在线社交媒体审计的数学框架
机器学习
2024-02-21 v2 社会与信息网络
统计计算
机器学习
摘要
社交媒体平台(SMP)利用算法过滤(AF)作为选择构成用户推送内容的一种手段,旨在最大化其收益。与自然/公平的内容选择相比,选择性地选择展示在用户推送上的内容可能对用户的决策产生某种程度的影响,无论是轻微的还是重大的。正如我们在过去十年所目睹的,算法过滤可能导致有害的副作用,从偏置个体决策到塑造整个社会的决策,例如,将用户的注意力从是否接种COVID-19疫苗上转移,或诱导公众选择某位总统候选人。政府持续试图监管AF的 adverse 效应常因官僚体制、法律事务和财务考量而复杂化。另一方面,SMP寻求监控自身的算法活动,以避免因超过允许阈值而被罚款。在本文中,我们对这一框架进行数学形式化,并利用它构建一种数据驱动的统计审计程序,以监管AF随时间推移偏离用户信念,同时给出样本复杂度保证。这一最先进的算法既可由作为外部监管者的当局使用,也可由SMP用于自我审计。
引用
@article{arxiv.2209.05550,
title = {Mathematical Framework for Online Social Media Auditing},
author = {Wasim Huleihel and Yehonathan Refael},
journal= {arXiv preprint arXiv:2209.05550},
year = {2024}
}