Критическое мышление. Анализируй, сомневайся, формируй свое мнение

Поляризация является потенциальным следствием объединения людей с аналогичными взглядами и интересами, что часто случается в социальных сетях и интернет-сообществах, которые пользователи сами для себя выбирают по определенным соображениям. Отсутствие значительного разнообразия может со временем вызвать тяготение группы к крайностям, поскольку подлинное несогласие отсутствует, а все участники данного сообщества поощряют единомыслие и стремятся к консенсусу.

Например, если в ходе обсуждения в специальных группах в соцсетях активисты какого-либо движения ограничиваются лишь узким спектром мнений, их взгляды неизбежно смещаются на все более радикальные позиции, а готовность пойти на компромисс становится все меньше. Это приводит и к социальной поляризации, так как люди с различающимися взглядами меньше контактируют друг с другом, почти все время общаясь только с единомышленниками. Отмечу, что поляризация не является неизбежным злом социальных медиа и ее роль сейчас активно обсуждается[78].

Тирания меньшинства

В силу этой тенденции очень активное негибкое меньшинство может подмять под себя большинство, определяя как принятие решений, так и политику в целом. Если 100 человек обсуждают меню и 90 из них все равно, что есть, а 10 наиболее привередливых наотрез отказываются от любой, не на 100 % органической, пищи, то всей группе придется закупить исключительно органические продукты или со скандалом разделиться.

В целом негибкое и упорное меньшинство может оказывать непропорциональное влияние на результаты при наличии более терпимого и гибкого большинства. Следствием этого становятся крайние точки зрения, активно продвигаемые исключительно меньшинствами, которые, однако, доминируют в обсуждениях и переговорах.

Алгоритмические искажения и непостижимость процессов

Я уже отмечал, что все данные создаются, а не обнаруживаются. Это становится чрезвычайно важным в сфере больших данных и алгоритмов машинного обучения. Особого внимания заслуживают две потенциальные проблемы.

Во-первых, алгоритмы могут поглощать и воспроизводить любые искажения, присутствующие в исходных данных. Во-вторых, в силу непостижимости большинства процессов машинного обучения их трудно критиковать или перестраивать, если не понимать исходные данные и их ограничения на уровне эксперта. Однако у многих конечных пользователей алгоритмов такие знания отсутствуют.

Исследование, результаты которого были опубликованы в апреле 2017 г. в журнале Science, показало, что алгоритмы анализа больших массивов англоязычных текстов перенимают гендерные и расовые предвзятости, заключенные в языке. Это лишь верхушка айсберга, указывающая на необходимость критического анализа, поскольку при отсутствии его получается, что мы учим машину поддерживать социальное неравенство, разного рода предубеждения и неравноправие[79].

Не говоря уже о компаниях, использующих эти алгоритмы для бесконтрольного продвижения своей позиции.

Структурный эффект новизны

Как вы узнали из главы 9, эффект новизны проявляется в переоценке значения недавних событий и недоучете долгосрочных тенденций. Например, при объяснении текущего состояния экономики придается чрезмерное значение результатам последних выборов. Когда дело касается информации, почерпнутой из интернета, это искажение приобретает особую важность в силу нескольких факторов.

Постарайтесь хотя бы ненадолго освободиться от лихорадочной суеты новостных и социальных медиа, и вы заметите, что стали видеть мир совершенно иначе.

Многие сайты, поисковые системы и социальные сети, выбирая критерии релевантности, делают акцент на свежесть и новизну. Это сочетается с преобладанием информационных потоков как способа представления информации с упором на модные темы и сиюминутность.

Интернет широко используется всего лишь несколько десятилетий, причем каждый год там появляется намного больше информации, чем во все предыдущие годы, вместе взятые. Таким образом, в информационном окружении сегодняшнее перевешивает вчерашнее, не говоря уже о невозможности сохранить или восстановить доступ ко многим старым цифровым ресурсам. Наконец, поскольку пользователи вольны искать все, что вздумается, они, естественно, чаще ищут новое, то, что в первую очередь приходит им на ум.

Обучение с умом: десять простых советов, как нейтрализовать сетевые искажения

1. Не позволяйте эмоциональному воздействию управлять вашими действиями в интернете: если тема важна, сосредоточьтесь на верификации, происхождении информации и обоснованности чужих заявлений.

2. Изучайте историю редактирования и ссылки: постарайтесь установить, как и где в действительности появилась информация, получившая широкое распространение.