Tiernan Ray Bidragende skribent
Bidragende skribent
Fuld biografi den 17. december 2021 | Emne: E-handel
TikTok læser ikke tanker, men The New York Times vil gerne have dig til at tro, det gør.
I en artikel i The Times den 5. december beskriver klummeskribent Ben Smith, der skriver for avisens The Media Equation-sektion, et lækket dokument, som Times har fået fra en unavngiven kilde i virksomheden, der afslører algoritmer, der angiveligt bruges til at drive engagement på TikTok.
Mens der har været diskussioner om TikToks algoritmer til at beslutte, hvilket indhold der skal ses, skriver Smith, at det lækkede dokument “tilbyder et nyt niveau af detaljer om, hvordan algoritmen fungerer.”
Artiklen har flere udeladelser. Den ene er manglen på en forklaring på, hvordan og hvorfor algoritmen fører til særligt indholdsforbrug. Selvom algoritmen ser ud til at tildele scorer til videoer baseret på målinger såsom brugernes “synes godt om”, kommentarer og spilletid, er der ingen diskussion om, hvilken funktion videoen søger at optimere, såsom totalt engagement (timer brugt), for eksempel , eller total spredning af videoindhold, dets “virale” kvalitet.
Mere sigende anvender The Times-artiklen et vildledende sprog, der er almindeligt i mediediskussioner om kunstig intelligens og andre algoritmiske teknikker, og tilskriver ting som “sind” og lyst til, hvad der blot er tekniske feedback-loops.
Også: App Annie forudser, at TikTok vil nå 1,5 milliarder aktive brugere i 2022
The Times' overskrift, “How TikTok Reads Your Mind,” efterfølges af referencer til, hvordan algoritmen registrerer folks hensigter:
Dokumentet tilbyder et nyt niveau af detaljer om den dominerende video-app, der giver et afslørende indblik både af appens matematiske kerne og indsigt i virksomhedens forståelse af den menneskelige natur – vores tendenser til kedsomhed, vores følsomhed over for kulturelle signaler – der hjælper med at forklare, hvorfor det er så svær at lægge fra sig.
Der afsløres dog intet om menneskets natur i diskussionen om den pågældende algoritme. Algoritmen, baseret på dokumentet opnået af Smith, ser ud til at være en meget simpel beregning af faktorer som følger:
Plike X Vlike + Pcomment X Vcomment + Eplaytime X Vplaytime + Pplay X Vplay
Sætningerne “synes godt om”, “kommenterer”, “spilletid”, og om det overhovedet er spillet eller ej, er formodentlig referencer til de forskellige metrics, der er tildelt videoer. Smith forklarer ikke “P” eller “V eller “E”, selvom det er underforstået i artiklen, at P står for en forudsigelse “drevet af maskinlæring” uden at uddybe det.
Også. : Asynkrone videoer: Kan TikTok-generationen redde os fra at møde overbelastning?
Som sådan opsummerer algoritmen prædikerede målinger af indhold, uanset menneskelig mentalitet.
AI firmaet DeepLearning.AI, grundlagt af forskeren Andrew Ng, diskuterede onsdag Smiths artikel i virksomhedens nyhedsbrev, TheBatch. Artiklen foreslår, at “V” kan stå for “værdi”, hvilket betyder en vægt, der anvendes på hver af metrikkerne i forhold til deres betydning i en eller anden endelig score.
Flowdiagram over en formodet anbefalingsalgoritme brugt af TikTok, som genoptrykt af The New York Times fra et internt dokument lækket til Times af en TikTok-medarbejder.
The New York Times
På trods af udeladelserne er det klart, at systemet ikke forudsiger mentalitet, det kortlægger formentlig indholdsdele til forudsagte resultater i form af sandsynlige synspunkter og/eller engagement.
At antage, at der er et sind i brugeren, der udtrykker præferencer ved at klikke, ligesom The Times's Smith, er formodninger, der muligvis ikke understøttes af fakta.
I statistiske termer, for en maskine at læse en brugerens sind ville antyde begrebet “forud”: noget, der eksisterer før en måling. Det, der imidlertid afsløres som et sind, i form af udtrykt præference, er den modsatte statistiske forestilling, en “posterior”, noget, der kun eksisterer efter måling.
