> Badania > Uważaj, kogo obserwujesz w sieci

Komunikat pyłkowy

Kraków, na dzień: 01.10.2024 r.

taksonstężenieprognoza
alternaria
cladosporium

Sprawdź szczegóły

Komunikat opracowany przez Krakowską Stację Monitoringu Aerobiologicznego przy Zakładzie Alergologii Klinicznej i Środowiskowej UJCM.

stężenie
niskie średnie
wysokie bardzo wysokie

Komunikat pyłkowy

Kraków, na dzień: 01.10.2024 r.

taksonstężenieprognoza
alternaria
cladosporium

Sprawdź szczegóły

Komunikat opracowany przez Krakowską Stację Monitoringu Aerobiologicznego przy Zakładzie Alergologii Klinicznej i Środowiskowej UJCM.

stężenie
niskie średnie
wysokie bardzo wysokie

Jakość powietrza

Uważaj, kogo obserwujesz w sieci

Fot. freepik
Jak często zastanawiamy się, czy śledząc określone konta w mediach społecznościowych, uzyskujemy treści, które są dla nas wartościowe lub prawdziwe? W jakim stopniu wybór “przyjaciół” na platformie Twitter ma wpływ na jakość treści, które do nas docierają? Te pytania zadali sobie naukowcy z Politechniki Poznańskiej oraz Uniwersytetu Jagiellońskiego – Collegium Medicum i – w ramach projektu #Webimmunization (#Cyber_odporność) – zbadali, w jaki sposób ukryte algorytmy rekomendacji Twittera manipulują treściami, które otrzymujemy. Przeanalizowali również problemy etyczne związane z prowadzeniem badań naukowych w środowisku tego medium społecznościowego.

W obecnych czasach stajemy się  bardziej świadomi, jak ogromną część informacji w mediach społecznościowych stanowią fałszywe informacje (ang. fake news), teorie spiskowe czy manipulacja faktami.

Na co dzień żyjemy w bańkach informacyjnych. W świecie rzeczywistym bańki informacyjne tworzą się poprzez dobór ludzi, którymi się otaczamy, czy informacji, które chcemy usłyszeć lub których unikamy. Codziennie dokonujemy wyborów, które mogą ograniczać lub poszerzać nasz odbiór otaczającego świata.

W naszym badaniu sprawdziliśmy, w jaki sposób wstępny dobór znajomych na platformie Twitter (jednej z głównych platform w dużej mierze odpowiedzialnej za rozpowszechnianie dezinformacji) ma wpływ na to, co widzimy na osi czasu w przypadku angażowania się w sporne tematy dyskursu publicznego. Jako przykład przeanalizowaliśmy interakcje w mediach społecznościowych związane z pandemią COVID-19 oraz nastroje społeczne wobec szczepionek i programów szczepień. To, co zaobserwowaliśmy to silna asymetria między stroną antyszczepionkową i proszczepionkową. Ponadto, skupiliśmy się  na  kwestiach etycznych związanych z wykorzystaniem automatycznych botów do przeprowadzania eksperymentów w rzeczywistym środowisku sieci społecznościowej, której częścią są ludzie.

Etyczne aspekty badania

Ważną informacją w przypadku naszego eksperymentu jest to, że nasze boty nie zebrały żadnych osobistych czy wrażliwych danych związanych z osobami, które śledziły. Mimo to działały wśród ludzi, dlatego postanowiliśmy dokładnie ocenić ewentualne zagrożenia etyczne związane z takim sposobem prowadzenia badań.

Jednym z głównych problemów natury etycznej jest świadome stosowanie oszustwa, gdyż boty udają zwykłych ludzi. Inni użytkownicy, zwłaszcza osoby śledzone przez nasze boty, mogły błędnie pomyśleć, że są to prawdziwe osoby korzystające z Twittera. W tym wypadku istnieje jednak ważny powód, by nie ujawniać pełnej tożsamości naszego bota. Zakładamy, że w przypadku ujawnienia jego tożsamości, profil osoby śledzonej zostanie poinformowany, że bot testuje narażenie na dezinformację na temat szczepionek COVID-19. Istnieje wówczas bardzo wysokie ryzyko, że boty zostałyby zablokowane przez tych użytkowników Twittera, którzy sprzeciwiają się szczepieniom. Zrozumienie, w jaki sposób dezinformacje o szczepionkach COVID-19 rozprzestrzeniają się w jednej z najważniejszych sieci społecznościowych na świecie, ma ogromne znaczenie, dlatego podjęliśmy decyzję o przeprowadzeniu naszego badania. Byliśmy jednak uważni w kwestiach etycznych i staraliśmy się stosować do poniższych warunków:

