دکتر حجتاله عباسی*؛ سیستمهای توصیهگر در رسانههای اجتماعی با داده کاوی اطلاعات کاربران و مدل سازی رفتار، مبادرت به شخصی سازی اطلاعات برای آنها میکنند.
هدف اصلی سامانههای توصیهگر، کنترل رفتار کاریران از طریق جمع آوری اطلاعات درباره ترجیحات، عقاید، شیوه تفکر و عادات اینترنتی آنهاست.
کاربران رسانههای اجتماعی مانند گوگل، یوتیوب، توییتر، فیس بوک، اینستاگرام و دیگر رسانهها در هر جستجو در فضای وب، شاهد توصیههای شخصی سازی شده این رسانهها برای اطلاعات مورد نظر آنان هستند.
سامانههای توصیهگر یا پیشنهادگر، با فیلترینگ دادههای اطلاعاتی کاربران، از جمله شیوههای خرید محصولات، تماشای فیلم، انتخاب محتوا، بازانتشار مطالب، کامنتها و هر نوع کنش گری آنان را بطور دقیق رصد کرده و پس از گردآوری، تحلیل، مدل سازی میکنند.
دادهکاوی اطلاعات کاربران، دوستان و نزدیکان آنها، با استفاده از "هوش مصنوعی" و "یادگیری ماشین" انجام میشود و سپس بر اساس تحلیل آنها، در بین حجم انبوه اطلاعات، مبادرت به پیش بینی سلیقه و توصیههای لازم میکنند.
همان گونه که در ارتباطات اجتماعی هر یک از شهروندان به یکدیگر در زمینههای مختلف توصیهها و پیشنهادهایی ارایه میدهند. رسانههای اجتماعی نیز برای هر گونه خرید و انتخاب محتوا مانند کتاب، مقاله و اطلاعات و دوست یابی بر اساس علاقه کاربران توصیههایی میکنند.
در فضای وب با انبوه اطلاعات، سرریز کردن دادهها، انباشت اطلاعات و انبوهی از شیوهها برای انتخابهای ممکن، پدیده اضافه بار اطلاعاتی شکل میگیرد و تصمیم گیری دشوار است. سیستمهای توصیهگر با مدیریت فضای اطلاعات به فرایند تصمیم گیری کاربران کمک میکنند.
نکتهای که در فرایند سیستمهای توصیه گر نباید مغفول بماند اینکه این سیستمها با شخصی سازی اطلاعات موجب شکل گیری "حباب فیلتر" میشوند.
به گفته نظریه پرداز حباب فیلتر "الی پاریزر" این فرایند موجب شخصیسازی اطلاعات میشوند و پیامد آن انزوای فکری و اطلاعاتی کاربران و تشکیل پیلههای اطلاعاتی در اطراف آنهاست که منجر به قطبیتسازی جامعه میشود.
موتورهای جستجو در مراجعات کاربران متناسب با سطح علایق و سلایق، اطلاعات در اختیار آنها قرار میدهند و کلیشههای اینترنتی شکل میگیرد. چنین سیکل بستهای، موجب کاهش درک ما از پیچیدگیهای جهان، ایدههای جدید، کانالیزه شدن و انزوای اطلاعاتی میشود.
*پژوهشگر رسانه و مدرس دانشگاه