社交媒体极化对在线讨论的质量、安全性和多样性产生影响

Nabeel Gillani∗MITngillani@mit.eduAnn Yuan∗MITannyuan@mit.eduMartin SaveskiMITmsaveski@mit.eduSoroush VosoughiMITsoroush@mit.eduDeb RoyMITdkroy@media.mit.eduTrack: Web and SocietyWWW 2018, April 23-27, 2018, Lyon, France8230我、我的茧房和我：对社交媒体极化的内省0摘要0同质性——我们倾向于与与我们在世界观上分享观点和意见的人围绕在一起——既是人类的一部分，也是我们的数字社交网络的组织原则。然而，当涉及到政治或文化时，同质性可能会放大部落心态，并产生“茧房”，这会降低在线讨论的质量、安全性和多样性。虽然有几项研究已经从实证角度证明了这一点，但很少有人探讨让用户意识到他们的政治茧房的程度和性质如何影响他们随后的信仰和行动。在本文中，我们介绍了一种名为“SocialMirror”的社交网络可视化工具，该工具使一部分Twitter用户能够探索他们社交网络中的政治活跃部分。我们使用SocialMirror招募了一些之前参与政治讨论的Twitter用户，进行了一项随机实验，评估了不同处理对参与者的以下影响：i）对他们网络联系的信仰，ii）他们选择关注的人的政治多样性，以及iii）他们选择分享的URL的政治倾向。虽然我们没有看到共享URL的平均政治倾向产生影响，但我们发现推荐关注相反政治意识形态的账户可以减少参与者对其网络联系的政治同质性的信仰，但在治疗后一周仍然增加了他们的联系多样性。相反，那些增强他们对Twitter联系的政治同质性的信仰的参与者，在治疗后2-3周内的网络联系不太多样化。我们探讨了这些信仰和行动之间的脱节对未来促进数字公共领域中更健康交流的努力的影响。0关键词0政治极化；随机实验；社交网络0ACM参考格式：Nabeel Gillani，Ann Yuan，Martin Saveski，SoroushVosoughi和DebRoy。2018年。我、我的茧房和我：对社交媒体极化的内省。在WWW2018：2018年万维网会议上，2018年4月23日至27日，0� 作者贡献相等。0本文根据知识共享署名4.0国际许可发布。作者保留在其个人和公司网站上传播作品的权利，并附上适当的归属。WWW 2018，2018年4月23日至27日，法国里昂，© 2018IW3C2（国际万维网会议委员会），根据知识共享CC BY 4.0许可发布。ACM ISBN978-1-4503-5639-8/18/04。https://doi.org/10.1145/3178876.31861300法国里昂。ACM，纽约，美国，第4篇，9页。https://doi.org/10.1145/3178876.318613001 引言0美国人在政治问题上越来越倾向于根据他们的意识形态立场[23]和对政治党派的忠诚度[27]进行自我归类。许多先前的研究已经说明了这些力量，以及其他力量，如何导致“情感极化”的增加，即一个特定政党的成员对另一个政党的成员产生强烈的负面情绪[15]。这种情感极化对公民讨论的质量和性质尤其令人担忧，因为它通常根植于部落忠诚和群体思维，绕过了超越政治的问题，并直接影响生活质量。虽然美国极化政治的历史根源已经有几个世纪的历史[4]，但数字媒体和其他在线讨论平台的兴起使研究人员开始调查政治极化在这些更现代的背景下如何表现和演变。例如，Sunstein强调了在线环境中的“茧房”——在这些环境中，具有相似政治观点的个体聚集在一起讨论特定问题——可以使相互加强的意见将个体观点转向更极端的极点[24]。几项实证研究已经试图更好地了解社交媒体平台如何加剧极化。Yardi和Boyd表明，与持不同政治观点的用户之间的回复比持相似政治观点的用户之间的回复更频繁，并且讨论高度政治化的问题往往会加强群体认同[28]。Adamic和Glance发现政治博客倾向于链接到代表相似政治意识形态的其他博客，并且很少链接到持相反观点的博客[1]。Conover等人研究了2010年中期选举期间发布的推文，发现存在意识形态茧房的Twitter转发网络，但存在意识形态混合的提及网络——这表明同质化认可模式伴随着政治活跃用户倾向于注入党派内容并“指责”对立方[7]。