Uzmanlar, 20 milyon kullanıcı üzerinde LinkedIn’in algoritma deneylerinin etiğini tartışıyor

Uzmanlar, 20 milyon kullanıcı üzerinde LinkedIn'in algoritma deneylerinin etiğini tartışıyor

Bu ay, LinkedIn araştırmacıları Science’da şirketin 20 milyondan fazla kullanıcıyı sessizce araştırmak için beş yıl harcadığını açıkladı. Araştırmacılar, profesyonel ağ platformunun algoritmasını değiştirerek, kullanıcıların bilinen tanıdıklarla mı yoksa tamamen yabancılarla mı bağlantı kurduklarında daha fazla iş fırsatına sahip olup olmadıklarını A/B testi yoluyla belirlemeye çalışıyorlardı.

Kullanıcılar arasındaki bağlantıların gücünü zayıf veya güçlü, tanıdık veya yabancı olarak değerlendirmek için araştırmacılar, gönderdikleri mesajların sayısı veya paylaştıkları ortak arkadaş sayısı gibi faktörleri analiz ederek, bu faktörlerin bağlantı kurulduktan sonra zaman içinde nasıl değiştiğini ölçtüler. sosyal medya platformu. Araştırmacıların keşfi, çalışmada iş hareketliliği hakkında “geçen yüzyılın en etkili sosyal teorilerinden biri” olarak tanımladıkları şeyi doğruladı: Kullanıcıların sahip olduğu bağlar ne kadar zayıfsa, iş hareketliliği o kadar iyi. LinkedIn, bu sonuçların “Tanıyor Olabileceğiniz Kişiler” (PYMK) olarak iş arayanlara daha alakalı bağlantılar önermek için algoritmada değişikliklere yol açacağını söylese de, The New York Times etik uzmanlarının çalışmanın “sektörün şeffaflığı hakkında soruları gündeme getirdiğini” söylediğini bildirdi. ve araştırma gözetimi.”

NYT’nin raporuna göre, uzmanların en büyük endişelerinden biri, LinkedIn’in analiz ettiği milyonlarca kullanıcıdan hiçbirinin çalışmaya katıldıkları konusunda doğrudan bilgilendirilmemesiydi – bu da “bazı insanların geçim kaynaklarını etkileyebilir”.

Bilgisayar bilimi doçenti ve Marquette Üniversitesi Veri, Etik ve Toplum Merkezi direktörü Michael Zimmer, NYT’ye şunları söyledi: fırsatlar.”

LinkedIn, A/B testi endişelerini netleştiriyor

Bir LinkedIn sözcüsü Ars’a, şirketin araştırmalarının bu karakterizasyonuna itiraz ettiğini ve deneylerin kimsenin dezavantajlı olmadığını söyledi. NYT raporunu yayınladığından beri, LinkedIn sözcüsü Ars’a şirketin, çalışmasının “metodolojisinin çok fazla yanlış temsili” nedeniyle sorular yönelttiğini söyledi.

Çalışmanın ortak yazarı ve LinkedIn veri bilimcisi Karthik Rajkumar, Ars’a NYT’nin “A / B testi ve verilerin gözlem niteliğini” birleştirdiği gibi raporların “insanlar üzerinde deneyler gibi hissettirdiğini, bu da yanlış” dedi.

Rajkumar, çalışmanın, LinkedIn’in algoritmanın zaten bazı kullanıcılar için daha zayıf bağlara sahip daha fazla sayıda bağlantı ve diğerlerine daha fazla sayıda daha güçlü bağ önerdiğini fark etmesi nedeniyle ortaya çıktığını söyledi. Rajkumar, Ars’a, “PYMK’nin A/B testimiz, bağlantı önerilerinin alaka düzeyini artırmak ve iş sonuçlarını incelemek amacıyla yapılmadı” dedi. Bunun yerine, ekibinin amacı “işlere erişmek ve işleri güvence altına almak için hangi bağlantıların daha önemli olduğunu” bulmaktı.

“A/B testi” olarak adlandırılmasının iki seçeneği karşılaştırdığını düşündürmesine rağmen, araştırmacılar sadece zayıf bağlara karşı güçlü bağlara bakmadılar, yalnızca her ikisini de oluşturan bir çift algoritmayı test ettiler. Bunun yerine, çalışma algoritmanın yedi farklı “tedavi varyantı” ile deney yaptı ve farklı varyantların, kullanıcıların daha az zayıf bağ oluşturması, daha fazla bağ oluşturması, daha az bağ oluşturması veya aynı sayıda zayıf veya güçlü bağ oluşturması gibi farklı sonuçlar verdiğini belirtti. . Örneğin iki değişken, kullanıcıların daha zayıf bağlar da dahil olmak üzere genel olarak daha fazla bağ oluşturmasına neden olurken, başka bir değişken, kullanıcıların daha az zayıf bağ dahil olmak üzere genel olarak daha az bağ oluşturmasına neden oldu. Bir varyant daha fazla bağa yol açtı, ancak yalnızca güçlü bağlara yol açtı.

Bir LinkedIn sözcüsü Ars’a verdiği demeçte, “PYMK tarafından önerilen zayıf ve güçlü bağlantıların oranını rastgele değiştirmiyoruz.” “İnsanlara daha iyi önerilerde bulunmak için çalışıyoruz ve bazı algoritmalar diğerlerinden daha zayıf bağlar öneriyor. Bazı insanlar daha iyi algoritmaları test süresi boyunca diğerlerinden bir veya iki hafta önce elde ettiğinden, bu verilerde yeterli çeşitlilik yaratıyor. onları analiz etmek için gözlemsel nedensel yöntemleri uygulamamız için. Hiç kimse iş sonuçlarını gözlemlemek için deney yapmıyor.”

Leave a Comment