[논문 리뷰] 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)|2016. 12. 20.

Opinion Dynamics and Social Influence참고 문헌 11인용 수 3

한 줄 요약

이 논문은 개인화 알고리즘으로 인한 온라인 커뮤니티 내 거시적 수준의 필터 버블 효과를 측정하기 위해 에이전트 기반 시뮬레이션 프레임워크를 제안한다. 토픽 모델링과 네트워크 생성 모델을 사용하여 콘텐츠 기반 개인화와 저자 기반 개인화를 비교하며, 콘텐츠 기반 필터링이 정밀도 향상과 유사한 수준에서 더 넓은 사회적 네트워크와 어휘 다양성을 유지함으로써 필터 버블의 심각성을 줄이는 것으로 나타났다.

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.

연구 동기 및 목표

• 온라인 커뮤니티에서 개인화 알고리즘이 정보 다양성에 미치는 거시적 영향을 측정하기 위해.
• 사용자가 주제 선호를 표현할 경우 필터 버블 효과가 어떻게 발생하고 어떤 방식으로 발생하는지 조사하기 위해.
• 사회적 네트워크 구조와 어휘 다양성에 대한 콘텐츠 기반 개인화와 저자 기반 개인화의 위험과 이점 비교하기 위해.
• 모의 온라인 커뮤니티에서 필터 버블 효과에 가장 영향을 받는 사용자 집단을 특정하기 위해.

제안 방법

• 시뮬레이션은 개인의 주제 관심사에 따라 메시지를 생성하고 소비하는 사용자를 나타내는 에이전트를 포함하는 에이전트 기반 모델을 사용한다.
• 생성적 네트워크 모델은 다양한 정도의 사용자 연결성을 포함한 사회적 네트워크를 생성한다.
• 최신 기술의 토픽 모델링 접근법을 통해 메시지에 주제를 할당하여 사용자 관심사와 콘텐츠의 관련성을 반영한다.
• 두 가지 개인화 알고리즘을 구현한다: 하나는 메시지 콘텐츠 특징에 기반한 필터링이고, 다른 하나는 저자 주제 프로필에 기반한 필터링이다.
• 정밀도, 재현율, 활성 사회적 네트워크 크기, 어휘 다양성 등을 측정하여 필터 버블 효과를 정량화한다.
• 핵심 및 주변 관심사 확률 등의 파라미터를 변화시켜 사용자 선호 조건이 다양한 상황에서 알고리즘의 영향을 평가하는 시뮬레이션 실험을 수행한다.

실험 결과

연구 질문

• RQ1 개인화 알고리즘이 온라인 커뮤니티의 거시적 수준에서 어느 정도 필터 버블 효과를 유도하는가?
• RQ2 콘텐츠 기반 개인화와 저자 기반 개인화 알고리즘이 사회적 네트워크 구조와 어휘 다양성에 미치는 영향은 어떻게 다를까?
• RQ3 특히 연결성 측면에서 어떤 사용자 집단이 필터 버블 효과에 가장 취약한가?
• RQ4 콘텐츠 기반 개인화는 저자 기반 필터링과 유사한 정밀도를 유지하면서도 필터 버블의 심각성을 줄일 수 있는가?

주요 결과

• 사용자가 핵심 주제에 대한 선호를 나타내는 순간부터 필터 버블 효과가 나타나며, 이는 사용자 관심사에 기반한 편향된 정보 인식을 초래한다.
• 연결성이 높은 사용자는 평균 또는 연결성이 낮은 사용자보다 필터 버블 효과에 더 크게 영향을 받는다. 이는 메시지 노출도가 높고 알고리즘이 이를 강화하기 때문이다.
• 저자 기반 개인화는 콘텐츠 기반 개인화보다 활성 사회적 네트워크 크기와 어휘 다양성 감소 정도가 더 심하다.
• 정밀도와 재현율 값이 유사한 상황에서도 콘텐츠 기반 개인화는 필터 버블 효과가 덜 심각하며, 더 넓은 사회적 및 언어적 노출을 유지한다.
• 시뮬레이션 결과, 사용자가 비주제 메시지도 여전히 접근할 수 있음을 보여, 필터 버블이 절대적이지는 않으며 사용자 행동을 통해 역전될 수 있음을 시사한다.
• 결과적으로 콘텐츠 기반 개인화는 사회적 및 인지적 고립을 최소화하면서도 사용자 경험의 이점을 유지할 수 있어 더 균형 잡힌 접근일 수 있음을 시사한다.