Одна из популярных тем в СМИ — как эхо-камеры привели к почти единогласно неточным прогнозам выборов. СМИ начали обвинять себя, но в последнее время переложили вину на социальные сети. В них есть смысл, в определенной степени.

Эхо-камеры создаются, когда люди окружают себя другими людьми, которые подтверждают их собственное мнение, а средства массовой информации склонны создавать большие камеры, склоняясь в ту или иную сторону. Однако социальные сети не обязательно склоняются влево или вправо… они наклоняются к вам. Они запускают алгоритмы машинного обучения на огромных наборах данных, чтобы доставлять все ваши любимые аспекты ваших друзей и новостей в удобной для восприятия ленте. Как выразился South Park, он создает ваше личное безопасное пространство.

Давайте немного углубимся в то, как это работает. Машинное обучение на самом деле основано на том, как работает наш мозг, и мы, естественно, склонны классифицировать и обозначать вещи. Один конкретный алгоритм, называемый кластеризацией k-средних, неплохо справляется с категоризацией. График ниже представляет собой визуализацию k-средних в действии. Алгоритм идентифицирует кластеры и аккуратно разделяет их по цветам.

Представьте себе, что это график того, как аккаунты в социальных сетях распределяются по двум шкалам количественных характеристик: любовь к кошкам и любовь к NY Knicks (это я полностью выдумал… я на самом деле не уверен, что изображен на этом графике). Идите вперед и найдите свою учетную запись — точку, которая ближе всего к вашим предпочтениям. Ваша учетная запись, скорее всего, будет окружена другими точками того же цвета. Социальные сети подстраиваются под ваши вкусы, показывая вам мнение кошек/Никс о цвете, который вам нравится. Потому что социальные сети заставляют вас возвращаться, перекармливая вас контентом, который вам нравится и которым вы любите делиться.

Возвращаясь к графику, каждый цвет становится своей собственной эхо-камерой, отделенной от других эхо-камер. В результате вы не будете часто видеть мнения других цветных точек. Конечно, это не двухмерное изображение, потому что оно персонализировано по миллионам атрибутов. Это означает, что мы сосредоточены не только на кошках и Никсах. Мы сгруппированы на бесчисленных других фронтах.

С помощью кластеризации мы закрываем глаза от других мнений и укрепляем свои собственные, не будучи полностью осведомленными о других точках зрения. Машинное обучение позволяет нам неосознанно игнорировать разнообразие вокруг нас. Достаточно плохо быть неосведомленным о теме, которой вы увлечены. Гораздо хуже ошибочно полагать, что вы полностью информированы по этой теме.

Важность разнообразия

Разнообразие простирается далеко за пределы расы. В сфере недвижимости штата Нью-Йорк законы о справедливом жилищном обеспечении защищают от дискриминации по признаку расы, вероисповедания, цвета кожи, национального происхождения, пола, возраста, инвалидности, семейного положения, военного положения, семейного положения и сексуальной ориентации. И концепция доступного и инклюзивного жилья заключается в поощрении районов со смешанным доходом.

В прошедшем сезоне выборов мы увидели, что страна расколота по многим другим вопросам. Но здорово, что есть так много мнений по стольким темам. Подобно тому, как биологическая эволюция возникает из генетического разнообразия, разнообразие мышления ускоряет появление идей и инноваций.

Я считаю, что одна из причин того, что в Америке такая сильная инновационная культура, заключается в том, что у нас есть очаги крайней неоднородности в наших крупных городах. Ниже представлена ​​расовая точечная карта Дастина Кейбла, на которой нанесены цветные точки, обозначающие расу для каждого человека, живущего в США (эта карта также вошла в мой список 10 самых крутых наборов данных и визуализаций общественной недвижимости Нью-Йорка.) Обратите внимание, что более густонаселенные районы также имеют тенденцию быть более красочными.

Многие другие города по всему миру более однородны в культурном отношении, создавая естественные эхо-камеры, которые затрудняют решение проблем с разных точек зрения.

Это не только ваша вина, но вы не сорвались с крючка

Мы не должны просто сидеть сложа руки и ждать, пока социальные сети адаптируют алгоритмы своих новостных лент (на самом деле, Facebook опубликовал исследование, в котором говорится, что их ленты вообще не создают эхо-камеры — читайте и решайте сами). И новости всегда будут иметь некоторую степень субъективности в репортажах. Мы многое можем сделать, чтобы противодействовать эхо-камерам и предвзятости СМИ.

В масштабах города существует множество политик, направленных на поощрение разнообразия и инклюзивности. Инфраструктура также играет огромную роль, облегчая мультимодальные перевозки и распространение информации. Города должны быть спроектированы таким образом, чтобы безопасно поощрять межкультурное опыление.

Компании также могут создать инновационную культуру, организовав рабочие места для максимального обмена идеями. Компания Apple спроектировала новый кампус космического корабля таким образом, чтобы обеспечить случайные встречи.

На индивидуальном уровне воспользуйтесь этими возможностями, чтобы приложить сознательные усилия, чтобы быть более информированными о мнениях, которых вы придерживаетесь. Существует много информации в свободном доступе, но проанализируйте то, что вы потребляете, и поймите предвзятость (хорошая лакмусовая бумажка для предвзятости — это то, насколько эмоциональна статья). И вместо того, чтобы пассивно находить контент, активно изучайте темы, о которых вы слышите. Покиньте безопасное место. Послушайте другие мнения. Учитесь друг у друга.

Минуточку, эта статья предвзята

Конечно, эта статья необъективна. Это мое мнение, сформированное на основе моего собственного опыта и исследований и дополненное спорным названием. Если вам интересна эта тема, вот еще несколько материалов для начала. Проведите собственное исследование и поделитесь своими мыслями в комментариях!