Allgemeine Genehmigung: Menschen, Mäuse, Likes, Käse

Lob, Anerkennung, Akzeptanz und Kompliment - all diese Elemente der sozialen Interaktion sind sehr angenehm und ziehen sich während des gesamten Lebens eines Menschen durch eine dünne Linie. Als Kind werden wir dafür gelobt, dass wir unser Abendessen beendet oder eine entzückende Zeichnung gezeichnet haben (die nur ein Experte für abstrakte Kunst verstehen kann), für eine gute Schulnote usw. Als Erwachsene wird Lob für uns weniger notwendig, bringt aber dennoch Freude.



Kommunikation und soziales Engagement haben sich mit dem Aufkommen des Internets und der sozialen Medien dramatisch verändert. Entfernung und Zeit sind keine entscheidenden Faktoren mehr für die Kommunikation zwischen Menschen, die in verschiedenen Städten leben. Die Bequemlichkeit hat natürlich zugenommen, obwohl der Inhalt der Nachrichten zuweilen abgenommen hat. Gleichzeitig hatten alle und jeder die Möglichkeit, in das Leben eines anderen Menschen zu schauen, ohne ein Wort mit ihm auszutauschen. Aus Sicht der Mechanik sozialer Netzwerke ist auch das Konzept der "Likes" wichtig. Jemand kümmert sich nicht um sie, für jemanden ist es nur eine merkwürdige Funktion, und jemand kann nicht friedlich schlafen, wenn ein Foto aus einem kürzlichen Urlaub nicht die gewünschte Anzahl von Herzen oder Daumen hoch gewonnen hat.Es stellt sich die Frage, warum manche Menschen im Internet so hungrig nach Zustimmung sind. Was treibt sie an? Wissenschaftler der New York University haben Ähnlichkeiten zwischen dem Verlangen nach Gleichen beim Menschen und dem Prozess der Nahrungssuche bei Labornagetieren festgestellt. Was sind die Ähnlichkeiten, was ist die neurologische Grundlage, die dem Verlangen nach Likes zugrunde liegt, und wie können die erhaltenen Daten in der Praxis angewendet werden? Dies erfahren wir aus dem Bericht von Wissenschaftlern. Gehen.

Grundlagen der Forschung

Über das Internet und soziale Netzwerke können wir Informationen austauschen, Ideen, Gedanken und Erfahrungen austauschen und mit Menschen aus aller Welt kommunizieren. Dies ist eine wirklich erstaunliche und äußerst nützliche Erfindung, die keinen Schaden anrichtet. Ich möchte sagen, wenn wir die menschliche Natur nicht kennen, die in der Lage ist, bis zu dem einen oder anderen Grad etwas zu verführen.



Manchmal scheint es, als ob Social Media zu einem Ort geworden ist, an dem manche Menschen mit ihren Leistungen angeben und andere sie dafür hassen. Dies ist natürlich eine sehr pessimistische Sicht der Situation, aber selbst darin steckt ein Körnchen Wahrheit.



Wir alle kennen den Ausdruck "jemand irrt sich im Internet", der an seiner Wurzel eine unendliche Anzahl von Meinungen über etwas anzeigt. Jemand kann dies ruhig akzeptieren, aber jemand kann nicht ohne ständige verbale Scharmützel im Netzwerk leben, die niemals so enden, wie er es gerne hätte.



Während einige Benutzer von "sozialen Netzwerken" nach Nervenkitzel in Form von Internetstreitigkeiten suchen, suchen andere nach Zustimmung, kostenlosen Kommentaren und universeller Liebe. Dies sind ganz normale Manifestationen der menschlichen Psyche, aber alles hat seine eigene gesunde Grenze. Wenn Likes für eine Person ein Nebenprodukt sozialer Aktivitäten im Netzwerk sind, ist dies sinnvoll. Wenn Likes zum Grund, Zweck und Motor der menschlichen Existenz werden, dann ist es Zeit, ernsthaft nachzudenken.



Angesichts dieses Problems aus wissenschaftlicher Sicht versuchten viele Forscher zu verstehen, warum sich eine Person im Internet anders verhält, warum sie von sozialen Netzwerken abhängig wird, warum sie sich nach Vorlieben sehnt usw. Natürlich können die Antworten auf diese Fragen sehr individuell sein, denn wie viele Menschen - so viel psychologisches Gepäck hat sich in der Vergangenheit angesammelt.



