Pujian, persetujuan, penerimaan, dan pujian - semua elemen interaksi sosial ini sangat menyenangkan dan melewati garis tipis sepanjang hidup seseorang. Sebagai seorang anak, kami dipuji karena menyelesaikan makan malam kami atau menggambar gambar yang menggemaskan (yang hanya dapat dipahami oleh ahli seni abstrak), untuk nilai yang baik di sekolah, dll. Sebagai orang dewasa, pujian menjadi kurang penting bagi kita, tetapi tetap mendatangkan kegembiraan.
Komunikasi dan keterlibatan sosial telah berubah secara dramatis dengan munculnya internet dan media sosial. Jarak dan waktu tidak lagi menjadi faktor penentu dalam komunikasi antara orang-orang yang tinggal di kota yang berbeda. Kenyamanan, tentu saja, meningkat, meski terkadang isi pesan berkurang. Pada saat yang sama, setiap orang dan setiap orang mendapat kesempatan untuk melihat kehidupan orang lain, tanpa bertukar kata dengannya. Dari sudut pandang mekanisme jejaring sosial, konsep "suka" juga penting. Seseorang tidak peduli tentang mereka, bagi seseorang itu hanya fungsi yang ingin tahu, dan seseorang tidak bisa tidur nyenyak jika foto dari liburan baru-baru ini tidak mendapatkan hati atau jempol yang diinginkan.Timbul pertanyaan - mengapa beberapa orang begitu haus akan persetujuan di Internet? Apa yang mendorong mereka? Ilmuwan dari Universitas New York telah menemukan kesamaan antara keinginan untuk menyukai pada manusia dan proses menemukan makanan pada tikus laboratorium. Apa saja persamaannya, apa dasar neurologis yang mendasari keinginan untuk menyukai, dan bagaimana data yang diperoleh dapat diterapkan dalam praktik? Kami belajar tentang ini dari laporan para ilmuwan. Pergilah.
Dasar penelitian
Internet dan jejaring sosial memungkinkan kita untuk bertukar informasi, berbagi ide, pemikiran dan pengalaman, dan berkomunikasi dengan orang-orang dari seluruh dunia. Ini adalah penemuan yang benar-benar menakjubkan dan sangat berguna yang tidak membahayakannya. Saya ingin mengatakan jika kita tidak mengetahui sifat manusia, yang mampu, pada tingkat tertentu, merayu apa pun.
Terkadang sepertinya media sosial telah menjadi tempat di mana beberapa orang membual tentang pencapaian mereka dan yang lain membenci mereka karenanya. Ini, tentu saja, adalah pandangan yang sangat pesimis tentang situasi tersebut, tetapi bahkan ada sebutir kebenaran di dalamnya.
Kita semua tahu ungkapan "seseorang salah di Internet", yang pada dasarnya menunjukkan pendapat yang tak terbatas tentang sesuatu. Seseorang dapat dengan tenang menerima ini, tetapi seseorang tidak dapat hidup tanpa pertengkaran verbal yang konstan di jaringan, yang tidak pernah berakhir seperti yang mereka inginkan.
Sementara beberapa pengguna "jejaring sosial" mencari sensasi dalam bentuk perselisihan Internet, yang lain mencari persetujuan, komentar pujian, dan cinta universal. Ini adalah manifestasi jiwa manusia yang benar-benar normal, tetapi segala sesuatu memiliki batas kesehatannya sendiri. Jika suka bagi seseorang adalah produk sampingan dari aktivitas sosial di jaringan, maka ini masuk akal. Jika suka menjadi alasan, tujuan dan mesin eksistensi manusia, maka inilah saatnya untuk berpikir serius.
Mempertimbangkan masalah ini dari sudut pandang ilmiah, banyak peneliti mencoba memahami mengapa seseorang berperilaku berbeda di Internet, mengapa dia menjadi tergantung pada jejaring sosial, mengapa dia sangat membutuhkan suka, dll. Secara alami, jawaban atas pertanyaan-pertanyaan ini bisa sangat individual, karena berapa banyak orang - begitu banyak beban psikologis yang terkumpul di masa lalu.
Secara umum, banyak penelitian tidak ditujukan untuk memahami sifat manusia melainkan untuk meningkatkan perangkat lunak sehingga sifat ini dapat digunakan untuk kepentingan jaringan sosial di balik penelitian ini. Namun demikian, seperti yang dikatakan para ilmuwan, bahkan dalam karya-karya seperti itu, Anda dapat mempelajari banyak hal menarik.
