Посібник із дослідження алгоритмів соціальних мереж

Вплив алгоритмів соціальних мереж — багатогранний: алгоритмічно керовані новинні стрічки загрожують дестабілізації країн та урядів по всьому світу, впливають на психічне здоров’я та руйнують стосунки людей. Ось кілька показових прикладів:

• Тіньове блокування контенту з пропалестинських акаунтів.
• Російська кампанія впливу задля роздмухування політичної нестабільності у Гані.
• Консервативна мати розсварилася з ліберальною донькою, коли спілкування  в соцмережах поглибило прірву між їхніми політичними поглядами.

Висвітлювати роботу алгоритмів соціальних мереж можна по-різному. Деякі підходи потребують тижнів роботи та навичок цифрової криміналістики й програмування. Проте чимало розслідувань можна проводити із мінімальними технічними знаннями або навіть без них — просто відстежувати контент у різних акаунтах або проводити експерименти на соціальних платформах, щоб показати, якої шкоди алгоритми можуть завдавати користувачам.

Який би підхід ви не обрали, журналістські матеріали про наслідки роботи алгоритмів соціальних мереж потребують певної винахідливості. Це значною мірою пов’язано з тим, що приватні компанії — наприклад, Meta чи TikTok — не зобов’язані розкривати, як саме вони будують свої алгоритми. Якщо не брати до уваги поодинокі витоки документів, більшості журналістів доводиться вдаватися до зворотного інжинірингу алгоритмів або доводити, що просування ними ненависницького чи оманливого контенту завдає шкоди.

Що таке алгоритми, та як вони працюють?

Алгоритми — це набори правил або обчислень, створені для виконання певного завдання. У сфері соціальних мереж алгоритми оцінюють вхідні дані — інформацію про те, який контент сподобався користувачеві, хто входить до кола його контактів на платформі або з якими публікаціями він взаємодіяв. Це дозволяє визначити, яку інформацію користувач побачить у своїй стрічці новин, історії публікацій або відеотрансляції, та передбачити, який контент, вірогідніше, забезпечить його залученість.

Корпоративні власники постійно змінюють ці алгоритми, тому з часом вони стають дедалі досконалішими. Наприклад, алгоритм Facebook обробляв близько 10 000 сигналів, щоб передбачити, з якими видами дописів користувач, найімовірніше, взаємодіятиме — розповіли у статті 2021 року журналісти The Washington Post.

2021 року The Washington Post ґрунтовно дослідив, як Facebook змінював свої алгоритми, і як ці зміни вплинули на стрічки користувачів. Зображення: скріншот, The Washington Post

Алгоритми соціальних мереж надзвичайно складні, а компанії-розробники не поспішають пояснювати, як вони працюють. Тож розслідуючи відповідальність платформ, журналісти зосереджуються переважно на шкідливих наслідках роботи алгоритмів. Зокрема, можна аналізувати, який контент стає вірусним на платформах, розуміючи, які відеоролики вони показують певним вразливим групам населення. Також репортери можуть створювати фіктивні акаунти для тестування алгоритмів, вивчати розповсюдження на платформі тролінгу (навмисних спроб спровокувати або «зацькувати» когось образливими чи провокаційними дописами) і неправдивої інформації.

Висвітлення тем, пов’язаних із соціальними мережами, також передбачає обговорення інформаційного потоку. Під час розслідувань у цій сфері корисно розробити загальну термінологію, оскільки багато явищ, які ми спостерігаємо в інтернеті, унікальні саме для соціальних мереж.

Дезінформація, мізінформація, мова ворожнечі в соцмережах: що це, і як вони поширюються?

Є безліч ресурсів, які можуть прислужитися журналістам для аналізу інформаційного потоку в інтернеті — наприклад, глосарій дезінформації, створений некомерційною дослідницькою організацією EU DisinfoLab. Найпопулярнішими в публічному дискурсі є три терміни: мізінформація, дезінформація та онлайн-ненависть (часто вживається як синонім до вислову «мова ворожнечі» — прим.редактора).

Мізінформація. Цей термін часто вживають узагальнено — для опису найрізноманітніших проблем в інтернеті. Насправді його значення значно вужче: мізінформація —  це інформація, що є неправдивою, але часто сприймається як достовірна тими, хто нею ділиться і розповсюджує. Наприклад, під час подій, що розгортаються в реальному часі, люди можуть помилково ділитися фотографіями з іншої або минулої події, вважаючи, що світлини стосуються останніх новин.

