المؤلف: Vitalik ؛ المترجم: Deep Tide TechFlow

يمكن القول إن العامين الماضيين كانا مضطربين بالنسبة لتويتر (X). في العام الماضي ، اشترى Elon Musk المنصة مقابل 44 مليار دولار ، ثم أصلح طاقم الشركة ، ومراجعة المحتوى ، ونموذج العمل ، وثقافة موقع الويب. قد تكون هذه التغييرات بسبب القوة الناعمة لـ Elon Musk ، وليس قرارات سياسية محددة. وسط هذه التحركات المثيرة للجدل ، تكتسب ميزة جديدة على Twitter أهمية بسرعة ويبدو أنها تحظى بتأييد عبر الطيف السياسي: ملاحظات المجتمع.

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-a3502d584d-dd1a6f-1c6801)

ملاحظات المجتمع هي أداة للتحقق من الحقائق التي ترفق أحيانًا التعليقات التوضيحية السياقية بالتغريدات ، مثل تلك الموجودة في Elon Musk أعلاه ، كأداة للتحقق من الحقائق ومكافحة التضليل. كان يطلق عليه في الأصل Birdwatch وتم إطلاقه لأول مرة كبرنامج تجريبي في يناير 2021. منذ ذلك الحين ، توسعت تدريجيًا ، حيث تزامنت أسرع مراحل التوسع مع استحواذ Elon Musk على Twitter العام الماضي. اليوم ، تعد ملاحظات المجتمع ميزة منتظمة للتغريدات التي تحظى باهتمام كبير على Twitter ، بما في ذلك تلك التي تتناول موضوعات سياسية مثيرة للجدل. في رأيي ، ومن خلال محادثاتي مع العديد من الأشخاص عبر الطيف السياسي ، فإن هذه الملاحظات مفيدة وقيمة عند ظهورها.

ولكن ما يثير اهتمامي أكثر هو Community Notes ، والذي ، رغم أنه ليس "مشروع تشفير" ، ربما يكون أقرب مثال على "قيم التشفير" التي رأيناها في العالم السائد. لا تتم كتابة ملاحظات المجتمع أو تنسيقها بواسطة بعض الخبراء المختارين مركزيًا ؛ بدلاً من ذلك ، يمكن لأي شخص الكتابة والتصويت ، ويتم تحديد الملاحظات التي سيتم عرضها أو عدم عرضها بالكامل بواسطة خوارزمية مفتوحة المصدر. يحتوي موقع Twitter على دليل مفصل وشامل يصف كيفية عمل الخوارزمية ، ويمكنك تنزيل البيانات التي تحتوي على الملاحظات والأصوات المنشورة ، وتشغيل الخوارزمية محليًا ، والتحقق من أن الإخراج يطابق ما هو مرئي على موقع Twitter. على الرغم من أنه ليس مثاليًا ، إلا أنه قريب بشكل مدهش من نموذج الحياد القابل للتصديق في المواقف المثيرة للجدل إلى حد ما ، وهو مفيد جدًا في نفس الوقت.

كيف تعمل خوارزمية Community Notes؟

يمكن لأي شخص لديه حساب Twitter يفي بمعايير معينة (بشكل أساسي: نشط لأكثر من 6 أشهر ، لا يوجد سجل انتهاك ، رقم هاتف محمول تم التحقق منه) التسجيل للمشاركة في Community Notes. حاليًا ، يتم قبول المشاركين ببطء وبشكل عشوائي ، ولكن الخطة في النهاية هي السماح لأي شخص مؤهل للانضمام. بمجرد قبولك ، يمكنك أولاً المشاركة في تقدير الملاحظات الموجودة ، وبمجرد أن يصبح التقدير جيدًا بما فيه الكفاية (يتم قياسه من خلال رؤية التصنيف الذي يطابق النتيجة النهائية لتلك الملاحظة) ، يمكنك أيضًا كتابة ملاحظاتك الخاصة.

