2.3.2.5 algoritmien sekoitti
Käyttäytyminen löytyy tietoja ei ole luonnollista, se ohjaa tekniikan tavoitteet järjestelmiä.
Vaikka monet löytyi tietolähteitä ovat ei-reaktiivisia, koska ihmiset eivät ole tietoisia niiden tiedot tallennetaan (jakso 2.3.1.3), tutkijat pitäisi harkita käyttäytymistä näissä online-järjestelmien olevan "luonnossa esiintyvä" tai "puhdas". Todellisuudessa digitaalisia järjestelmiä, jotka tallentavat käytös ovat erittäin suunniteltu aiheuttamaan tiettyjen toimintojen, kuten klikkaamalla mainoksia tai lähettämistä sisältöä. Tavat, että tavoitteet järjestelmän suunnittelijat voivat esitellä malleja osaksi dataa kutsutaan algoritmeihin sekoittavia. Algorithmic sekoittavia on suhteellisen tuntematon yhteiskuntatieteilijät, mutta se on suuri huolenaihe keskuudessa varovainen tiedot tutkijoita. Ja toisin kuin jotkut muut ongelmat digitaalisten jälkiä, algoritmeihin sekoittavia on pitkälti näkymätöntä.
Suhteellisen yksinkertainen esimerkki algoritmista sekoittavia on se, että Facebook on olemassa poikkeuksellisen suuri määrä käyttäjiä noin 20 ystävien (Ugander et al. 2011) . Tutkijat analysoidaan tämän tiedon ilman ymmärrystä siitä, miten Facebook toimii voisi epäilemättä tuottaa monia tarinoita miten 20 on jonkinlainen maaginen sosiaalisen numeron. Kuitenkin Ugander ja hänen kollegansa oli olennainen ymmärrystä prosessin tiedot tuottaneen, ja he tiesivät, että Facebook kannustaa ihmisiä muutamia yhteyksiä Facebook tehdä enemmän ystäviä, kunnes ne saavuttivat 20 ystäviä. Vaikka Ugander ja kollegat eivät sano tätä paperi-, tämä politiikka oletettavasti luonut Facebook, jotta kannustetaan uusia käyttäjiä aktiivisempi. Tietämättä olemassaolosta tämän politiikan, mutta se on helppo vetää vääriä johtopäätöksiä datasta. Toisin sanoen, yllättävän suuri määrä ihmisiä noin 20 ystävien kertoo enemmän Facebook kuin ihmisen käyttäytymistä.
Enemmän vahingollinen kuin tämä edellinen esimerkki, jossa algoritmiseen sekoittavia tuotti omituinen seurauksena huolellisen tutkijat voisi tutkia asiaa tarkemmin, on parillinen hankalampi versio algoritmeihin sekoittavia joka syntyy, kun suunnittelijat verkossa järjestelmät ovat tietoisia sosiaalisen teorioiden ja paista nämä teoriat työtiloihin niiden järjestelmiin. Sosiaalinen tutkijat kutsuvat tätä performatiivisuuden: kun teoriat muuttaa maailmaa siten, että ne tuovat maailma paremmin vastaamaan teoriaa. Tapauksissa performatiivisen algoritmeihin sekoittavia, The sekoitti tietojen luonne on todennäköisesti näkymätön.
Yksi esimerkki kuvion luoma performatiivisuuden on transitiivisuusehdon online sosiaaliset verkostot. Vuonna 1970 ja 1980, tutkijat toistuvasti todennut, että jos olet ystäviä Alice ja olet ystäviä Bob, sitten Bob ja Alice ovat todennäköisesti olla ystäviä keskenään kuin kaksi satunnaisesti valittua kansaa. Ja tämä sama kuvio havaittiin sosiaaliseen ryhmään Facebookissa (Ugander et al. 2011) . Siten voitaisiin päätellä, että kuvioita ystävyyden Facebookissa jäljitellä malleja offline ystävyyssuhteita, ainakin mitä transitiivisuusehdon. Kuitenkin suuruus transitiivisuusehdon että Facebook sosiaaliseen ryhmään osittain ohjaavat algoritmeihin sekoittavia. Eli dataa tutkijat Facebook tiennyt empiirisen ja teoreettisen tutkimuksen noin transitiivisuusehdon ja sitten paistetaan sitä, miten Facebook toimii. Facebook on "tuntemasi ihmiset" ominaisuus, joka ehdottaa uusia ystäviä, ja yksi tapa, että Facebook päättää joka ehdottaa teille on transitiivisuus. Eli Facebook on todennäköisemmin sinun kannattaa ystävystyä ystävien ystävien. Tämä ominaisuus on siis lisäävä vaikutus transitiivisuusehdon että Facebook sosiaaliseen ryhmään; toisin sanoen teoria transitiivisuusehdon tuo maailman mukaiseksi ennusteet teorian (Healy 2015) . Niinpä, kun iso tietolähteet näyttäisi toistamaan ennusteita yhteiskuntateorioita, meidän on oltava varmoja, että itse teoria ei leivotaan kuinka järjestelmä toimi.
Sen sijaan ajatellut suuria tietolähteitä tarkkailemalla ihmisten luonnon helmassa, entistä apt metafora tarkkailee ihmisiä kasinolla. Kasinot ovat erittäin suunniteltu ympäristöihin tarkoitus saada tiettyjä käyttäytymismalleja, ja tutkijat olisi koskaan odottaa, että käyttäytyminen kasino tarjoaisi esteetön ikkuna ihmisen käyttäytymistä. Tietenkin voisimme oppia jotain ihmisen käyttäytymistä opiskelusta ihmisten kasinoissa-todellisuudessa kasino voisi olla ihanteellinen tutkimiseen suhdetta alkoholin kulutuksen ja riskipreferenssejä-, mutta jos emme välittäneet että tiedonsiirron aikana luotu kasinon voisimme tehdä huonoja johtopäätöksiä.
Valitettavasti kyse algoritmeihin sekoittavia on erityisen vaikeaa, koska monia piirteitä online-järjestelmien ovat patentoituja, huonosti dokumentoituja, ja muuttuvat jatkuvasti. Esimerkiksi kun Selitän myöhemmin tässä luvussa, algoritmeihin sekoittavia oli yksi mahdollinen selitys asteittain jakautui Google Flu Trends (2.4.2), mutta tämä väite oli vaikea arvioida, koska sisempi toimintaa Googlen haku algoritmi ovat patentoituja. Dynaaminen luonne algoritmisten sekoittavia on yksi muoto järjestelmän drift. Algorithmic sekoittavia tarkoittaa, että meidän pitäisi olla varovaisia väitettä ihmisen käyttäytymistä, joka on peräisin yhdestä digitaalinen järjestelmä, koosta riippumatta.