Det virker mere sandsynligt, at sindet er noget, der udledes efter kendsgerningen, hvis det overhovedet har nogen betydning. Overvej det system, der udgør TikTok. Brugere kan uploade og se forskellige kortformede videoer. Efterhånden som brugere indsender videoer og forbruger videoer, bliver de præsenteret for flere sådanne videoer. I et hav af videoer klikker en person eller klikker ikke, engagerer eller ikke engagerer.
Også: TikTok Boom, boganmeldelse: The rise and rise of YouTubes yngre, hippere konkurrent
En brugers mentalitet eller følelser er på en måde irrelevant, fordi systemet ikke beder om frivillige ideer. Tværtimod bliver brugeren bedt om at reagere på et begrænset sæt af valg, og systemet bliver bedre og bedre, formentlig, til gentagne gange at stimulere den aktivitet, hvilket fører til et højere og højere antal daglige aktive brugere, hvilket ifølge The Times, er nu i størrelsesordenen en milliard og forventes at stige til 1,5 milliarder i 2022.
Alt, der i bedste fald tyder på, at TikTok er en yderst effektiv adfærdsmaskine, en maskine til at forme adfærd på TikTok, snarere end en tankelæser apparat.
Tager analysen et skridt videre, tyder undersøgelser af TikTok i akademisk litteratur på et meget blandet syn på algoritmen, der fungerer.
I nogle tilfælde fungerer virksomhedens algoritme ikke kun for at udbrede ting, der kan være populære, men også for at give eksponering for ting, der måske ikke er så populære.
For eksempel interviewede to Carnegie-Mellon-forskere, Daniel Le Compte og Daniel Klug, i år sociale aktivister, der bruger TikTok til at præsentere videoer for at skabe opmærksomhed om sociale årsager. De fortalte, at aktivister udtrykte en præference for TikTok frem for andre sociale medier, fordi deres videoer blev set mere bredt end tilfældet var på andre platforme:
Nogle deltagere bemærkede, at brugen af TikTok hjælper med at få deres budskab ud uden for deres egen “cirkel”: “Så jeg var i stand til at fokusere, hvad min følger var for, i stedet for Facebook, hvor det er ligesom venner af venner eller familie, du mødes i det virkelige liv” En væsentlig begrænsende faktor for andre platforme, som deltagerne bemærkede, var nødvendigheden for, at publikumsmedlemmer skulle forbinde eller følge en skaber, før de ville være i stand til at se indholdet, medmindre i det usandsynlige tilfælde, at indholdet blev “promoveret ” gennem annoncer eller gik viralt.
Mens TikTok kan cirkulere ting ud over blot det, en person udtrykker en præference for, ser det også ud til at være sandt, at TikTok-aktivitet er grupperet omkring ting, som grupper af mennesker godkender i stort antal, uanset hvad en person føler eller tænker om dem.
En undersøgelse fra 2019 af forskere ved Guilin University of Electronic Technology i Kina og Universitetet i Oslo, Norge, så på antallet af visninger og likes på TikTok-videoer.
Forfatterne konkluderede, at det meste af det, der bliver spillet, er det, der er blevet “liket” af brugerne:
Især antallet af visninger og antallet af likes har en meget høj korrelationskoefficient, som er 0,91, hvilket betyder, at en video, der er populær i forhold til antal visninger, med stor sandsynlighed vil være populær i forhold til antal likes og omvendt .
Igen, om brugere konstant får vist flere og flere ting, som de har fået vist og har klikket på, er et spørgsmål om en teknisk feedback-loop, ikke et eksempel på tankelæsning.
Og en tredje undersøgelse, i år, foretaget af forskere ved Boston University, Binghamton University og University College, London, får en til at spekulere på, om TikToks anbefaling “motor” overhovedet gør noget.
Undersøgelsen undersøgte 400 TikTok-videoer for “forståelse af indikatorer [der] får en kort video til at blive viral.”