Im Allgemeinen zielen viele Studien weniger darauf ab, die menschliche Natur zu verstehen, als vielmehr darauf, Software zu verbessern, damit diese Natur zum Nutzen des sozialen Netzwerks hinter dieser Forschung genutzt werden kann. Trotzdem kann man, wie Wissenschaftler sagen, auch in solchen Arbeiten viele interessante Dinge lernen.



Beispielsweise wurde festgestellt, dass das Erhalten einer negativen Reaktion auf einen Beitrag (Abneigung usw.) zu einer Verschlechterung der Qualität nachfolgender Beiträge und nicht zu dessen Verbesserung führte. Andere Studien haben gezeigt, dass eine Person mehr Zeit im Forum verbringen wird, wo sie mehr Antworten erhalten hat. Diese Fälle weisen auf den Belohnungsmechanismus hin, der sowohl dem menschlichen Verhalten im Internet als auch vielen lebenden Organismen in der Natur zugrunde liegt.



In der Arbeit, über die wir heute nachdenken, haben Wissenschaftler beschlossen zu testen, ob es möglich ist, die Interaktion in sozialen Netzwerken als Lernform für eine Belohnung umfassend zu charakterisieren. Die Studie analysierte mehr als eine Million Nachrichten (Posts) von 4.000 Benutzern auf verschiedenen Plattformen. Die Daten wurden mittels Computersimulationen ausgewertet.



Die Hypothese, mit der die Autoren der Studie arbeiten, basiert auf der Theorie des rechnerischen Lernens, die bei der Entwicklung und Analyse von Algorithmen für maschinelles Lernen verwendet wird. Diese Theorie kann menschliches Verhalten im Netzwerk in ein "Belohnung für das Lernen" -Format umwandeln.



Das zugrunde liegende empirische Verständnis ist, dass, wenn ein Tier (wie ein Nagetier in Skinners Box) den Zeitpunkt seiner instrumentellen Reaktionen wählen kann (wie wann und wie oft der Hebel gedrückt werden muss), sich die Reaktionsverzögerung (die Umkehrung der Reaktionsrate) negativ auswirkt die Höhe der aufgelaufenen Belohnungen.





Ein Beispiel für ein Skinner-Box-Diagramm - eine spezielle Laborkammer, die für die kontrollierte Untersuchung des Verhaltens von Tieren erforderlich ist.



Mit anderen Worten, je schlechter die Belohnung ist, desto größer ist die Antwortverzögerung. In Experimenten mit Nagetieren stellten die Probanden sehr schnell fest, dass schnellere Aktionen zu häufigeren Belohnungen führen, während langsamere Aktionen die Verzögerungszeit bis zur nächsten Belohnung verlängern. Wenn wir dies in den Rahmen dieser Studie übersetzen, sollte die durchschnittliche Verzögerung zwischen den Antworten umso kürzer sein, je mehr Belohnung eine Person erhält, da eine langsamere Aktion zu einer längeren Verzögerung vor der nächsten Belohnung führt.

Vorbereitung für Experimente

Um die Theorie zu testen, dass soziales Verhalten im Internet in Form von Nachrichten (Posts) den Prinzipien der Theorie der Belohnung für das Lernen folgt, analysierten Wissenschaftler Datensätze aus verschiedenen sozialen Netzwerken mithilfe von Computersimulationen. Insgesamt wurden 1.046.857 Beiträge von 4.168 Benutzern in der Studie verwendet. Die Forschung war in mehrere Phasen unterteilt.



In der ersten Phase (2039 Benutzer) wurde die Hypothese an einem großen Datensatz von Instagram-Posts getestet (durchschnittliche Anzahl von Posts pro Person = 418). Dieses soziale Netzwerk hat ungefähr eine Milliarde Benutzer, und das Format der Beiträge ist recht einfach, ebenso wie die Antwort in Form von „Likes“. Laut den Autoren der Studie ist Instagram jedoch wie viele andere moderne soziale Medien. Netzwerke spielen finanzielle Vorteile eine wichtige Rolle. Dies kann zu mehreren gefälschten Benutzern und gefälschten Likes führen.



