Μικροπράγματα
Από τον Πέτρο Δημητρακόπουλο*
Την περασμένη Κυριακή, η Νέα Δημοκρατία, υπό την ηγεσία του Κυριάκου Μητσοτάκη, κέρδισε τις Εθνικές Εκλογές με μία πολύ μεγάλη, και ίσως λίγο απροσδόκητη, διαφορά από τον ΣΥΡΙΖΑ.
Παρά το γεγονός ότι όλες οι δημοσκοπήσεις είχαν προβλέψει σωστά την επανεκλογή της ΝΔ και σχεδόν όλοι την περίμεναν, σχεδόν κανείς δεν περίμενε ότι η διαφορά μεταξύ των 2 κομμάτων θα ξεπερνούσε το 20%.
Μετά από το αποτέλεσμα των εκλογών και την σαρωτική νίκη της ΝΔ (ή την συντριπτική ήττα του ΣΥΡΙΖΑ), παρατήρησα τις αναρτήσεις των επαφών μου στα μέσα κοινωνικής δικτύωσης, ιδιαίτερα εκείνων που βρίσκονται στην ηλικιακή μου ομάδα. Άτομα κατά κύριο λόγο γεννημένα από τις αρχές της δεκαετίας του ’90 έως τα μέσα της δεκαετίας του ’00. Πρόκειται για αυτή η γενιά που “κατοικεί” στα social media και περνάει εκεί πολύ μεγάλο μέρος του χρόνου της.
Ήταν από πολύ νωρίς σαφές, ότι αυτές οι επαφές μου στα social media και ειδικά τα άτομα που γνωρίζω ότι έχουν πολιτική ή ιδεολογική συγγένεια με τον ΣΥΡΙΖΑ ή τον ευρύτερο αριστερό χώρο, εξέφράσαν την έντονη δυσαρέσκεια τους για το εκλογικό αποτέλεσμα φτάνοντας μάλιστα μέχρι το σημείο να εκφράζουν έντονο σκεπτικισμό για την εκλογική διαδικασία και την καταμέτρηση των ψήφων. Ορισμένες από τις αντιδράσεις τους στα μέσα κοινωνικής δικτύωσης ήταν από οργισμένες ως απρεπής σε όρους πολιτικού πολιτισμού. Φαίνεται πως ήταν πραγματικά δύσκολο για εκείνους να αποδεχτούν ότι ο ΣΥΡΙΖΑ είχε υποστεί μία τόσο βαριά εκλογική ήττα δεδομένου το τι εισέπρατταν οι ίδιοι ως κυρίαρχο αίσθημα από την κοινωνία και τα μέσα κοινωνικής δικτύωσης το χρονικό διάστημα πριν από τις εκλογές. Ως ένα βαθμό είναι κατανοητό. Λίγο το νεαρό την ηλικίας και το αίμα που βράζει, λίγο τα έντονα συναισθήματα που προκαλεί μία μεγάλη εκλογική ήττα, οι αντιδράσεις ήταν αναμενόμενες. Ήταν όμως και βάσιμες;
Η διαπίστωση αυτή μου φάνηκε ιδιαίτερα ανησυχητική δεδομένου του ότι όλους τους τελευταίους μήνες και εβδομάδες πριν τις εκλογές δεν υπήρχαν δημοσκοπήσεις ή άλλα δεδομένα που να δείχνουν με οποιοδήποτε τρόπο ότι η ΝΔ θα έχανε τις εκλογές.
Ορισμένοι από τους παράγοντες που συμβάλουν σε αυτό το αποτέλεσμα έχουν μελετηθεί εκτενώς και τεκμηριώνονται πολύ καλά από την επιστημονική έρευνα. Ένας από αυτούς είναι ότι τα άτομα που βρίσκονται ιδεολογικά και πολιτικά πιο κοντά στην αριστερά, παραδοσιακά τείνουν να συζητούν και να εκφράζουν πιο ανοικτά τις ιδέες τους σε σύγκριση με άτομα που βρίσκονται στο κέντρο ή τα δεξιά του πολιτικού φάσματος. Κατά συνέπεια η αριστερά φαίνεται να έχει μια πιο εμφανή και “εκκωφαντική” παρουσία στο δημόσιο και ιδιωτικό γίγνεσθαι σε σχέση με τις πολιτικές της πεποιθήσεις.