Дезінформація — це неправдива інформація, навмисно створена або поширена задля введення в оману чи заподіяння шкоди. Наприклад, під час президентських виборів у США 2016 року комітети з розвідки Сенату та Палати представників США спільно з Facebook провели розслідування, яке встановило: російські агенти видавали себе за американських виборців і поширювали дезінформацію про фейкові протести, щоб поглибити політичний розкол. Росія досі заперечує будь-яку причетність до втручання в американські вибори.

Мова ворожнечі — ще один важливий вид шкідливої інформації, яку часто поширюють в інтернеті. Вона підбурює до насильства проти окремих груп людей на підставі їхніх характеристик — раси, релігії, статі чи сексуальної орієнтації. Наприклад, політичні лідери М’янми використовували Facebook для дегуманізації та демонізації мусульманської етнічної меншини рохінджа. Це призвело до насильства проти цієї групи. У відповідь на звіт Організації Об’єднаних Націй Facebook заблокував 20 організацій та осіб у М’янмі, щоб зупинити «поширення ненависті та дезінформацію». Військові чиновники М’янми заперечили висновки звіту ООН.

Журналістам також важливо розуміти, хто основні гравці у будь-якій медіаекосистемі. Алгоритми створюють персоналізовані онлайн-досвіди — кожен із нас живе у власному унікальному маленькому інформаційному всесвіті, який ще називають «ехокамерою» чи «бульбашкою».

Елементи медіаекосистеми:

• Аудиторія — переважно пасивні користувачі, які є частиною цієї екосистеми і можуть ділитися контентом, але не обов’язково створюють його у великих обсягах.
• Творці контенту, що активно продукують багато інформації. Вони, як правило, мають значний вплив на те, яку інформацію споживає аудиторія. Серед них можуть бути державні органи, медіа та інфлюенсери, а також зловмисники, які намагаються сіяти розбрат.
• Алгоритми — своєрідний набір правил на основі даних, що визначає, який контент з’являтиметься у стрічках користувачів. Саме алгоритми допомагають формувати досвід у цих медіаекосистемах.

Три підходи до дослідження алгоритмів соціальних медіа

Кілька років тому ми з репортеркою Джейн Литвиненко розробили концепцію розслідування цих проблем. Головне — розглядати сюжети, в центрі яких знаходиться одна з трьох складових медіаекосистеми: аудиторія, творці контенту або алгоритм.

1.  Розслідування того, як аудиторія взаємодіє з алгоритмічними стрічками

Спочатку журналіст може зосередитися на аудиторії — користувачах соціальних медіа. Найчастіше це довірливі люди, які використовують соціальні медіа, щоб спілкуватися з друзями або споживати новини й отримувати інформацію.

Як ми вже обговорювали раніше, досвід зіткнення з дезінформацією або мізінформацією — глибоко індивідуальний. Щоб заглибитися у спотворені світогляди, сформовані алгоритмами та новинними стрічками, журналісти могли б зосередитися на даних про те, що бачить в інтернеті конкретний користувач — по суті, створити «кількісне селфі» досвіду однієї людини у соціальній мережі.

Такий підхід передбачає запит на доступ до даних людини, щоб дослідити, як вона користується соціальними мережами. Завдяки Загальному регламенту ЄС про захист даних (General Data Protection Regulation, GDPR) багато компаній, що працюють у сфері соціальних мереж на території ЄС, — зокрема, TikTok, Meta та X — зобов’язані надавати користувачам більший контроль над власними даними, а саме — дозволяти їм переглядати, завантажувати та видаляти дані про свою онлайн-активність.

Наприклад, у цій статті для Documented репортер Малік Гай зібрав архіви TikTok-переглядів п’яти мігрантів із Сенегалу, на рішення яких переїхати до США частково вплинула інформація, яку вони знайшли в TikTok. Ці мігранти значною мірою покладалися на TikTok як джерело інформації рідною мовою. Завдяки архіву журналіст побачив, що мігранти переглядали багато відео, які надавали їм неточну або оманливу інформацію про імміграційні процеси. Наприклад, деякі відео давали хибні інструкції щодо заповнення заяви про надання притулку, дотримання яких могло б негативно позначитися на їхній імміграційній справі. Інше відео помилково стверджувало, що мер Нью-Йорка розподіляє 50 мільйонів доларів США серед мігрантів. ByteDance — компанія, що володіє TikTok, — не відповіла на запит про коментар.

Аналогічно журналісти досліджували руйнівний вплив соціальних мереж на психічне здоров’я молодих жінок. Репортерка NBC News Кет Тенбарж виявила на X кілька груп з пропагандою розладів харчової поведінки, й ці групи налічували від 2 000 до 173 000 користувачів — деякі учасники цих спільнот вказували у профілі, що їм 13 років. Згідно з заявою, наданою новинам NBC: «X забороняє контент, що пропагує або заохочує самоушкодження, і має нульову толерантність до сексуальної експлуатації дітей. У цьому випадку після ретельного розгляду ми призупинили роботу Спільноти за порушення наших Правил».