因此，即使社交媒体平台为交叉对话创造了机会，这种对话往往更多地是关于喊叫而不是真正倾听。最近，Bakshy等人调查了Facebook上政治茧房的性质，左倾和右倾用户不仅倾向于与分享他们观点的人联系，而且倾向于分享不同的新闻和其他媒体URL[3]。尽管互联网对大规模极化的确切影响如何2SOCIAL MIRRORTrack: Web and SocietyWWW 2018, April 23-27, 2018, Lyon, France8240WWW 2018，2018年4月23日至27日，法国里昂，Nabeel Gillani，Ann Yuan，Martin Saveski，Soroush Vosoughi和Deb Roy0美国仍然存在争议[6,17]，似乎在Twitter等平台上，用户越来越多地关注与自己政治观点相同的账户[12]。面对社交媒体平台上的“意识形态茧房”，自然而然地会问：是否可以或者应该采取措施来解决这个问题？人类“道德矩阵”的复杂性[14]表明，仅仅暴露人们于相反的意识形态观点，希望改变他们的观点，可能会适得其反，进一步加强他们的先验直觉和信念[8]。鉴于这种复杂性，一些干预措施利用不同的策略来推动社会政治行为在社交媒体平台上的变化。例如，最近的一项实验试图通过编程机器人账户，这些账户具有不同的社会地位，公开训斥冒犯性账户来减少Twitter上的种族主义[20]。其他研究人员设计了利用技术促进自我反思和意识以推动行为变化的干预措施。例如，Matias等人创建了一个网络应用程序，向用户展示他们在Twitter上关注的男性和女性的数量，以突出和纠正性别不平衡[18]。为了减少党派媒体的消费，Munson等人构建了一个浏览器小部件，可以在一段时间内可视化反映给定用户媒体消费习惯的平衡（或不平衡）[21]。尽管有这些例子，据我们所知，以前的干预措施并没有试图通过向用户展示其数字社交网络中意识形态茧房的子集，并要求他们发现自己的社交联系程度来减轻政治茧房的影响。此外，很少有人测量这些数字干预措施可能引起的信仰变化和行为变化（例如，连接多样性和内容共享模式）之间的变化。就像心理学和政治科学中的先前实验已经说明的那样，提供观点并揭示政治问题上的“理解幻觉”如何有助于调和极端观点[10]，我们对于探索如何通过引导数据可视化来提供观点，揭示固化社交媒体茧房的力量感兴趣。在这样做的过程中，我们做出了以下贡献：0•一个Web应用程序，使Twitter用户的样本能够探索其政治活跃的数字话语网络， •一种新型网络干预的概念验证，探索数据可视化对参与者信仰和行动在社交媒体回音室方面的影响，以及 •更深入地了解社交媒体用户对数字回音室的感知以及这些感知可能对未来减轻回音室的努力构成的挑战和机遇。0SocialMirror是一个Web应用程序，允许用户探索他们政治活跃的Twitter连接的样本。这些连接以社交网络的形式进行可视化。我们的主要假设是，通过向社交媒体用户呈现一个意识形态分裂的社交网络的鸟瞰图，并要求他们在其中确定自己的位置，我们可以帮助培养智慧谦卑，并激励更多样化的内容分享和信息寻求行为。0图1：SocialMirror网络应用程序的可视化描述。节点代表参与2016年6月至9月中旬美国总统选举讨论的近900个Twitter账户，边代表这些账户之间的相互关注关系。节点的大小根据在所示网络中的相对PageRank进行调整，并根据使用[26]中描述的政治意识形态分类器推断的意识形态进行着色。该网络使用标准的力导向布局算法进行布局。应用程序的屏幕捕获视频可以在此处找到：https://goo.gl/SRTvxc。实际向参与者展示的网络显示在黑色背景上。02.1 数据集0该网络是从2016年6月至9月中旬在平台上参与美国总统选举讨论的1.1M个Twitter用户的样本中得出的1。该样本是从一个更大的项目中提取的，该项目在选举前18个月期间自动检测和分类了与选举相关的推文[25]。我们在这组用户之间构建了一个相互关注的网络，其中两个用户之间的连接意味着他们在上述日期范围内曾经互相关注过。然后，我们将这个网络过滤到其4核心-即至少与其他用户有4个相互关注的用户集合-得到约32k个节点和200k条边。为了可视化，我们选择了大约900个最高度节点及其彼此之间的相互关注关系。该社交网络使用3D力导向布局算法进行可视化，这样具有更多共享社交连接的账户会被放置在更靠近一起的位置（图1）。