим на дни рождения. Мне кажется, нужно просто учиться выходить из зоны комфорта, учиться, как вы правильно сказали, держать себя в тонусе, учиться читать больше книг, критически смотреть на вещи, переосмыслять, почему так, почему не так. То есть больше думать. Мне кажется, вот это самое важное — учиться больше думать.
А есть, кстати, разница в динамике распространения мнений в зависимости от возраста? Воспринимают ли молодые и пожилые люди информацию по-разному?
Да, фактор возраста существует, и это подтверждалось во многих исследованиях, помимо наших. Не всегда — были, как всегда в таких случаях, какие-то контрдоказательства. Но основная гипотеза, как правило, подтверждается: молодые индивиды более склонны к конформизму, больше склонны следовать за чьим-то мнением и, возможно, это может приводить к негативным последствиям.
Получается, и в информационные пузыри они чаще попадают? За счет той же склонности к конформизму?
Вы знаете, это хороший вопрос: я вот поймал себя на мысли, что я сейчас пытаюсь вспомнить и с ходу не могу. Мы конкретно этот вопрос не изучали, и я не помню, чтобы в принципе кто-то этот вопрос изучал. Возможно, это хорошая идея для дальнейших исследований — посмотреть на этот фактор, посчитать. Мы сейчас сказали о двух тесно связанных явлениях, но зачастую случается так, что эти явления изучают разные научные коммьюнити. Есть коммьюнити, которое изучает, как распространяется мнение, а есть коммьюнити, которое скорее изучает эхокамеры. И в рамках первого комьюнити как раз было обнаружено, что молодые люди более охотно меняют мнения в пользу большинства. А те, кто изучают эхокамеры, — я что-то подобного не помню, чтобы специально смотрели влияние возраста.
И все-таки попытаюсь ответить на ваш вопрос. На мой взгляд, информационные пузыри могут возникать в разных возрастных группах. Например, есть такой результат, что молодые люди, как правило, более оппозиционны. И когда мы смотрели на данные «ВКонтакте», обнаружили, что эхокамеры есть с обеих сторон: из тех, кто яро поддерживает власть, и из оппозиционеров, либерально настроенных. И те, кто поддерживает власть, были в основном старше, а те, кто не поддерживает, значительно моложе. То есть на первый взгляд выделить какой-то статистической разницы я не могу, но, возможно, будет интересно посмотреть на это поподробнее.
А какая процедура превращает людей в числа? Как мнения пользователей «ВКонтакте» удается измерить и формализовать?
Мы работаем с подписками на информационные источники. Преобразовывать их в числа помогают методы машинного обучения. То есть у нас накапливается какая-то обучающая выборка, внутри которой примерно понимаем, у кого какое мнение. Потом обучаем алгоритм, и он учится по подпискам смотреть, каких взглядов придерживается данный пользователь. При этом для нас подписки на информационные источники и дружеские связи — разные вещи. Подписки на информационные источники — это такой тип связи, который пользователь устанавливает в одностороннем порядке и которая естественным образом отражает его потребность в получении новостной информации, которая (в соответствии с тем, что я уже говорил) должна отражать его взгляды. А дружеские связи возникают не только за счет общих взглядов (хотя такое тоже бывает): они часто возникают из какого-то общего контекста социально-демографического. Вместе росли, вместе учились, вместе работали и так далее.
А как все-таки понять, каких взглядов придерживается человек, по его подпискам? То есть в какой-то момент вы садитесь и вручную определяете, кто за власть, а кто оппозиционер? Как вы аннотируете обучающую выборку?
Идея довольно простая. В качестве аннотации используется некоторое ядро пользователей: мы находим некоторые маркерные аккаунты (ну, например, аккаунт Владимира Вольфовича Жириновского) в социальной сети «ВКонтакте». Мы смотрим его подписчиков и решаем: вот те, кто на него подписан, его сторонники. Это очень грубое утверждение, конечно же. Есть доля людей, которые на него подписаны, но сторонниками не являются. Но когда мы говорим уже о больших масштабах, такой подход срабатывает для достаточно большого количества людей. Ну и, естественно, мы берем не одного какого-то политика, а сразу группу людей. А потом уже масштабируем. Получившиеся ядра пользователей уже обезличены. Они, в свою очередь, подписаны на другие информационные источники — и мы уже дальше подключаем алгоритм. Он учится по всем подпискам смотреть, кого поддерживает данный пользователь. Даже в том случае, кстати говоря, когда человек не подписан на маркерный аккаунт, что, конечно, наиболее интересно. Понятно, что если мы взяли в качестве сторонников Жириновского его подписчиков, то тестирование алгоритма на его подписчиках будет не очень интересно — интересно, что происходит за пределами этого множества. Вот все такие ситуации мы рассматриваем, обыгрываем, проверяем работу алгоритма. И тогда уже выпускаем его в открытое плавание.
Этот цикл исследования как раз происходил у меня в рамках моей кандидатской работы. Тогда это был контекст выборов президента 2018 года. Мы с коллегами из Томска попытались предсказать результаты выборов, и у нас даже получилось с довольно неплохой точностью. Понятно, что есть некоторые поправки — аудитория «ВКонтакте» немного смещена по демографическим характеристикам, но расстановка сил в целом оказалась плюс-минус на том же уровне. Это было еще одно подтверждение того, что алгоритм работает неплохо.
