Bridging-based ranking: Each participant views the three
posts that received the most balanced ratio of conservative
upvotes to liberal upvotes for each topic (ranked from most
balanced to least balanced). This sorting is referred to as
diverse approval [84].
Intelligence-based ranking (personalized): Liberal participants view the three posts that received the largest sum
of conservative upvotes and liberal passes for each topic
(ranked in descending order). Conservative participants view
the three posts that received the largest sum of liberal upvotes and conservative passes for each topic (ranked in de-
scending order). This sorting aims to promote posts to participants that may be neglected by people with similar beliefs,
despite those posts being highly appreciated by people with
opposing beliefs, potentially exposing participants to “inconvenient facts.”
Det var lidt hvad jeg frygtede. De her sorteringsalgoritmer afhænger af at inddele folk på et 1-dimensionelt politisk spektrum (“os mod dem”) og derefter bruge den viden til at vise indlæg som den “anden side” synes om, på den ene eller anden måde.
Der er flere problemer med den fremgangsmåde. For det første, hvordan finder du ud af om brugeren er liberal eller conservative? Du er nødt til på en eller anden måde at profilere brugeren eller, som de gør i studiet, direkte spørge brugeren om deres politiske ståsted.
For det andet, det er en tilgang til politisk splittelse der bunder meget i amerikanske tilstande. Jo, vi har rød og blå blok i Danmark, men jeg ved ikke om man kan sige at det er lige så 1-dimensionelt. Socialdemokratiet og Dansk Folkeparti er faktisk enige om mange ting - så skal S-brugere og DF-brugere tælles som højre eller venstre-orienterede?
Politik er ikke så simpelt at man kan placere det hele på en linje. Jeg har lidt svært ved at se hvordan de her algoritmer skulle udføres i virkeligheden.
En måde er måske sådan her: kør en form for clustering algoritme på alle brugere og find signifikante clusters. Brug så de clusters på samme måde som artiklen foreslår, altså vis indlæg som ikke bare har mange stemmer fra alle brugere som helhed, men som har stemmer fra de clusters som brugeren ikke selv er medlem af.
Det lyder dog kompliceret og hvordan det lige skal virke i praksis er jeg ikke sikker på. Den metode vil sikkert finde clusters som du ikke nødvendigvis er interesseret i at høre fra. Fx kunne den identifere en cluster som egentlig bare er “danskere” eller fx en cluster som er “star wars fans”. Så vil algoritmen sige “Hey, dansker-clusteren stemmer sjældent på de samme ting som italiener-clusteren, måske skulle jeg vise dem hinandens indlæg!” - men det giver jo ingen mening, grunden til at danskere og italienere upvoter forskellige indlæg er ikke politisk uenighed, men sprog og kultur.
Her er det. Har dog ikke selv læst det https://dl.acm.org/doi/pdf/10.1145/3772318.3790602
Okay det relevante lader til at være dette:
Det var lidt hvad jeg frygtede. De her sorteringsalgoritmer afhænger af at inddele folk på et 1-dimensionelt politisk spektrum (“os mod dem”) og derefter bruge den viden til at vise indlæg som den “anden side” synes om, på den ene eller anden måde.
Der er flere problemer med den fremgangsmåde. For det første, hvordan finder du ud af om brugeren er liberal eller conservative? Du er nødt til på en eller anden måde at profilere brugeren eller, som de gør i studiet, direkte spørge brugeren om deres politiske ståsted.
For det andet, det er en tilgang til politisk splittelse der bunder meget i amerikanske tilstande. Jo, vi har rød og blå blok i Danmark, men jeg ved ikke om man kan sige at det er lige så 1-dimensionelt. Socialdemokratiet og Dansk Folkeparti er faktisk enige om mange ting - så skal S-brugere og DF-brugere tælles som højre eller venstre-orienterede?
Politik er ikke så simpelt at man kan placere det hele på en linje. Jeg har lidt svært ved at se hvordan de her algoritmer skulle udføres i virkeligheden.
En måde er måske sådan her: kør en form for clustering algoritme på alle brugere og find signifikante clusters. Brug så de clusters på samme måde som artiklen foreslår, altså vis indlæg som ikke bare har mange stemmer fra alle brugere som helhed, men som har stemmer fra de clusters som brugeren ikke selv er medlem af.
Det lyder dog kompliceret og hvordan det lige skal virke i praksis er jeg ikke sikker på. Den metode vil sikkert finde clusters som du ikke nødvendigvis er interesseret i at høre fra. Fx kunne den identifere en cluster som egentlig bare er “danskere” eller fx en cluster som er “star wars fans”. Så vil algoritmen sige “Hey, dansker-clusteren stemmer sjældent på de samme ting som italiener-clusteren, måske skulle jeg vise dem hinandens indlæg!” - men det giver jo ingen mening, grunden til at danskere og italienere upvoter forskellige indlæg er ikke politisk uenighed, men sprog og kultur.