Научно-исследовательская работа по интеллектуальным информационным сетям на тему Социальные сети и ИИ: влияние алгоритмов ИИ на распространение информации и формирование общественного мнения

ВВЕДЕНИЕ

Современное цифровое общество немыслимо без социальных сетей, которые стали центральными площадками для обмена информацией и формирования общественного мнения. С появлением и совершенствованием искусственного интеллекта (ИИ) алгоритмы, управляющие потоками контента в этих сетях, получили беспрецедентные возможности. Они не только анализируют поведение пользователей, но и активно формируют их информационное поле, определяя, что именно люди видят. Это ставит под сомнение прозрачность и этичность такого вмешательства, а также его долгосрочные последствия для информационного пространства. Актуальность данной проблемы обусловлена тем, что ИИ все сильнее влияет на общественные процессы, включая политические предпочтения, развитие социальных движений и даже наше понимание реальности.
Цель данной работы заключается в анализе влияния алгоритмов ИИ на распространение информации в социальных сетях и их роли в формировании общественного мнения. Для достижения этой цели поставлены следующие задачи:
1. Исследовать принципы работы алгоритмов ИИ в популярных социальных сетях.
2. Выявить механизмы распространения информации и формирования «информационных пузырей».
3. Оценить влияние алгоритмической фильтрации на восприятие новостей и событий.
4. Проанализировать примеры манипуляции общественным мнением с использованием.
5. Предложить рекомендации по обеспечению прозрачности и этичности алгоритмов.
Объектом исследования являются социальные сети как цифровые платформы массовой коммуникации. Предметом исследования выступают алгоритмы ИИ, используемые для персонализации контента и управления информационными потоками.
Алгоритмы соцсетей, основанные на ИИ, активно формируют информационное поле и общественное мнение. Они способствуют усилению информационной изоляции и разделению взглядов. Для анализа применяются контент-анализ, сравнение алгоритмов, моделирование информационных потоков, а также опросы и интервью с экспертами.
В качестве информационного фундамента исследования выступают научные публикации, аналитические отчеты, данные популярных платформ (Meta, X, TikTok и др.) и материалы международных организаций по цифровой этике. Хотя цифровая социология, медиапсихология и информационная безопасность уже исследуют эту тему, ее связь с общественным сознанием в контексте ИИ остается малоизученной.
Полученные в ходе исследования данные открывают возможности для формирования нормативных предложений, касающихся управления алгоритмами искусственного интеллекта в социальных медиа. Кроме того, результаты могут послужить основой для совершенствования навыков цифровой грамотности у пользователей, а также для реализации образовательных и правовых проектов, нацеленных на обеспечение свободы информации и противодействие манипуляциям общественным сознанием.

 
1. ОБЩИЕ ПРИНЦИПЫ РАБОТЫ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СОЦИАЛЬНЫХ СЕТЯХ
1.1ЭВОЛЮЦИЯ АЛГОРИТМИЧЕСКИХ ЛЕНТ И ЛОГИКА ПЕРСОНАЛИЗАЦИИ

История развития механизмов распространения контента в социальных сетях - это постоянный поиск путей для решения двух ключевых задач: справиться с огромным объемом информации и удержать внимание пользователей. На заре цифровых платформ, таких как Facebook и LiveJournal, основным способом была хронологическая лента. Несмотря на свою очевидность, этот подход требовал от пользователя самостоятельной фильтрации, что быстро стало неэффективным: с увеличением числа контактов, важные сообщения просто тонули в потоке менее значимых обновлений.
Исследователь Эли, анализируя данную тенденцию, подчеркивает ее обусловленность феноменом "пузыря фильтров". Этот феномен заключается в том, что пользователи, зачастую неосознанно, конструируют свою информационную среду, опираясь на предпочтительные источники. Переход от линейного отображения контента к алгоритмической сортировке послужил триггером для этих изменений, поскольку платформы были вынуждены адаптироваться к экспоненциальному росту информации и ограниченным временным ресурсам аудитории .
Алгоритмы, используемые сегодня, например, Facebook EdgeRank, значительно эволюционировали. Они больше не ограничиваются простым упорядочиванием, а активно оценивают релевантность контента, опираясь на такие критерии, как степень связи между пользователем и автором, значимость типа взаимодействия и актуальность публикации. Внедрение глубокого машинного обучения сделало эти алгоритмы ещё более комплексными, позволяя им анализировать не только явные действия пользователей, но и тонкие, неявные сигналы, такие как время, затраченное на просмотр поста, или темп прокрутки ленты.
Фундаментальным принципом функционирования современных алгоритмических лент является гиперперсонализация, предполагающая динамическое формирование индивидуального рейтинга контента для каждого пользователя. Такой подход позволяет платформам не только осуществлять селекцию контента, но и оптимизировать его подачу, что ведет к существенному росту пользовательской вовлеченности и, как следствие, повышению экономической эффективности .

1.2 ОБЩАЯ АРХИТЕКТУРА РЕКОМЕНДАТЕЛЬНЫХ АЛГОРИТМОВ

Современные рекомендательные системы в социальных сетях функционируют на основе сложной многоступенчатой архитектуры, которую можно представить как конвейер последовательных этапов обработки информации. Каждый из этих этапов выполняет уникальную, специализированную функцию. В целом, этот процесс структурирован вокруг четырех основных фаз: начальный сбор и предварительная обработка данных, формирование пула потенциальных рекомендаций (кандидатов), детальная приоритизация этих кандидатов (тонкое ранжирование) и непрерывное адаптивное обучение с использованием обратной связи в реальном времени.
Вначале система постоянно собирает и объединяет необработанные данные о том, как пользователи взаимодействуют с ней. Она отслеживает как очевидные действия, так и скрытые поведенческие сигналы, формируя детальный цифровой профиль. Этот профиль охватывает историю просмотров, клики, местоположение, тип устройства, язык, социальные связи и демографические данные. Затем собранная информация тщательно подготавливается: очищается, приводится к единому виду и из нее извлекаются ключевые характеристики. Например, текст анализируется для определения темы и настроения, а изображения – для распознавания объектов.
На втором этапе процесса, известном как генерация кандидатов, осуществляется оперативный отбор ограниченного подмножества контента из общего массива, которое обладает высокой степенью релевантности для индивидуального пользователя. Для достижения этой цели применяются два основных подхода: коллаборативная фильтрация и контентная фильтрация. Данные методологии обеспечивают эффективный отбор потенциальных кандидатов, опираясь на анализ пользовательского поведения и атрибутов самого контента.
Заключительный, наиболее ресурсоемкий и комплексный этап — это тонкая настройка ранжирования. Кандидаты, прошедшие предварительный отбор, подвергаются обработке посредством сложной модели машинного обучения. Эта модель определяет вероятность совершения пользователем определенного целевого действия для каждого элемента из пула кандидатов. Итогом работы модели является присвоение каждому кандидату числового показателя (скора), отражающего его прогнозируемую ценность для пользователя.
Наступает третий, самый сложный и вычислительно интенсивный этап - тонкое ранжирование. Отобранные ранее кандидаты проходят через мощную модель машинного обучения. Эта модель анализирует каждого кандидата, оценивая вероятность того, что пользователь совершит целевое действие. По итогам этой оценки каждый кандидат получает свой уникальный скор - числовую метку, предсказывающую его ценность для пользователя.