Документальний фільм 2025 року «Не відвести погляд: справа проти соцмереж» (Can’t Look Away) розповідає про викривачів, які раніше працювали у Facebook, TikTok та Instagram. Стрічка досліджує, як алгоритми можуть завдавати шкоди через спосіб подачі контенту — особливо молодим людям. Обговорюючи фільм і свою роботу в TikTok Чарльз Бар, один із викривачів, зазначив: алгоритми оптимізують усе без емоційного інтелекту — саме це завдає шкоди користувачам. Він розповів, як TikTok цілеспрямовано показував контент, на який користувачі витрачали більше часу, на відміну від того, який вони самі шукали. Іншими словами, якщо користувач переглядає депресивне відео, його стрічка дуже швидко перетворюється на «ехокамеру» подібного контенту. ТіkTok стверджує, що пропонує «захисні інструменти для молодшої аудиторії, способи керувати екранним часом, безпекові інструменти для батьків та опікунів, а також інші подібні ресурси».

Артуро Бехар, інший викривач, який працював у Facebook та Instagram, зазначив: компанії люблять «удавати» нібито користувачі можуть контролювати небажаний контент у своїй стрічці за допомогою кнопки «Не цікавить». Однак ці засоби контролю є неефективними — алгоритм усе одно переважно показує користувачам той контент, на перегляд якого вони витрачають більше часу. Водночас Meta стверджує, що «запровадила понад 30 функцій для поліпшення досвіду підлітків на своїх платформах».

Чарльз Бар також зазначив: якщо проблему, з якою стикаються користувачі на платформі, легко відтворити, — особливо коли йдеться про моторошний чи травматичний контент — це свідчить про її системний характер. Тож журналісти можуть спробувати вдатися до зворотного інжинірингу своєї стрічки: почати більше взаємодіяти з певним типом контенту й подивитися, як це вплине на наповнення їхньої стрічки. Це допоможе зрозуміти, як подібний досвід впливатиме на інших користувачів.

2. Розслідування того, як творці контенту експлуатують алгоритми для підсилення шкідливої або неправдивої інформації

Якщо ви вирішили розслідувати діяльність проблемних творців контенту, варто звернути увагу на неправдивий або оманливий вірусний контент і простежити його походження.

Чимало зловмисників, які проводять дезінформаційні кампанії, знову й знову публікують той самий неправдивий або оманливий контент на різних платформах.

У матеріалі Code for Africa журналісти виявили, що мережа з 16 Facebook-акаунтів, не пов’язаних із Ганою, знову й знову копіпастила один і той же допис — систематично поширюючи дезінформацію про нібито арешти проросійських протестувальників у країні. Як встановили журналісти, ці акаунти були зареєстровані в Кот-д’Івуарі, Буркіна-Фасо, Малі, Франції та Іспанії.

В іншому матеріалі журналісти швейцарського суспільного мовника Schweizer Radio und Fernsehen (SRF) використали машинне навчання для виявлення фейкових акаунтів. Вони придбали 5 000 фейкових акаунтів, навчили свою модель машинного навчання на основі характеристик цих акаунтів, а потім за допомогою цієї навченої моделі виявили інші фейкові акаунти.

У розслідуванні проросійської кампанії впливу в Гані журналісти Code for Africa встановили, з яких країн «працювали» різноманітні акаунти, що поширювали дезінформацію. Зображення: Code for Africa

3.  Розслідування того, як працюють алгоритми

Ще один підхід — писати про алгоритми, що впливають на більшість соціальних медіа.

Такі матеріали досліджують систему, яка керує значною частиною нашого онлайн-досвіду, — зокрема, вплив алгоритмів на поширення інформації або доступ до можливостей.

Проте досліджувати та проводити аудит алгоритмів соціальних мереж надзвичайно складно — це непрозорі, заплутані системи, складні для розуміння й недоступні для широкого загалу. Наприклад, за даними The Washington Post, Facebook обробляє понад 10 000 різних сигналів, щоб передбачити, чи  взаємодіятиме людина з певною публікацією.

Це означає, що журналістам часто доводиться вдаватися до зворотного інжинірингу — реконструювати принцип роботи алгоритмів за допомогою збору даних та експериментів із тестовими акаунтами. Наприклад, The Wall Street Journal створив 100 акаунтів у ТіkTok, щоб перевірити, який вплив на контент у стрічках цих акаунтів мали різні дії — від затримки на публікації до повторного перегляду відео.

