2.3.8 Algorithmesch verwiesselt

Behaviour am groussen Datensystem ass net natiirlech; Si gëtt vun den Ingenieursziler vun de Systemen gefouert.

Obwuel vill grouss Datenquellen netreaktiv sinn, well d'Leit net wëssen datt hir Daten opgeholl ginn (Abschnitt 2.3.3), sollten d'Fuerscher d'Verhalen an dësen Online-Systemen net als "natierlech vläicht" behandelen. Wierklech sinn d'digitale Systemer déi Verhalen opgeholl ginn héich konzipéiert fir spezifesch Verhalen wéi d'Klick op Reklammen oder Inhalt ze publizéieren. D'Weeër, déi d'Ziler vun Systemdesigner kënnen d'Muster an d'Daten entwéckelen, heescht algorithmesch verwiesselt . Algorithmesch Verfaassung ass relativ wéineg un sozialen Wëssenschaftler, awer et ass eng wichtege Suerge vu vague Datenwëssenschaftler. An, am Géigesaz zu verschiddenen aner Probleemer mat digitale Spuren, ass d'Algorithmesch Verfaassung wesentlech net sichtbar.

Een relativ einfache Beispill vun der algorithmescher Verfaassung ass de Fakt, dass op Facebook et eng onomaléierend grouss Zuel vu Benotzer mat ongeféier 20 Frënn ass, wéi déi vum Johan Ugander a Kollegen (2011) . Wëssenschaftler déi dës Donnéeën analyséieren ouni all Verstoe vu Facebook wéi méiglech funktionnéieren kënnen Zweifel unzefänken, wéi 20 d'Zort vun der magescher sozialer Zuel ass. Glécklech hat Ugander a senge Kollegen e substantiellen Verständnis iwwert den Prozess, deen d'Donnéeë generéiert huet, a si wousst, datt Facebook Leit mat wéineg Facebook Verbindungen encouragéiert huet fir méi Frënn ze maachen bis se 20 Frënn erreecht hunn. Obwuel Ugandan a Kollegen dat net an dësem Pabeier soen, gouf dës Politik vermutlich vun Facebook geschaf fir nei Benotzer ze stimuléieren ze aktiveren ze aktivéieren. Ouni de Wëssen iwwert d'Existenz vun dëser Politik kann et einfach sinn d'falsche Schluss vun den Daten ze zéien. An anere Wierder erzielt d'iwwerraschend héich Zuel vu Leit mat ongeféier 20 Frënn eis méi iwwer Facebook wéi iwwer Mënschverhalen.

Am alen eelste Beispill huet d'Algorithmesch Verfaassung e quirky Resultat produzéiert datt e véiert Wessenschaftler weider detektéiert a weiderféieren. Et gëtt awer e méi flippere Versioun vun der algorithmescher Verfaassung, déi geschitt wann d'Designers vun Online-Systeme bewierkt sinn sozial Theorien a faken dann dës Theorien an d'Ofleeuw vun hiren Systemen. D'Sozialwëssenschaftler nennen dës Performativitéit : Wann eng Theorie d'Welt verännert esou datt d'Welt méi an d'Theorie bréngt. Am Fall vun performativ algorithmesch verfaassend sinn d'confounded Natur vun den Donnéeën ganz schwéier ze entdecken.

Ee Beispill vun engem Muster vun Performativitéit ass Transitivitéit an online sozialen Netzwierker. An den 1970er an 1980er hunn d'Fuerscher ëmmer erëm fonnt datt wann Dir Frënn mat der Alice a Bob ass, da sinn Alice a Bob méi wahrscheinlech mat Frënn ze sinn, wéi wann se zwee random gewielte Leit waren. Dëst eelste Muster gouf an der sozialer Grafik op Facebook fonnt (Ugander et al. 2011) . Sou kann een zouloossen datt d'Muster vun der Frëndschaft op Facebook d'Muster vun offline Frëndschaften ze répliquéieren, op d'mannst an der Transitivitéit. De Betrag vun der Transitivitéit am Facebook social Graphen ass deelweis duerch algorithmesch verfaascht ginn. Dat sinn Datenwëssenschaftler bei Facebook wousst vun der empirescher an theoretescher Fuerschung iwwer Transitivitéit a baut se dann an wéi Facebook funktionnéiert. Facebook huet eng "People You May Know" -Filakteristik, déi nei Frënn suggeréiert, an eng Manéier déi Facebook decidéiert, wien Iech ze recommandéieren ass Transitivitéit. Dat ass, Facebook ass méi wahrscheinlech fir ze proposéieren datt Dir Frënn mat den Frënn vun Äre Frënn ginn. Dës Fonktioun huet also den Effekt vun der zunehmender Transaktioun op dem Facebook sozialen Graf; An anere Wierder bréngt d'Theorie vun der Transitivitéit d'Welt an d'Prognosen vun der Theorie (Zignani et al. 2014; Healy 2015) . Also, wann grouss Datenquellen d'Prognosen vun der sozialer Theorie reproduzéiere sinn, musse mir sécher sinn datt d'Theorie selwer net an d'Funktioun gebaut gouf.

Anstatt iwwer grouss Datenquellen ze betraff wéi d'Leit an engem natierlechen Ëmfeld ze beobachten, eng bemoolt Metapher beobachtet Leit an engem Casino. Casinos sinn héich entwéckert Ëmwelt déi fir bestëmmte Verhalensmänner entwéckelt ginn, an e Fuerscher wäerte ni Verhalen an engem Kasino erwaarden, fir eng onverännert Fënster op mënschlecht Verhalen ze bidden. Natierlech kënnt Dir eppes iwwer menschlecht Verhalen kennen léieren andeems Dir Leit an de Kasinos studéiert, awer wann Dir d'Tatsaach ignoréiert datt d'Donnéeën zu engem Kasino erstallt gi sinn, da kënnt Dir e bëssi Schluss zéien.

Leider ass den Algorithmus Verfaassungsprozess besonnesch schwéier, well vill Features vu Online-Systeme sinn proprietär, schlecht dokumentéiert an ëmmer geännert. Zum Beispill, wéi ech spéider an dësem Kapitel erkläert ginn, war algorithmesch verfaassend eng eenzeg Erklärung fir den progressive Ofbau vun der Google Flu Trends (Abschnitt 2.4.2), awer dës Schold war schwéier ze beurteelen, well d'intern Aarbecht vu Google's Algorithmus sinn propriétaire. De dynamesche Charakter vun der algorithmescher Verfaassung ass eng Form vu Systemdrift. Algorithmesch verwiesselt heescht, datt mir all Virfäll iwwer menschlecht Verhalen sinn, deen aus engem eenzegen digitale System kënnt, egal wéi grouss.