[논문 리뷰] The drivers of online polarization: fitting models to data

Carlo Michele Valensise, Matteo Cinelli외 1명|arXiv (Cornell University)|2022. 05. 31.

Opinion Dynamics and Social Influence인용 수 5

한 줄 요약

이 논문은 인간의 인지적 편향과 알고리즘 피드 메커니즘을 통합하여 온라인 극화를 시뮬레이션할 수 있는 유연한 의견 동역학 모델을 제안한다. 네 개의 소셜미디어 플랫폼에서 수집한 실증 데이터와 시뮬레이션된 의견 분포 간의 유사도를 제닝-숄런 분산(Jensen-Shannon divergence)을 사용해 정량적으로 비교함으로써, 특히 알고리즘 매개변수 γ가 극화 수준을 제어하는 데 핵심적인 역할을 한다는 것을 규명하였으며, 극단적 극화를 감소시키기 위한 추천 시스템 개선을 위한 데이터 기반 프레임워크를 제공한다.

ABSTRACT

Users online tend to join polarized groups of like-minded peers around shared narratives, forming echo chambers. The echo chamber effect and opinion polarization may be driven by several factors including human biases in information consumption and personalized recommendations produced by feed algorithms. Until now, studies have mainly used opinion dynamic models to explore the mechanisms behind the emergence of polarization and echo chambers. The objective was to determine the key factors contributing to these phenomena and identify their interplay. However, the validation of model predictions with empirical data still displays two main drawbacks: lack of systematicity and qualitative analysis. In our work, we bridge this gap by providing a method to numerically compare the opinion distributions obtained from simulations with those measured on social media. To validate this procedure, we develop an opinion dynamic model that takes into account the interplay between human and algorithmic factors. We subject our model to empirical testing with data from diverse social media platforms and benchmark it against two state-of-the-art models. To further enhance our understanding of social media platforms, we provide a synthetic description of their characteristics in terms of the model's parameter space. This representation has the potential to facilitate the refinement of feed algorithms, thus mitigating the detrimental effects of extreme polarization on online discourse.

연구 동기 및 목표

• 온라인 정보 소비 과정에서 인간의 행동적 편향과 알고리즘 영향을 모두 반영할 수 있는 통합된 의견 동역학 모델을 개발하는 것.
• 실제 소셜미디어 데이터에 기반한 체계적이고 정량적인 의견 동역학 모델 검증의 부족을 보완하는 것.
• 다양한 플랫폼에서의 실증적 의견 분포와 모델 출력을 비교함으로써 극화를 이끄는 가장 영향력 있는 매개변수를 특정하는 것.
• 모델 피팅을 통한 플랫폼별 매개변수 특성 기반의 사회적 미디어 플랫폼 기반 특성 기술을 제공함으로써, 타겟팅된 알고리즘 간섭을 가능하게 하는 것.
• 알고리즘 영향 매개변수 γ를 조작함으로써 극화를 효과적으로 감소시킬 수 있음을 보여주며, 유해한 온라인 동역학을 완화할 수 있는 길을 제시하는 것.

제안 방법

• 유사한 의견을 가진 이웃의 영향력에 영향을 미치는 핵심 매개변수 γ를 포함한, 동질성, 사회적 전염, 알고리즘 편향을 통합한 다용도 의견 동역학 모델을 수립한다.
• 네 플랫폼(Facebook, Twitter, Reddit, Gab)에서 수집한 실증 데이터와 시뮬레이션된 의견 분포 간의 유사도를 정량적으로 측정하기 위해 제닝-숄런(JS) 분산을 사용한다.
• 각 플랫폼에서 관측된 극화 패턴을 가장 잘 재현하는 최적의 구성 조합을 찾기 위해 모델의 매개변수 공간에 대해 격자 탐색을 수행한다.
• 극단적 극화를 더 잘 포착하는 데 성능이 뛰어난 두 개의 최첨단 모델(Arruda et al. [22] 및 기타)과의 비교를 통해 성능 유효성을 검증한다.
• 합성된 매개변수 공간 표현을 사용하여 플랫폼 특유의 의견 동역학 메커니즘 특성을 기술한다.
• 모델을 공동체 수준 데이터(Gab, Reddit)와 주제별 데이터(Twitter, Facebook)에 모두 적용함으로써, 다양한 데이터 수집 수준에서의 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 다양한 소셜미디어 플랫폼에서 온라인 극화가 발생하는 데 가장 잘 설명하는 인간적 요인과 알고리즘적 요인의 조합은 무엇인가?
• RQ2 통합된 의견 동역학 모델이 소셜미디어에서 측정된 실제 의견 분포를 얼마나 잘 재현할 수 있는가?
• RQ3 유사 의견을 가진 동료의 영향력에 상대적인 영향력을 조절하는 알고리즘 매개변수 γ는 극화 수준을 어떻게 형성하는가?
• RQ4 제안된 모델은 기존 최첨단 모델들과 비교해 실증적 극화 패턴을 얼마나 잘 포착하는가?
• RQ5 실증 데이터를 기반으로 한 정량적이고 데이터 기반의 방법을 통해 소셜미디어 플랫폼을 의견 동역학 모델의 매개변수 공간에 매핑하여 실질적인 통찰을 도출할 수 있는가?

주요 결과

• 제안된 모델은 테스트된 네 플랫폼(Facebook, Twitter, Reddit, Gab) 전반에서 기존 모델보다 실증적 의견 분포를 더 잘 재현한다.
• 의견 동역학 모델에서 알고리즘적 영향력 강화를 조절하는 매개변수 γ는 극화 감소에 가장 중요한 요소로 규명되었으며, 최적의 값에서 JS 분산이 최소화됨을 확인하였다.
• Reddit와 Twitter에서는 게시물 분포 함수의 유형이 상대적으로 덜 중요한 영향을 미쳤지만, 상위 5퍼센트의 구성에서 위상 분포 φ가 강하게 국소화되어 있음을 확인하여 그 중요성을 입증하였다.
• 리워핑 메커니즘과 사용자 게재 행동(정치적(pol), 일반적(uni), 단순(sim) 유형)은 특히 Reddit에서 의견 분포를 정확히 재현하는 데 필수적이었다.
• 모델의 데이터 피팅 능력은 공동체 수준(Gab, Reddit)과 주제별 수준(Twitter, Facebook)의 다양한 데이터 수집 수준에서 뛰어난 강건성을 보이며 일반화 가능성을 입증하였다.
• 모든 실세계 극화 동역학을 포괄하는 '만능 모델'은 존재하지 않지만, 본 연구에서 제안하는 방법은 실증 검증 기반의 체계적 비교 및 모델 개선을 가능하게 한다.