Новый алгоритм может снизить разобщенность пользователей соцсетей
Социальные сети создавались для глобального общения, но на практике часто усиливают разобщённость. Вместо объединения людей они формируют «информационные пузыри» — изолированные сообщества, где пользователи взаимодействуют преимущественно с единомышленниками. Контент с альтернативными взглядами либо скрывается алгоритмами, либо воспринимается как враждебный. Эта онлайн-сегрегация ведёт к социальному разделению, уверенности в абсолютной правоте своей позиции и росту агрессии к «чужим».
Учёные из МФТИ, ИПУ РАН и ТГУ предложили математическое решение проблемы, изменив алгоритмы формирования социальных связей. Новый подход снижает сегрегацию пользователей с помощью анализа структуры сетей.
Как соцсети усиливают раскол
Главная причина — гомофилия, тяга к общению с похожими. Это естественное поведение людей: мы комфортнее чувствуем себя рядом с теми, кто близок нам по возрасту, интересам или убеждениям. Опасность появляется, когда алгоритмы соцсетей искусственно подогревают эту склонность.
Как это происходит на примере «ВКонтакте» (традиционный подход):
1. Формирование кластера. Алгоритм анализирует связи пользователя, находя группы, где у него есть 4 или более общих друзей — это считается признаком «социальной близости». Новые рекомендации друзей предлагаются только внутри этих групп, игнорируя пользователей из других сообществ. Результат: вместо расширения круга общения возникает замкнутый пул контактов с идентичными взглядами.
2. Укрепление «пузыря». Каждый новый пользователь, присоединяющийся к кластеру, автоматически получает рекомендации других членов группы. Алгоритм трактует сходство интересов (совместные лайки, репосты) как сигнал для усиления связей внутри «пузыря». Попытки установить контакты с «чужими» сообществами блокируются: связи с пользователями, имеющими <4 общих друзей, помечаются как «низкорелевантные».
3. Эффект эхо-камеры. Информация внутри «пузыря» циркулирует по кругу, многократно усиливаясь. Контент, противоречащий мнению группы:
алгоритмически скрывается (фильтрация ленты);
социально подавляется внутри группы;
воспринимается как враждебный или ложный.
4. Последствия. Этот замкнутый цикл усиливает искажения мышления (например, уверенность в абсолютной правоте группы, предвзятый поиск информации), усугубляет социальную поляризацию, взаимное недоверие и агрессию между группами, снижая способность к конструктивному диалогу.
Почему текущие меры соцсетей не работают?
Платформы пытаются бороться с «пузырями», используя алгоритмы рекомендаций контента. Они добавляют случайный элемент («инжекция разнообразия»), вручную настраивают баланс источников и помечают спорные материалы.
Однако эти меры не работают, потому что не меняют главного — однородного круга общения пользователя. Если все друзья думают одинаково, социальное давление и доверие к ним перевешивают: даже разнообразная лента новостей будет восприниматься с недоверием или отвергаться как «чуждая».
Решение ученых: фокус на структуре связей
Ученые решили уменьшить общую сегрегацию сети, изменив принципы формирования новых дружеских связей. Их подход основан на классической социологической теории:
«Сила слабых связей» (Марк Грановеттер, 1973). Грановеттер доказал, что новая информация, возможности и инновации чаще приходят не от близких друзей, а от знакомых, коллег из других отделов и случайных контактов. Эти «слабые связи» служат мостами между различными социальными группами.
Математически это можно объяснить так: в соцсетях «слабая связь» — это связь между пользователями, у которых мало общих друзей (1-3). Наличие даже одного общего друга создает основу для базового доверия, но такой связи недостаточно для автоматического включения пользователя в плотный замкнутый кластер. Эти связи могут служить мостами между разными сообществами, снижая их изоляцию.
Как проверяли гипотезу?
Исследование объединило теорию, компьютерное моделирование и проверку на реальных данных.
1. Теоретическая основа (Стохастическая Блок-Модель - SBM)
SBM помогает создавать искусственные сети с заранее определенными характеристиками сообществ и связей между ними. Ученые формировали искусственные социальные сети с контролируемым уровнем разобщенности. Пользователи модели принадлежали к разным группам (например, «Группа А», «Группа Б»). Задавалась вероятность того, что пользователь подружится с кем-то из своей группы или из другой группы. Это позволило создать сети с разной исходной степенью сегрегации.
2. Анализ структуры сети (Алгоритм Лувана)
Для анализа структуры реальных и искусственных сетей использовался алгоритм, который эффективно находит сообщества («пузыри») в больших сетях, оптимизируя модульность — метрику, которая сравнивает плотность связей внутри найденных групп с плотностью связей между ними.