Aus diesem Grund wurde die erste Phase auf 2.127 Benutzer erweitert und damit in die zweite Phase umgewandelt. Zusätzliche Daten stammen von thematischen Websites (Diskussionsforen für Herrenmode, Damenmode und Gartenarbeit), in denen finanzielle Motive weniger wahrscheinlich sind (durchschnittliche Anzahl der Stellen pro Person = 91).



In der dritten Phase wurde ein Online-Experiment durchgeführt, an dem 176 Personen teilnahmen. Das Experiment sollte Schlüsselaspekte von Social Media imitieren, bei denen Wissenschaftler die Höhe der sozialen Belohnung manipulieren konnten, um ihre kausale Wirkung auf Reaktionsverzögerungen zu testen.



Menschliches Handeln in einem sozialen Netzwerk (z. B. Instagram) wurde mit dem Handeln eines Nagetiers in Skinners Box verglichen: Posten - Aktivieren eines Hebels; wie ist eine Belohnung.

Nachdem Wissenschaftler festgestellt haben, dass das Verhalten in sozialen Medien von Belohnungen abhängt, haben sie ein generatives Modell entwickelt, das auf der Theorie des freien Operanden bei nichtmenschlichen Tieren basiert. Ein wesentlicher Grundsatz dieser Theorie ist, dass die Probanden die Kosten für den Reaktionsaufwand und die Opportunitätskosten für die Passivität (d. H. Publikationsbezogene Belohnungen, die eine Person ohne Veröffentlichung verpasst) in Einklang bringen müssen, um das durchschnittliche Netto (d. H. Gewinn minus Verluste) zu maximieren. Zinssatz. Dies hat zur Folge, dass die durchschnittliche Antwortverzögerung geringer sein sollte, wenn die durchschnittliche Belohnungsrate höher ist. Diese Technik ist sowohl im Fall einer sofortigen Belohnung als auch in dem Fall anwendbar, in dem eine bestimmte Zeit zwischen dem Beitrag und der Belohnung vergeht.



Basierend auf diesen Prinzipien bestimmt das erstellte Modell, wie Probanden ihre Antwortlatenz anpassen, um das durchschnittliche Niveau der Nettobelohnung ® zu maximieren.





Bild 1



Formal beschreibt das Modell die Verwendung von Social Media als eine Folge von Entscheidungen bezüglich der Verzögerung zwischen aufeinanderfolgenden Veröffentlichungen (τ _Post , 1a ), wobei eine Person das Belohnungsverhältnis maximiert, indem sie τ _Post nach Beobachtung jeder erhaltenen Belohnung adaptiv anpasst .



Psychologisch τ _Postkann als eine Ansammlung von Motivation für den Schwellenwert für die Veröffentlichung angesehen werden. Der Schwellenwert, der τ _{Post bestimmt,} wird dynamisch angepasst, basierend auf dem Prognosefehler der Nettovergütung (δ) - der Differenz zwischen der erhaltenen und der Referenzvergütung.



Das Referenzniveau wird sowohl durch die individuelle Sensibilität für die Aufwandskosten (z. B. die subjektiven Kosten für das Fotografieren und Hochladen) als auch durch die subjektive Bewertung des durchschnittlichen Nettovergütungssatzes ( 1b und 1c ) definiert. Aufwandskosten und Opportunitätskosten hängen von der Antwortverzögerung τ _{Post ab}... Mit anderen Worten, die optimale Antwortlatenz gleicht diese beiden Kosten aus, um die Nettobelohnung δ ( 1d ) zu maximieren .



Als Ergebnis wurde ein Modell mit ~ 250.000 Datenpunkten von 1000 simulierten Benutzern mit zufälligen Parameterwerten erstellt. Nach der Lerntheorie sollte τ _Post niedriger sein, wenn der durchschnittliche Vergütungssatz relativ höher ist. Um dies zu testen, wurde R standardisiert und dann wurde die Variable um 0 dichotomisiert *, um einen qualitativen Prädiktor für "Niedrig gegen Hoch R" (Niedrig gegen Hoch R) zu erhalten.

Dichotomisierung * - Behandlung kontinuierlicher Daten als binäre Variablen.