Misalnya, ditemukan bahwa menerima reaksi negatif terhadap postingan (tidak suka, dll.) Menyebabkan penurunan kualitas postingan berikutnya, dan bukan peningkatannya. Penelitian lain menunjukkan bahwa seseorang akan menghabiskan lebih banyak waktu di forum tempat mereka menerima lebih banyak tanggapan. Kasus-kasus ini menunjuk pada mekanisme penghargaan yang mendasari perilaku manusia di Internet dan banyak organisme hidup di alam.
Dalam pekerjaan yang kita pertimbangkan hari ini, para ilmuwan memutuskan untuk menguji apakah mungkin untuk secara komprehensif mencirikan interaksi di jejaring sosial sebagai bentuk pembelajaran untuk mendapatkan penghargaan. Studi tersebut menganalisis lebih dari satu juta pesan (postingan) dari 4.000 pengguna di berbagai platform. Data dievaluasi menggunakan simulasi komputer.
Hipotesis, yang digunakan penulis studi ini, didasarkan pada teori pembelajaran komputasi, yang digunakan dalam pengembangan dan analisis algoritme pembelajaran mesin. Teori ini dapat mengubah perilaku manusia di jaringan menjadi format "penghargaan untuk pembelajaran".
Pemahaman empiris yang mendasarinya adalah bahwa ketika seekor hewan (seperti hewan pengerat dalam kotak Skinner) dapat memilih waktu tanggapan instrumentalnya (seperti kapan dan seberapa sering menekan tuas), latensi tanggapan (kebalikan dari tingkat tanggapan) berdampak negatif. jumlah imbalan yang diperoleh.
Contoh diagram kotak Skinner - ruang laboratorium khusus yang diperlukan untuk studi terkontrol tentang perilaku hewan.
Dengan kata lain, semakin buruk hadiahnya, semakin besar penundaan responsnya. Dalam eksperimen dengan hewan pengerat, subjek dengan sangat cepat menyadari bahwa tindakan yang lebih cepat menghasilkan reward yang lebih sering, sedangkan tindakan yang lebih lambat meningkatkan waktu tunda hingga reward berikutnya. Jika kita menerjemahkan ini ke dalam kerangka penelitian ini, maka semakin banyak pahala yang diterima seseorang, semakin pendek penundaan rata-rata antara tanggapan yang seharusnya, karena tindakan yang lebih lambat menyebabkan penundaan yang lebih lama sebelum pahala berikutnya.
Mempersiapkan eksperimen
Untuk menguji teori bahwa perilaku sosial di Internet dalam bentuk pesan (postingan) mengikuti prinsip teori reward for learning, ilmuwan menganalisis kumpulan data dari berbagai jaringan sosial menggunakan simulasi komputer. Secara total, 1.046.857 posting dari 4.168 pengguna digunakan dalam penelitian ini. Penelitian ini dibagi menjadi beberapa tahap.
Pada tahap pertama (2039 pengguna), hipotesis diuji pada dataset besar posting Instagram (jumlah rata-rata posting per orang = 418). Jejaring sosial ini memiliki sekitar satu miliar pengguna, dan format postingannya cukup sederhana, begitu juga dengan tanggapan dalam bentuk “suka”. Namun, menurut penulis studi tersebut, Instagram sama seperti banyak media sosial modern lainnya. jaringan, manfaat finansial memainkan peran penting. Ini dapat menyebabkan banyak pengguna palsu dan suka palsu.
Karena alasan ini, fase pertama diperluas menjadi 2.127 pengguna, sehingga berubah menjadi fase kedua. Data tambahan diambil dari situs tematik (forum diskusi fashion pria, fashion wanita dan berkebun), dimana motif keuangan cenderung lebih kecil (rata-rata jumlah posting per orang = 91).
Tahap ketiga adalah melakukan percobaan online yang melibatkan 176 orang. Eksperimen itu dimaksudkan untuk meniru aspek-aspek kunci dari media sosial, di mana para ilmuwan dapat memanipulasi tingkat penghargaan sosial untuk menguji efek sebab akibatnya pada penundaan respons.
Tindakan manusia di jaringan sosial (misalnya, Instagram) dibandingkan dengan tindakan hewan pengerat di kotak Skinner: memposting - mengaktifkan tuas; suka adalah hadiah.