عند كتابة ملاحظات ، ستحصل الملاحظات على درجة بناءً على مراجعة أعضاء Community Notes الآخرين. يمكن عرض هذه المراجعات على أنها تصويتات على المستويات الثلاثة "مفيدة" و "مفيدة إلى حد ما" و "ليست مفيدة" ، ولكن يمكن أن تحتوي التعليقات أيضًا على تصنيفات أخرى تلعب أدوارًا في الخوارزمية. بناءً على هذه المراجعات ، يتم منح الملاحظات درجة. إذا تجاوزت درجة الملاحظات 0.40 ، فسيتم عرض هذه الملاحظات ، وإلا فلن يتم عرض هذه الملاحظات.

ما يجعل الخوارزمية فريدة من نوعها هو كيفية حساب النتيجة. على عكس الخوارزميات المبسطة ، المصممة ببساطة لحساب نوع ما من مجموع أو متوسط تقييمات المستخدمين واستخدامها كنتيجة نهائية ، تحاول خوارزمية تصنيف ملاحظات المجتمع بشكل صريح إعطاء الأولوية لتلك التي تحصل على تقييمات إيجابية من أشخاص ذوي وجهات نظر مختلفة ملاحظات. بمعنى ، إذا وافق الأشخاص الذين يختلفون عادةً على التصنيفات في النهاية على ملاحظة معينة ، فسيتم تصنيف هذه الملاحظة بدرجة عالية.

دعنا نلقي نظرة أعمق على كيفية عملها. لدينا مجموعة من المستخدمين ومجموعة من الملاحظات ؛ يمكننا إنشاء مصفوفة M حيث تمثل الخلية Mij كيف قام المستخدم الأول بتقييم الملاحظات من ياء.

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-b3036abb2f-dd1a6f-1c6801)

بالنسبة لأي ملاحظة معينة ، لم يقم معظم المستخدمين بتقييم تلك الملاحظة ، لذا فإن معظم الإدخالات في المصفوفة ستكون صفراً ، لكن هذا جيد. الهدف من الخوارزمية هو إنشاء نموذج من أربعة أعمدة للمستخدمين والملاحظات ، وتخصيص إحصائيتين لكل مستخدم ، والتي يمكن أن نطلق عليها "الصداقة" و "القطبية" ، وتخصيص إحصائيتين لكل ملاحظة ، نسميها "فائدة" و "قطبية". يحاول النموذج التنبؤ بالمصفوفة كدالة لهذه القيم ، باستخدام الصيغة التالية:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-4468d2c20f-dd1a6f-1c6801)

لاحظ أنني هنا أقدم المصطلحات المستخدمة في ورقة Birdwatch ، بالإضافة إلى المصطلحات الخاصة بي لتقديم فهم أكثر سهولة لما تعنيه المتغيرات دون الدخول في المفاهيم الرياضية:

• μ هي معلمة "شعور عام" تقيس مدى ارتفاع تصنيف المستخدمين بشكل عام.
• iu هي "الود" للمستخدم ، أي مدى احتمالية أن يميل المستخدم إلى إعطاء تقييم عالٍ.
• in هي "فائدة" الملاحظة ، أي مدى احتمالية حصول الملاحظة على تصنيف عالٍ. هذا هو المتغير الذي نهتم به.
• fu أو fn هي "قطبية" المستخدم أو Notes ، أي موقعها على المحور المهيمن للتطرف السياسي. من الناحية العملية ، تعني القطبية السالبة تقريبًا "الميل الأيسر" والقطبية الإيجابية "الميل الأيمن" ، ولكن لاحظ أن المحاور القصوى مشتقة من تحليل بيانات المستخدم والملاحظات ، وأن مفاهيم اليسار واليمين غير مشفرة بشكل ثابت.

تستخدم الخوارزمية نموذجًا أساسيًا للتعلم الآلي (هبوط التدرج القياسي) للعثور على أفضل قيم المتغير للتنبؤ بقيم المصفوفة. الفائدة المعينة لملاحظة معينة هي الدرجة النهائية لتلك الملاحظة. سيتم عرض ملاحظة إذا كانت فائدتها + 0.4.

البراعة الأساسية هنا هي أن "القطبية" تمتص خصائص الملاحظات ، مما يتسبب في إعجاب بعض المستخدمين بها وعدم إعجاب المستخدمين الآخرين ، بينما "الفائدة" تقيس فقط خصائص الملاحظات ، تؤدي هذه الميزات إلى الإعجاب بها من قبل جميع المستخدمين. وبالتالي ، فإن تحديد الفائدة يحدد الملاحظات التي تمت الموافقة عليها عبر القبائل ويستبعد الملاحظات التي تم الترحيب بها في قبيلة ولكن لم تعجبها قبيلة أخرى.

