2.3.2.5 algoritmikus átkozott

Viselkedés talált adatok nem természetes, hogy hajtja a mérnöki célok a rendszereket.

Bár sok talált adatforrások nem reagáló, mert az emberek nincsenek tisztában az adatok kerülnek rögzítésre (Section 2.3.1.3), a kutatók nem tekinthetjük viselkedést ezekben az online rendszerek lehetnek "természetes" vagy "tiszta". A valóságban a digitális rendszerek rekord viselkedés jól megtervezett indukálnak specifikus viselkedés, mint kattintva hirdetéseket vagy kiküldetés tartalmat. Az a mód, hogy a céljait rendszer tervezők bevezetni minták adatokká hívják algoritmikus zavaró. Algoritmikus zavaró viszonylag ismeretlen a társadalomtudósok, de ez egy komoly probléma közül óvatos adatokat a tudósok. És, ellentétben néhány más problémát digitális nyomok, algoritmikus zavaró nagyrészt láthatatlan.

Egy viszonylag egyszerű példa az algoritmikus zavaró az a tény, hogy a Facebook van egy rendellenesen nagy számú felhasználó körülbelül 20 Friends (Ugander et al. 2011) . A tudósok elemzése ezen adatok nélkül megértését, hogyan működik a Facebook is kétségkívül generál sok történetet arról, hogy a 20. valamiféle mágikus szociális számát. Azonban Ugander és kollégái voltak jelentős megértése a folyamat, amely az adatokat létrehozó, és tudták, hogy a Facebook ösztönözte az embereket, kevés kapcsolatot a Facebook-on, hogy több barátot, amíg el nem érte a 20 barátok. Bár Ugander és munkatársai nem mondom ezt a papírt, ezt a politikát feltehetően létre Facebook ösztönzése érdekében az új felhasználók aktívabb. Anélkül, hogy tudnánk, hogy létezik ez a politika, azonban ez könnyű felhívni a rossz következtetést az adatokat. Más szóval, a meglepően nagy számú ember körülbelül 20 barát azt mondja, többet Facebook, mint az emberi viselkedés.

Több vészes, mint ez előző példában, ahol az algoritmikus zavaró produkált furcsa eredmény, hogy a gondos kutatók talán tovább vizsgálják, van egy még trükkösebb változata algoritmikus zavaró, hogy akkor történik, amikor a tervezők online rendszerek tisztában vannak társadalmi elméletek, majd süssük ezek az elméletek a munkavégzési a rendszereket. A társadalomtudósok hívja ezt a performativitás: ha az elméletek megváltoztatni a világot, oly módon, hogy azok hozzák a világ jobban összhangba az elmélet. Azokban az esetekben, performatív algoritmikus zavaró, az átkozott az adatok jellege valószínűleg láthatatlan.

Egy példa a minta által létrehozott performativitás van tranzitivitást az online közösségi hálózatok. Az 1970-es és 1980-as években, a kutatók többször is megállapította, hogy ha barátok Alice és barátok Bob, majd Bob és Alice nagyobb valószínűséggel barátok egymással, mint két véletlenszerűen kiválasztott ember. És ez nagyon ugyanezt a mintát találtak a szociális gráf a Facebook-on (Ugander et al. 2011) . Így arra a következtetésre juthatunk, hogy a minták a barátság a Facebook-on szaporodik minták nélküli barátságok, legalábbis a tranzitivitás. Nagyságrendje azonban tranzitivitás a Facebook szociális gráf részben hajtja algoritmikus zavaró. Azaz, az adatok a tudósok Facebook tudott az empirikus és elméleti kutatások a tranzitivitást majd sütött be, hogyan működik a Facebook. Facebook egy "Lehetséges ismerősök" funkció, amely azt sugallja, új barátokat, és az egyik módja, hogy a Facebook dönti el, ki javasolni Önnek, tranzitivitás. Azaz, a Facebook inkább azt sugallják, hogy összebarátkozni a barátok, a barátok. Ez a funkció tehát a hatása, hogy növeli tranzitivitást a Facebook szociális gráf; más szóval, az elmélet a tranzitivitás hozza a világ összhangba az előrejelzések az elmélet (Healy 2015) . Így, amikor a nagy adatforrások tűnik, hogy reprodukálja előrejelzések társadalomelméleti, meg kell bizonyosodni arról, hogy maga az elmélet nem sütnek, hogy a rendszer működött.

Ahelyett, hogy gondolkodás nagy adatforrások megfigyelése emberek a természeti környezetben, egy találó metaforája figyeli az embereket a kaszinóban. Kaszinók jól megtervezett környezetben kiváltására van tervezve bizonyos viselkedések, és a kutatók azt sem várhatja, hogy a viselkedés a kaszinóban adna korlátlan ablak az emberi viselkedés. Természetesen mi lehet tanulni valamit az emberi viselkedés tanulmányozása emberek kaszinókban-valójában egy kaszinóban lehet ideális helyszín tanulmányozása közötti kapcsolat az alkoholfogyasztás és kockázati preferenciák, de ha figyelmen kívül hagyja, hogy az adatok jön létre egy kaszinóban talán felhívni néhány rossz következtetéseket.

Sajnos foglalkozó algoritmikus zavaró különösen nehéz, mert sok funkciók az online rendszer védett, rosszul dokumentált, és állandóan változik. Például, ahogy leírom később ebben a fejezetben, az algoritmikus zavaró volt az egyik lehetséges magyarázat a fokozatos lebontását Google Flu Trends (2.4.2), de ezt az állítást nehéz volt felmérni, mert a belső működését a Google keresési algoritmussal védett. A dinamikus jellege algoritmikus zavaró egyik formája a rendszer drift. Algoritmikus zavaró azt jelenti, hogy óvatosnak kell lenni, ha bármilyen igényt az emberi viselkedés, hogy jön egy digitális rendszer, nem számít, milyen nagy.