Παράλληλα, η επιλογή που συνήθως κάνουν αυτά τα άτομα, να συναναστρέφονται σχεδόν αποκλειστικά άλλα άτομα με παρόμοιες ιδέες και πολιτικές θέσεις αλλά και να ενημερώνονται από μέσα που πρόσκεινται σε έναν συγκεκριμένο πολιτικό χώρο, δημιουργεί έναν κύκλο ανατροφοδότησης που ενισχύει προς την ίδια κατεύθυνση τις απόψεις τους. Με αυτό τον τρόπο σταδιακά απομονώνονται από εναλλακτικές ιδέες και προσκολλώνται στις δικές τους. Το φαινόμενο αυτό αναφέρεται στην ξένη βιβλιογραφία ως “Echo chamber effect”, και προσπαθεί να κάνει μία αναλογία με με μία κατάσταση όπου λίγοι άνθρωποι βρίσκονται σε ένα μικρό δωμάτιο που προκαλεί αντίλαλο και μιλώντας μεταξύ τους, αντιλαμβάνονται τις φωνές τους πιό δυνατές εξ’ αιτίας της ηχούς που προκαλεί ο μικρός χώρος.
Τα τελευταία χρόνια, η επιστημονική έρευνα έχει αποδείξει ότι αυτό το φαινόμενο ενισχύεται εντός των μέσων κοινωνικής δικτύωσης. Αυτό οφείλεται κυρίως στην τάση των χρηστών να ακολουθούν και να αλληλοεπιδρούν με άλλους χρήστες που μοιράζονται παρόμοια χαρακτηριστικά και απόψεις. Ως αποτέλεσμα, οι χρήστες συχνά εκτίθενται σχεδόν αποκλειστικά σε περιεχόμενο που ευθυγραμμίζεται με τις δικές τους πεποιθήσεις σε σημαντικά κοινωνικά και πολιτικά ζητήματα.
Δυστυχώς, η ικανότητα του ανθρώπινου εγκεφάλου να αντιλαμβάνεται και να μετράει τις ποσοτικές σχέσεις είναι εγγενώς γραμμική, πράγμα που σημαίνει ότι οι χρήστες των μέσων κοινωνικής δικτύωσης μπορεί λανθασμένα να υποθέσουν ότι οι πολιτικές απόψεις που συναντούν στους κύκλους των μέσων κοινωνικής δικτύωσης αντιπροσωπεύουν την ευρύτερη κοινωνία σε παρόμοιες αναλογίες. Αλλά τα πράγματα στα μέσα κοινωνικής δικτύωσης τείνουν να είναι ακόμη χειρότερα από αυτά που περιγράφονται παραπάνω λόγω των τεχνικών λεπτομερειών των αλγορίθμων που επιλέγουν το περιεχόμενο που θα προβληθεί στους χρήστες.
Ας μιλήσουμε λίγο τεχνικά
Πέραν όλων των παραπάνω, οι πλατφόρμες μέσων κοινωνικής δικτύωσης δεν προτείνουν περιεχόμενο στους χρήστες με τυχαίο και αμερόληπτο τρόπο. Αναπτύσσουν πολύ περίπλοκα συστήματα που λαμβάνουν υπόψη έναν μεγάλο αριθμό παραμέτρων και ιστορικών δεδομένων. Τις περισσότερες φορές, αυτό που προσπαθούν να μεγιστοποιήσουν οι πλατφόρμες είναι ο χρόνος που αφιερώνουν οι χρήστες σε αυτές και προφανώς όχι να τους ενημερώσουν αμερόληπτα και αντικειμενικά για κοινωνικά ή πολιτικά θέματα.
Ας δούμε όμως πώς προτείνεται το περιεχόμενο σε μια από τις πιο διάσημες πλατφόρμες μέσων κοινωνικής δικτύωσης, το Twitter.
