Всеобщее одобрение: люди, мыши, лайки, сыр
Похвала, одобрение, принятие и комплимент — все эти элементы социального взаимодействия очень приятны и проходят тонкой линией через всю жизнь человека. В детстве нас хвалят за то, что мы доели ужин или нарисовали восхитительный рисунок (который может понять только эксперт в области абстракционизма), за хорошую оценку в школе и т.д. Будучи взрослыми, похвала становится не столь необходимой для нас, но все же приносит радость.
Общение и социальная активность сильно изменились с появлением интернета и социальных сетей. Расстояние и время более не являются решающими факторами в общении между людьми, живущими в разных городах. Удобства, конечно, стало больше, хотя порой поубавилось содержательности посланий. При этом все и каждый получили возможность заглянуть в жизнь другого человека, не обмениваясь с ним ни словом. Немаловажным с точки зрения механики социальных сетей является понятие «лайков». Кому-то на них плевать, для кого-то это просто любопытная функция, а кто-то не может спокойно спать, если фото с недавнего отпуска не набрало желанное количество сердечек или пальцев вверх. Возникает вопрос — почему некоторые люди так жаждут одобрения в интернете? Что ими движет? Ученые из Нью-Йоркского университета выявили сходство между жаждой лайков у людей и процессом поиска пищи у лабораторных грызунов. В чем же заключается сходство, какой нейрологический фундамент лежит в основе жажды лайков, и как полученные данные можно применить на практике? Об этом мы узнаем из доклада ученых. Поехали.
Основа исследования
Интернет и социальные сети позволяют нам обмениваться информацией, делиться идеями, мыслями и опытом, общаться с людьми с разных уголков планеты. Это по-настоящему удивительное и крайне полезное изобретение, которое не несет в себе ни капли вреда. Хотелось бы сказать, если бы мы не знали человеческой природы, способной в той или иной степени совратить что угодно.
Порой кажется, что социальные сети превратились в места, где одни люди хвастаются своими достижениями, а другие их за это ненавидят. Это, конечно, очень пессимистический взгляд на ситуацию, но даже в нем есть толика истины.
Все мы знаем фразу «в интернете кто-то неправ», которая в корне своем указывает на бесконечное множество мнений относительно чего-либо. Кто-то может спокойно принять это, а кто-то не может жить без постоянных словесных перепалок в сети, которые никогда не заканчиваются так, как хотелось бы.
Пока одни пользователи «социалок» ищут острых ощущений в виде интернет-споров, другие ищут одобрения, комплиментарных комментариев и всеобщей любви. Это вполне нормальные проявления человеческой психики, однако у всего есть свой здравый предел. Если лайки являются для человека побочным продуктом социальной активности в сети, то это разумно. Если же лайки становятся причиной, целью и двигателем существования человека, то пора серьезно задуматься.
Рассматривая данную проблему с научной точки зрения, многие исследователи пытались понять, почему человек ведет себя иначе в интернете, почему становится зависим от социальных сетей, почему жаждет лайков и т.д. Естественно, ответы на эти вопросы могут быть весьма индивидуальны, ибо сколько людей — столько и психологического багажа, накопленного в прошлом.
В общих же чертах многие исследования нацелены не столько на понимание натуры человека, сколько на совершенствование программного обеспечения, чтобы эту натуру использовать во благо социальной сети, стоящей за этими исследованиями. Тем не менее, как заявляют ученые, даже в таких трудах можно подчеркнуть много интересного.
К примеру было установлено, что получение негативной реакции на пост (дизлайк и т.д.) приводило к ухудшению качество последующих постов, а не к его улучшению. Другие исследования показали, что человек будет проводить больше времени на том форуме, где получил больше ответов. Эти случаи указывают на механизм поощрения, лежащий в основе поведения как человека в интернете, так и многих живых организмов в природе.
В рассматриваемом нами сегодня труде ученые решили проверить, можно ли комплексно охарактеризовать взаимодействие в социальных сетях как форму обучения за вознаграждение. В ходе исследования было проанализировано более миллиона сообщений (постов) от 4000 пользователей на разных платформах. Данные оценивались с помощью компьютерного моделирования.
В основе гипотезы, которой оперируют авторы исследования, лежит теория вычислительного обучения, которая применяется в области разработки и анализа алгоритмов машинного обучения. Данная теория может конвертировать поведение человека в сети в формат «вознаграждение за обучение».
Основополагающее эмпирическое понимание заключается в следующем: когда животное (например, грызуны в ящике Скиннера) может выбирать время своих инструментальных ответов (например, когда и как часто нажимать на рычаг), латентность ответа (обратная скорости ответа) отрицательно влияет на размер начисленных вознаграждений.
