Bisakah Kebijaksanaan Orang Banyak Membantu Memperbaiki Masalah Kepercayaan Media Sosial?


Studi ini menemukan bahwa dengan kelompok yang hanya terdiri dari delapan orang awam, tidak ada perbedaan yang signifikan secara statistik antara kinerja penonton dan pemeriksa fakta tertentu. Setelah kelompok mencapai 22 orang, mereka benar-benar mulai mengungguli pemeriksa fakta secara signifikan. (Angka-angka ini menggambarkan hasil ketika orang awam diberitahu sumber artikelnya. Ketika mereka tidak tahu sumbernya, orang banyak melakukan sedikit lebih buruk.) Mungkin yang paling penting, orang awam mengungguli pemeriksa fakta yang paling dramatis untuk cerita yang dikategorikan sebagai “politis”, karena cerita-cerita itu adalah di mana pemeriksa fakta kemungkinan besar tidak setuju satu sama lain. Memeriksa fakta politik sangat sulit.

Tampaknya mustahil bahwa sekelompok orang secara acak dapat melampaui pekerjaan pemeriksa fakta yang terlatih—terutama berdasarkan tidak lebih dari mengetahui judul, kalimat pertama, dan publikasi. Tapi itulah keseluruhan ide di balik kebijaksanaan orang banyak: kumpulkan cukup banyak orang, bertindak secara independen, dan hasil mereka akan mengalahkan para ahli’.

“Perasaan kami tentang apa yang terjadi adalah orang-orang membaca ini dan bertanya pada diri mereka sendiri, ‘Seberapa baik ini sejalan dengan semua hal lain yang saya tahu?’” kata Rand. “Di sinilah kebijaksanaan orang banyak masuk. Anda tidak perlu semua orang tahu apa yang terjadi. Dengan rata-rata peringkat, kebisingan akan hilang dan Anda mendapatkan sinyal resolusi yang jauh lebih tinggi daripada yang Anda lakukan untuk setiap orang.”

Ini tidak sama dengan sistem upvotes dan downvotes gaya Reddit, juga bukan model editor warga Wikipedia. Dalam kasus tersebut, sebagian kecil pengguna yang tidak representatif memilih sendiri untuk menyusun materi, dan masing-masing dapat melihat apa yang dilakukan orang lain. Kebijaksanaan orang banyak hanya terwujud ketika kelompok beragam dan individu membuat penilaian mereka secara mandiri. Dan mengandalkan kelompok yang berkumpul secara acak dan seimbang secara politik, daripada korps sukarelawan, membuat pendekatan para peneliti jauh lebih sulit untuk dimainkan. (Ini juga menjelaskan mengapa pendekatan eksperimen berbeda dari Birdwatch Twitter, program percontohan yang meminta pengguna untuk menulis catatan yang menjelaskan mengapa tweet yang diberikan menyesatkan.)

Kesimpulan utama makalah ini sangat mudah: Platform media sosial seperti Facebook dan Twitter dapat menggunakan sistem berbasis kerumunan untuk secara dramatis dan murah meningkatkan operasi pengecekan fakta mereka tanpa mengorbankan akurasi. (Orang awam dalam penelitian ini dibayar $9 per jam, yang berarti biaya sekitar $0,90 per artikel.) Pendekatan crowd-sourcing, menurut para peneliti, juga akan membantu meningkatkan kepercayaan dalam proses, karena mudah untuk dirakit. kelompok orang awam yang secara politik seimbang dan dengan demikian lebih sulit untuk menuduh bias partisan. (Menurut survei Pew 2019, Partai Republik sangat percaya pemeriksa fakta “cenderung mendukung satu sisi.”) Facebook telah memulai debutnya sesuatu yang serupa, membayar kelompok pengguna untuk “bekerja sebagai peneliti untuk menemukan informasi yang dapat bertentangan dengan tipuan online yang paling jelas atau menguatkan klaim lain.” Tetapi upaya itu dirancang untuk menginformasikan pekerjaan mitra pemeriksa fakta resmi, bukan menambahnya.

Pengecekan fakta yang ditingkatkan adalah satu hal. Pertanyaan yang jauh lebih menarik adalah bagaimana platform harus menggunakannya. Haruskah cerita berlabel palsu dilarang? Bagaimana dengan cerita yang mungkin tidak memiliki informasi yang salah secara objektif, tetapi tetap menyesatkan atau manipulatif?

Para peneliti berpendapat bahwa platform harus menjauh dari biner benar/salah dan membiarkannya sendiri/menandainya biner. Sebagai gantinya, mereka menyarankan agar platform memasukkan “peringkat akurasi crowdsourced berkelanjutan” ke dalam algoritme peringkat mereka. Alih-alih memiliki satu batas benar/salah, dan memperlakukan segala sesuatu di atasnya dengan satu cara dan segala sesuatu di bawahnya dengan cara lain, platform malah harus memasukkan skor yang ditentukan oleh orang banyak secara proporsional saat menentukan seberapa menonjol tautan yang diberikan harus ditampilkan dalam umpan pengguna. Dengan kata lain, semakin tidak akurat penonton menilai sebuah cerita, semakin diturunkan peringkatnya oleh algoritme.

Diposting oleh : Lagutogel