تسلط الگوریتم‌ها بر خبر: آیا رسانه‌های دیجیتال گفتمان عمومی را تهدید می‌کنند؟

آنچه که در بخش پیشین گفته شد:

الی پارایزر در «حباب فیلتر» نشان می‌دهد که الگوریتم‌های شخصی‌سازی، با محبوس کردن کاربران در حباب‌های اطلاعاتی، تنوع دیدگاه‌ها را محدود و قطبی‌سازی اجتماعی را تشدید می‌کنند. رژیم‌های توتالیتر مانند ایران می‌توانند از این پدیده برای کنترل اطلاعات، سانسور هدفمند، نظارت داده‌محور و انتشار پروپاگاندا بهره ببرند. این رژیم‌ها با دستکاری پلتفرم‌های دیجیتال، روایت‌های حکومتی را تقویت و صدای مخالفان را سرکوب می‌کنند، همان‌طور که در فیلترینگ تلگرام و اینستاگرام طی اعتراضات ایران (۱۳۹۶ و ۱۴۰۱) دیده شد. بااین‌حال، اینترنت به گروه‌های حاشیه‌ای، به‌ویژه زنان و جوانان ایرانی، امکان سازمان‌دهی و بیان مطالبات را داده است، چنان‌که در قیام ژینا از پلتفرم‌هایی مانند X و تلگرام برای مقاومت استفاده شد. این پویایی، که با ایده «انفجار درونی» فوکویاما هم‌خوانی دارد، نشان‌دهنده تناقض‌های داخلی رژیم و ناتوانی آن در پاسخ به تغییرات اجتماعی است. اما خطر حباب‌های فیلتر در ایران، از جمله شکاف بین گروه‌های لیبرال و محافظه‌کار، می‌تواند انسجام اجتماعی را تضعیف کند، و نشان می‌دهد که فن‌آوری‌های دیجیتال، هرچند ابزار دموکراتیزه کردن اطلاعات‌اند، همزمان می‌توانند به ابزاری برای سرکوب و تفرقه تبدیل شوند.

اکنون ادامه بحث:

الی پارایزر در «حباب فیلتر» به بررسی تأثیر فن‌آوری‌های دیجیتال و الگوریتم‌های شخصی‌سازی بر روزنامه‌نگاری و مصرف اخبار می‌پردازد. او با مقایسه رویکرد سنتی رسانه‌هایی مانند نیویورک تایمز، که بر قضاوت سردبیری و اهمیت مدنی تأکید دارند، با مدل‌های جدید که ترافیک و کلیک را در اولویت قرار می‌دهند، نشان می‌دهد که چگونه اینترنت و داده‌محوری، روزنامه‌نگاری را به سمت تولید محتوای پربازدید و اغلب سطحی سوق داده است. پارایزر استدلال می‌کند که تمرکز بر معیارهای ترافیک، مانند آنچه در «تابلوی بزرگ» گاکر[۱] دیده می‌شد، ممکن است به نادیده گرفتن داستان‌های مهم اما کمتر جذاب، مانند مسائل پیچیده سیاسی یا اجتماعی، بینجامد و در نتیجه کیفیت گفتمان عمومی را تضعیف کند.

در همان حال، پارایزر هشدار می‌دهد که الگوریتم‌های شخصی‌سازی، همراه با تعقیب ترافیک، ممکن است به جدایی بین اولویت‌های مدنی و محتوای مصرفی منجر شود در نتیجه داستان‌های پیچیده اما حیاتی (مانند جنگ در غزه یا سودان) در برابر موضوعات عامه‌پسند کمرنگ ‌شوند. پارایزر تأکید می‌کند که این تغییرات نه تنها نحوه مصرف اخبار، بلکه نحوه تفکر و مشارکت ما در دموکراسی را تحت تأثیر قرار می‌دهد، و نیاز به رسانه‌هایی را برجسته می‌کند که اهمیت را بر محبوبیت اولویت دهند تا آگاهی عمومی را حفظ کنند و ارتقا دهند.

بنابراین باید سازوکاری طراحی کرد که تعادل بین افزایش تعامل کاربر و حفظ مسئولیت اجتماعی رسانه‌ها برقرار کند. این سازوکار می‌تواند شامل الگوریتم‌های ترکیبی باشد که محتوای پربازدید و جذاب را با مقالاتی ترکیب کند که مسائل مهم اما کمتر محبوب (مانند موضوعات مدنی، اجتماعی یا سیاسی پیچیده) را پوشش می‌دهند.

برای مثال، پلتفرم‌ها می‌توانند درصدی از محتوای پیشنهادی را به موضوعات با اهمیت مدنی اختصاص دهند، حتی اگر کلیک کمتری جذب کنند، و از ابزارهای آموزشی یا روایت‌گری خلاقانه برای جذاب‌تر کردن این موضوعات استفاده کنند. همچنین، شفافیت در مورد نحوه انتخاب محتوا و ارائه گزینه‌هایی به کاربران برای تنظیم سطح شخصی‌سازی آگاهی و مشارکت مدنی را تقویت می‌کند،و در همان حال همچنان تجربه کاربری تعاملی و جذاب حفظ می‌شود.