Die Analyse ergab erwartungsgemäß einen deutlichen Effekt von niedrigem und hohem R auf τ _Post . Mit anderen Worten, das Modell sagt voraus (unter Berücksichtigung einer Reihe von Simulationsparametern), dass die durchschnittliche Antwortverzögerung ~ 18% länger sein sollte, wenn die durchschnittliche Belohnungsrate niedrig gegenüber hoch ist ( 1e ).

Simulationsergebnisse

Wie wir bereits wissen, bezog sich die erste Phase der Studie auf die Datenanalyse des Online-Verhaltens auf Instagram. Zunächst wurden zwei Modelle verglichen, die das menschliche Verhalten im Netzwerk erklären können, nämlich das verwendete Modell „Lernen gegen Belohnung“ (RL für verstärkendes Lernen ) und das Modell ohne Training. Als Ergebnis wurde festgestellt, dass das RL-Modell für mehr als 70% der bewerteten Benutzer und deren Beiträge geeignet ist ( 2a ).





Bild Nr. 2



Interessanterweise zeigte die Entdeckung, dass Menschen mit einer großen Anzahl von Instagram-Followern einen nicht linear abnehmenden subjektiven Wert (Nützlichkeit) von Likes zeigten. Mit anderen Worten, es gibt eine Sucht nach Likes - je größer und stabiler der Fluss von Likes ist, desto weniger ist eine Person an ihrem weiteren Empfang und ihrer Zunahme beteiligt.



Nach der Theorie der Wissenschaftler sollte die Reaktion einer Person im Netzwerk schneller erfolgen, wenn die Belohnung für sie höher ist. Dies wurde auch auf Instagram bestätigt (N _Obs = 851946, N _Users = 2039), wo die Verzögerung zwischen den Posts geringer wurde, wenn die Anzahl der Likes ® relativ hoch war: β = -0,18, SE = 0,003, t = -54,59, p <0001 ( 2b). Bei einer Neuberechnung bedeutet dies, dass eine Erhöhung der Belohnung (Likes) von einem niedrigen auf ein relativ hohes Niveau zu einer Verringerung der Latenz zwischen den Posts um 18% führte (entspricht 8 Stunden). Bei einem linearen Anstieg um 1% verringerte sich die Zeit zwischen den Beiträgen um 0,34% (ca. 5 Minuten).



Die Grafiken 2c und 2d zeigen die Beziehung zwischen τ _Post , R und der Struktur des RL-Modells am Beispiel der Aktivität eines Benutzers über zwei Jahre.



In der zweiten Phase der Studie mussten die in der ersten Phase erzielten Ergebnisse durch Einführung zusätzlicher Variablen überprüft werden. In diesem Fall handelte es sich um zusätzliche soziale Plattformen, nämlich Foren mit einem engen Thema (Herrenmode, Damenmode und Gartenarbeit). Offensichtlich sind die meisten Beiträge auf einer solchen Plattform in Form von Text und nicht in Form von Bildern wie in Instagram. Trotzdem hatten solche Foren separate Themen mit überwiegend grafischen Inhalten (z. B. „Was trägst du heute?“, „Fotos von deinem Garten teilen“ usw.), die jeweils mehrere tausend Beiträge enthielten.



Es wurde erneut bestätigt, dass das RL-Modell der grundlegende Mechanismus des Online-Verhaltens ist, wie im Fall von Instagram. In allen drei Datensätzen (190.721 Beiträge von 2.127 Personen) wurde unabhängig vom spezifischen Thema beim Vergleich der Modelle festgestellt, dass RL-Modelle anstelle der Modelle ohne Training für die überwiegende Mehrheit der Fälle geeignet sind.





Bild 3



Wie erwartet sagte ein höheres R eine schnellere Reaktion in allen drei Datensätzen voraus ( 3d - 3f ):

• Herrenmode (N _Obs = 36 139, N _Users = 541): β = –0,08, SE = 0,016, t = –5,1, p <0001;
• (N_Obs = 36 434, N_Users = 773): β = −0.16, SE = 0.02, t = −7.1, p <0001;
• (N_Obs = 118 148, N_Users = 813): β = −0.18, SE = 0.02, t = -12.09, p <0001).