ما سبق يصف فقط الجزء الأساسي من الخوارزمية. في الواقع ، هناك العديد من الآليات الإضافية المضافة فوقها. لحسن الحظ ، تم وصفها في الوثائق العامة. تشمل هذه الآليات ما يلي:

• يتم تشغيل الخوارزمية عدة مرات ، في كل مرة إضافة بعض "الأصوات الزائفة" المتطرفة التي تم إنشاؤها عشوائيًا إلى التصويت. هذا يعني أن الناتج الحقيقي للخوارزمية لكل ملاحظات هو نطاق من القيم ، والنتيجة النهائية تعتمد على "مستوى ثقة أقل" مأخوذ من هذا النطاق ومقارنته مع حد 0.32.
• إذا صنف العديد من المستخدمين (خاصة أولئك الذين لديهم قطبية مماثلة للملاحظات) الملاحظات على أنها "غير مفيدة" وقاموا أيضًا بتعيين نفس "التصنيف" (على سبيل المثال ، "لغة جدلية أو متحيزة" ، "ملاحظات المصدر غير مدعومة") مثل سبب التسجيل ، ثم يزيد حد الفائدة المطلوب لنشر Notes من 0.4 إلى 0.5 (قد يبدو هذا صغيرًا ، ولكنه مهم جدًا من الناحية العملية).
• في حالة قبول الملاحظة ، يجب أن تقل فائدتها عن حد 0.01 نقطة المطلوبة لقبول الملاحظة.
• تعمل الخوارزميات مرات أكثر مع نماذج متعددة ، مما يؤدي أحيانًا إلى تعزيز الملاحظات بدرجات فائدة أولية بين 0.3 و 0.4.

الكل في الكل ، ينتهي بك الأمر ببعض رموز Python المعقدة جدًا التي يبلغ مجموعها 6282 سطرًا موزعة على 22 ملفًا. لكنها كلها مفتوحة ، ويمكنك تنزيل الملاحظات وبيانات التسجيل وتشغيلها بنفسك لمعرفة ما إذا كانت المخرجات تتطابق مع ما يحدث بالفعل على Twitter.

إذن كيف يبدو هذا عمليًا؟

ربما يكون الاختلاف الأكبر بين هذه الخوارزمية وطريقة أخذ متوسط الدرجات من أصوات الناس هو مفهوم ما أسميه قيم "القطبية". تشير وثائق الخوارزمية إليهما كـ fu و fn ، باستخدام f للعامل لأن المصطلحين يتكاثران ؛ المصطلح الأكثر عمومية يرجع جزئيًا إلى الرغبة في جعل fu و fn متعددي الأبعاد.

يتم تعيين القطبية للمستخدمين والملاحظات. يتم الاحتفاظ بالرابط بين معرف المستخدم وحساب Twitter الأساسي خاصًا عن قصد ، ولكن Notes عام. في الواقع ، على الأقل بالنسبة لمجموعة البيانات الإنجليزية ، ترتبط القطبية الناتجة عن الخوارزمية ارتباطًا وثيقًا للغاية مع اليسار واليمين.

فيما يلي بعض أمثلة الملاحظات ذات القطبية حول -0.8:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-8709fc41e9-dd1a6f-1c6801)

لاحظ أنني لا أقوم بالاختيار هنا ؛ فهذه في الواقع الصفوف الثلاثة الأولى في جدول بيانات \ _notes.tsv الذي تم إنشاؤه عندما أقوم بتشغيل الخوارزمية محليًا ، ودرجات قطبية (تسمى coreNoteFactor 1 في جدول البيانات) أقل من -0.8.