Setelah menetapkan fakta bahwa perilaku media sosial bergantung pada penghargaan, para ilmuwan telah mengembangkan model generatif berdasarkan teori operan bebas pada hewan non-manusia. Prinsip utama dari teori ini adalah bahwa subjek harus menyeimbangkan biaya upaya respons dan biaya peluang dari kepasifan (yaitu, penghargaan terkait publikasi yang dilewatkan seseorang tanpa memposting) untuk memaksimalkan rata-rata bersih (yaitu, untung dikurangi kerugian) suku bunga. Konsekuensi dari ini adalah bahwa penundaan respons rata-rata harus lebih sedikit ketika tingkat hadiah rata-rata lebih tinggi. Teknik ini dapat diterapkan baik dalam kasus hadiah instan, dan dalam kasus ketika waktu tertentu berlalu antara pos dan hadiah.
Berdasarkan langsung pada prinsip-prinsip ini, model yang dibuat menentukan bagaimana subjek menyesuaikan latensi respons mereka untuk memaksimalkan tingkat rata-rata hadiah bersih ®.
Gambar # 1
Secara formal, model menjelaskan penggunaan media sosial sebagai urutan keputusan mengenai penundaan antara publikasi yang berurutan (τ Post , 1a ), di mana seseorang memaksimalkan rasio reward dengan menyesuaikan τ Post secara adaptif setelah mengamati setiap reward yang diterima.
Secara psikologis τ Postingdapat dilihat sebagai akumulasi motivasi untuk nilai ambang publikasi. Penentuan ambang batas τ Post disesuaikan secara dinamis berdasarkan kesalahan perkiraan remunerasi bersih (δ) - perbedaan antara tingkat remunerasi yang diterima dan referensi.
Tingkat referensi ditentukan baik oleh kepekaan individu terhadap biaya usaha (misalnya, biaya subjektif dari pemotretan dan pengunggahan), dan oleh penilaian subjektif dari rata-rata tingkat remunerasi bersih ( 1b dan 1c ). Biaya upaya dan biaya peluang tergantung pada penundaan respons τ Posting... Dengan kata lain, latensi respons yang optimal menyeimbangkan kedua biaya ini untuk memaksimalkan imbalan bersih δ ( 1d ).
Hasilnya, model dibuat dengan ~ 250.000 titik data dari 1000 pengguna yang disimulasikan dengan nilai parameter acak. Menurut teori pembelajaran, τ Post harus lebih rendah ketika tingkat remunerasi rata-rata relatif lebih tinggi. Untuk menguji ini, R distandarisasi dan kemudian variabel didikotomi * oleh 0 untuk mendapatkan prediktor kualitatif “R Rendah vs Tinggi” (R rendah versus R tinggi).
Dikotomisasi * - memperlakukan data kontinu seolah-olah itu adalah variabel biner.Analisis menunjukkan efek yang jelas dari R rendah dan tinggi pada τ Post , seperti yang diharapkan. Dengan kata lain, model memprediksi (dengan serangkaian parameter simulasi) bahwa penundaan respons rata-rata harus ~ 18% lebih lama ketika tingkat penghargaan rata-rata rendah versus tinggi ( 1e ).
Hasil simulasi
Seperti yang sudah kita ketahui, penelitian tahap pertama terkait dengan analisis data perilaku online di Instagram. Awalnya dilakukan perbandingan terhadap dua model yang dapat menjelaskan perilaku manusia dalam jaringan, yaitu model pembelajaran yang digunakan untuk reward (RL for reinforcement learning ) dan model tanpa pelatihan. Hasilnya, ditemukan bahwa model RL cocok untuk lebih dari 70% pengguna yang ditinjau dan postingan mereka ( 2a ).
Gambar No. 2
Yang cukup menarik, penemuan bahwa orang-orang dengan jumlah pengikut Instagram yang besar menunjukkan nilai suka (kegunaan) suka yang menurun secara non-linier. Dengan kata lain, ada kecanduan pada suka - semakin besar dan lebih stabil aliran suka, semakin sedikit seseorang yang terlibat dalam penerimaan dan peningkatan lebih lanjut.
Menurut teori ilmuwan, respon seseorang dalam jaringan seharusnya terjadi lebih cepat jika ganjaran untuk mereka lebih besar. Hal ini juga dikonfirmasi di Instagram (N Obs = 851946, N Users = 2039), di mana delay antar posting semakin kecil ketika jumlah like ® relatif tinggi: β = -0.18, SE = 0.003, t = -54.59, p <0001 ( 2b). Jika dihitung ulang, ini berarti peningkatan reward (suka) dari level rendah ke level yang relatif tinggi mengakibatkan penurunan latensi antar postingan sebesar 18% (setara dengan 8 jam). Dalam kasus peningkatan linier seperti 1%, terjadi penurunan waktu antar posting sebesar 0,34% (sekitar 5 menit).
Grafik 2c dan 2d menunjukkan hubungan antara τ Post , R dan struktur model RL menggunakan contoh aktivitas satu pengguna selama dua tahun.