Але не кожному потрібен високотехнологічний підхід для дослідження технологій. Журналісту не завжди треба пояснювати, як працює система. Іноді достатньо знайти слабке місце і показати, що система завдає шкоди користувачам.

Для цього матеріалу ProPublica репортери створили рекламний акаунт на Facebook і виявили, що платформа не перешкоджала їм розміщувати дискримінаційну рекламу, яка виключала певних людей за ознакою раси, статі та інших персональних характеристик. Показавши, що їм вдалося знайти способи обійти закон, вони довели: Facebook не зміг запобігти шкоді. Facebook повідомив ProPublica, що забороняє рекламодавцям використовувати його послуги в дискримінаційних цілях.

Розслідування того, як компанії соціальних медіа не спроможні нейтралізувати шкоду від алгоритмів

Корисно також спробувати заглибитися у внутрішні механізми роботи компаній, що керують соціальними мережами. Журналісти можуть це зробити, налагоджуючи контакти з нинішніми та колишніми співробітниками таких компаній, досліджуючи судові позови проти них, або співпрацюючи з викривачами. Наприклад, репортерка Insider Текендра Пармар розслідувала смерть Меарега Амаре — ефіопського професора, якого вбили після поширення на Facebook ненависницького та неправдивого контенту про нього. Пармар поспілкувалася з кількома людьми, які співпрацювали з Facebook у рамках програми «Довірені партнери» — мережі організацій громадянського суспільства, що мали необхідні мовні та культурні знання для виявлення ненависницького контенту й повідомляли про нього компанії. Шестеро учасників програми розповіли Пармар, що Facebook «систематично ігнорував їхні попередження про ненависницький контент» — зокрема попередження про дезінформацію, що поширювалася проти Амаре. Вони також дозволили журналістці переглянути їхнє листування з компанією. Meta, материнська компанія Facebook, повідомила Insider: компанія прагнула якомога швидше перевіряти контент від «Довірених партнерів», однак час розгляду може різнитися залежно від випадку.

Ці приклади показують: є різні журналістські підходи, які можна застосовувати в розслідуваннях діяльності соціальних медіа. Серед них — високотехнологічні методи: скрейпінг даних із платформ для аналізу або використання цифрової криміналістики для відстеження зловмисників. Але журналісти також можуть досягти успіху й за допомогою низькотехнологічних рішень — наприклад, інтерв’ю з людьми, які зазнали шкоди на платформах, або проведення експериментів для підтвердження шкідливих наслідків роботи алгоритмів. Оскільки це галузь, що активно розвивається, ключем до успішних розслідувань алгоритмів соціальних мереж є творчий підхід.

Додаткова література

Інструменти для журналістів

• Алгоритмічна грамотність для журналістів — практичний набір інструментів, що допомагає журналістам та редакціям зрозуміти алгоритми. Ті самі дослідники також написали стислий посібник із проведення самостійного аудиту алгоритмів.
• Indicator — інформаційний бюлетень експертів з питань дезінформації та фейкових новин Крейга Сільвермана та Алексіоса Манцарліса.
• Bellingcat — організація, яка проводить масштабну роботу з верифікації у сфері соціальних медіа та публікує багато корисних посібників.
• Стаття GIJN «Нові інструменти розслідувань для моніторингу соціальних мереж».
• Майнінг соцмереж — книга про збирання та аналіз даних із соціальних мереж за допомогою мови програмування Python.
• «Алгоритми: ракурси та методи розслідування» — розділ з «Посібника з журналістики даних».

Дослідження

• Algorithmic Justice League — організація, що документує та досліджує шкоду, заподіяну алгоритмами.
• AI Now Institute — незалежний інститут, що публікує дослідження про штучний інтелект та алгоритмічну підзвітність.
• Center for Democracy and Technology — некомерційна організація, яка публікує звіти про громадянські свободи в цифрову епоху.
• Data and Society — некомерційна дослідницька організація, що зосереджує увагу на технологіях, даних та політиці.
• Algorithm Watch — некомерційна організація, що базується в Цюриху та Берліні, й вивчає вплив алгоритмів на правосуддя, права людини, демократію й сталий розвиток.

Лем Тхюї Во — журналістка, яка поєднує аналіз даних із репортажами з місць подій, щоб дослідити, як системи та політика впливають на окремих людей. Наразі вона працює журналісткою-розслідувачкою у Documented — незалежному некомерційному ЗМІ, яке пише про та для спільнот іммігрантів. Вона також доцентка з журналістики даних у Вищій школі журналістики імені Крейга Ньюмарка. Раніше працювала журналісткою в The Markup, BuzzFeed News, The Wall Street Journal, Al Jazeera America та NPR’s Planet Money.