Пример схемы ящика Скиннера — специальной лабораторной камеры, необходимой для контролируемого изучения поведения животных.
Другими словами, чем хуже вознаграждение, тем больше будет задержка ответа. В ходе опытов с грызунами испытуемые очень быстро сообразили, что более быстрые действия приводят к более частому вознаграждению, тогда как медленные действия увеличивают время задержки до следующего вознаграждения. Если перевести это в рамки данного исследования, то чем больше вознаграждение получает человек, тем короче должна быть средняя задержка между ответами, потому как более медленное действие приводит к более длительной задержке до следующего вознаграждения.
Подготовка к экспериментам
Дабы проверить теорию о том, что социальное поведение в интернете в форме сообщений (постов) следует принципам теории вознаграждения за обучение, ученые проанализировали наборы данных из различных социальных сетей с помощью компьютерного моделирования. Всего в исследовании было использовано 1 046 857 постов от 4 168 пользователей. Исследование было поделено на несколько этапов.
На первом этапе (2039 пользователей) гипотеза проверялась на большом наборе данных постов в Instagram (среднее количество постов на человека = 418). Данная социальная сеть насчитывает порядка миллиарда пользователей, а формат постов достаточно прост, как и ответная реакция в виде «лайков». Однако, как заявляют авторы исследования, в Instagram, как и во многих других современных соц. сетях, не последнюю роль играет финансовая выгода. Это может приводить к множественным фейковым пользователям и фейковым лайкам.
По этой причине первый этап был расширен до 2127 пользователей, тем самым преобразовавшись во второй этап. Дополнительные данные были взяты из тематических сайтов (дискуссионные форумы, посвященные мужской моде, женской моде и садоводству), где финансовые мотивы менее вероятны (среднее количество сообщений на одного человека = 91).
Третий этап заключался в проведении онлайн-эксперимента, в котором было задействовано 176 человек. Данный эксперимент должен был имитировать ключевые аспекты социальных сетей, где ученые могли манипулировать уровнем социального вознаграждения, чтобы проверить его причинное влияние на задержки ответа.
Действие человека в социальной сети (например, Instagram) было сопоставлено с действием грызуна в ящике Скиннера: публикация поста — активация рычага; лайк — вознаграждение.
Установив факт того, что поведение в соц.сетях зависит от вознаграждения, ученые разработали генеративную модель, основанную на теории свободного операнда у животных, не относящихся к человеку. Ключевой принцип этой теории заключается в том, что испытуемые должны уравновешивать затраты усилий на реагирование и альтернативные издержки пассивности (т.е. связанные с публикацией вознаграждения, которые человек упускает, не проводя публикацию), чтобы максимизировать среднюю чистую (т.е. прибыль минус убытки) ставку вознаграждения. Следствием этого является то, что средняя задержка ответа должна быть меньше, когда средняя ставка вознаграждения выше. Данная методика применима и в случае с моментальным вознаграждением, и в случае, когда между постом и вознаграждением проходит определенное время.
Основываясь непосредственно на этих принципах, созданная модель определяет, как испытуемые регулируют задержку своих ответов, чтобы максимизировать средний уровень чистого вознаграждения ®.
Изображение №1
Формально модель описывает использование социальных сетей как последовательность решений относительно задержки между последовательными публикациями (τPost, 1a), где человек максимизирует коэффициент вознаграждения, адаптивно регулируя τPost после наблюдения за каждым полученным вознаграждением.
Психологически τPost можно рассматривать как накопление мотивации к пороговому значению для публикации. Порог, определяющий τPost, динамически корректируется на основе ошибки прогнозирования чистого вознаграждения (δ) — разницы между полученным и эталонным уровнем вознаграждения.
Эталонный уровень определяется как индивидуальной чувствительностью к затратам усилий (например, субъективной стоимостью фотосъемки и загрузки), так и субъективной оценкой средней чистой ставки вознаграждения (1b и 1c). Стоимость усилий и альтернативная стоимость зависят от задержки ответа τPost. Другими словами, оптимальная задержка ответа уравновешивает эти две затраты, чтобы максимизировать чистое вознаграждение δ (1d).
В результате была создана модель с ~ 250 000 точками данных от 1000 смоделированных пользователей со случайными значениями параметров. Согласно теории обучения, τPost должен быть ниже, когда средняя ставка вознаграждения относительно выше. Чтобы это проверить, R было стандартизировано, а затем переменную дихотомизировали* на 0, чтобы получить качественный предиктор «Low vs High R» (низкое против высокого значения R).
Дихотомизация* — трактовка непрерывных данных, как если бы они были двоичными переменными.Проведенный анализ выявил явное влияние низкого и высокого R на τPost, как и ожидалось. Другими словами, модель предсказывает (с учетом набора параметров моделирования), что средняя задержка ответа должна быть на ~18% больше, когда средняя ставка вознаграждения низкая по сравнению с высокой (1e).