有趣的是，可视化的网络包含两个主要的群集：一个包括一小部分紧密联系的右倾账户，和01 由Electome项目捕获：http://electome.org。Me, My Echo Chamber, and I: Introspection on Social Media PolarizationWWW 2018, April 23–27, 2018, Lyon, France8250另一个包括更多右倾和左倾账户的较大集合。由于动态获取和构建以某个Twitter用户为中心的M度Twitter社交网络（对于某个整数M >1）的计算开销较大，我们将SocialMirror的使用限制在预先计算的完整网络的4核心的那32k个账户上。02.2 用户体验0登录应用程序后，用户需要回答一系列关于其在Twitter上政治话语参与性质的问题（详细信息在下一节中提供）。接下来，应用程序会呈现用户的一些即时Twitter关注者和好友的网络可视化。然后，它会扩展显示整个900个节点的可视化。鼓励用户通过缩放和旋转来探索网络。她还可以悬停并突出显示一组账户，以浏览它们在2016年夏季发布的与选举相关的推文。然后，应用程序会要求用户通过单击她认为代表她的Twitter账户的节点来定位自己在网络中的位置。在她猜测后，工具会显示她的真实位置，并指示它与她猜测的位置相差多少度（即跳数）。还会向用户显示一个介于0和1之间的数字，表示她的连接在政治上的多样性。根据用户所参与的实验处理方法的不同，她还可以看到一份建议关注的账户列表，这将增加她的多样性得分。最后，用户被要求完成一份后调查问卷，该问卷与她在体验开始时回答的问卷相当。用户还被提示回答人口统计调查问卷，其中询问她的政治意识形态、年龄和性别2。02.3 技术0该应用程序针对Chrome和Firefox网络浏览器进行了优化。我们使用THREEJavaScript库对节点和边缘进行WebGL渲染。我们使用JavaScript库Preact（React的简化版本）来管理客户端的状态。服务器使用FlaskWeb框架构建。03 实验设计0我们有兴趣探索以下总体问题：让社交媒体用户意识到他们在线上的政治回音室在多大程度上影响他们的信仰和未来的平台参与模式？特别是，我们设计了一种干预措施，以帮助我们测量每个参与者的以下响应变量的变化：0R1：p在处理前后回答的四个调查问题的答案之间的差异，R2：p在处理前和处理后1、2和3周内在Twitter上关注的账户的政治多样性的差异，以及02我们还要求用户指出他们的职业以及他们如何描述自己的政治立场-即支持既定政治、反对既定政治还是介于两者之间-但由于数据稀缺，我们将这些结果从研究的其余部分中省略。0R3：p在处理前后（最多）200条推文中分享的URL集合的政治倾向的差异。0对于R1，向参与者展示的前/后Likert量表调查问题集包括：0Q1：我在Twitter上与美国政治的讨论中有很好的联系。Q2：在Twitter上与我讨论政治的大多数连接者与我在政治上的观点一致。Q3：在Twitter上有一些我不同意的合法政治观点。Q4：我有兴趣与一个不同意我的政治观点的Twitter用户交谈。0对于R2，我们使用Shannon熵计算政治多样性，并使用[26]中提出的最先进的分类器推断出每个账户的政治意识形态。对于不同的网络域，使用[3]中的政治对齐分数来衡量R3。结果部分提供了有关每个结果变量及其计算方式的详细信息。我们可以将这些响应变量视为试图衡量参与者在Twitter上的“信仰”（R1），他们“倾听”谁（R2）以及他们“谈论”什么（R3）的变化，所有这些都有助于阐明社交媒体上的政治回音室的性质。03.1 处理方法0我们在SocialMirror应用程序中设计了三种处理方法，并评估了它们对上述响应变量的影响。这些处理方法旨在逐渐增加用户拥有的信息量和相应的选择集，以减轻他们自己的回音室效应。这些处理方法如下：0Viz：参与者会看到一个单色（灰色）的社交网络，其中节点的颜色不根据其意识形态而变化。参与者尝试猜测自己在社交网络中的位置后，他们会看到自己的真实位置，以及一个介于0和1之间的多样性得分，表示他们在网络可视化中的连接的政治多样性（其中1表示左倾和右倾的关注者完全平衡）。Viz+Ideo：与Viz相同，只是节点根据推测的政治意识形态进行了着色（红色=右倾；蓝色=左倾；灰色=中立或不确定）。Ideo+Rec：与Viz+Ideo相同，只是用户还会被推荐最多五个Twitter账户，以增加他们的网络政治多样性得分。