Кратко — какие эмпирические показатели и тесты подтвердят причинно‑следственную связь между алгоритмическими рекомендациями и политической поляризацией.
1) Наблюдаемые исходы (что измерять)
- Изменение идеологического распределения пользователей: дисперсия/бимодальность идеологических оценок $x$, например $Var(x)$ или бимодальность/блинд‑скора.
- Аффективная поляризация: разница тепла/неприязни к своей и «внешней» группе $AP={\bar{W}}_{in}-{\bar{W}}_{out}$.
- Потребление/вовлечённость в экстремальный/поляризующий контент: доля просмотров/кликов на контент с крайними оценками $Shar{e}_{ext}$.
- Снижение перекрёстной экспозиции: доля экспозиций к кросс‑точкам зрения $Shar{e}_{cross}$ (ожидаем — уменьшается).
- Сетевые показатели «эхокамеры»: модульность $Q$ (вне/внутри партийных сообществ) $$Q=\frac{1}{2m}\sum _{ij}(A_{ij}-\frac{k_i{k}_j}{2m})\delta (c_i,c_j)$$, коэффициент ассортативности по идеологии $r$.
- Распространение дезинформации/фейков: скорость и охват репостов $Sprea{d}_{fake}$.
- Политическое поведение: участие в голосовании/митингах, радикальные действия $Behavior$.
2) Как доказать причинность — дизайн и статистические тесты
- Рандомизированные A/B‑тесты (лучший): случайное назначение алгоритмических правил → измерение изменения исходов.
- Разница в разностях (DiD) при экзогенных изменениях алгоритма (обновления, откаты, региональные роллауты): модель $$Y_{it}=\alpha +\beta Trea{t}_{it}+\gamma X_{it}+{\delta }_t+{\mu }_i+{\epsilon }_{it}$$. Значимый $\beta$ + претеренды подтверждают причинность.
- Инструментальные переменные: использовать экзогенные шоки платформы $Z$ (напр., отключения, ограничения API) — двухшаговый подход $$\text{(1)}Exposur{e}_{it}=\pi Z_{it}+\dots$$ $$\text{(2)}Pola{r}_{it}=\theta {Exposure}_{it}+\dots$$ с проверкой релевантности ($\pi \ne 0$) и исключения.
- Regression discontinuity: пороговые правила ранжирования/пороговые метрики, где вокруг порога наблюдается «случайное» распределение назначения.
- Натуральные эксперименты: внезапные изменения правил модерации/рекомендаций, временные сбои, региональные запреты.
- Панельный анализ с фиксированными эффектами и проверкой устойчивости к контролям $X_{it}$.
3) Валидация механизмов (чтобы связать алгоритм → экспозиция → поляризация)
- Медиаторный анализ: показать алгоритм изменяет экспозицию, а экспозиция влияет на поляризацию; проверка возрастания эффекта при возрастании «дозы» exposure (дозозависимый эффект).
- Временная последовательность: изменение экспозиции предшествует изменению поляризационных исходов.
- Пакет фальсификационных тестов: placebo‑исходы (несвязанные переменные), placebo‑периоды, тесты на предтренды.
4) Конкретные эмпирические индикаторы/критерии доказательства причинности
- Стабильный положительный $\beta$ в DiD и отсутствие предтрендов.
- Сильная первая стадия и значимый второй этап в IV (цензурировать слабые инструменты).
- Одновременное: увеличение модульности $Q$, рост ассортативности $r$, уменьшение $Shar{e}_{cross}$, рост $Shar{e}_{ext}$ и рост $AP$ — все после/в связи с изменением алгоритма.
- Доза‑реакция: монотонная зависимость между степенью воздействия алгоритма и величиной поляризации.
- Репликация на разных когортах/платформах и устойчивость к контролям (включая СМИ, макроэкономику).
5) Необходимые данные
- Логи платформы: экспозиции, показы, клики, время просмотра по пользователям.
- Метаданные контента: политическая метка/полярность/источник/фактчекинг.
- Социальная сеть (edges) для расчёта модульности/ассортативности.
- Панельные опросы пользователей для измерения идеологии и аффективной поляризации.
- Хронология изменений алгоритма/правил платформы.
Вывод (коротко): убедительная причинно‑следственная доказательная база потребует экзогенных шоков или рандомизации, согласованного набора исходных метрик (экспозиция, сетевые меры, политические установки/поведение) и набора тестов: DiD/IV/RD/A‑B с проверками предтрендов, медиаторными анализами и дозозависимыми эффектами.