الآن ، إليك بعض الملاحظات ذات القطبية حول +0.8. كما اتضح ، كان العديد منهم إما أشخاصًا يتحدثون عن السياسة البرازيلية بالبرتغالية أو من مشجعي Tesla الذين يدحضون بغضب انتقادات Tesla ، لذلك اسمحوا لي أن أختار قليلاً وأجد بعض الملاحظات التي لا تندرج في أي من الفئتين:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-2e210cba13-dd1a6f-1c6801)

للتذكير ، "القسمة اليمنى مقابل اليسار" ليست مضمنة في الخوارزمية بأي شكل من الأشكال ؛ تم اكتشافها حسابيًا. يشير هذا إلى أنه إذا قمت بتطبيق هذه الخوارزمية على سياقات ثقافية أخرى ، فيمكنها تلقائيًا اكتشاف الانقسامات السياسية الرئيسية وبناء الجسور بينها.

وفي الوقت نفسه ، تبدو الملاحظات التي تحصل على أعلى فائدة كما يلي. هذه المرة ، نظرًا لأن الملاحظات تظهر فعليًا على Twitter ، يمكنني فقط لقطة شاشة واحدة:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-fe86a5f417-dd1a6f-1c6801)

وآخر:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-83f59578f8-dd1a6f-1c6801)

بالنسبة للملاحظات الثانية ، فإنها تتعامل بشكل مباشر أكثر مع الموضوعات السياسية الحزبية للغاية ، ولكنها ملاحظات واضحة وعالية الجودة وغنية بالمعلومات تحصل على درجة عالية لها. بشكل عام ، يبدو أن الخوارزمية تعمل ، ويبدو أنه من الممكن التحقق من ناتج الخوارزمية عن طريق تشغيل الكود.

ما رأيك في الخوارزمية؟

أكثر ما أدهشني عند تحليل هذه الخوارزمية هو تعقيدها. هناك "نسخة ورقية أكاديمية" تستخدم النسب المتدرج للعثور على أفضل ما يناسب متجهًا من خمسة فصول ومعادلة مصفوفة ، ثم هناك النسخة الحقيقية ، وهي سلسلة معقدة من عمليات التنفيذ الخوارزمية مع العديد من عمليات التنفيذ المختلفة ، والكثير من المعامل التعسفي .

حتى النسخ الورقية الأكاديمية تخفي التعقيدات الأساسية. المعادلة التي تقوم بتحسينها هي عبارة عن رباعي سالب (نظرًا لوجود مصطلح fu \ * fn تربيعي في صيغة التنبؤ ، وتقيس دالة التكلفة مربع الخطأ). في حين أن تحسين المعادلة التربيعية على أي عدد من المتغيرات دائمًا ما يكون له حل فريد ، والذي يمكنك اكتشافه باستخدام الجبر الخطي الأساسي إلى حد ما ، فإن تحسين المعادلة الرباعية عبر العديد من المتغيرات عادةً ما يكون له العديد من الحلول ، لذلك جولات متعددة من خوارزمية النسب المتدرج إجابات مختلفة يمكن الحصول عليها. يمكن أن تتسبب التغييرات الصغيرة في الإدخال في أن ينقلب الهبوط من حد أدنى محلي إلى آخر ، مما يؤدي إلى تغيير نتائج الإخراج بشكل كبير.

الفرق بين هذا والخوارزميات التي ساعدت في تطويرها ، مثل التمويل التربيعي ، هو بالنسبة لي الفرق بين خوارزمية الاقتصادي وخوارزمية المهندس. تركز خوارزميات الاقتصاديين ، في أحسن الأحوال ، على البساطة ، ويسهل تحليلها نسبيًا ، ولديها خصائص رياضية واضحة تنص على أنها مثالية (أو على الأقل سيئة) للمهمة المطروحة ، وتثبت بشكل مثالي مدى الضرر الذي يمكن أن يحدثه شخص ما في تحاول الاستفادة منه. من ناحية أخرى ، يتم اشتقاق خوارزمية المهندس من خلال عملية التجربة والخطأ التكرارية لمعرفة ما يصلح وما لا ينجح في بيئة تشغيل المهندس. تعتبر خوارزمية المهندس واقعية وتنجز المهمة ؛ لا تفقد خوارزمية الاقتصادي السيطرة تمامًا في مواجهة ما هو غير متوقع.