Результаты моделирования
Как мы уже знаем, первый этап исследования был связан с анализом данных онлайн-поведение в Instagram. Изначально было проведено сравнение двух моделей, которые могут объяснить поведение человека в сети, а именно используемой модели «обучение за вознаграждение» (RL от reinforcement learning) и модели без обучения. В результате было установлено, что именно модель RL подходит для более чем 70% рассмотренных пользователей и их постов (2a).
Изображение №2
Весьма любопытным было открытие, что люди с большим числом подписчиков в Instagram демонстрировали нелинейно убывающую субъективную ценность (полезность) лайков. Другими словами имеет место привыкание к лайкам — чем больше и стабильнее поток лайков, тем меньше человек задействован в их дальнейшем получении и увеличении.
По теории ученых ответные действия человека в сети должны происходить быстрее, если вознаграждение за них больше. Это было подтверждено и в Instagram (NObs = 851946, NUsers = 2039), где задержка между публикациями становилась меньше, когда число лайков ® было относительно высоким: β = -0.18, SE = 0.003, t = −54.59, p <0001 (2b). В перерасчете это обозначает, что увеличение вознаграждения (лайков) с низкого до относительно высокого уровня приводило к уменьшению задержки между постами на 18% (эквивалентно 8 часам). В случае линейного увеличения лайков на 1% наблюдалось уменьшение времени между постами на 0.34% (около 5 минут).
На графиках 2c и 2d показана взаимосвязь между показателями τPost, R и структурой модели RL на примере активности одного пользователя в течение двух лет.
На втором этапе исследования результаты, полученные в первом, необходимо было проверить, внеся дополнительные переменные. В данном случае ими стали дополнительные социальные платформы, а именно форумы с узкой тематикой (мужская мода, женская мода и садоводство). Очевидно, что большая часть постов на такой платформе имеет вид текста, а не изображений, как в Instagram. Тем не менее на таких форумах были отдельные темы с преимущественно графическим контентом (например, «Во что вы сегодня одеты?», «Поделитесь фотографиями своего сада» и т.д.), каждая из которых содержала по несколько тысяч постов.
Снова была выполнена проверка того, что именно модель RL, является основополагающим механизмом онлайн-поведения, как и в случае с Instagram. Во всех трех наборах данных (190 721 постов от 2127 человек), независимо от конкретной темы, при сравнении моделей было установлено, что модели RL, а не модели без обучения, подходит для подавляющего большинства случаев.
Изображение №3
Как и ожидалось, более высокий R предсказывал более быструю реакцию во всех трех наборах данных (3d–3f):
- мужская мода (NObs = 36 139, NUsers = 541): β = –0.08, SE = 0.016, t = –5.1, p < 0001;
- женская мода (NObs = 36 434, NUsers = 773): β = −0.16, SE = 0.02, t = −7.1, p <0001;
- садоводство (NObs = 118 148, NUsers = 813): β = −0.18, SE = 0.02, t = -12.09, p <0001).
Таким образом, в этих наборах данных задержки между публикациями были на 8%, 16% и 18% меньше, когда средняя ставка вознаграждения была высокой, а не низкой. Следовательно, на каждый 1% увеличения субъективной ставки вознаграждения приходится снижение средней задержки между постами на 0.18%, 0.41% и 0.38% соответственно.
Расширение анализируемых данных путем совмещения достаточно разных по своей сути платформ (Instagram и тематические форумы) показывает, что независимо от социальной сети поведение человека будет следовать принципам модели RL.
Теперь необходимо было установить, существуют ли индивидуальные отличия в поведении разных людей в рамках модели RL, а также чем они могут быть обусловлены. Например, индивидуальные различия в скорости обучения ранее связывали как с генетическими отличиями, так и с различиями в развитии между людьми. А индивидуальные различия в чувствительности к затратам усилий были связаны с дофаминергической системой (синтез и выработка нейромедиатора дофамина, причастного к чувству удовлетворения).
Изображение №4
Для поиска возможных подгрупп в многомерных данных было использовано три параметра исходной модели RL, оцененные для каждого человека из этапов I и II (общее количество пользователей = 4168), в качестве входных данных для кластеризации k-средних. Количественная оценка с использованием нескольких стандартных критериев показала, что можно выделить четыре основных кластера, т.е. 4 подгруппы (4a). Эти кластеры составляли от 41% (1739 человек) до 7% (299 человек) от общего набора данных.