Forfatterne mærkede videoerne for ti forskellige faktorer, der kan påvirke virulens, eller, som de kalder det, “viralitet”, en videos tilbøjelighed til at blive “synes godt om” af brugere. Disse faktorer spændte fra om skaberen af videoen var “populær”, hvilket betyder, at han havde et stort antal følgere; videoens stil, såsom at bruge “duetter”-funktionen i TikTok til at remixe en andens dansespor; og følelsesmæssigt indhold, blandt andet.
Forfatterne søgte også at måle anbefalingsalgoritmens rolle sammen med disse andre faktorer. Det gjorde de ved at notere, hvor mange videoer der brugte de relevante hashtags til promovering, og hvor længe en video havde været i systemet, da virale videoer har en tendens til at blive virale kort efter at være blevet uploadet.
Forfatterne brugte derefter alle disse faktorer i en række meget simple maskinlærings- og statistikmodeller, der kan klassificere ting, herunder Random Forest, Support Vector Machines, Logistic Regression, Gaussian Bayesian og Decision Trees.
Resultatet ? Deres klassifikatorer var i varierende grad i stand til at “identificere de vigtigste funktioner, der skelner mellem virale og ikke-virale videoer.” Den største faktor, fandt de, var skaberens popularitet. Den næststørste faktor var, om videoen har nærbilleder eller ej, en konstatering, der “matcher tidligere undersøgelser af billedmemer, hvilket tyder på, at meget virale memer er mere tilbøjelige til at bruge en nærbillede eller medium-shot skala.”
Derfor forstærker popularitet populariteten, og folk reagerer på nærbilleder. Intet af det er tankelæsning. I mellemtiden havde anbefalingssystemet, de fandt, den laveste værdi som en forudsigelse af viralitet.
“Funktionerne i RH2 (Recommendation System) har den laveste AUC [areal under kurven] blandt de tre RH'er [forskningshypoteser], så lavt som 0,71,” skriver de. “Faktisk er nøjagtigheden opnået på disse funktioner også ret lav (0,56), hvilket tyder på, at de ikke er en god forudsigelse for en videos viralitet.”
Forfatterne bemærker også, anekdotisk, populariteten af kattevideoer.
Derfor tyder undersøgelser på, at TikTok måske forsøger at påtvinge sine brugere nogle videoer uanset ønske eller brugermentalitet, men at meget TikTok-aktivitet er en noget åbenlys popularitetskonkurrence og flokmentalitet. Intet af det svarer til tankelæsning.
Tværtimod tyder forskningen på, at TikTok kan forme mentale holdninger ved at forstærke dominerende tendenser i gruppeadfærd, såsom at reagere på populære “skabere”, der allerede dominerer medieforbruget.
TikTok spiller med andre ord en større rolle i at skabe mentaliteter end at læse tanker.
I stedet for at spekulere i tankelæsning, er det værd at huske på visse grundlæggende aspekter af sociale medier, herunder TikTok, aspekter, der ikke har noget at gøre med sind eller mentaliteter.
For det første kan aktiviteter på sociale medier sandsynligvis blive overtaget af maskiner. At se videoer og “synes om” dem er aktiviteter, der ligger godt inden for softwareautomatiseringens rammer. Derfor er tanken om, at noget skal have et sind for at deltage, irrelevant.
For det andet er sociale medier en maskine designet til at nå frem til et klart signal i støjen. Individuel præference eller interesse eller mentalitet er irrelevant for maskinens mål, nemlig at sortere adfærd i klare kategorier.
Og endelig har ingen enkeltperson en identitet eller en mentalitet på sociale medier. Det, der omtales som ens persona, ens sind, ens identitet, er blot illusioner, konsekvensen af, at et navn er knyttet til aktiviteter, der er gemt i en database.
Folk eksisterer ikke på sociale medier, selvom de bruger tid – masser af tid – på at bruge det. Derfor, ingen person, intet sind.
Fremhævede
Ransomware i 2022: Vi er alle sammen forskruede Log4j-trussel: Hvad du behøver at vide, og hvordan du beskytter dig selv Din Windows 11 opgraderingen er klar. Skal du gøre det? De bedste tekniske produkter fra 2021 Developer | Amazon | Nystartede virksomheder | Innovation | Sikkerhed