А как вы определяете, чьи мнения больше всего влияют на мнение конкретного пользователя? Это возможно сделать для реальных людей?
Да, такая работа ведется. На самом деле задача восстановления матрицы влияний для реальной группы людей — очень непростая, особенно если речь идет о большой группе. Здесь могут подспорьем выступать какие-то дополнительные данные, ну, например, кто кого лайкает. Если, например, я вижу, что вы лайкаете чаще всего вот этих трех людей, возможно, вы больше всего к ним прислушиваетесь и их влияние доминирует над влиянием всех остальных людей. Хотя, возможно, вам просто нравятся их фотографии и ни о каком влиянии речь тут не идет.
Самый простой подход, который я как раз использовал в работе, — предположение, что все ваши друзья онлайн оказывают на вас одинаковое влияние. И их среднее мнение — то, что влияет на вас в данный момент. Это так называемая когнитивная алгебра.
Если применить такой подход, то получается такая огромная матрица — вот в нашем датасете размером полтора миллиона на полтора миллиона, причем разреженная (в ней будет большинство нулей), а в каждой строке будут стоять одинаковые числа, сумма которых по строке будет равна единице. На самом деле для расчетов эту матрицу даже нет необходимости строить, лучше распараллелить вычисления и считать быстренько отдельно для каждого пользователя. Или представлять ее в разреженной форме, при которой можно эффективно делать вычисления с такими крупными матрицами.
А если мнения всех друзей влияют одинаково, то что насчет нашего собственного мнения? Диагональ в матрице влияний более выражена?
Да, это интересный вопрос. Как правило, действительно, наиболее сильно выражена диагональ.
Получается, все-таки какое-то собственно мнение у людей есть? Это немножко радует.
Меня тоже, на самом деле. То есть люди скорее не склонны менять свое мнение. Иногда это плохо, конечно, например если вы пытаетесь убедить кого-то, что нужно все-таки вакцинироваться. А иногда это хорошо. В этом смысле вся эта тематика неоднозначна. Но есть определенные закономерности. Например, те, у кого мнения более радикальны, они менее склонны менять свои взгляд, они более уверены в своей позиции. Они реже меняют свои взгляды даже в одних и тех же условиях.
В вашей статье написано, что если у людей мнения слишком близкие или, наоборот, слишком разные, то вероятность того, что после взаимодействия они изменятся, одинаково низкая. Как так получается?
В той статье я смотрел, сопоставлял, следующие величины: мнение пользователя в один момент времени и мнения его друзей, а также мнение пользователя в следующий момент времени. И так для большой совокупности наблюдений. И оценивал две составляющие: вероятность того, что пользователь сдвинется в мнении в сторону мнения (ассимилятивный сдвиг или просто конформизм) своих друзей на расстояние выше какого-то порога (ну чтобы убрать случайные флуктуации) и вероятность того, что пользователь сдвинется в сторону противоположную (диссимилятивный сдвиг).
Оказалось, в принципе с увеличением разницы в мнениях вероятность любого изменения растет, но баланс между ассимилятивным и диссимилятивным влиянием меняется. Это видно по графикам отношения вероятности ассимилятивного сдвига по отношению к диссимилятивному.
Отношение вероятности ассимилятивного сдвига к вероятности диссимилятивного сдвига в зависимости от мнения окружения. Каждый график представляет это распределение для группы пользователей с похожими взглядами (SL – strong liberal, L – liberal, M – middle, C – conservative, SC – strong conservative), отмеченной красным цветом. Ось абсцисс показывает степень консервативности окружения (ноль – максимально либеральный, один – полностью консервативный). Видно, что по мере отдаления от мнения пользователя отношение вероятностей сначала повышается, а затем постепенно снижается.
Например, для либерально настроенных пользователей: если вы начинаете уводить мнение друзей все дальше в сторону провластных настроений, то вероятность ассимилятивного сдвига по отношению к диссимилятивному сдвигу сначала повышается, достигает максимума где-то в области нейтральных взглядов, а потом она уменьшается. Получается такая перевернутая буква U. Которая, кстати, была отчасти предсказана и теоретически: слишком близкое мнение вряд ли возымеет эффект, так как вы не почувствуете разницы во взглядах как таковой или, например, у вас может возникнуть желание выделиться, обособиться (в англ. литературе — striving for uniqueness); напротив, мнение, которое слишком сильно отличается от вашего, может вызвать негативную реакцию, отторжение. Во всем нужна «золотая середина». Это правило сработало в этом контексте.
Получается, это какая-то общая закономерность? Которая касается не только политических взглядов?
Это пока предположение, его нужно проверять.
Спасибо!
Иван Владимирович Козицин — кандидат физико-математических наук, сотрудник Лаборатории № 57 «Активных систем» в Институте проблем управления, преподаватель на кафедре высшей математики в Московском физико-математическом институте. Проводит исследования в области моделей динамики взглядов, распространения информации и социального влияния.