Πώς το Twitter επιλέγει τα tweets που προβάλει στους χρήστες
Στις αρχές του 2023, το Twitter έδωσε στην δημοσιότητα (άνοιξε τον κώδικα) τον αλγόριθμο που χρησιμοποιεί για να προτείνει tweets στους χρήστες. Αυτός ο αλγόριθμος χρησιμοποιείται για να δείξει σε κάθε χρήστη μόνο ορισμένα tweets που είναι σχετικά και ελκυστικά για τον συγκεκριμένο χρήστη. Αυτό το γεγονός έδωσε τη δυνατότητα στους προγραμματιστές με επαρκές επίπεδο κατανόησης να αποκτήσουν μια λεπτομερή εικόνα για το πώς προτείνεται το περιεχόμενο στους χρήστες από τις πλατφόρμες των social media.
Προσπαθώντας να αποφύγω όσο το δυνατόν περισσότερες τεχνικές λεπτομέρειες, θα προσπαθήσω να εξηγήσω πως λειτουργεί ο πυρήνας του αλγορίθμου συστάσεων. Η καρδιά του αλγορίθμου ονομάζεται “Heavy Ranker”. Είναι ένα νευρωνικό δίκτυο που βαθμολογεί τη συνάφεια κάθε tweet που είναι υποψήφιο για να προβληθεί σε ένα χρήστη με τον συγκεκριμένο χρήστη. Αυτός ο αλγόριθμος τεχνητής νοημοσύνης λαμβάνει υπόψην πολλές παραμέτρους, όπως το αν ο χρήστης που δημοσίευσε αρχικά ένα υποψήφιο tweet έχει πολλά likes ή retweets, την ομοιότητα του υποψήφιου tweet με άλλα με τα οποία είχε αλληλεπιδράσει στο παρελθόν ο χρήστης κ.λπ. Τελικά, τα tweets με τη μεγαλύτερη συνάφεια σύμφωνα με αυτόν τον αλγόριθμο εμφανίζονται στην οθόνη του χρήστη.
Σε απλούς όρους, ένα νευρωνικό δίκτυο είναι σαν μία ομάδα εργατών που ονομάζονται νευρώνες και συνεργάζονται για να λύσουν ένα πρόβλημα. Κάθε νευρώνας είναι υπεύθυνος για ένα πολύ μικρό μέρος του συνολικού προβλήματος και συνεργατικά προσπαθούν να βρουν την λύση.
Οι νευρώνες συνδέονται μεταξύ τους όπως μία παρέα παιδιών που κρατιούνται χέρι-χέρι σε έναν κύκλο. Περνούν αλυσιδωτά μηνύματα ο ένας στον άλλο, λέγοντας π.χ ότι “νομίζω πως αυτό το tweet είναι σχετικό με αυτό τον χρήστη” ή ότι “για αυτό το tweet δεν είμαι σίγουρος, ας ρωτήσουμε τον επόμενο” κλπ.
Για να εκπαιδεύσουμε το νευρικό δίκτυο για το πως να λύνει ένα πρόβλημα, του “δείχνουμε” πολλά παραδείγματα από λύσεις ενός συγκεκριμένου προβλήματος. Στην περίπτωση μας, θέλουμε να διακρίνει τα tweets που είναι σχετικά με το τι επιθυμεί να δει ένας χρήστης από αυτά που δεν τον ενδιαφέρουν καθόλου. Έτσι, “δείχνουμε” στον αλγόριθμο πολλά σχετικά tweets λέγοντας του “αυτά τα tweets είναι σχετικά με αυτό τον χρήστη” και κανονικά το ίδιο πρέπει να κάνουμε και για τα tweets που δεν είναι σχετικά με τον χρήστη. Το νευρωνικό δίκτυο εξετάζει τα tweets με τον τρόπο που περιγράψαμε παραπάνω και μαθαίνει να αναγνωρίζει τα χαρακτηριστικά που κάνουν ένα tweet σχετικό με τα ενδιαφέροντα ενός συγκεκριμένου χρήστη. Αυτά τα χαρακτηριστικά, εκτός από το περιεχόμενο του tweet αυτό καθ’ αυτό, μπορεί να σχετίζονται και με παρεμφερή στοιχεία όπως το πόσα likes έχει, πόσες φορές αναδημοσιεύτηκε ή πόσους ακόλουθους έχει ο χρήστης που το συνέταξε.
