[論文レビュー] The Impact of the Filter Bubble -- A Simulation Based Framework for Measuring Personalisation Macro Effects in Online Communities

Thomas Gottron, Felix Schwagereit|arXiv (Cornell University)|Dec 20, 2016

Opinion Dynamics and Social Influence参考文献 11被引用数 3

ひとこと要約

本稿では、パーソナライゼーションアルゴリズムによるオンラインコミュニティにおけるマクロレベルのフィルターバブル効果を測定するエージェントベースのシミュレーションフレームワークを提案する。トピックモデリングとネットワーク生成モデルを用い、コンテンツベースと著者ベースのパーソナライゼーションを比較した結果、コンテンツベースのフィルタリングは、類似した精度の向上にもかかわらず、より広範な社会的ネットワークと語彙多様性を維持することで、フィルターバブルの深刻度を軽減することが分かった。

ABSTRACT

The term filter bubble has been coined to describe the situation of online users which---due to filtering algorithms---live in a personalised information universe biased towards their own interests.In this paper we use an agent-based simulation framework to measure the actual risk and impact of filter bubble effects occurring in online communities due to content or author based personalisation algorithms. Observing the strength of filter bubble effects allows for opposing the benefits to the risks of personalisation.In our simulation we observed, that filter bubble effects occur as soon as users indicate preferences towards certain topics.We also saw, that well connected users are affected much stronger than average or poorly connected users. Finally, our experimental setting indicated that the employed personalisation algorithm based on content features seems to bear a lower risk of filter bubble effects than one performing personalisation based on authors.

研究の動機と目的

• パーソナライゼーションアルゴリズムがオンラインコミュニティにおける情報多様性に与えるマクロレベルの影響を測定すること。
• ユーザーがトピックの好みを示す場合、フィルターバブル効果がどのように発生するかを調査すること。
• 社会的ネットワーク構造と語彙多様性に与えるコンテンツベースと著者ベースのパーソナライゼーションのリスクと利点を比較すること。
• 特に接続性の観点から、どのユーザー層がシミュレートされたオンラインコミュニティにおいてフィルターバブル効果に最も影響を受けるかを特定すること。

提案手法

• シミュレーションは、個々のトピック関心に基づいてメッセージを生成・消費するエージェント（ユーザー）を表すエージェントベースのモデルを用いる。
• 生成的ネットワークモデルにより、ハブを含むさまざまな接続度のユーザー間ネットワークが生成される。
• 最先端のトピックモデリング手法を用い、メッセージにトピックを割り当て、ユーザーの関心とコンテンツの関連性を反映する。
• 2種類のパーソナライゼーションアルゴリズムを実装する：1つはメッセージのコンテンツ特徴に基づくフィルタリング、もう1つは著者のトピックプロファイルに基づくフィルタリング。
• フレームワークは、正確性（precision）、再現率（recall）、アクティブな社会的ネットワークのサイズ、語彙多様性を測定し、フィルターバブル効果を定量化する。
• シミュレーション実験では、コアトピックと周辺トピックの確率といったパラメータを変化させ、ユーザーの好みの異なる条件下でのアルゴリズムの影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 パーソナライゼーションアルゴリズムは、オンラインコミュニティのマクロレベルでどの程度フィルターバブル効果を引き起こすか？
• RQ2 コンテンツベースと著者ベースのパーソナライゼーションアルゴリズムは、社会的ネットワーク構造と語彙多様性にどのように異なる影響を与えるか？
• RQ3 接続性の観点から、どのユーザー層—特に接続度の高いユーザー—がフィルターバブル効果に対して最も脆弱であるか？
• RQ4 コンテンツベースのパーソナライゼーションは、著者ベースのフィルタリングと同等の高精度を維持しながら、フィルターバブルの深刻度を軽減できるか？

主な発見

• ユーザーがコアトピックの好みを示すと、すぐにフィルターバブル効果が現れ、関心に基づいた偏った情報認識が生じる。
• 接続度の高いユーザーは、平均的または接続度が低いユーザーと比べて、メッセージの露出度とアルゴリズムによる強化の影響を顕著に受けるため、フィルターバブル効果の影響をより強く受ける。
• 著者ベースのパーソナライゼーションは、コンテンツベースのパーソナライゼーションと比較して、アクティブな社会的ネットワークのサイズと語彙多様性の低下が顕著に強い。
• 正確性と再現率が類似しているにもかかわらず、コンテンツベースのパーソナライゼーションは、より深刻なフィルターバブル効果をもたらし、広範な社会的および言語的露出を維持する。
• シミュレーションの結果、ユーザーはまだトピック外のメッセージにアクセス可能であることが示され、フィルターバブルは絶対的ではなく、ユーザー行動によって逆転可能である可能性がある。
• 結果から、コンテンツベースのパーソナライゼーションは、社会的および認知的隔離を最小限に抑えつつ、ユーザー体験の利点を維持できるよりバランスの取れたアプローチである可能性が示唆される。