Toukokuussa järjestetyssä Web Conference -konferenssissa vuoden 2022 parhaan artikkelin palkinto myönnettiin ”Rewiring what-to-watch-next Recommendations to Reduce Radicalization Pathways” (”Katselusuositukset uusiksi radikalisaatioon johtavien reittien vähentämiseksi”) -artikkelille, jonka ovat kirjoittaneet Francesco Fabbri, Yanhao Wang, Francesco Bonchi, Carlos Castillo ja Michael Mathioudakis.
– Myös artikkelin molemmat pääkirjoittajat työskentelivät aiemmin yliopistossamme: ensimmäinen kirjoittaja Fabbri harjoittelijana ja toinen kirjoittaja Wang tutkijatohtorina, kertoo Mathioudakis, joka työskentelee apulaisprofessorina tietojenkäsittelytieteen osastolla.
Web Conference on kansainvälinen huippututkimustapaaminen, joka on johtavan tieteellisen sisältönsä ansiosta yksi harvoista tietojenkäsittelytieteen julkaisukanavista Julkaisufoorumin luokittelun tasolla 2.
Faktatarkistetun sisällön suosittelua algoritmin avulla
YouTuben kaltaiset verkkoalustat suosittelevat käyttäjilleen yleensä lisää katsottavaa heidän äskettäin katsomiensa videoiden perusteella.
– Jos käyttäjä vastaanottaa ja noudattaa tällaisia suosituksia, hän ei välttämättä kohtaa toisenlaisia näkökulmia edustavaa sisältöä. Oletetaan esimerkiksi, että käyttäjä katselee verkkoalustalla videota, joka levittää salaliittoteoriaa Ukrainan sodasta, Mathioudakis sanoo.
– Jos alusta sen jälkeen suosittelee ainoastaan samanlaisia sotaan liittyviä salaliittovideoita, käyttäjä ei välttämättä pääse virallisen tiedon tai faktatarkistetun uutisoinnin äärelle, vaan päätyy katselemaan salaliittovideoiden sarjaa.
Salaliittoihin liittyvä sisältö ja ääriliikkeet ovat länsimaissa kasvava huolenaihe, joka on johtanut muun muassa Yhdysvaltain kongressirakennuksen valtaukseen 6.1.2021. Euroopan unioni ja sosiaalisen median alustat ovat ottaneet tehtäväkseen vähentää radikaalia puhetta sosiaalisessa mediassa.
– Me kehitämme algoritmeja, joiden avulla video- ja muut verkkoalustat voivat muuttaa käyttäjilleen tarjoamiaan suosituksia mahdollisimman hienovaraisesti niin, että käyttäjät eivät ”jumitu” katsomaan laadultaan kyseenalaista sisältöä jossa on vaikkapa ääriliikkeisiin liittyvää tai väärää tietoa, sanoo Mathioudakis.
Tutkijat tarkastelivat suunnittelemiensa algoritmien tehokkuutta toteuttamalla simulaatioita julkisella YouTube-suosituksista koostuvalla aineistolla.
– Algoritmeillamme pyritään pohjimmiltaan valitsemaan pieni määrä olemassa olevia suosituksia ja korvaamaan ne muilla, asianmukaisesti valituilla suosituksilla niin, että suositusten perusteella alustan sisältöä selaava käyttäjä saa riittävästi vaihtoehtoja irtautuakseen kyseenalaisesta sisällöstä, Mathioudakis sanoo.
Algoritmin avulla käyttäjä pystyisi selaamaan alustan sisältöä entistä paremmin tai vierailemaan myös muilla alustoilla. Siihen heitä kannustettaisiin tarjoamalla entistä laadukkaampia videoita.
– Ei tämä mikään ihmelääke ole, mutta se on yksi keino estää käyttäjiä juuttumasta laadultaan arveluttavaan sisältöön.