أو كما قال فيلسوف الإنترنت المحترم رون (المعروف أيضًا باسم tszzl) في موضوع ذي صلة:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-ec3c3908a7-dd1a6f-1c6801)

بالطبع ، أود أن أقول إن جانب "الجماليات النظرية" للعملات المشفرة ضروري حتى نتمكن من التمييز بدقة بين تلك البروتوكولات التي لا تحظى بالثقة حقًا وتلك التي تبدو جيدة وتعمل بشكل سطحي ، ولكنها تتطلب في الواقع الثقة في جهة فاعلة مركزية ، أو حتى أسوأ من ذلك ، يمكن أن تكون عملية احتيال صريحة.

التعلم العميق فعال في ظل الظروف العادية ، ولكن لديه نقاط ضعف حتمية لمختلف هجمات التعلم الآلي العدائية. إذا تم القيام بذلك بشكل صحيح ، يمكن للفخاخ الفنية والسلالم المجردة للغاية مواجهة هذه الهجمات. لذا ، لدي سؤال: هل يمكننا تحويل ملاحظات المجتمع نفسها إلى شيء أشبه بخوارزمية اقتصادية؟

لنرى ما يعنيه هذا عمليًا ، دعنا نستكشف خوارزمية ابتكرتها لغرض مشابه قبل بضع سنوات: التمويل التربيعي ثنائي الحدود.

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-70bbe530b4-dd1a6f-1c6801)

الهدف من التمويل التربيعي المحدود الزوجي هو سد ثغرة في التمويل التربيعي "التقليدي" ، حيث حتى إذا تواطأ لاعبان مع بعضهما البعض ، فيمكنهما المساهمة بمبالغ كبيرة جدًا في مشروع وهمي ، وإعادة الأموال إليهم ، والحصول على إعانات مالية كبيرة تستنزف مجموع أموالك بالكامل. في التمويل التربيعي ثنائي الحدود ، نخصص ميزانية محدودة M لكل زوج من المشاركين. تتكرر الخوارزمية على جميع الأزواج المحتملة من المشاركين ، وإذا قررت الخوارزمية إضافة دعم لبعض المشاريع P لأن كل من المشارك A والمشارك B يدعمانها ، فسيتم خصم هذا الدعم من الميزانية المخصصة لذلك الزوج (A ، B) . لذلك ، حتى لو تواطأ k مشارك ، فإن المبلغ الذي يسرقونه من الآلية هو على الأكثر k \ * (k-1) \ * M.

هذا النموذج من الخوارزمية لا يعمل بشكل جيد في سياق ملاحظات المجتمع ، حيث أن كل مستخدم يدلي بعدد صغير فقط من الأصوات: في المتوسط ، التصويت المشترك بين أي مستخدمين هو صفر ، لذلك بمجرد النظر إلى كل زوج على حدة ، المستخدمون ، لا توجد طريقة للخوارزمية لمعرفة قطبية المستخدمين. الهدف من نموذج التعلم الآلي هو على وجه التحديد محاولة "ملء" مصفوفة من بيانات مصدر متفرقة للغاية لا يمكن تحليلها مباشرة بهذه الطريقة. لكن التحدي في هذا النهج هو أنه يلزم بذل جهد إضافي لتجنب النتائج شديدة التقلب في مواجهة عدد قليل من الأصوات السيئة.

هل تستطيع ملاحظات المجتمع حقًا مقاومة اليسار واليمين؟

يمكننا تحليل ما إذا كانت خوارزمية ملاحظات المجتمع مقاومة بالفعل للتطرف ، أي ما إذا كانت تؤدي أداءً أفضل من خوارزمية تصويت ساذجة. إن خوارزمية التصويت هذه مقاومة بالفعل إلى حد ما للتطرف: أي منشور يحتوي على 200 إعجاب و 100 إبداء عدم إعجاب سيكون أداءه أسوأ من منشور مع 200 إعجاب فقط. لكن هل ملاحظات المجتمع تعمل بشكل أفضل؟

من الصعب القول من وجهة نظر الخوارزمية المجردة. لماذا لا تحصل المنشور المستقطب ذو التصنيف المتوسط العالي على قطبية قوية وفائدة عالية؟ الفكرة هي أنه إذا كانت هذه الأصوات متضاربة ، يجب أن "تستوعب" القطبية الميزة التي تسببت في حصول المنشور على الكثير من الأصوات ، ولكن هل يفعل ذلك بالفعل؟

للتحقق من ذلك ، قمت بتشغيل تطبيقي المبسط لمدة 100 جولة. متوسط النتيجة كالتالي:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-6875cc99b0-dd1a6f-1c6801)