Όταν ο αλγόριθμος εξετάζει ένα νέο tweet για να αποφασίσει αν θα το προβάλει σε κάποιον χρήστη ή όχι, περνά αυτό το tweet από όλους τους νευρώνες και στο τέλος εξάγει μία απόφαση η οποία μπορεί να ποσοτικοποιηθεί. Δηλαδή μία αριθμητική τιμή που υποδηλώνει πόσο σχετικό ή άσχετο είναι ένα tweet. Στο τέλος, το σύστημα προβάλει στον χρήστη ένα ορισμένο πλήθος από τα πιό συναφή tweets. Όπως ίσως ήδη έχετε καταλάβει, όσα περισσότερα παραδείγματα “δείχνουμε” στο νευρωνικό δίκτυο, τόσο καλύτερα μαθαίνει να διακρίνει τα συναφή από τα μη συναφή tweets. Είναι σαν να εξασκούμαστε πολύ για να γίνουμε πραγματικά καλοί σε μία συγκεκριμένη δουλειά.
Μία στιγμή, αυτό το άρθρο ξεκίνησε μιλώντας για τις εκλογές. Πως σχετίζονται οι νευρώνες και οι αλγόριθμοι;
Εδώ νομίζω ότι αρχίζει το πραγματικά ενδιαφέρον. Όπως ήδη αναφέραμε, όσο περισσότερα παραδείγματα δείχνουμε στο νευρωνικό δίκτυο, τόσο καλύτερο γίνεται στη διάκριση των σχετικών tweets από τα άσχετα. Ωστόσο, αυτό συμβαίνει μόνο εάν τα δεδομένα που χρησιμοποιήσαμε για να εκπαιδεύσουμε τον αλγόριθμο είναι ισορροπημένα και αντιπροσωπευτικά του πραγματικού κόσμου. Αυτό σημαίνει ότι το νευρωνικό δίκτυο πρέπει να εκπαιδεύεται σε επαρκή αριθμό διαφορετικών ειδών tweets, πιθανώς αναρτημένα από λογαριασμούς που πρόσκεινται σε διαφορετικές πολιτικές πτέρυγες κ.λπ. Διαφορετικά, ο αλγόριθμος που θα προκύψει θα είναι αυτό που επίσημα ονομάζουμε μεροληπτικός (biased). Αυτό σημαίνει ότι επειδή τα δεδομένα στα οποία εκπαιδεύτηκε δεν ήταν αρκετά αντιπροσωπευτικά, εστίασε μόνο σε ένα συγκεκριμένο υποσύνολο αυτών ενώ στον πραγματικό κόσμο υπάρχει μια διαφορετική εικόνα.
Στην περίπτωσή μας αυτό σημαίνει ότι εάν το δίκτυο εκπαιδεύεται κυρίως σε tweets που υποστηρίζουν ή εκφράζουν μια συγκεκριμένη πολιτική πτέρυγα, ας πούμε την αριστερά, ενώ δεν υπάρχει σημαντικός αριθμός tweets από τις υπόλοιπες πολιτικές πτέρυγες, τότε ο αλγόριθμος εκπαιδεύεται σε μεροληπτικά δεδομένα που δεν είναι αντιπροσωπευτικά της πραγματική ς κατάστασης στην υπόλοιπη κοινωνία.
Όπως ίσως έχετε ήδη καταλάβει, οι αλγόριθμοι που έχουν εκπαιδευτεί σε μεροληπτικά δεδομένα είναι πολύ επιρρεπείς στο να κάνουν προκατειλημμένες προτάσεις. Αυτό οφείλεται στο γεγονός ότι ο αλγόριθμος δεν είχε αρκετά χαρακτηριστικά των tweets που συνέθεταν υποστηρικτές του κέντρου ή της δεξιάς, και έτσι δεν είχε μάθει πώς να τα προτείνει.
