Το αμερικανικό Ρεπουμπλικανικό κόμμα έχει κατηγορήσει επανειλημμένα το Twitter για προκατάληψη εις βάρος των συντηρητικών απόψεων, στην πραγματικότητα, όμως, ο αλγόριθμος της πλατφόρμας ευνοεί το δεξιό πολιτικό περιεχόμενο.

Αυτό προκύπτει από εσωτερική έρευνα που παρουσίασε την Πέμπτη η ίδια η Twitter Inc. Παραδέχτηκε, ωστόσο, ότι δεν γνωρίζει την αιτία του φαινομένου, η οποία είναι «δύσκολο» να προσδιοριστεί.

Μια παραδοχή που επιβεβαιώνει ότι ακόμα και οι γίγαντες της τεχνολογίας συχνά δεν μπορούν να εξηγήσουν τη συμπεριφορά των αλγορίθμων τους.

Η μελέτη της Twitter εξέτασε εκατομμύρια tweets με πολιτικό περιεχόμενο που αναρτήθηκαν από πολιτικά κόμματα και μέσα ενημέρωσης σε έξι χώρες -ΗΠΑ, Βρετανία, Καναδά, Γαλλία, Γερμανία, Ιαπωνία, Ισπανία- το διάστημα 1 Απριλίου – 15 Αυγούστου 2020.

Όπως έδειξε η ανάλυση, το δεξιό περιεχόμενο απολαμβάνει μεγαλύτερη «αλγοριθμική ενίσχυση», όταν οι χρήστες επιλέγουν να βλέπουν αναρτήσεις που προτείνει ο αλγόριθμος, αντί μια λίστα αναρτήσεων με αντίστροφη χρονολογική σειρά.

«Σε έξι από τις επτά χώρες, τα tweet που αναρτώνται από δεξιούς εκλεγμένους αξιωματούχους ενισχύονται αλγοριθμικά περισσότερο από ό,τι το αριστερό πολιτικό περιεχόμενο», δήλωσε η Ρούμαν Τσάουντχαρι, επικεφαλής των ερευνητών στην ομάδα μηχανικής μάθησης, ηθικής, διαφάνειας και λογοδοσίας του Twitter.

Όπως πρόσθεσε, η εξήγηση της αλγοριθμικής προκατάληψης είναι «δύσκολο ερώτημα», το οποίο θα επιχειρήσει να απαντήσει η ομάδα της με επόμενες μελέτες.

Η Τσάουντχαρι τόνισε πάντως ότι δεν υπάρχουν ενδείξεις ότι ο αλγόριθμος προωθεί «ακραίες ιδεολογίες», όπως έχουν υποστηρίξει επικριτές του Twitter.

Η εταιρεία έχει παραδεχτεί και στο παρελθόν ότι ο αλγόριθμός της πάσχει από προκαταλήψεις: τον Μάιο, ανακοίνωσε ότι το σύστημα αυτόματου κροπαρίσματος φωτογραφιών είναι πιθανότερο να αφαιρέσει τα πρόσωπα μαύρων ανθρώπων και γυναικών.

Ακολουθήστε τον ot.grστο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Δείτε όλες τις τελευταίες Ειδήσεις από την Ελλάδα και τον Κόσμο, στον ot.gr

Latest News

Πρόσφατα Άρθρα Τεχνολογία