في هذا الاختبار ، تم تصنيف الملاحظات "الجيدة" +2 من قبل المستخدمين من نفس الانتماء السياسي ، و +0 من قبل المستخدمين من الانتماء السياسي المعاكس ، وتم تصنيف الملاحظات "جيدة ولكن أكثر تطرفًا" من قبل المستخدمين من نفس الانتماء المصنف +4 في و -2 في مستخدمي الفصيل المعاكس. على الرغم من أن متوسط الدرجات هو نفسه ، إلا أن القطبية مختلفة. وفي الواقع ، يبدو أن متوسط فائدة الملاحظات "الجيدة" أعلى من فائدة الملاحظات "الجيدة ولكن الأكثر تطرفًا".

إن وجود خوارزمية أقرب إلى "خوارزمية الاقتصادي" سيكون له قصة أوضح عن كيفية معاقبة الخوارزمية للتطرف.

ما مدى فائدة كل هذا في المواقف عالية المخاطر؟

يمكننا التعرف على بعض هذه من خلال النظر في موقف معين. منذ حوالي شهر ، اشتكى إيان بريمر من أن إحدى التغريدات أضافت ملاحظة مجتمعية شديدة الأهمية ، ولكن تم حذف الملاحظات منذ ذلك الحين.

هذه مهمة شاقة. تصميم الآلية هو شيء واحد في بيئة مجتمع Ethereum حيث قد تكون أكبر شكوى 20000 دولار فقط تذهب إلى المؤثر المتطرف على Twitter. إنها قصة مختلفة عندما يتعلق الأمر بالقضايا السياسية والجيوسياسية التي تؤثر على ملايين الأشخاص ، ويميل الجميع إلى افتراض أسوأ الدوافع الممكنة. لكن التفاعل مع هذه البيئات عالية المخاطر أمر ضروري إذا أراد المصممون الميكانيكيون أن يكون لهم تأثير كبير على العالم.

لحسن الحظ ، فإن الخوارزمية مفتوحة المصدر ويمكن التحقق منها ، لذا يمكننا في الواقع الوصول إلى الجزء السفلي منها! هيا بنا نقوم بذلك. عنوان URL للتغريدة الأصلية هو الرقم 1676157337109946369 في النهاية وهو معرف التغريدة. يمكننا البحث عن هذا المعرف في البيانات القابلة للتنزيل وتحديد الصف المحدد في جدول البيانات الذي يحتوي على الملاحظات أعلاه:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-7d9cf4ee30-dd1a6f-1c6801)

هنا لدينا معرف Notes نفسه ، 1676391378815709184. ثم نقوم بالبحث عن هذا المعرف في ملفات \ _notes.tsv و note \ _status \ _history.tsv التي تم إنشاؤها عن طريق تشغيل الخوارزمية. حصلنا على النتيجة التالية:

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-39e3144c87-dd1a6f-1c6801)

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-3a9e6b7114-dd1a6f-1c6801)

العمود الثاني في الناتج الأول هو تصنيف Notes الحالي. يُظهر الإخراج الثاني محفوظات Notes: حالتها الحالية في العمود السابع (NEEDS \ _MORE \ _RATINGS) ، والحالة الأولى التي تلقاها والتي لم تكن NEEDS \ _MORE \ _RATINGS موجودة في العمود الخامس (NEEDS \ _MORE \ _RATINGS) . حاليًا \ _ مصنفة \ _ مفيدة). لذلك يمكننا أن نرى أن الخوارزمية نفسها أظهرت الملاحظات أولاً ثم أزلتها بعد انخفاض تصنيفاتها قليلاً - لا يبدو أن هناك تدخلًا مركزيًا.

يمكننا أيضًا أن ننظر إلى هذا بطريقة أخرى من خلال النظر إلى التصويت نفسه. يمكننا مسح ملف التقييمات-00000.tsv لعزل جميع التصنيفات لهذه الملاحظات ومعرفة عدد التقييمات التي تم تصنيفها "مفيدة" و "غير مفيدة":

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-ed6eb76ff3-dd1a6f-1c6801)

ومع ذلك ، إذا قمت بفرزها حسب الطابع الزمني وإلقاء نظرة على أفضل 50 صوتًا ، فسترى أن هناك 40 صوتًا مفيدًا و 9 أصوات غير مفيدة. لذلك توصلنا إلى نفس النتيجة: تم تصنيف الملاحظات بشكل أكثر إيجابية من قبل جمهورها الأولي وأقل من قبل جمهورها اللاحق ، لذلك بدأ تصنيفها مرتفعًا وانخفض بمرور الوقت.

