L’épidémie de COVID-19 en 2019 a isolé le monde initialement connecté. Les gens ont réduit les déplacements inutiles et ont choisi de travailler à domicile. La pandémie de COVID-19 semble être un test public de la connectivité sociale, dans lequel la nécessité et la valeur de la connexion entre les personnes sont réévaluées. Les gens se rendent progressivement compte que les réunions dans les bars, le visionnage de films, le KTV et d'autres activités qui sont devenues une partie importante de la vie n'ont pas besoin d'exister. La connectivité d’Internet compense l’isolement de l’espace physique, et les plateformes sociales telles que WeChat sont devenues le principal moyen permettant aux gens de se connecter et de se divertir. #原创 #香港web3嘉年华 #crypto2023

Avec le développement vigoureux du Big Data et des algorithmes, l’interaction sociale en ligne devient de plus en plus le produit de l’intégration des humains et des machines. Les plateformes sociales telles que WeChat et Weibo offrent non seulement aux gens un espace cloud pour socialiser, mais façonnent également les styles sociaux et les habitudes de pensée des gens et redéfinissent même l'amitié entre les gens. Cet article appelle la réaction des médias sociaux sur les gens la socialité technique des médias sociaux. La nature sociale de l’ingénierie des médias sociaux a entraîné de nombreux impacts négatifs, tels que l’impact négatif et la formation incorrecte de la pensée humaine, de la cognition et du comportement par les médias sociaux, etc. Ces dernières années, les impacts négatifs des plateformes Web 2.0 ont fait l’objet de discussions croissantes, et de nombreuses régions et pays ont pris des mesures pour restreindre les médias sociaux, comme la récente proposition américaine d’interdire Tiktok. Si l’on regarde le Web 3.0, la plupart des discussions sur les réseaux sociaux se limitent encore à la résistance à la censure, à la propriété, à l’économie des créateurs et à d’autres questions banales qui ne parviennent pas à trouver un écho auprès du public. Par conséquent, l’auteur souhaite explorer l’impact négatif des médias sociaux traditionnels et ses implications pour le Web3.0 sous différents angles, et en discuter sur la base de projets réels.

Les projets sociaux Web3.0 explorent différentes voies, telles que la communication cryptée, l'introduction de la technologie ZK pour protéger la vie privée des utilisateurs, le mouvement de souveraineté des données qui découple les données et les plates-formes, etc. Parmi eux, celui qui m’intéresse le plus, et sur lequel je souhaite me concentrer dans cet article, est le graphe social. Il y a eu de nombreuses discussions sur les graphes sociaux sur Internet. La perspective dominante se concentre sur la manière dont les graphes sociaux responsabilisent les développeurs et améliorent l'expérience utilisateur, mais il n'y a pas beaucoup de discussions sur la socialité technique des graphes sociaux. Par conséquent, l'auteur prendra cela comme centre de cet article, le combinera avec trois projets en développement, CyberConnect, Lens et Farcaster (Warpcast), pour analyser l'importance de l'existence des graphes sociaux et les défis auxquels ils sont confrontés, dans l'espoir de déclencher quelques réflexions parmi les lecteurs.

graphe social

Le graphe social regroupe les relations interpersonnelles sur les plateformes sociales. La relation la plus courante sur Internet aujourd'hui est celle des « amis » qui se suivent. Le terme « ami » ici n'est plus le même que le sens originel du mot « ami ». Les médias sociaux ont élargi le sens du mot « ami ». L'interaction sociale la plus primitive des êtres humains se limite à un petit cercle autour de nous en raison des limites géographiques du temps et de l'espace. La relation que nous établissons avec les personnes qui nous entourent est une relation forte, et la structure de cette relation forte est très étroite. . Par exemple, lorsque nous communiquons avec des amis qui sont avec nous depuis de nombreuses années, nous n'avons pas besoin que leurs amis me proposent régulièrement des sujets intéressants. Il s'agit plutôt d'un échange d'informations entre pairs. Il existe une différence fondamentale entre les « amis » qui sont ici depuis de nombreuses années et les « amis » créés par les réseaux sociaux. La relation établie par les recommandations des algorithmes est très faible, il est donc nécessaire d'utiliser le « contenu » pour renforcer cette relation. Par conséquent, lorsque des amis ayant des liens faibles socialisent, la communication est moins une question de communication que de consommation de contenu.

Dans le Web2.0, la division des relations s'est reflétée dans les principaux logiciels sociaux. WeChat accumule des relations fortes, tandis que d'autres médias sociaux tels que Weibo, Douban et Momo accumulent des relations faibles. En fait, WeChat n'est plus une plateforme sociale, mais plutôt un carnet d'adresses. La première chose qu'un utilisateur fait après avoir ajouté des amis est de discuter, sans aucune production ni consommation de contenu. Cependant, sur d'autres logiciels sociaux, les gens téléchargeront certainement des avatars, rempliront des informations, publieront quelques mises à jour, créeront du contenu, puis établiront des connexions avec d'autres personnes. L’objectif principal de cette démarche est de réduire le coût de la confiance entre les personnes. Parce que personne ne voudrait socialiser avec un inconnu qui n’a pas de photo de profil ni de mises à jour.