  • minimalna ingerencja: boty nie tworzą żadnych treści. Ich ingerencja w sieć społecznościową ogranicza się do dwóch czynników: ich widoczności jako oddzielnych „użytkowników” oraz ich działania polegającego na obserwowaniu innych kont. Twitter powiadomi użytkowników śledzonych przez boty, że mają nowego obserwatora. Użytkownik może rzeczywiście wywnioskować fałszywie, że ktoś jest zainteresowany jego tweetami. Ograniczamy jednak to ryzyko, umieszczając jednoznaczne informacje w profilach botów (ujawniając, że są to boty) i ograniczając eksperyment do stosunkowo krótkiego czasu (kilku dni). Interakcja między ludzkimi użytkownikami a naszymi botami jest minimalna i nie stwarza żadnego dodatkowego ryzyka;
  • przejrzystość i podsumowanie: działania naszych botów są opisywane przed rozpoczęciem badania na stronie projektu, informacje te są dostępne również poprzez profil naszego projektu na Twitterze (@webimmunization);
  • pozostawiona przestrzeń na autonomiczny wybór i możliwość rezygnacji: interwencja botów pozostawia użytkownikom przestrzeń do samodzielnego podjęcia decyzji, czy chcą, aby bot ich śledził. Użytkownik, który stwierdzi, że informacje zawarte w profilu bota są niewystarczające, zbyt ogólne lub podejrzane, ma możliwość zablokowania bota.

Opis badania

Podczas trwania naszego badania, dzięki wykorzystaniu uczenia maszynowego (ang. machine learning), wytrenowaliśmy boty, które przez kilka godzin dziennie zbierały tweety ze swoich osi czasu (od 18 maja, od godz. 11:00 do 22 maja, do godz. 17:00). Musimy w tym miejscu dodać, że zgodnie z dokumentacją API Twittera mamy świadomość, iż to, co uzyskaliśmy, nie odzwierciedla wzorca, w jakim zwykli użytkownicy Twittera uzyskują dostęp do usługi. Postanowiliśmy jednak na potrzeby tego badania przyjąć upraszczające założenie, że oś czasu, do jakiej uzyskuje dostęp nasz bot, reprezentuje strumień tweetów, który zobaczyłby zwykły użytkownik. Należy jednak pamiętać, że mogą wystąpić znaczne różnice między widokiem udostępnianym przez Twitter API a widokiem udostępnianym przez zwykły interfejs usługi.

Stworzyliśmy pięć botów, które znacznie różniły się początkowym zestawem obserwowanych kont, co obrazuje tabela poniżej:

Podczas gdy boty zainicjowane jako wysoce proszczepionkowe (Alfred i Jessie) “widziały” głównie neutralne tweety, boty zainicjowane jako wysoce antyszczepionkowe (Anthony i Alice) otrzymały informacje zdecydowanie popierające ich postawy antyszczepionkowe. Prowadzi to do obserwacji, że osoby, które są przekonane o skuteczności i użyteczności szczepionek COVID-19, nie mają tendencji do forsowania tego stanowiska wśród innych użytkowników proszczepionkowych. Jednocześnie, antyszczepionkowcy zdają się stale wzmacniać swoje przesłanie i stanowisko wśród innych antyszczepionkowców.

Oczywiście procedura wykonywana przez nasze boty jest uproszczeniem rzeczywistej interakcji człowieka z usługą Twittera. Należy tu również dodać, że sama treść czy źródło tweetów nie są jedynymi kwestiami, które przyczyniają się do rozpowszechniania dezinformacji. Zdarzenia behawioralne, takie jak ponowne tweetowanie, obserwowanie, anulowanie obserwowania (zarówno pochodzące od ludzi, jak i wynikające z procedury algorytmicznej wbudowanej w boty) można łatwo pomylić z akceptacją społeczną i poparciem dla pomysłów marginalnych oraz postaw antynaukowych.

Wyniki przedstawione w tabeli 2 przedstawiają końcowy widok osi czasu, czyli analizę całego zestawu tweetów „widocznych” dla bota podczas trwania eksperymentu.

Podczas gdy boty zainicjowane jako wysoce proszczepionkowe (Alfred i Jessie) “widziały” głównie neutralne tweety, boty zainicjowane jako wysoce antyszczepionkowe (Anthony i Alice) otrzymały informacje zdecydowanie popierające ich postawy antyszczepionkowe. Prowadzi to do obserwacji, że osoby, które są przekonane o skuteczności i użyteczności szczepionek COVID-19, nie mają tendencji do forsowania tego stanowiska wśród innych użytkowników proszczepionkowych. Jednocześnie, antyszczepionkowcy zdają się stale wzmacniać swoje przesłanie i stanowisko wśród innych antyszczepionkowców.

Oczywiście procedura wykonywana przez nasze boty jest uproszczeniem rzeczywistej interakcji człowieka z usługą Twittera. Należy tu również dodać, że sama treść czy źródło tweetów nie są jedynymi kwestiami, które przyczyniają się do rozpowszechniania dezinformacji. Zdarzenia behawioralne, takie jak ponowne tweetowanie, obserwowanie, anulowanie obserwowania (zarówno pochodzące od ludzi, jak i wynikające z procedury algorytmicznej wbudowanej w boty) można łatwo pomylić z akceptacją społeczną i poparciem dla pomysłów marginalnych oraz postaw antynaukowych.

