Algorithm-Mediated Social Learning in Online Social Networks
Notice bibliographique
Résumé
Humans have always relied on social learning to navigate the social and physical world. But for the first time in history, we are interacting in online social networks where content algorithms filter social information. Little is known about how these algorithms influence our social learning. In this review, we synthesize emerging insights into this ‘algorithm-mediated social learning’ and propose a framework that examines its consequences in terms of functional misalignment. We argue that the functions of human social learning and the goals of content algorithms are misaligned in practice. Algorithms exploit basic human social learning biases (i.e., a bias toward PRestigious, Ingroup, Moral and Emotional information, or PRIME information) as a side effect of their goals to sustain attention and maximize engagement on platforms. Social learning biases function to promote adaptive behaviors that foster cooperation and collective problem-solving. However, when social learning biases are exploited by algorithms, PRIME information saturates the digital social environment in ways that produce social misperceptions that are associated with conflict and misinformation. We show how this problem is ultimately driven by human-algorithm feedback loops where observational and reinforcement learning exacerbate algorithmic amplification, and how it may impact cultural evolution. Finally, we discuss practical solutions for mitigating functional misalignment in human-algorithm interactions via strategies that help algorithms promote more diverse and contextually-sensitive information environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».