[论文解读] Data Portraits and Intermediary Topics: Encouraging Exploration of Politically Diverse Profiles

Eduardo Graells-Garrido, Mounia Lalmas+1 more|arXiv (Cornell University)|Jan 4, 2016

Complex Network Analysis Techniques参考文献 66被引用 10

一句话总结

本文提出了一种混合平台，结合基于潜在主题的推荐系统与数据可视化界面，以鼓励用户在微博类平台上探索政治立场多样的个人资料。通过在用户内容的个性化视觉肖像中呈现推荐的个人资料，该系统实现了无偏见的探索——尤其在政治兴趣用户中表现显著，表明算法推荐与可视化界面设计的结合能够有效对抗同质化和选择性暴露。

ABSTRACT

In micro-blogging platforms, people connect and interact with others. However, due to cognitive biases, they tend to interact with like-minded people and read agreeable information only. Many efforts to make people connect with those who think differently have not worked well. In this paper, we hypothesize, first, that previous approaches have not worked because they have been direct -- they have tried to explicitly connect people with those having opposing views on sensitive issues. Second, that neither recommendation or presentation of information by themselves are enough to encourage behavioral change. We propose a platform that mixes a recommender algorithm and a visualization-based user interface to explore recommendations. It recommends politically diverse profiles in terms of distance of latent topics, and displays those recommendations in a visual representation of each user's personal content. We performed an "in the wild" evaluation of this platform, and found that people explored more recommendations when using a biased algorithm instead of ours. In line with our hypothesis, we also found that the mixture of our recommender algorithm and our user interface, allowed politically interested users to exhibit an unbiased exploration of the recommended profiles. Finally, our results contribute insights in two aspects: first, which individual differences are important when designing platforms aimed at behavioral change; and second, which algorithms and user interfaces should be mixed to help users avoid cognitive mechanisms that lead to biased behavior.

研究动机与目标

• 为解决社交媒体中同质化和选择性暴露的长期问题，即用户主要与志趣相投者互动。
• 探究为何以往促进接触多样化政治观点的努力（尤其是依赖直接推荐的方案）未能成功。
• 探索将算法推荐与基于可视化界面的设计相结合，是否能有效鼓励用户无偏见地探索政治立场多样的个人资料。
• 识别影响用户探索分歧政治内容意愿的个体差异。
• 确定能够减轻在线信息消费中认知偏见的算法与用户界面设计的最佳组合。

提出的方法

• 该平台采用潜在主题建模方法（如LDA）计算基于用户发布内容的用户间语义距离。
• 推荐算法通过识别其潜在主题分布与目标用户显著不同的用户，来选择政治立场多样的个人资料。
• 系统将每位用户的内容可视化为“数据肖像”——一种反映其主题分布与互动模式的图形表示。
• 推荐的个人资料作为“中介主题”整合进数据肖像中——即在用户现有内容与不同政治视角之间建立视觉连接的元素。
• 该界面允许用户通过在视觉空间内的交互式导航来探索推荐的个人资料，从而降低对意识形态差异的感知威胁。
• 在真实微博平台上对实际用户进行了“野外”评估，以在不同推荐条件下评估用户的探索行为。

实验结果

研究问题

• RQ1 与偏向性推荐策略相比，直接推荐政治立场多样的个人资料是否能显著提升用户的探索行为？
• RQ2 将基于主题的推荐系统与可视化界面相结合，在多大程度上能减少用户对志趣相投内容的选择性暴露？
• RQ3 个体差异（如政治兴趣）在多大程度上影响用户探索多样化政治个人资料的意愿？
• RQ4 内容的视觉呈现（即数据肖像）在降低感知威胁并提升对分歧观点的开放性方面发挥何种作用？
• RQ5 算法与界面设计的混合系统是否能有效对抗社交媒体中的认知偏见，如同质化和选择性暴露？

主要发现

• 当推荐算法偏向（即推荐相似个人资料）时，用户探索推荐个人资料的意愿高于推荐政治立场多样的情况，表明用户对直接接触对立观点存在抗拒。
• 尽管初始参与度较低，但使用混合系统（推荐+可视化）的用户显著表现出更少偏见的探索行为，尤其在政治兴趣用户中表现明显。
• 数据肖像界面帮助用户感知推荐个人资料的威胁性更低，通过视觉中介而非直接对抗促进探索。
• 主题距离计算与视觉呈现的结合使用户能够以更非对抗性、更具情境基础的方式导航多样化内容。
• 结果表明，当算法与界面协同设计以应对认知偏见时，用户在线信息消费行为的改变更有可能实现。
• 个体差异，尤其是政治兴趣，是预测用户是否会探索推荐的多样化政治个人资料的强指标，凸显此类系统个性化设计的必要性。