当用户点击账户以表示他们对关注感兴趣时，他们会直观地显示关注这些账户将如何增加他们的连接多样性得分。0图2显示了三种处理。在Ideo+Rec中，推荐给用户u的账户按照对u的显示多样性得分的增加影响最大的顺序进行。因此，我们只推荐那些如果关注将单调增加u的多样性得分的账户。除了处理之外，我们还从原始数据集中抽样了81个用户（作为R2和R3的对照组），这些用户从未收到有关研究的联系。0主题：Web和社会WWW 2018年4月23日至27日，法国里昂assigned to experimental treatments Viz, Viz+Ideo, and Ideo+Rec,respectively. The median length of each session was 5.8 minutes.Approximately 53 of the 93 unique users completed both the preand post-experiment survey, and 52 of these 53 answered at leastone demographics post-survey question. Table 1 shows severaluser-level properties, including: pre-treatment survey responses,Twitter personas (average URL alignment, connection diversity,verified status, number of followers/followees), and self-reporteddemographics (gender, age, and political ideology). Respondentsappear to heavily skew male, liberal, and between the ages of 25-44— likely influenced by the fact that large portions of Americans areunder-represented on Twitter [19]. To test for the robustness ofour randomization, we use a logistic regression to check whetherthere are any significant differences in the distribution of theseproperties across treatments. We find no properties have statisti-cally significant coefficients in this model. We assess the model’soverall significance by comparing its log-likelihood to a distributionof log-likelihoods generated by 100k logistic regressions, each ofwhich regresses a random shuffling of participant-treatment as-signments against the aforementioned properties of interest [13].We find the log-likelihood of our actual model is not statisticallysignificant when compared to this distribution (p = 0.48), suggestingsound randomization and no significant difference in the measuredpre-treatment characteristics of the participants.8260WWW 2018年4月23日至27日，法国里昂 Nabeel Gillani，Ann Yuan，Martin Saveski，Soroush Vosoughi和Deb Roy0a）b）c）0图2：干预处理组的可视化描绘：(a)对应于处理Viz，用户被要求在网络可视化中找到他们的Twitter账户，其中节点的颜色不根据意识形态而变化。