在线社交媒体审计的数学框架
Wasim Huleihel、Yehonathan Refael; 25(64):1−40, 2024.
摘要
社交媒体平台（SMP）利用算法过滤（AF）来选择构成用户提要的内容，目的是最大化他们的回报。与自然/公平的内容选择相比，选择性地选择要显示在用户提要上的内容可能会对用户的决策产生一定程度的影响，无论是轻微的还是重大的影响。正如我们在过去十年中所看到的那样，算法过滤可能会产生有害的副作用，从偏袒个人决策到塑造整个社会的决策，例如，转移用户的注意力，而不是关注是否接种新冠肺炎疫苗，或者诱导公众选择总统候选人。由于官僚主义、法律事务和财务方面的考虑，政府不断试图监管房颤的不利影响，这往往是复杂的。另一方面，SMP寻求监控自己的算法活动，以避免因超过允许的阈值而被罚款。在本文中，我们对该框架进行了数学形式化，并利用它构建了一个数据驱动的统计审计程序，以控制AF随着时间的推移而偏离用户的信念，以及样本复杂性的保证。作为外部监管机构的当局或SMP都可以使用这种最先进的算法进行自我审查。
[腹肌]
[pdf格式][围兜]