Pada penelitian tahap kedua, hasil yang diperoleh pada penelitian pertama harus diverifikasi dengan memasukkan variabel tambahan. Dalam hal ini adalah platform sosial tambahan, yaitu forum dengan tema sempit (fashion pria, fashion wanita dan berkebun). Tentunya, sebagian besar postingan di platform semacam itu berbentuk teks, bukan gambar, seperti di Instagram. Namun demikian, forum semacam itu memiliki topik terpisah dengan sebagian besar konten grafis (misalnya, "Apa yang Anda kenakan hari ini?", "Bagikan foto taman Anda," dll.), Yang masing-masing berisi beberapa ribu kiriman.
Sekali lagi, diverifikasi bahwa model RL adalah mekanisme dasar perilaku online, seperti dalam kasus Instagram. Di ketiga set data (190.721 posting dari 2.127 orang), terlepas dari topik spesifiknya, saat membandingkan model, ditemukan bahwa model RL, daripada model non-pelatihan, cocok untuk sebagian besar kasus.
Gambar # 3
Seperti yang diharapkan, R yang lebih tinggi memprediksi respons yang lebih cepat di ketiga kumpulan data ( 3d - 3f ):
- busana pria (N Obs = 36139 , N Users = 541): β = –0.08, SE = 0.016, t = –5.1, p <0001;
- (NObs = 36 434, NUsers = 773): β = −0.16, SE = 0.02, t = −7.1, p <0001;
- (NObs = 118 148, NUsers = 813): β = −0.18, SE = 0.02, t = -12.09, p <0001).
Jadi, dalam kumpulan data ini, penundaan antara publikasi adalah 8%, 16%, dan 18% lebih sedikit ketika tingkat remunerasi rata-rata tinggi daripada rendah. Akibatnya, untuk setiap kenaikan 1% tarif remunerasi subyektif terjadi penurunan rata-rata keterlambatan antar pos masing-masing sebesar 0,18%, 0,41% dan 0,38%.
Perluasan data yang dianalisis dengan menggabungkan platform yang cukup berbeda sifatnya (Instagram dan forum tematik) menunjukkan bahwa terlepas dari jejaring sosialnya, perilaku manusia akan mengikuti prinsip model RL.
Sekarang perlu untuk menetapkan apakah ada perbedaan individu dalam perilaku orang yang berbeda dalam kerangka model RL, dan juga apa penyebabnya. Misalnya, perbedaan individu dalam kecepatan pembelajaran sebelumnya telah dikaitkan dengan perbedaan genetik dan perbedaan perkembangan antara orang-orang. Dan perbedaan individu dalam kepekaan terhadap biaya usaha dikaitkan dengan sistem dopaminergik (sintesis dan produksi neurotransmitter dopamin, yang terlibat dalam perasaan puas).
Gambar No. 4
Untuk mencari subkelompok yang mungkin dalam data multivariat, tiga parameter model RL asli, diperkirakan untuk setiap orang dari tahap I dan II (jumlah total pengguna = 4168), digunakan sebagai input untuk pengelompokan k-means. Penilaian kuantitatif dengan menggunakan beberapa kriteria standar menunjukkan bahwa empat cluster utama dapat dibedakan, yaitu: 4 subkelompok ( 4a ). Cluster ini berkisar dari 41% (1.739 orang) hingga 7% (299 orang) dari total dataset.
Gambar 4bmenunjukkan empat fenotipe komputer putatif yang bersifat perilaku. Misalnya, orang-orang di cluster 1 memiliki learning rate (ɑ) yang relatif rendah. Orang-orang ini paling tidak sensitif terhadap penghargaan sosial dalam perilaku media sosial mereka. Orang-orang dari cluster 2 dicirikan oleh biaya upaya rendah dan kecepatan pembelajaran rata-rata, sedangkan cluster 4 menunjukkan hubungan yang berlawanan antara kecepatan pembelajaran dan biaya upaya (cluster 3 menengah). Dengan demikian, orang-orang dalam kelompok 2 dan 4 dengan mudah memublikasikan pesan sebagai tanggapan atas penghargaan sosial, meskipun mekanisme dasarnya berbeda.
Selama tahap akhir penelitian, diperoleh bukti langsung bahwa tingkat penghargaan sosial mempengaruhi keterlambatan posting. Untuk melakukan ini, percobaan online dilakukan di mana para ilmuwan dapat memanipulasi penghargaan sosial dan mengamati tanggapan.
