“ناسا در حال ایجاد کلونی کودکان برده در مریخ می‌باشد!”
“تصاویر گرفته‌شده توسط ماهواره‌ی چینی حاکی از سکونت یک بیگانه در سطح ماه است!”
“دولت ایالات متحده به‌واسطه‌ی خزندگان خارجی تغییرشکل‌دهنده‌ای که می‌توانند ذهن انسان‌ها را کنترل کنند اداره می‌شود!”
چه چیزی محبوبیت شگفت‌آور چنین داستان‌های خزعبلی را باعث می‌شود؟ آیا گونه‌ی ما تخصص خاصی در گول خوردن دارد؟ شاید نه، شاید فقط کمی زیادی احساساتی و مغلوب می‌شویم. واقعیت مدل اینکه چگونه این خبرها در رسانه‌ی اجتماعی منتشر می‌شود، در ماه ژوئن در Nature Human Behavior چاپ شد؛ این مقاله نشان می‌دهد که همه چیز می‌تواند به صورت ویروسی، سریع پخش شود. حتی در جهانی عالی، جایی که هر کسی طالب انتشار اخبار واقعی است و ظرفیت این را هم دارد که صحت هر ادعایی را بسنجد، باز هم برخی اخبار کذب به دست هزاران (یا حتی میلیون‌ها) فرد می‌رسد. جوابش هم ساده است؛ سرریز اطلاعات. اغلب تأیید اخباری که به صفحه‌ی خبرخوان یک فرد می‌آید، توسط او غیرممکن است.
اگر در دنیایی زندگی می‌کنید که در آن با آت و آشغال بمباران می‌شود، حتی اگر قدرت خوبی در تبعیض بین آشغال و واقعیت داشته باشید، فقط قسمتی از چیزی که واقعاً وجود دارد را خواهید دید؛ بنابراین به اشتراک اطلاعات غلط ادامه خواهید داد. رقابت بین کذب و واقعیت بسیار درهم جلوه می‌کند، طوری که چیز خوب مانند حباب روی سطح آب شناور نخواهد بود.
این‌ها توضیحات دانشمند علوم رایانه‌ای، Filippo Menczer، از بلومینگتون ایندیانا است. او یکی از ابداع‌کنندگان مدلی است که راجع به آن صحبت می‌کنیم.
شانس ویروسها در جهانی ویروسی آن است که زیبایی یک تصویر یا مشروعیت یک مقاله به پخش شدن یک “meme” کمک می‌کند؛ meme اصطلاحی است که Menczer و همکارانش برای یک لینک، ویدئو، عبارت یا هر واحدی برای اطلاعات آنلاین استفاده کرده‌اند. با این اوصاف محققان ۳ فاکتور سفت و سخت را نشان داده‌اند که توانایی یک شبکه را از تمییز حقیقت و کذب اطلاعات از آن می‌گیرد، حتی اگر افراد بتوانند این کار را انجام دهند. این فاکتورها از این قرارند:
- خیل عظیم اطلاعاتی که وجود دارد
- محدودیت زمانی که برای خوانش و انتخاب خبر به منظور اشتراک هست
- ساختار اساسی شبکه‌های اجتماعی
هر سه فاکتور مذبور دست‌به‌دست هم می‌دهند تا برخی از بدترین اطلاعات را به قیمت هزینه‌ی بهترین آن‌ها پخش کنند.
مدل‌های ریاضی برای جستجوی این که چگونه اطلاعات (memes) در شبکه‌های رسانه‌ی اجتماعی پخش می‌شوند، با عنوان مدل‌های عامل-محور (agent-based) شناخته می‌شوند؛ چون آن‌ها نیازمند شرکت‌کننده‌هایی فعال اند؛
“عامل” اصطلاحی است که تکنیسین‌ها برای هر فرد به کار می‌برند. این مدل‌ها از یک کلاس شبیه‌سازی‌های قدیمی ایجاد شده‌اند که قبلاً برای مطالعه‌ی گسترش بیماری‌ها در جوامع به کار می‌رفتند. شکلی را در نظر بگیرید که در آن هر فرد با یک نقطه روی صفحه مشخص می‌شود و با خطوطی به دیگر نقطه‌ها وصل است؛ این خطوط هم نشان‌دهنده‌ی دوستی‌ها یا فالو کردن آن‌ها در دنیای مجازی است. فرض کنید “آلیس” از این نقاط با ویروس آنفولانزا یا یک خبر کذب آلوده شده است؛ او می‌تواند به‌واسطه‌ی دست دادن، ویروس و به‌وسیله‌ی اشتراک، خبر کذب را به‌ترتیب به “باب” و “کلیو” منتقل کنند. باب و کلیو به‌نوبه‌ی خود می‌توانند آلودگی (ویروس یا خبر کذب) را به مخاطبانش انتقال دهند و به همین ترتیب پیش می‌رود. با ارائه‌ی این قالب استخوان‌بندی‌شده، دانشمندان در تلاش اند تا بفهمند یکی از این خبرها تحت شرایط مختلف تا چه حدی می‌تواند پخش شود.