Viz+Ideo（b）的用户与Viz中的用户有相同的体验，但是看到的社交网络中的节点根据每个账户的推测政治意识形态进行了着色（红色=右倾；蓝色=左倾；灰色=中立或不确定）。Ideo+Rec（c）的用户与Viz+Ideo中的用户有相同的体验，除此之外，他们还会被推荐最多5个预先选择的具有相反政治观点的Twitter账户，并且会直观地显示如果关注这些账户将如何增加他们的连接多样性得分。请注意，实际显示给参与者的网络出现在黑色背景上。0由于事先不知道实验人群（即我们不知道我们邀请的用户中有哪些实际参与了实验），我们无法使用更复杂的实验设计，如完全随机或分组随机分配。这是在线进行随机实验时的常见挑战[2]。03.2 招募0为了招募研究参与者，我们抽样了1,273名已启用其Twitter账户接受来自任何其他Twitter账户的直接消息的用户。我们从为该项目创建的研究账户发送了直接消息，邀请他们参与研究。消息分两轮发送——测试和部署——以测试消息质量并选择具有最高招募可能性的消息（两轮的参与结果在第4节中一起显示）。点击进入应用程序的用户被随机分配到上述三种处理之一。我们在附录中包含了发送给大多数用户的最终招募消息的副本。用户无需参与，可以选择完全忽略或忽视招募消息。参与者登陆应用程序主页后，还可以阅读隐私政策以获取有关应用程序将收集哪些类型的数据以及如何使用这些数据的更多信息。该研究已获得麻省理工学院的IRB批准。04 结果 4.1 参与者统计0即在上述时间范围内，有7.3%的收到直接消息并被邀请参与的人在此期间确实参与了04.2 预调查和后调查回答0我们的前/后调查中的每个问题都可以用5点Likert量表的回答来回答，范围从“强烈不同意”（值为1）到“强烈同意”（值为5）。让rqpre u和rq postu分别表示用户u对前调查或后调查中问题q的回答，yq u = rq post u- rq pre u—即用户u对问题q的回答在处理后的变化。我们使用以下线性回归模型来衡量每个实验的因果效应0主题：Web和社会WWW 2018年4月23日至27日，法国里昂8270我，我的回声室和我：对社交媒体极化的内省WWW 2018年4月23日至27日，法国里昂0属性控制Viz Viz+Ideo Ideo+Rec 总计0参与者人数 81 32 26 35 174中位数关注者数量（标准差）1562（9080）3023（27390）2471（9137）1724（29083）中位数关注者数量（标准差）711（350）837（576）667（293）717（424）|处理前URL对齐|（标准差）0.184（0.09）0.171（0.11）0.196（0.07）0.180（0.10）处理前连接多样性（标准差）0.413（0.17）0.428（0.15）0.472（0.16）0.457（0.136）平均Q1前回答（标准差）4.37（0.60）4.18（0.73）4.29（0.85）平均Q2前回答（标准差）3.47（0.9）3.24（1.0）3.88（0.99）平均Q3前回答（标准差）4.26（0.81）4.18（0.64）4.35（0.61）平均Q4前回答（标准差）3.79（0.98）4.10（0.56）3.94（1.0）在Twitter上验证 12 8 6 6 32 政治立场 自由派 10 7 9 26 保守派 2 1 4 7 温和派 4 2 0 6 性别女性 3 4 2 9 男性 14 13 13 40 其他 1 1 1 3 年龄 18-24岁 4 2 3 9 25-34岁 4 4 10 18 35-44岁 4 5 3 12 45-54岁 2 31 6 55-64岁 2 3 0 5 65岁以上 2 0 0 20表1：Twitter人物，预调查回答和描述SocialMirror实验参与者的人口统计信息。请注意，仅有52名接受至少一种处理的93名参与者的人口统计信息可用。回答者似乎在性别、政治立场和年龄在25-44岁之间存在严重偏差。我们发现这些值在各个处理组之间没有显著的不平衡。