Wyniki przedstawione w tabeli 2 przedstawiają końcowy widok osi czasu, czyli analizę całego zestawu tweetów „widocznych” dla bota podczas trwania eksperymentu.

Wnioski

Podsumowując, wyniki naszego eksperymentu są niepokojące. Widzimy, że nawet w przypadku botów, które zaczynały obserwację od wyłącznie (lub prawie wyłącznie) przyjaciół proszczepionkowych (Jessie i Alfred), odsetek tweetów wyrażających niezachwiane poparcie dla szczepień przeciwko COVID-19 docelowo był niewielki, nieprzekraczający 5%. Szybko spadł do 1%-2% dla botów, które otrzymały bardziej „zrównoważony” początkowy skład znajomych-użytkowników. Jeśli bot zaczynał od silnie antyszczepionkowych znajomych (jak w przypadku Anthony’ego i Alice), oś czasu Twittera wzmocniła i potwierdziła antyszczepionkowe stanowisko, prezentując dużą liczbę materiałów przeciwnych szczepieniom.

Obserwujemy również, że ilość propagandy antyszczepionkowej, która przedostała się do osi czasu botów, które zaczynały od przyjaciół propagujących szczepienia, jest znaczna. Nawet jeśli bot nie miał ani jednego znajomego, który opowiadał się przeciwko szczepieniom, to i tak zobaczył 6% tweetów przeciwko szczepieniom, a w sytuacji gdy dopuściliśmy tylko 10% znajomych będących przeciwko szczepionkom, liczba tweetów przeciwko szczepieniom wzrasta do 14%.

Widzimy jasno brak symetrii między botami, którym wprowadziliśmy na początku do znajomych osoby proszczepionkowe (Alfred i Jessie), a botami ze znajomymi antyszczepionkowymi (Anthony i Alice). Próba „zrównoważenia opinii” doprowadziła do katastrofy. Julia (która zaczynała od połowy znajomych proszczepionkowców i połowy znajomych antyszczepionkowców) widziała tylko 2% tweetów proszczepionkowych w porównaniu z 35% tweetami antyszczepionkowymi. Stabilność kompozycji osi czasu, którą zaobserwowaliśmy, można interpretować jako kolejny efekt baniek informacyjnych tworzonych przez Twittera. Wydaje się, że każdy bot szybko dotarł do swojej niszy informacyjnej i nie doświadczył znaczących zmian w ciągu dalszej aktywności na tym portalu społecznościowym. Obserwowana dysproporcja między udziałami tweetów pro- i antyszczepionkowych może sugerować, że znajomi opowiadający się przeciw szczepieniom są znacznie bardziej aktywni niż znajomi proszczepionkowi.

Na temat metodologii badań oraz kwestii etycznych można przeczytać w artykule: Krysińska, Izabela, et al. „Be Careful Who You Follow: the Impact of the Initial Set of Friends on COVID-19 Vaccine Tweets„. Proceedings of the 2021 Workshop on Open Challenges in Online Social Networks. 2021.

Więcej o projekcie #Webimmunization

  26 listopada 2021

Czy awans społeczny może zmniejszyć ryzyko sercowo-naczyniowe?

5 grudnia 2022

Ta niejednoznaczność dotyczy choćby szacowania całkowitego ryzyka wystąpienia...

Więcej »

Analiza twitterowej debaty o obowiązku szczepień na COVID-19

26 lipca 2022

Wysiłki Polski w walce z COVID-19 utrudnione były przez powszechność...

Więcej »

Wyniki pierwszych w Polsce badań dotyczących zależności między dietą a ryzykiem zachorowania na COVID-19

22 lutego 2022

Wiele składników pokarmowych odgrywa kluczową rolę we wspieraniu...

Więcej »

Komunikat pyłkowy

Kraków, na dzień: 01.10.2024 r.

taksonstężenieprognoza
alternaria
cladosporium

Sprawdź szczegóły

Komunikat opracowany przez Krakowską Stację Monitoringu Aerobiologicznego przy Zakładzie Alergologii Klinicznej i Środowiskowej UJCM.

stężenie
niskie średnie
wysokie bardzo wysokie

Komunikat pyłkowy

Kraków, na dzień: 01.10.2024 r.

taksonstężenieprognoza
alternaria
cladosporium

Sprawdź szczegóły

Komunikat opracowany przez Krakowską Stację Monitoringu Aerobiologicznego przy Zakładzie Alergologii Klinicznej i Środowiskowej UJCM.

stężenie
niskie średnie
wysokie bardzo wysokie

Jakość powietrza

Uniwerytet Jagielloński - Collegium Medicum
Po Prostu Nauka

© Uniwersytet Jagielloński - Collegium Medicum
Uniwerytet Jagielloński - Collegium Medicum
Po Prostu Nauka

© Uniwersytet Jagielloński - Collegium Medicum
Po Prostu Nauka
© Uniwersytet Jagielloński - Collegium Medicum
© UJ Collegium Medicum