Peserta (n = 176) dapat memposting "meme" kapan saja mereka mau selama sesi 25 menit (jumlah posting = 2206). Kemudian mereka menerima suka (dari 0 hingga 19) dari peserta yang sama dalam eksperimen dan dari pengguna palsu.
Untuk menguji apakah tingkat penghargaan sosial yang lebih tinggi menyebabkan latensi respons pos yang lebih pendek, jumlah rata-rata suka yang diterima oleh peserta antara paruh pertama dan kedua sesi meningkat atau menurun (hadiah rendah: 0-9 suka per pos, hadiah tinggi: 10-19 suka per posting).
Seperti yang diharapkan para ilmuwan, penundaan rata-rata antar posting secara signifikan lebih besar ketika hadiahnya rendah (0-9 suka per posting) dibandingkan dengan lebih tinggi (10-19 suka per posting), yang sesuai dengan perbedaan 10,9% (gambar # 5 ).
Gambar No. 5
Lucu juga bahwa peserta eksperimen, yang memiliki banyak pengikut di jejaring sosial mereka yang sebenarnya, menunjukkan pengaruh suka yang lebih lemah pada perilaku mereka selama eksperimen itu sendiri.
Eksperimen kecil dalam praktiknya menunjukkan validitas teori bahwa ada korelasi langsung antara reward (suka) dan perilaku lebih lanjut seseorang (respon).
Untuk pengenalan yang lebih mendetail tentang nuansa penelitian ini, saya sarankan Anda melihat laporan para ilmuwan dan bahan tambahan padanya.
Epilog
Fakta bahwa banyak orang benar-benar tidak dapat hidup tanpa jejaring sosial, suka, posting ulang, dll., Kita tahu tanpa penelitian apa pun. Namun, karya ini mampu menjelaskan secara detail hubungan antara perilaku seseorang di jaringan dan kehausannya akan hadiah, bahkan jika dalam bentuk hati ilusi di bawah sebuah pos di layar perangkatnya.
Pada dasarnya kehidupan di internet tidak jauh berbeda dengan kehidupan di dunia nyata, dengan pengecualian beberapa unsur. Perilaku seseorang dapat berubah tergantung di mana dia berkomunikasi, tetapi karakteristik perilakunya, psikologis dan bahkan fisiologisnya tetap tidak berubah. Internet hanyalah alat yang membesar-besarkan atau mengubahnya secara visual, tetapi pada dasarnya semuanya tetap sama.
Penulis studi itu sendiri percaya bahwa pekerjaan mereka bisa sangat berguna dalam mempelajari masalah ketergantungan pada jejaring sosial, yang cukup nyata di dunia modern kita. Namun, orang tidak boleh lupa bahwa jejaring sosial telah lama berhenti menjadi “klub orang dalam”, tetapi telah menjadi perusahaan bernilai miliaran dolar. Oleh karena itu, sangat mungkin bahwa jenis penelitian ini, meskipun bermaksud baik, secara tidak langsung dapat mempengaruhi perluasan jangkauan alat yang digunakan jaringan sosial untuk memperluas audiens mereka. Pada saat yang sama, saya ingin mencatat bahwa tidak perlu panik, karena sebagian besar produk kemajuan selalu memiliki dan akan memiliki dua sisi mata uang. Dan Internet dapat dengan sangat akurat dijelaskan oleh salah satu interpretasi dari ungkapan terkenal yang dikatakan oleh Paracelsus: "perbedaan antara racun dan obat-obatan terletak pada dosisnya."
Terima kasih atas perhatiannya, tetap penasaran dan semoga minggu kerja Anda bagus, guys. :)
Sedikit iklan
Terima kasih untuk tetap bersama kami. Apakah Anda menyukai artikel kami? Ingin melihat konten yang lebih menarik? Dukung kami dengan melakukan pemesanan atau merekomendasikan kepada teman, cloud VPS untuk pengembang mulai $ 4,99 , analog unik dari server tingkat awal yang telah kami ciptakan untuk Anda: The Whole Truth About VPS (KVM) E5-2697 v3 (6 Cores) 10GB DDR4 480GB SSD 1Gbps dari $ 19 atau bagaimana membagi server dengan benar? (opsi tersedia dengan RAID1 dan RAID10, hingga 24 core dan hingga 40GB DDR4).
Apakah Dell R730xd 2x lebih murah di pusat data Maincubes Tier IV di Amsterdam? Hanya kami yang memiliki 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TV dari $ 199 di Belanda!Dell R420 - 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB - Dari $ 99! Baca tentang Bagaimana membangun infrastruktur bldg. kelas dengan menggunakan server Dell R730xd E5-2650 v4 dengan biaya € 9.000 untuk satu sen?