0Q1 Q2 Q3 Q40β0 -0.32 (0.03)** 0.11 (0.52) -0.05 (0.54) 0 (1) βViz+Ideo -0.04(0.86) 0.42 (0.08)* -0.01 (0.96) 0 (1) βIdeo+Rec 0.37 (0.07)* -0.28(0.23) 0.11 (0.37) -0.18 (0.08)*0� p < 0.1, �� p < 0.05表2：治疗对每个调查问题的前后回答变化的影响。每个单元格提供变量系数，相邻括号中提供p值。N=53。0对yu的治疗效果：0yu = β0 + βViz+Ideo∙xViz+Ideo,u + βIdeo+Rec∙xIdeo+Rec,u +0其中xViz+Ideo,u和xIdeo+Rec,u是二进制变量，表示用户u的实验治疗4，βViz+Ideo和βIdeo+Rec分别是它们的系数，β0是截距，ϵu是误差项。表2显示了相对于Viz，Viz+Ideo和Ideo+Rec对于四个问题的平均治疗效应。有趣的是，Q1、Q3和Q4的模型在p =0.1水平上没有统计学显著性，尽管对于Q1，模型几乎显著（p =0.11）。04 例如，当用户处于Viz+Ideo时，xViz+Ideo,u = 1，xIdeo+Rec,u = 0。0此外，对于Q1，我们发现与Viz相比，Ideo+Rec的参与者倾向于增加他们在Twitter上政治话语中的联系程度的信念（βIdeo+Rec =0.37，p = 0.07）。与Viz+Ideo相比，这种影响更加明显（β0 =-0.35，βIdeo+Rec = 0.41，p =0.03）。我们发现这两个结果可能是因为一些Ideo+Rec的用户选择在治疗结束时关注他们被推荐的账户。如果我们从回归中删除那些至少关注了一个推荐账户的个体（35位参与者中的7位，或20%），则Ideo+Rec的效果相对于Viz+Ideo有所减弱，但仍然在p =0.1水平上显著（β0 = -0.35，βIdeo+Rec = 0.35，p =0.08）。有趣的是，这表明仅仅接收推荐似乎会增加参与者认为他们与他人有良好联系的信念。对于Q2（即在Twitter上与我讨论政治的大多数连接与我分享相同的政治观点），我们发现治疗对参与者对其社交关系中政治同质性水平的信念有相对较强的显著影响（整体模型的p =0.02）。特别是，Viz+Ideo的参与者倾向于增加他们的信念，即在Twitter上与他们讨论政治的大多数连接与他们分享相同的政治观点（βViz+Ideo = 0.42，p = 0.08）。05为了确定用户是否接受了我们的推荐，我们检查他们在治疗后一天的关注账户列表中是否至少包含一个在治疗期间推荐的账户。0Track: Web and Society WWW 2018, 2018年4月23日至27日，法国里昂8280WWW 2018，2018年4月23日至27日，法国里昂 Nabeel Gillani，Ann Yuan，Martin Saveski，Soroush Vosoughi和Deb Roy0w = 1 w = 2 w = 30β0 0.007 (0.21) 0.003 (0.64) 0.01 (0.08)* βViz -0.008(0.54) -0.002 (0.87) -0.01 (0.52) βViz+Ideo -0.007(0.60) -0.005 (0.75) -0.01 (0.39) βIdeo+Rec -0.006(0.66) -0.003 (0.87) -0.01 (0.45)0� p < 0.1, �� p < 0.05表3：治疗对网络连接的政治多样性在治疗后1-3周的影响。每个单元格提供变量系数，相邻括号中提供p值。N=174（81个对照组；93个在Viz，Viz+Ideo和Ideo+Rec之间）。0在治疗效果之间的成对比较中，Viz+Ideo的参与者的信念增加程度大于Viz（β0 = 0.11，βViz+Ideo = 0.42，p =0.09），而Ideo+Rec的参与者的信念减少程度大于Viz+Ideo（β0 =0.53，βIdeo+Rec = -0.71，p =0.01）。即使删除了那些在Ideo+Rec中关注了推荐账户的人，剩下的Ideo+Rec参与者相对于Viz+Ideo仍然更有可能减少他们的信念，即他们的连接分享他们的政治观点，这在p = 0.03水平上显著（β0 =0.53，βIdeo+Rec = -0.61，p =0.03）。再次，账户推荐似乎会降低参与者在Twitter上的政治同质性水平的信念。虽然我们在Q3上没有发现治疗的显著效果，但我们观察到Q4有几个结果。