اگرچه “اطلاعات ویروس نیستند” دانشمند اطلاعات محتاطی مثل Kristina Lerman از دانشگاه کالیفرنیای جنوبی که در ساخت این مدل جدید دخیل نبوده این حرف‌ها را می‌زند. برعکس ویروس آنفولانزا که در یک زمان ما حداکثر با یک یا چند سویه‌ی آن درگیر هستیم، تعداد خبرهایی که برای آلوده کردن ما رقابت می‌کنند، سرسام‌آور است. طراحان این مدل این فراوانی را با تصور این که هر فرد یک صفحه‌ی نمایش برای دیدن خبرهایش دارد ترکیب کرده‌اند. این مدل مقداری را به عنوان این که آلیس احتمال دارد یک خبر (meme) جدید ساخته و به اشتراک بگذارد (مثلاً ویدئویی از رقصش در جشن تولد)، به او اختصاص می‌دهد و همین کمیت را برای دیگر استفاده‌کنندگان از رسانه نیز در نظر می‌گیرد. چون اطلاعات جدید کمیت کل سیستم را بالا می‌برد، مقادیر یادشده بار اطلاعاتی تجربه‌شده هنگام تماشای صفحه‌های نمایش را اندازه می‌گیرد.
پارامتر دیگر، تعداد آیتم‌هایی را که آلیس روی خبرخوانش قبل از انتخاب آن‌ها برای اشتراک می‌بیند و ترجیح می‌دهد به جای ساخت خبر جدید، یکی از آن‌ها را به دوستانش بفرستد، ردیابی می‌کند. این پارامتر محدوده‌ی توجه آلیس را نشان می‌دهد؛ اطلاعاتی که آلیس روی آن‌ها تمرکز می‌کند. وقتی آلیس یکی از این پیام‌ها را ارسال کند، باب و کلیو آن‌ها را دریافت خواهند کرد و همین افراد هم به‌نوبه‌ی خود تصمیم می‌گیرند که اطلاعات (memes) خودشان را بسازند یا یکی از خبرهایی را که برایشان آمده به دیگری بفرستند.
با استفاده از نسخه‌ی اولیه‌ای از این مدل، Menczer و همکارانش در سال ۲۰۱۲ نشان دادند، حتی اگر همه‌ی اطلاعات “سرایت” برابری داشته باشند، به این معنی که هر بار دیده می‌شوند با احتمال برابری به اشتراک گذاشته شوند، باز هم ویروسی عمل خواهند کرد. این اطلاعات در هر دو مدل تقریباً از قانونی به نام “قانون توان” پیروی می‌کنند، به این معنی که شانس هر خبر برای تویت شدن با به هر نحو دیگری چند بار به اشتراک گذاشته شدن با توان معکوس یک عدد کاهش می‌یابد؛ برای مثال، احتمال به اشتراک گذاشته شدن یک خبر برای دو بار نسبت به یک بار ¼ است. تصاویر اینستاگرام، مقالات فیس‌بوک یا هشتگ‌های تویتر، همگی از قانون توان تبعیت می‌کنند و با این حال، این که یک خبر به هزاران گیرنده رسیده می‌شود، به صورت شگفت‌آوری عادی است.