In diesen Datensätzen waren die Verzögerungen zwischen den Veröffentlichungen um 8%, 16% und 18% geringer, wenn die durchschnittliche Vergütungsrate eher hoch als niedrig war. Infolgedessen verringert sich mit jeder Erhöhung des subjektiven Vergütungssatzes um 1% die durchschnittliche Verzögerung zwischen den Stellen um 0,18%, 0,41% bzw. 0,38%.



Die Erweiterung der analysierten Daten durch die Kombination von Plattformen unterschiedlicher Natur (Instagram und thematische Foren) zeigt, dass menschliches Verhalten unabhängig vom sozialen Netzwerk den Prinzipien des RL-Modells folgt.



Nun musste festgestellt werden, ob es im Rahmen des RL-Modells individuelle Unterschiede im Verhalten verschiedener Personen gibt und durch was sie verursacht werden können. Beispielsweise wurden individuelle Unterschiede in der Lernrate zuvor sowohl mit genetischen Unterschieden als auch mit Entwicklungsunterschieden zwischen Menschen in Verbindung gebracht. Individuelle Unterschiede in der Empfindlichkeit gegenüber den Kosten des Aufwands waren mit dem dopaminergen System verbunden (Synthese und Produktion des Neurotransmitters Dopamin, der an Zufriedenheitsgefühlen beteiligt ist).





Bild Nr. 4



Um nach möglichen Untergruppen in den multivariaten Daten zu suchen, wurden drei Parameter des ursprünglichen RL-Modells, die für jede Person aus den Stadien I und II geschätzt wurden (Gesamtzahl der Benutzer = 4168), als Eingabe für die Clusterbildung von k-Mitteln verwendet. Eine quantitative Bewertung unter Verwendung mehrerer Standardkriterien zeigte, dass vier Hauptcluster unterschieden werden können, d.h. 4 Untergruppen ( 4a ). Diese Cluster reichten von 41% (1.739 Personen) bis 7% (299 Personen) des gesamten Datensatzes.



Abbildung 4bzeigt vier mutmaßliche Computer-Phänotypen, die verhaltensbezogen sind. Beispielsweise haben Personen in Cluster 1 eine relativ niedrige Lernrate (ɑ). Diese Menschen reagieren am wenigsten auf soziale Belohnungen in ihrem Social-Media-Verhalten. Menschen aus Cluster 2 zeichnen sich durch niedrige Aufwandskosten und durchschnittliche Lernraten aus, während Cluster 4 die entgegengesetzte Beziehung zwischen Lernraten und Aufwandskosten zeigt (Cluster 3 ist mittelschwer). Daher veröffentlichen Personen in den Clustern 2 und 4 leicht Nachrichten als Reaktion auf soziale Belohnungen, obwohl die zugrunde liegenden Mechanismen unterschiedlich sind.



In der letzten Phase der Studie wurden direkte Beweise dafür erhalten, dass die Höhe der sozialen Belohnung die Verzögerung bei der Entsendung beeinflusst. Zu diesem Zweck wurde ein Online-Experiment durchgeführt, in dem Wissenschaftler soziale Belohnungen manipulieren und Reaktionen beobachten konnten.



Die Teilnehmer (n = 176) konnten während der 25-minütigen Sitzung jederzeit "Memes" veröffentlichen (Gesamtzahl der Beiträge = 2206). Dann erhielten sie Likes (von 0 bis 19) sowohl von denselben Teilnehmern des Experiments als auch von gefälschten Benutzern.



Um zu testen, ob eine höhere soziale Belohnungsrate eine kürzere Latenz nach der Antwort verursacht, wurde die durchschnittliche Anzahl der Likes, die die Teilnehmer zwischen der ersten und zweiten Hälfte der Sitzung erhalten haben, erhöht oder verringert (niedrige Belohnung: 0-9 Likes pro Post, hohe Belohnung: 10-19 Likes pro Post).



Wie die Wissenschaftler erwartet hatten, war die durchschnittliche Verzögerung zwischen den Posts signifikant niedriger, wenn die Belohnung niedrig war (0-9 Likes pro Post) als höher (10-19 Likes pro Post), was einer Differenz von 10,9% entspricht (Bild 5) ).