首先，Ideo+Rec的参与者在与不分享他们政治观点的Twitter用户进行对话的意愿方面减少（βIdeo+Rec = -0.18，p=0.08），在包括所有治疗的完整模型中，这种效应增强了，即移除了那些在Ideo+Rec中关注了至少一个推荐账户的用户（βIdeo+Rec =-0.23，p =0.04）。成对比较没有显著效果。综上所述，这些发现表明一个重要的观点：在视觉上和定量上描绘参与者的网络极化（Viz+Ideo）会增强他们认为自己生活在政治回音室中的程度的信念，而补充这一点的是推荐关注的人实际上产生了相反的效果，甚至导致参与者表示他们不太愿意与政治立场相反的人进行对话。正如最近的研究所建议的那样，账户推荐的选择会影响Twitter等平台上政治极化和“争议”的程度[11]。因此，在替代的推荐方案下，例如不追求最大化连接多样性，我们的发现可能会有所不同。04.3 网络连接多样性0我们还评估了治疗对每个参与者社交网络的政治多样性的影响，即使用后的1、2和3周。具体而言，我们使用Shannon熵，类似于其他研究探索网络连接多样性[5，9，22]，来量化用户关注的左倾和右倾账户的平衡。根据这个指标，06 即他们在Twitter上关注的人。0w = 1 w = 2 w = 30β0 -0.001 (0.22) 0.001 (0.54) 0.002 (0.11) βViz+Ideo0.001 (0.38) -0.003 (0.09)* -0.004 (0.04)** βIdeo+Rec0.002 (0.04)** -0.000 (0.90) -0.002 (0.23)0� p < 0.1, �� p < 0.05表4：治疗对网络连接的政治多样性在治疗后1-3周的影响。每个单元格提供变量系数，相邻括号中提供p值。N=53（即只有那些完成了前后调查问卷的接受治疗的用户）。0用户u在治疗后的w周u由以下公式给出：0dwu = − �0l ∈ L pllog(pl),0其中L是意识形态集合（在我们的案例中是左或右），pl是治疗后w周内u的关注者中具有意识形态l ∈L的比例7。我们利用[26]中提出的政治分类器来估计给定Twitter账户倾向于左倾或右倾的可能性，并使用60%的阈值来分配最终的意识形态标签8。我们探索了Viz，Viz+Ideo和Ideo+Rec对于给定用户的连接多样性变化的影响，与81个账户的对照组进行比较，这些账户从相同的32k用户的互相关注网络中采样，但没有被联系参与研究。在这里，我们的回归模型是：0y w u = β0 + βViz∙xViz,u +βViz+Ideo∙xViz+Ideo,u +0其中 x V iz, u, x V iz + Ideo, u, x Ideo + Rec, u 是每种处理的指示变量，β V iz, u,β V iz + Ideo, β Ideo + Rec 是表示相应处理组的系数，β 0 是截距，ε u是误差项，y w u 对于给定的周 w 定义为 d w u - d 0 u，其中 d 0 u 是用户 u参与实验之前的政治多样性。对于控制组的用户，我们将 d 0 u定为2017年7月20日（我们最初记录他们的社交图）时用户所在社区的多样性。注意，作为验证过滤器，我们只包括完成了前后调查的处理用户。表3显示了我们模型的结果。我们发现参与社交镜子对给定的Twitter用户的连接多样性在处理后1、2或3周内没有显著影响。接下来，我们移除控制组，并探索参与三种处理之一的用户之间的影响。同样，作为验证过滤器，我们将分析限制在只完成了前后调查的用户中。在这里，我们发现一些有趣的结果。例如，在处理后的一周内，Ideo+Rec的参与者在网络多样性上显著增加（β Ideo + Rec = 0.002，p =0.04）。即使移除了那些关注了推荐账户的人，效果仍然显著，尽管效果较小（βIdeo + Rec = 0.001，p = 0.08）。在处理后的2周和3周，Viz+Ideo的参与者在连接多样性方面显著减少（β V iz + Ideo = -0.003，p = 0.09和β V iz +Ideo = -0.004，p =0.04）。表4总结了这些结果。在处理后的几周内，比较处理之间的成对效应，并移除那些在 Ideo+Rec 中关注了推荐账户的人，只有一个显著效应：与 Viz中的参与者相比，Viz+Ideo 的参与者在处理后的3周内连接多样性减少（β 0 =0.002，β V iz + Ideo = -0.004，p = 0.07）。