2.3.8 એલ્ગોરિધમલીલીએ શાપિત

મોટા ડેટા સિસ્ટમ્સમાં બિહેવિયર કુદરતી નથી; તે સિસ્ટમોના એન્જિનિયરિંગ ગોલ દ્વારા ચલાવાય છે.

ઘણા મોટા ડેટા સ્રોતો બિનઅનુભવી હોવાના કારણે છે કારણ કે લોકો જાણતા નથી કે તેમની માહિતી રેકોર્ડ કરવામાં આવી રહી છે (વિભાગ 2.3.3), સંશોધકોએ આ ઓનલાઇન સિસ્ટમ્સમાં વર્તનને "સ્વાભાવિક રીતે બનતું નથી" ગણવું જોઇએ. વાસ્તવમાં, ડિજિટલ સિસ્ટમો કે જે રેકોર્ડ વર્તન છે જાહેરાતો પર ક્લિક કરવા અથવા સામગ્રી પોસ્ટ કરવા જેવા વિશિષ્ટ વર્તણૂકોને પ્રેરિત કરવા માટે અત્યંત એન્જિનિયર્ડ. જે રીતે સિસ્ટમ ડિઝાઇનરોના ધ્યેયો ડેટાના પેટર્ન દાખલ કરી શકે છે તે એલ્ગોરિધમિક ગુંચવણ કહેવાય છે. એલ્ગોરિધમિક ગુંચવણકારી સામાજિક વૈજ્ઞાનિકો માટે પ્રમાણમાં અજાણ છે, પરંતુ તે સાવચેત ડેટા વૈજ્ઞાનિકો વચ્ચે મુખ્ય ચિંતા છે. અને, ડિજિટલ ટ્રેસ સાથેની અન્ય કેટલીક સમસ્યાઓથી વિપરીત, એલ્ગોરિધમિક ગૂંચવણ મોટા ભાગે અદ્રશ્ય છે.

એલ્ગોરિધમિક ગુંચવણ ના પ્રમાણમાં સરળ ઉદાહરણ હકીકત એ છે કે ફેસબુક પર આશરે 20 મિત્રો સાથેના અસંખ્ય વપરાશકર્તાઓની સંખ્યા છે, જેમ કે જોહાન યુગાંડેર અને સહકર્મીઓ (2011) દ્વારા શોધાયા હતા. વૈજ્ઞાનિકોએ આ માહિતીનું વિશ્લેષણ કર્યા વગર, ફેસબુક કેવી રીતે કામ કરે છે તેની કોઈ સમજણ નથી કરી શકતી, કેમ કે 20 કેટલાંક પ્રકારની જાદુઈ સામાજિક સંખ્યા છે સદનસીબે, યુગ્ડેર અને તેના સાથીઓએ આ પ્રક્રિયાની નોંધપાત્ર સમજણ મેળવી હતી કે જેણે ડેટા ઉત્પન્ન કર્યો હતો, અને તેઓ જાણતા હતા કે ફેસબુક લોકો પર થોડા કનેક્શન્સવાળા લોકોને ફેસબુક પર વધુ મિત્રો બનાવવા માટે પ્રોત્સાહિત કરે છે જ્યાં સુધી તેઓ 20 મિત્રો સુધી પહોંચે નહીં. તેમ છતાં યુગાંડેર અને સહકર્મીઓ આને તેમના કાગળમાં નથી કહેતા, આ નીતિ શક્ય છે કે નવા વપરાશકર્તાઓને વધુ સક્રિય બનવા માટે પ્રોત્સાહિત કરવા માટે ફેસબુક દ્વારા બનાવવામાં આવેલ છે. આ નીતિના અસ્તિત્વ વિશે જાણ્યા વગર, તેમ છતાં, ડેટામાંથી ખોટો નિષ્કર્ષ કાઢવો સરળ છે. બીજા શબ્દોમાં કહીએ તો લગભગ 20 મિત્રો ધરાવતા લોકોની આશ્ચર્યજનક સંખ્યામાં માનવ વર્તન કરતાં ફેસબુક વિશે વધુ જણાવે છે.

આ અગાઉના ઉદાહરણમાં, એલ્ગોરિધમિક ગુંચવણથી એક વિચિત્ર પરિણામનું નિર્માણ થયું છે જે સાવચેત સંશોધકને શોધી શકે છે અને વધુ તપાસ કરી શકે છે. જો કે, એલ્ગોરિધમિક ગૂંચવણના એક પણ ટ્રીકીયર વર્ઝન છે જે ત્યારે થાય છે જ્યારે ઓનલાઇન સિસ્ટમ્સના ડિઝાઇનર્સ સામાજિક સિદ્ધાંતોથી પરિચિત હોય છે અને પછી આ સિદ્ધાંતોને તેમની સિસ્ટમોના કામમાં બનાવતા હોય છે. સમાજ વૈજ્ઞાનિકો આ ક્રિયાશીલતાને કહે છે : જ્યારે કોઈ સિદ્ધાંત એવી રીતે વિશ્વને બદલે છે કે તે વિશ્વને સિદ્ધાંત સાથે વધુ લાવે છે. કાર્યાત્મક અલ્ગોરિધમિક સંઘર્ષના કિસ્સામાં, માહિતીનો ગુંચવણભર્યો સ્વભાવ શોધી કાઢવો ખૂબ જ મુશ્કેલ છે.