Bild Nr. 5



Es ist auch lustig, dass die Teilnehmer des Experiments, die eine große Anzahl von Followern in ihren realen sozialen Netzwerken hatten, während des Experiments selbst einen schwächeren Einfluss von Likes auf ihr Verhalten zeigten.



Dieses kleine Experiment in der Praxis zeigte die Gültigkeit der Theorie, dass es einen direkten Zusammenhang zwischen Belohnung (Likes) und weiterem Verhalten einer Person (Antwort) gibt.



Um die Nuancen der Studie genauer kennenzulernen, empfehle ich Ihnen, den Bericht von Wissenschaftlern und zusätzliche Materialien zu lesen.

Epilog

Die Tatsache, dass viele Menschen buchstäblich nicht ohne soziale Netzwerke, Likes, Reposts usw. leben können, wissen wir ohne Forschung. Diese Arbeit war jedoch in der Lage, den Zusammenhang zwischen dem Verhalten einer Person im Netzwerk und ihrem Durst nach Belohnung detailliert zu erklären, auch wenn es sich um ein illusorisches Herz unter einem Beitrag auf dem Bildschirm ihres Geräts handelt.



Grundsätzlich unterscheidet sich das Leben im Internet nicht sehr vom Leben in der realen Welt, mit Ausnahme einiger Elemente. Das Verhalten eines Menschen kann sich je nach Kommunikationsort ändern, aber seine Verhaltens-, psychologischen und sogar physiologischen Eigenschaften bleiben unverändert. Das Internet ist nur ein Werkzeug, das sie entweder überträgt oder visuell transformiert, aber im Grunde bleibt alles beim Alten.



Die Autoren der Studie selbst glauben, dass ihre Arbeit äußerst nützlich sein kann, um das Problem der Abhängigkeit von sozialen Netzwerken zu untersuchen, das in unserer modernen Welt durchaus real ist. Man sollte jedoch nicht vergessen, dass soziale Netzwerke längst kein „Club für Insider“ mehr sind, sondern zu Milliarden-Dollar-Unternehmen geworden sind. Daher ist es wahrscheinlich, dass diese Art der Forschung, obwohl sie gut gemeint ist, indirekt die Erweiterung des Spektrums an Tools beeinflussen kann, mit denen soziale Netzwerke ihr Publikum erweitern. Gleichzeitig möchte ich darauf hinweisen, dass kein Grund zur Panik besteht, da die überwiegende Mehrheit der Fortschrittsprodukte immer zwei Seiten der Medaille hatte und haben wird. Und das Internet kann durch eine der Interpretationen des berühmten Satzes von Paracelsus ziemlich genau beschrieben werden: "Der Unterschied zwischen Gift und Medizin liegt in der Dosierung."



Vielen Dank für Ihre Aufmerksamkeit, bleiben Sie neugierig und haben Sie eine gute Arbeitswoche, Jungs. :) :)

Ein bisschen Werbung

Vielen Dank für Ihren Aufenthalt bei uns. Gefällt dir unser Artikel? Möchten Sie weitere interessante Inhalte sehen? Unterstützen Sie uns, indem Sie eine Bestellung aufgeben oder Freunden Cloud-VPS für Entwickler ab 4,99 US-Dollar empfehlen , ein einzigartiges Analogon von Einstiegsservern, die wir für Sie erfunden haben: Die ganze Wahrheit über VPS (KVM) E5-2697 v3 (6 Kerne) 10 GB DDR4 480 GB SSD 1 Gbit / s ab 19 US-Dollar oder wie teilt man den Server richtig auf? (Optionen verfügbar mit RAID1 und RAID10, bis zu 24 Kernen und bis zu 40 GB DDR4).



Ist Dell R730xd 2x im Maincubes Tier IV-Rechenzentrum in Amsterdam billiger? Nur wir haben 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2,6 GHz 14C 64 GB DDR4 4 x 960 GB SSD 1 Gbit / s 100 TV von 199 US-Dollar in den Niederlanden!Dell R420 - 2x E5-2430 2,2 GHz 6C 128 GB DDR3 2x960 GB SSD 1 Gbit / s 100 TB - Ab 99 US-Dollar! Lesen Sie, wie Sie die Infrastruktur von bldg aufbauen. Klasse mit der Verwendung von Dell R730xd E5-2650 v4 Servern zu einem Preis von 9000 Euro für einen Cent?