3. Моделирование рекомендаций
Ученые смоделировали два новых подхода к рекомендации друзей и сравнили их с традиционным:
N-протокол (Neighborhood — окрестностный или «друг друга»). Алгоритм выбирает случайного пользователя А. Затем находит двух его друзей (Б и В), которые не знакомы друг с другом, и предлагает им подружиться. Это моделирует рекомендацию «друга друга» на основе 1 общего друга (А).
T-протокол (Transitive — транзитивный или «друзья моего друга»). Алгоритм ищет случайную открытую тройку пользователей (А, Б, В), где А дружит с Б и с В, но Б и В не дружат между собой. Между Б и В создается связь. Это также моделирует рекомендацию на основе 1 общего друга (А).
Традиционный подход (контроль). Рекомендации на основе 4 и более общих друзей (укрепление существующих плотных групп).
4. Ключевой показатель
Коэффициент ассортативности (r) — это основная мера уровня разобщенности (сегрегации) сети, разработанная М. Ньюманом. Он показывает, насколько пользователи со схожими характеристиками (например, внутри одного сообщества) склонны дружить чаще, чем со случайными людьми.
r = 1: абсолютная разобщенность (связи ТОЛЬКО внутри своих групп).
r = -1: абсолютная противоположность (связи ТОЛЬКО между разными группами).
r = 0: случайное смешивание (нет предпочтений).
5. Данные
Искусственные сети создавались с различными начальными уровнями разобщенности (r0). Реальная сеть: анонимные данные о дружеских связях из соцсети «ВКонтакте».
Результаты: критический порог в 4 общих друга
Теоретический прогноз подтвердился. В сетях с исходной разобщенностью (r0 > 0) добавление связей по N- и T-протоколам (на основе 1-3 общих друзей) последовательно снижало общий уровень сегрегации (Δr < 0). В то же время, добавление связей по традиционному подходу (4+ общих друга) увеличивало разобщенность (Δr > 0), укрепляя существующие «пузыри».
Был четко определен порог в четыре общих друга. Рекомендации ниже этого порога (1-3 общих друга) способствуют снижению сегрегации, действуя как «социальный растворитель». Выше этого порога (4+) рекомендации работают как «социальный клей», укрепляя «пузыри»
Вероятно, этот порог отражает уровень доверия, необходимый для восприятия связи как надежной и принадлежности к одному сообществу.
Как может работать новый алгоритм рекомендаций
На основе этих результатов ученые предложили принцип работы нового алгоритма рекомендации друзей.
Главный принцип: приоритетная рекомендация пользователей, имеющих с текущим пользователем 1-3 общих друга, особенно если они принадлежат к другим сообществам.
Как это может быть реализовано (концепция):
Выявление сообществ: с помощью алгоритма Лувана (или подобного) определяются существующие сообщества («пузыри») в социальной сети.
Поиск кандидатов на мосты: для конкретного пользователя А из сообщества С1 алгоритм ищет в других сообществах (С2, С3, ...) пользователей, у которых с А есть 1-3 общих друга во всей сети. Эти пользователи — потенциальные «мосты» между сообществами.
Ранжирование и показ: такие кандидаты на создание «слабых связей» могут составлять существенную часть рекомендаций (например, 30-40%), дополняя традиционные рекомендации внутри круга (60-70%) для сохранения комфорта пользователя.
Алгоритм меняет не ленту новостей, а структуру социальных связей – круг людей, с которыми пользователь непосредственно дружит и общается. Разнообразие контента в ленте становится естественным следствием наличия более разнородного круга друзей: пользователь начинает видеть посты от этих новых друзей с другими взглядами. Алгоритмы ленты новостей, работающие с уже существующими друзьями, автоматически получают более разнородный сырой материал.
Потенциальная польза
Внедрение такого алгоритма может привести к позитивным изменениям:
Снижение поляризации: более частые (пусть и опосредованные) контакты с другими точками зрения через друзей-«мостов» могут улучшить взаимопонимание.
Уменьшение агрессии: лучшее понимание мотивов других снижает уровень враждебности и токсичности в дискуссиях.
Укрепление социального капитала: может повыситься уровень доверия внутри общества, улучшиться возможности для сотрудничества.
Заключение
Исследование Губанова, Гойко и Козицына опровергает миф о том, что «друзья друзей» всегда усиливают сходство. Математика доказывает:
Транзитивные связи на основе 1-3 общих друзей чаще разрушают «пузыри», а не укрепляют их. Однако связи на основе 4+ общих друзей действуют противоположно, усиливая «пузыри».
Приоритет рекомендациям с 1-3 общими друзьями снижает поляризацию для большинства пользователей.
Алгоритм должен учитывать порог в 4 общих друга (U-образную зависимость Δr(r)) и топологию сети.
Результат кажется нелогичным, но это сила математики: соцсети станут пространством диалога, только если перестать укреплять «пузыри» через 4+ общих друзей.