لسوء الحظ ، من الصعب شرح كيفية تغيير Notes للحالة بالضبط: إنها ليست مسألة بسيطة "تم تصنيفها مسبقًا فوق 0.40 ، والآن تم تصنيفها أقل من 0.40 ، لذا تمت إزالتها". بدلاً من ذلك ، يؤدي العدد الكبير من ردود NOT \ _HELPFUL إلى تشغيل أحد شروط الاستثناء ، مما يؤدي إلى زيادة درجة الفائدة التي يحتاجها Notes للبقاء أعلى من الحد الأدنى.

هذه فرصة تعليمية رائعة أخرى تعلمنا درسًا: جعل خوارزمية محايدة جديرة بالثقة وجديرة بالثقة حقًا يتطلب إبقائها بسيطة. إذا تحولت الملاحظات من القبول إلى عدم القبول ، فيجب أن تكون هناك قصة بسيطة وواضحة عن سبب ذلك.

بالطبع ، هناك طريقة أخرى مختلفة تمامًا للتلاعب بهذا التصويت: اللواء. يمكن للشخص الذي يرى ملاحظات لا يوافق عليها أن يناشد مجتمعًا شديد التفاعل (أو أسوأ من ذلك ، عدد كبير من الحسابات المزيفة) ليقيمها "غير مفيدة ، وربما لا يتطلب الأمر الكثير من الأصوات للحصول على الملاحظات من" مفيدة "إلى" المتطرفة ". مطلوب مزيد من التحليل والعمل لتقليل قابلية الخوارزمية لمثل هذه الهجمات المنسقة بشكل صحيح. قد يكون التحسين المحتمل هو عدم السماح لأي مستخدم بالتصويت على أي ملاحظات ، ولكن بدلاً من ذلك قم بتعيين Notes عشوائيًا لمصنعي التقديرات باستخدام توصية الخوارزمية "من أجلك" ، والسماح لمصنعي التقديرات بتقدير الملاحظات التي تم تعيينهم لها فقط.

ملاحظات المجتمع لست "شجاعًا" بما فيه الكفاية؟

النقد الرئيسي الذي أراه لـ Community Notes هو في الأساس أنه لا يكفي. رأيت مقالتين أخيرتين تذكران هذا. للاقتباس من إحدى المقالات:

تعاني العملية من قيود خطيرة تتمثل في أن تصبح "ملاحظات المجتمع" عامة ، ويجب أن يتم قبولها بشكل عام من خلال إجماع الأشخاص من مختلف الأطياف السياسية.

وقال "يجب أن يكون لها إجماع أيديولوجي". "هذا يعني أن الأشخاص على اليسار والأشخاص على اليمين يجب أن يوافقوا على ضرورة إرفاق الملاحظة بالتغريدة."

بشكل أساسي ، كما قال ، يتطلب الأمر "اتفاقًا عبر الأيديولوجية على الحقيقة يكاد يكون مستحيلًا في بيئة حزبية بشكل متزايد".

إنه سؤال صعب ، لكنني في النهاية أميل إلى الاعتقاد بأنه من الأفضل أن تكون عشر تغريدات تحتوي على معلومات مضللة خالية من تغريدة واحدة ليتم التعليق عليها بشكل غير عادل. لقد رأينا سنوات من التحقق من الحقائق وهذا شجاع ومن منظور "في الواقع نحن نعرف الحقيقة ، نعلم أن أحد الأطراف يكذب في كثير من الأحيان أكثر من الآخر". ماذا سيحدث؟

! [فيتاليك بوتيرين: ملاحظات المجتمع تجربة الوسائط الاجتماعية مشفرة للغاية] (https://img-cdn.gateio.im/resized-social/moments-40baef27dd-0a0b32fa16-dd1a6f-1c6801)