راهکارهای حمایت از محتوای آموزشی و خبری بااهمیت

یوتیوب در آزمایش‌های اخیر خود سیستمی را معرفی کرد که در کنار ویدیوهای پربازدید، محتوای آموزشی یا خبری بااهمیت (مثل تحلیل‌های سیاستی یا گزارش‌های محیط زیستی) را در بخش «پیشنهادها» نمایش می‌دهد، حتی اگر الگوریتم‌های سنتی آن‌ها را کم‌کلیک‌تر تشخیص دهند. همچنین، پلتفرم اخبار گوگل (Google News) با معرفی بخش «Full Coverage» به کاربران اجازه می‌دهد رویدادهای مهم را از منابع متنوع و با زوایای مختلف دنبال کنند، فارغ از ترجیحات شخصی‌سازی‌شده. از سوی دیگر، نیویورک تایمز با مدل اشتراکی خود نشان داده که می‌توان با تمرکز بر کیفیت و عمق محتوا (مثل گزارش‌های تحقیقی درباره نابرابری یا تغییرات آب‌وهوایی)، هم تعامل کاربران را حفظ کرد و هم به مسئولیت اجتماعی رسانه متعهد ماند. این نمونه‌ها ثابت می‌کنند که می‌توان بین سودآوری و اخلاق رسانه‌ای تعادل ایجاد کرد، مشروط بر آنکه پلتفرم‌ها و رسانه‌ها تمایل به اولویت‌دهی به ارزش عمومی در کنار جذابیت دیجیتال داشته باشند.

برای مقابله با کمبود تنوع اطلاعاتی و مواجهه کاربران با طیف گسترده‌تری از موضوعات، از جمله مسائل حیاتی اما غیرجذاب، می‌توان سیستم‌هایی طراحی کرد که الگوریتم‌های توصیه‌گر را با رویکردهای تنوع‌محور ترکیب کنند. این سیستم‌ها می‌‌بایست قاعدتاً از مکانیزم‌های «کشف هدایت‌شده» استفاده کنند که به‌صورت تصادفی یا هدفمند محتوایی خارج از علایق معمول کاربر (مانند موضوعات مدنی، اجتماعی یا علمی پیچیده) را در کنار محتوای پربازدید پیشنهاد دهند. افزودن برچسب‌های آموزشی، روایت‌های جذاب، یا پاداش‌های انگیزشی (مثل امتیاز برای مطالعه موضوعات متنوع) ممکن است کاربران را به کاوش در این حوزه‌ها ترغیب کند. همچنین، ارائه داشبوردهای شفاف که به کاربران نشان دهد چه نوع محتوایی دریافت می‌کنند و امکان تنظیم سطح تنوع اطلاعاتی را فراهم کند، آگاهی و تعامل با موضوعات حیاتی را افزایش می‌دهد، بدون اینکه تجربه کاربری به‌طور کامل قربانی شود.

نمونه‌های عینی از پلتفرم‌هایی که با بهره‌گیری از الگوریتم‌های تنوع‌محور و راهکارهای نوآورانه به مقابله با چالش تورم اطلاعات و حباب فیلتر پرداخته‌اند عبارتند از:

این نمونه‌ها نشان می‌دهند که ادغام هدفمند تنوع در محتوا نه‌تنها امکان‌پذیر است، بلکه توسط پلتفرم‌های بزرگ فن‌آوری با موفقیت پیاده‌سازی شده است.

پانویس:

[۱] گاکر و تابلوی بزرگ: گاکر (Gawker) یک وبلاگ آمریکایی بود که در سال ۲۰۰۳ توسط نیک دنتن و الیزابت اسپایرز در نیویورک تأسیس شد و بر اخبار سلبریتی‌ها، شایعات و موضوعات مرتبط با صنعت رسانه تمرکز داشت. این وبلاگ به‌عنوان پرچمدار شرکت گاکر مدیا شناخته می‌شد و به دلیل محتوای جنجالی و گاه نقض حریم خصوصی، مانند انتشار ویدئوی خصوصی هالک هوگان، شهرت داشت که در نهایت به محکومیت ۱۴۰ میلیون دلاری و ورشکستگی آن در سال ۲۰۱۶ منجر شد. «تابلوی بزرگ» (Big Board) به معیاری داخلی در گاکر اشاره دارد که ترافیک بازدید صفحات وب‌سایت را به‌صورت لحظه‌ای نمایش می‌داد و نویسندگان را تشویق می‌کرد تا محتوایی تولید کنند که بازدید بیشتری جذب کند. این تمرکز بر معیارهای ترافیک، اغلب به تولید محتوای پربازدید اما کم‌عمق، مانند اخبار جنجالی یا شایعات، به جای موضوعات عمیق‌تر و پیچیده مانند مسائل سیاسی یا اجتماعی اولویت می‌داد.