در آخرین مقاله، این محققان بررسی کرده‌اند که چرا برخی از اطلاعات مسری‌تر از بقیه است. آن‌ها دریافتند که اگر بار اطلاعاتی پائین و محدوده‌ی توجه بالا باشد، اطلاعات جذاب‌تر غالب خواهند شد. اگرچه ردیابی واقعی توجه و بار اطلاعات در زندگی واقعی نشان می‌دهد کمیت خالص اطلاعات معمولاً ما را به نوعی غرق می‌کند. نمی‌توان فرض کرد که پخش اطلاعات غلط به دلیل علاقه‌ی مردم یا ناآگاهی آن‌ها در بیان تفاوت‌هاست. بهتر است این گونه فرض کنیم که مردم از تفاوت آگاه اند و با این حال اجازه می‌دهند اطلاعات نادرست به صورت ویروسی پخش شوند؛ چون اطلاعات بیش از حدی وجود دارد.
یکی از عوامل کلیدی در پخش اطلاعات (memes) الگوی ارتباطی ساختاری در شبکه‌های رسانه‌ی اجتماعی است. برخی از این شبکه‌ها پخش اخبار را تقویت و برخی تضعیف می‌کنند. اگر شبکه‌های شبیه‌سازی‌شده در مدل رقابتی-رانده تصادفی فرض شود، برای مثال به این معنی که ارتباطات بین نقاط روی شبکه به صورت تصادفی توزیع گردد، هیچ اطلاعاتی ویروسی نخواهد شد. شبکه‌های رسانه‌ی اجتماعی تقریباً توزیعی بر اساس قانون توان را نشان می‌دهند؛ بنابراین برخلاف ما که معمولاً به عنوان یک نقطه در مثلاً تویتر ارتباطات محدودی داریم، برخی ده‌ها هزار راه ارتباطی را دارا هستند. اگر هر یک از این نقاط که قطب‌های با ارتباطات فوق‌العاده می‌باشند، با اطلاعاتی کذب آلوده شوند، احتمالاً آن را به طور وسیعی پخش خواهند کرد.
نظرات مغایری با چیزی که گفتیم هم وجود دارد. در مدل بیماری‌ها، افرادی که ارتباطات بیشتری دارند به اصطلاح پخش‌کننده‌های فوق‌العاده (superspreaders) نامیده می‌شوند؛ چون به ایجاد اپیدمی‌ها کمک می‌کنند ولی با بررسی رفتار کاربران واقعی تویتر، نشان داده شده است که این افراد با ارتباطات زیاد اطلاعات کمتری دریافت می‌کنند. صفحه‌ی خبرخوان این افراد به علت انبوه ارتباطاتی که دارند اشباع از اطلاعات است، به طوری که وقت خواندن همه‌ی آن‌ها را ندارند. ۵ دقیقه قبل برای این افراد به معنای صفحه‌ها خبر است و نمی‌توانند همه‌ی آن‌ها را چک کنند. با این حال آن دسته از اطلاعاتی که توجه آن‌ها را جلب کنند قابلیت دارند بسیار گسترده پخش شوند.
چنین “تقویت اجتماعی” می‌تواند اطمینان دهد که مسری بودن وقتی آستانه‌ی خاصی را در کرد افزایش می‌یابد. مثلاً خبری می‌بینید مبنی بر این که ناسا در حال پرورش کلونی کودکان برده در مریخ است و می‌گوید چه مسخره! می‌روید سراغ صفحه‌ی بعدی می‌بیند کس دیگری هم همین خبر را پست کرده است؛ با افزایش تعداد خبر شانس این که محمتل باشد افزایش می‌یابد و شاید خودتان در قدم بعدی آن را منتشر بکنید! چندین گروه از محققان در حال جستجوی پروسه‌ی شناختی در پس انتخاب برخی اطلاعات و ترجیح دادن بعضی از آن‌ها هستند.
بحث و نظر روی دقت مدل‌هایی که تاکنون ارائه دادیم و ارائه شده است پابرجاست. برخی نسبت به این مدل‌های عامل-محور مشکوک اند و می‌گویند دستگیره‌های زیادی برای چرخاندن وجود دارد. هر مدلی که برای شبیه‌سازی رفتارهای شناختی انسان درست شود، پارامترهای یا همان دستگیره‌های بسیاری خواهد داشت که تفسیر نتایج را مشکل می‌کند. ولی مشکل ما با مدل‌های حداقلی چنینی کمتر است؛ با این که این مدل‌ها ساده هستند ولی با آشکار کردن حقایق به قدرت آن‌ها پی می‌بریم.