这些结果表明，虽然推荐账户增加了Ideo+Rec 的参与者的连接多样性，即使那些不接受这些推荐的人，但与 Viz相比，Viz+Ideo 的参与者在处理后的2-3周内连接多样性倾向于减少。07注意，我们在这里计算的网络多样性与在处理期间向用户显示其连接多样性分数的计算略有不同。特别是，显示的分数是通过以下方式计算的：a）仅使用其在32k用户的采样网络中的连接，而不是在Twitter上的全部关注者集合；b）使用按照采样网络中所关注的帐户的PageRank加权的术语计算 -因此，即使属于两种意识形态的连接的绝对数量相等，关注一种意识形态的PageRank较高的帐户与关注另一种意识形态的帐户会导致得分小于1。8我们使用二元意识形态分类方案是为了简化，但未来的工作机会包括使用更灵活、连续的意识形态概念进行类似的研究。0跟踪：Web和社会WWW 2018年4月23日至27日，法国里昂8290我、我的回音室和我：对社交媒体极化的内省 WWW 2018年4月23日至27日，法国里昂0结果。例如，在处理后的一周内，Ideo+Rec的参与者在网络多样性上显著增加（β Ideo + Rec = 0.002，p =0.04）。即使移除了那些关注了推荐账户的人，效果仍然显著，尽管效果较小（β Ideo + Rec = 0.001，p =0.08）。在处理后的2周和3周，Viz+Ideo的参与者在连接多样性方面显著减少（β V iz + Ideo = -0.003，p =0.09和β V iz + Ideo = -0.004，p =0.04）。表4总结了这些结果。在处理后的几周内，比较处理之间的成对效应，并移除那些在 Ideo+Rec中关注了推荐账户的人，只有一个显著效应：与 Viz中的参与者相比，Viz+Ideo的参与者在处理后的3周内连接多样性减少（β 0 = 0.002，β V iz +Ideo = -0.004，p = 0.07）。这些结果表明，虽然推荐账户增加了Ideo+Rec的参与者的连接多样性，即使那些不接受这些推荐的人，但与 Viz相比，Viz+Ideo的参与者在处理后的2-3周内连接多样性倾向于减少。04.4 共享内容的政治倾向0除了社交媒体用户选择关注谁之外，他们选择在这些平台上分享的内容也揭示了他们的意识形态立场[3, 7]。我们为每个用户 u 计算平均URL 政治倾向分数 ¯ Au，计算方法如下：0¯ Au =10|S|0�0s ∈ SA(D(s)),0其中 S 是 u 和 A 共享的 URL 集合，A(s) 是来自[3]的数据，估计了s 的网页域名 D(s) 的政治倾向。A(D(s)) 的-1分表示属于与 s相同的网页域名的 URL倾向于仅由左倾社交媒体用户共享；1表示这些 URL仅由右倾用户共享；在此范围内表示意识形态群体之间的混合共享（0表示平衡共享）。与网络多样性分析类似，我们首先探讨任何一种处理对给定用户的连接多样性的变化的影响，与未被联系参与研究的200个Twitter账户的对照组相比。在这里，我们使用一个简单的回归模型，目标变量 yu = |¯A after u| - |¯A before u|，即 u在接受处理前后（最多400条推文）共享的≤200条最新推文中的URL的平均政治倾向的差异。注意，yu 的正值表示与处理前相比，u更倾向于在处理后共享与政治相关的内容。我们发现参与任何处理组与对照组相比没有显著影响。接下来，我们寻找在三个处理组中完成了前/后调查的参与者之间的影响。同样，我们发现处理组对共享的URL的平均政治倾向的变化没有显著影响（p =0.7）。比较成对处理效果在各对之间得到类似的空效果。鉴于社交媒体上分享内容通常是公开认可的标志[16]，而我们的研究更多地是为了探索反思参与社交媒体回音室对用户信仰和他们所相信的人的影响，这些空效果也许并不令人意外。0选择关注。然而，对共享的URL的平均政治倾向没有影响的缺失部分表明，推动不同的结果将需要设计不同类型的干预措施。05 讨论0我们的结果揭示了信念和行动之间的脱节：虽然 Viz+Ideo的参与者更有可能增强他们对自己的 Twitter连接的政治同质性的信念，但在处理后的2-3周内，他们的关注者的实际政治多样性也显著减少。相反，在处理后，Ideo+Rec的参与者更有可能关注与他们政治观点相反的 Twitter账户（部分原因是那些选择关注推荐账户的人），但也更有可能减少他们实际生活在政治回音室中