ક્રિયાશીલતા દ્વારા બનાવેલ પેટર્નનું એક ઉદાહરણ ઓનલાઇન સામાજિક નેટવર્ક્સમાં પરિવહન છે. 1970 અને 1980 ના દાયકામાં, સંશોધકોએ વારંવાર જોયું કે જો તમે એલિસ અને બોબ બંને સાથે મિત્ર છો, તો પછી એલિસ અને બોબ બંને એકબીજા સાથે મિત્ર બનવાની સંભાવના છે, જો તે બે અવકાશી રીતે પસંદ કરેલા લોકો હતા. આ ખૂબ જ પેટર્ન ફેસબુક પર સામાજિક ગ્રાફ મળી હતી (Ugander et al. 2011) . આ રીતે, એક એવું તારણ કાઢ્યું છે કે ફેસબુક પર દોસ્તીના દાખલાઓ ઑફલાઇન મિત્રતાના પેટર્નની નકલ કરે છે, ઓછામાં ઓછું ટ્રાંઝિટિવિટીના સંદર્ભમાં. જો કે, ફેસબુક સોશિયલ ગ્રાફમાં સંક્રમણની તીવ્રતા અંશતઃ અલ્ગોરિધમિક ગૂંચવણ દ્વારા ચલાવવામાં આવે છે. તે છે, ફેસબુકના ડેટા વૈજ્ઞાનિકો ટ્રાન્ઝિટીવીટી વિશે પ્રયોગમૂલક અને સૈદ્ધાંતિક સંશોધન વિશે જાણતા હતા અને પછી તેને કેવી રીતે ફેસબુક કામ કરે છે તે બનાવ્યું હતું ફેસબુક પાસે "પીપલ યુ મે ફૉન્ટ યોર" ફીચર છે જે નવા મિત્રો સૂચવે છે, અને એક રીતે ફેસબુક નક્કી કરે છે કે જે તમને સૂચવે છે કે ટ્રાંઝિટિવિટી છે. એટલે કે, ફેસબુક તમને સૂચિત કરે છે કે તમે તમારા મિત્રોના મિત્રો સાથે મિત્ર બનશો. આ સુવિધાને કારણે ફેસબુક સોશિયલ ગ્રાફમાં વધતી જતી પરિવહનની અસર થઈ છે; બીજા શબ્દોમાં કહીએ તો, ટ્રાન્ઝિટીવીટીના સિદ્ધાંતથી થિયરીની આગાહીઓ સાથે વિશ્વની (Zignani et al. 2014; Healy 2015) . આ રીતે, જ્યારે મોટા ડેટા સ્રોતો સામાજિક સિદ્ધાંતની આગાહીઓને પ્રજનન માટે દેખાય છે, ત્યારે આપણે ખાતરી કરવી જોઈએ કે સિસ્ટમ પોતે કેવી રીતે કામ કરે છે તે સિદ્ધાંતને શેકવામાં આવતો નથી.

કુદરતી સેટિંગમાં લોકોનું નિરીક્ષણ કરતા મોટા ડેટા સ્ત્રોતોની વિચારણા કરતા, વધુ યોગ્ય રીતે રૂપક કેસિનોમાં લોકોનું નિરીક્ષણ કરે છે. કસિનો ખૂબ ચોક્કસ વર્તણૂકોને પ્રેરિત કરવા માટે રચાયેલ એન્જીનિયરિંગ પર્યાવરણ છે, અને એક સંશોધક કસિનોમાં વર્તનની અપેક્ષા રાખશે નહીં જે માનવીય વર્તણૂકમાં નિરંકુશ વિંડો પૂરો પાડે છે. અલબત્ત, તમે કેસિનોમાં લોકોનો અભ્યાસ કરીને માનવ વર્તન વિશે કંઈક શીખી શકો છો, પરંતુ જો તમે એ હકીકતને અવગણતા હો કે ડેટા કેસિનોમાં બનાવવામાં આવી રહ્યો છે, તો તમે કેટલાક ખરાબ નિષ્કર્ષો દોરી શકો છો

કમનસીબે, એલ્ગોરિધમિક ગુંચાવણ સાથે વ્યવહાર ખાસ કરીને મુશ્કેલ છે કારણ કે ઑનલાઇન સિસ્ટમ્સના ઘણા લક્ષણો માલિકીનું છે, નબળું દસ્તાવેજીકરણ અને સતત બદલાતી રહે છે. ઉદાહરણ તરીકે, હું આ પ્રકરણમાં પછીથી સમજાવું છું કે, Google ફલૂ ટ્રેંડ્સ (વિભાગ 2.4.2) ના ધીમેથી ભંગાણ માટે એલ્ગોરિધમિક ગૂંચવણ એક શક્ય સમજૂતી હતી, પરંતુ આ દાવાને આકાર આપવો મુશ્કેલ હતો કારણ કે Google ની શોધ એલ્ગોરિધમની આંતરિક કામગીરી માલિકીનું એલ્ગોરિધમિક ગુંચવણ ના ગતિશીલ સ્વભાવ સિસ્ટમ ડ્રિફ્ટનું એક સ્વરૂપ છે. એલ્ગોરિધમિક ગૂંચવણનો અર્થ એ કે માનવ ડિવાઈશમેન્ટથી સંબંધિત કોઈ પણ દાવા અંગે સાવધ રહેવું જોઈએ, કોઈ પણ ડિજિટલ સિસ્ટમથી, તે કેટલું મોટું છે.