لكي نكون صادقين ، هناك عدم ثقة واسع النطاق إلى حد ما بمفهوم التحقق من صحة الحقائق. هنا ، إحدى الإستراتيجيات هي أن تقول: تجاهل هؤلاء النقاد ، وتذكر أن مدققي الحقائق يعرفون الحقائق أفضل من أي نظام تصويت ، والتزموا بها. لكن يبدو أن اتباع هذا النهج بكل شيء محفوف بالمخاطر. هناك قيمة في بناء المؤسسات القبلية التي تحظى باحترام الجميع على الأقل. مثل قول وليام بلاكستون والمحاكم ، أشعر أن الحفاظ على هذا الاحترام يتطلب نظامًا يخطئ عن طريق الإغفال بدلاً من الخطأ الطوعي. لذا يبدو من المفيد بالنسبة لي أن منظمة رئيسية واحدة على الأقل تتخذ هذا المسار المختلف وترى احترامها القبلي النادر موردًا ثمينًا.

سبب آخر أعتقد أنه من المقبول أن تكون ملاحظات المجتمع متحفظة هو أنني لا أعتقد أن كل تغريدة مضللة ، أو حتى معظم التغريدات المضللة ، يجب أن تتلقى ملاحظة تصحيحية. حتى إذا تم إضافة تعليقات توضيحية إلى أقل من واحد بالمائة من التغريدات المضللة لتوفير سياق أو تصحيح ، فإن ملاحظات المجتمع لا تزال تقدم خدمة قيّمة للغاية كأداة تعليمية. الهدف ليس تصحيح كل شيء ؛ بدلاً من ذلك ، الهدف هو تذكير الأشخاص بأن هناك وجهات نظر متعددة ، وأن بعض المشاركات التي تبدو مقنعة وتنخرط في عزلة خاطئة تمامًا ، وأنك ، نعم ، يمكنك عادةً القيام بالأساسيات البحث على الإنترنت للتحقق من أنه خطأ.

لا يمكن أن تكون ملاحظات المجتمع ، ولا يُقصد منها أن تكون ، حلاً سحريًا لجميع المشكلات في نظرية المعرفة العامة. مهما كانت المشاكل التي لا تحلها ، هناك مجال كبير للآليات الأخرى لملئها ، سواء كانت أدوات جديدة مثل أسواق التنبؤ ، أو مؤسسات قائمة توظف موظفين بدوام كامل يتمتعون بخبرة في المجال لمحاولة سد الثغرات.

ختاماً

ملاحظات المجتمع ليست فقط تجربة رائعة في وسائل التواصل الاجتماعي ، ولكنها أيضًا مثال رائع لنوع ناشئ من تصميم الآلية: الآليات التي تحاول بوعي تحديد التطرف وتميل إلى تعزيز التقاطع بدلاً من إدامة الانقسام.

هناك مثالان آخران في هذه الفئة أعيهما هما: (1) آلية التمويل التربيعي المزدوجة المستخدمة في Gitcoin Grants ، و (2) Polis ، وهي أداة مناقشة تستخدم خوارزميات التجميع لمساعدة المجتمع على تحديد العبارات الشائعة الشائعة التي تغطي الأشخاص الذين غالبًا ما يكون لديهم آراء مختلفة. يعد مجال تصميم الآلية هذا ذا قيمة ، وآمل أن نرى المزيد من العمل الأكاديمي في هذا المجال.

الشفافية الخوارزمية التي توفرها Community Notes ليست وسائط اجتماعية لامركزية تمامًا - إذا كنت لا توافق على كيفية عمل Community Notes ، فلا توجد طريقة لرؤية منظور خوارزمي مختلف على نفس المحتوى. ولكن هذا هو أقرب ما يمكن أن تحصل عليه التطبيقات فائقة النطاقات في السنوات القليلة المقبلة ، ويمكننا أن نرى أنها توفر بالفعل الكثير من القيمة ، سواء كانت تمنع التلاعب المركزي وتضمن أن الأنظمة الأساسية التي لا تشارك في مثل هذا التلاعب تحصل على ما تستحقه. .

إنني أتطلع إلى رؤية ملاحظات المجتمع والعديد من الخوارزميات ذات الروح المماثلة تتطور وتنمو خلال العقد القادم.