На изображении 4b показаны четыре предполагаемых компьютерных фенотипа, которые носят поведенческий характер. К примеру, люди в кластере 1 характеризуются относительно низкой скоростью обучения (ɑ). Такие люди наименее чувствительны к социальному вознаграждению в своем поведении в социальных сетях. Люди из кластера 2 характеризуются низкими затратами усилий и средней скоростью обучения, тогда как кластер 4 демонстрирует противоположную зависимость между скоростью обучения и затратами усилий (кластер 3 является промежуточным). Таким образом, люди из кластеров 2 и 4 с готовностью публикуют сообщения в ответ на социальное вознаграждение, хотя лежащие в основе механизмы различаются.
В ходе заключительного этапа исследования были получены прямые доказательства того, что уровень социального вознаграждения влияет на задержку публикации постов. Для этого был проведен онлайн-эксперимент, в котором ученые могли манипулировать социальными вознаграждениями и наблюдать за ответными действиями.
Участники (n = 176) могли публиковать «мемы» в любое время, когда они хотели, в течение 25-минутной сессии (общее количество сообщений = 2206). Затем они получали лайки (от 0 до 19) как от таких же участников эксперимента, так и от фейковых пользователей.
Чтобы проверить, вызывает ли более высокая ставка социального вознаграждения более короткую задержку ответа публикации, среднее количество лайков, получаемых участниками между первой и второй половинами сеанса, увеличивали или уменьшали (низкое вознаграждение: 0–9 лайков за публикацию, высокое вознаграждение: 10 –19 лайков за пост).
Как того и ожидали ученые, средняя задержка между постами была значительно больше, когда вознаграждение было низким (0–9 лайков за пост) по сравнению с более высоким (10–19 лайков за пост), что соответствует разнице в 10.9% (изображение №5).
Изображение №5
Забавно и то, что участники эксперимента, которые в своих реальных соц.сетях имели большое количество подписчиков, показали более слабое влияние лайков на их поведение в ходе самого эксперимента.
Этот небольшой эксперимент на практике показал верность теории о том, что существует прямая корреляция между вознаграждением (лайками) и дальнейшим поведением человека (ответная реакция).
Для более детального ознакомления с нюансами исследования рекомендую заглянуть в доклад ученых и дополнительные материалы к нему.
Эпилог
То, что многие люди буквально жить не могут без социальных сетей, лайков, репостов и т.д., мы знаем и без каких-либо исследований. Однако данный труд смог детально разъяснить связь между поведением человека в сети и его жаждой к вознаграждению, пусть даже в виде иллюзорного сердечка под постом на экране своего девайса.
В принципе, жизнь в интернете не особо отличается от жизни в реальном мире, за исключением некоторых элементов. Поведение человека может меняться в зависимости от того, где он общается, однако его поведенческие, психологические и даже физиологические особенности остаются неизменными. Интернет является всего лишь инструментом, который либо гиперболизирует их, либо визуально преображает, но в корне все остается прежним.
Сами авторы исследования считают, что их труд может быть крайне полезен в изучении проблемы зависимости от социальных сетей, которая в нашем современном мире вполне реальна. Однако не стоит забывать и о том, что социальные сети давно перестали быть «клубом для своих», а стали многомиллиардными корпорациями. А посему вполне вероятно, что такого рода исследования, хоть и имеют благие намерения, могут косвенно повлиять на расширения спектра инструментов, которыми пользуются соц.сети для расширения своей аудитории. При этом хочется отметить, что паниковать не стоит, ибо подавляющее большинство продуктов прогресса всегда имели и будут иметь две стороны медали. А интернет можно довольно точно описать одной из интерпретаций знаменитой фразы, сказанной Парацельсом: «разница между ядом и лекарством заключается в дозировке».
Благодарю за внимание, оставайтесь любопытствующими и хорошей всем рабочей недели, ребята. :)
Немного рекламы
Спасибо, что остаётесь с нами. Вам нравятся наши статьи? Хотите видеть больше интересных материалов? Поддержите нас, оформив заказ или порекомендовав знакомым, облачные VPS для разработчиков от $4.99, уникальный аналог entry-level серверов, который был придуман нами для Вас: Вся правда о VPS (KVM) E5–2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps от $19 или как правильно делить сервер? (доступны варианты с RAID1 и RAID10, до 24 ядер и до 40GB DDR4).
Dell R730xd в 2 раза дешевле в дата-центре Maincubes Tier IV в Амстердаме? Только у нас 2 х Intel TetraDeca-Core Xeon 2x E5–2697v3 2.6GHz 14C 64GB DDR4 4×960GB SSD 1Gbps 100 ТВ от $199 в Нидерландах! Dell R420 — 2x E5–2430 2.2Ghz 6C 128GB DDR3 2×960GB SSD 1Gbps 100TB — от $99! Читайте о том Как построить инфраструктуру корп. класса c применением серверов Dell R730xd Е5–2650 v4 стоимостью 9000 евро за копейки?