Σε αυτό το σημείο αξίζει να πούμε ότι όλες οι πλατφόρμες μέσων κοινωνικής δικτύωσης χρησιμοποιούν παρόμοιες μεθόδους για την πρόταση του περιεχομένου στους χρήστες, οπότε το Twitter αποτελεί απλώς ένα ενδεικτικό παράδειγμα και τίποτα παραπάνω.
Και πώς ξέρουμε εάν το “Heavy Ranker” είναι προκατειλημμένο και με ποια δεδομένα έχει εκπαιδευτεί;
Τα τελευταία 10 χρόνια παρακολουθώ στενά την ελληνική κοινότητα του Twitter. Κατά τη διάρκεια της δεκαετίας ήταν περισσότερο από προφανές ότι υπήρχε μια πολύ μεγάλη ανισορροπία μεταξύ των αριστερών λογαριασμών και των λογαριασμών που αντιπροσωπεύουν το υπόλοιπο πολιτικό φάσμα.
Η ανισορροπία ήταν τόσο ακραία που η κατανομή των λογαριασμών στο twitter ανά πολιτική παράταξη απείχε πολύ από την πραγματική κατανομή των πολιτικών παρατάξεων στην κοινωνία. Οι αριστεροί λογαριασμοί, που εξακολουθούν να αποτελούν τη συντριπτική πλειοψηφία της ελληνικής κοινότητας του Twitter, έκαναν αναρτήσεις με τεράστιο ρυθμό, ειδικά στα χρόνια της οικονομικής κρίσης που έπληξε την Ελλάδα, και πολλές φορές χρησιμοποιώντας πολύ τοξικό λόγο. Έτσι, αυτά ήταν τα δεδομένα με τα οποία εκπαιδεύτηκε κυρίως αλγόριθμος, ο οποίος εξακολουθεί και εκπαιδεύεται συνεχώς.
Όλα αυτά τα χρόνια, ο αλγόριθμος έχει εκπαιδευτεί σε μεροληπτικά δεδομένα που δεν είναι αντιπροσωπευτικά της πραγματικής κατάστασης στην υπόλοιπη κοινωνία. Όπως είπαμε στην πρώτη ενότητα, τα άτομα που κλίνουν προς την αριστερά επιδεικνύουν μεγαλύτερη τάση να συζητούν ανοιχτά και να εκφράζουν τις πολιτικές τους πεποιθήσεις σε σύγκριση με άτομα που ανήκουν στο υπόλοιπο φάσμα.
Καθώς οι πιο κεντρώοι και δεξιοί λογαριασμοί ήταν σημαντικά λιγότεροι (και προφανώς τα tweets που εξέφραζαν αυτού του είδους τις πολιτικές απόψεις ήταν επίσης πολύ λιγότερα), ο αλγόριθμος δεν είχε αρκετά δεδομένα για να αντιμετωπίσει εξίσου τα tweets που εξέφραζαν αυτές τις απόψεις. Συνεπώς, πιθανότατα πρότεινε περισσότερα από τα tweets που περιείχαν απόψεις κυρίως προσκείμενες στην αριστερά.
Στην εποχή των μέσων κοινωνικής δικτύωσης και της τεχνητής νοημοσύνης, αυτή η ανισορροπία εμφανίστηκε επηρεάζοντας σε μεγάλο βαθμό την ποιότητα και τη ποικιλία των προτεινόμενων tweets.
Κατά συνέπεια, οι αριστερά προσκείμενοι χρήστες που παρατηρούσαν μία τόσο μεγάλη ανισορροπία στις αναρτήσεις που έβλεπαν στις οθόνες τους και η οποία ενισχυόταν περαιτέρω από το φαινόμενο “Echo Chamber” και τον προκατειλημμένο αλγόριθμο προτάσεων, πιθανότατα ανέπτυξαν την αντίληψη ότι αυτή η τάση αποκρυσταλλώνεται και στην ευρύτερη κοινωνία. Ωστόσο, όπως έδειξαν οι εκλογές και τα δεδομένα, η πραγματικότητα απείχε πολύ από αυτό που τους πρότειναν τα μέσα κοινωνικής δικτύωσης.
*Ο Πέτρος Δημητρακόπουλος είναι μεταπτυχιακός φοιτητής τεχνητής νοημοσύνης και επαγγελματίας προγραμματιστης