De liens forts en liens faibles, la motivation à consommer des contenus s’affaiblit progressivement. Par exemple, nous aimons les likes quotidiens ennuyeux que nous envoyons à nos amis dans WeChat Moments, mais peu de gens s'intéressent aux pensées aléatoires d'étrangers. Afin de compenser l'instabilité des liens faibles et le manque de motivation de consommation, les médias sociaux adoptent généralement deux voies : la première consiste à s'appuyer sur un contenu de haute qualité et la seconde consiste à améliorer la connectivité apportée par les algorithmes (abordée dans l'article). section suivante). Le développement des médias sociaux, qui a choisi deux voies différentes, est complètement opposé. Les BBS tels que Tieba, Tianya, Douban, etc. qui s'appuient sur un contenu de haute qualité et des opérations communautaires sont devenus des « larmes de l'époque ». Les plateformes SNS telles que Facebook, Twitter, Instagram, etc. dominent le classement des médias sociaux. YouTube, qui a commencé avec des vidéos communautaires, a rapidement minimisé le concept de communauté au cours des étapes intermédiaire et ultérieure, en utilisant des algorithmes et des mécanismes de recommandation pour se développer rapidement et s'implanter solidement dans les médias sociaux.

Pourquoi les plateformes sociales gagnent-elles moins en valeur à mesure qu’elles s’appuient sur un contenu de qualité ? Tout d’abord, les médias sociaux doivent exploiter la valeur des données des utilisateurs. Plus les gens génèrent de connexions, plus la plateforme peut générer de valeur économique. Par conséquent, la culture communautaire ou en petit cercle n’est pas la forme d’interaction sociale la plus propice à la monétisation des plateformes. Deuxièmement, plus les utilisateurs s’appuient sur le contenu, plus les exigences en matière de mécanisme de découverte de contenu de la plateforme sont élevées. À l’ère du Big Data, la transmission précise de contenus est une affaire extrêmement coûteuse. En conséquence, l’algorithme s’oriente vers un contenu viral accrocheur au lieu de promouvoir un contenu de qualité. Enfin, la consommation de contenu finira par se diriger vers des réseaux relationnels solides.Par exemple, lorsque nous voyons un contenu intéressant sur Weibo, l'opération courante consiste à le partager avec des amis sur WeChat en un seul clic pour la consommation de contenu. produit par les plateformes qui s'appuient sur le contenu sera perdu sur d'autres plateformes. Ou encore, les nouveaux amis que vous rencontrez sur Weibo ajouteront également WeChat après s'être familiarisés avec eux et s'installeront sur la plate-forme de réseau relationnel solide. Par conséquent, les plateformes sociales aux liens faibles ont tendance à ignorer les contenus de haute qualité et les expériences sociales réelles des gens.

Alors, quelles implications le phénomène des médias sociaux Web2.0 mentionné ci-dessus a-t-il pour le Web3.0 ? Tout d’abord, il existe des différences dans les « relations amicales » selon les scénarios. La formation d’une relation est ancrée dans le contexte. Deuxièmement, le mécanisme de distribution du contenu, c'est-à-dire l'algorithme, doit être innové. Ensuite, l'auteur discutera de ces deux aspects et comparera et présentera les différentes voies de la nouvelle génération de protocoles sociaux décentralisés dans ces deux directions.

Graphique social basé sur des scénarios

Comme mentionné précédemment, les graphiques sociaux sont ancrés dans des scènes. Les amis des gens sur Momo et leurs amis sur DingTalk ne sont probablement pas de la même nature. Si le futur graphe social ne différencie pas les scénarios pour toutes les « connexions », il sera extrêmement difficile de migrer le réseau de relations sociales. Il existe de nombreux exemples qui prouvent que Tencent souhaitait créer Tencent Weibo sur la base des utilisateurs accumulés dans l'espace QQ. Les mises à jour publiées par les utilisateurs dans l'espace QQ seront automatiquement synchronisées avec Tencent Weibo. Mais ce que Tencent n’a pas pris en compte, c’est que l’espace QQ est rempli de connaissances et de relations sociales. La « sombre histoire » des internautes ne serait pas très embarrassante si elle était montrée à leur famille, à leurs amis et à d'autres personnes familières, mais si elle était publiée à des inconnus sur Weibo, elle pourrait être décrite comme une « grande scène de mort sociale ». Le résultat final est prévisible : Tencent Weibo a été vaincu par Sina Weibo.

Par conséquent, le graphique social doit être basé sur des scénarios. Si vous souhaitez responsabiliser les développeurs, il ne suffit pas de simplement fournir une liste de surveillance des portefeuilles. Cela nécessite que les données soient plus petites en termes de granularité et contiennent des informations plus riches. CyberConnect, Lens et Farcaster abordent ce problème sous différentes dimensions. CyberConnect ne limitera pas le scénario aux médias sociaux traditionnels, mais embrassera également le modèle « social + », en espérant intégrer le graphe social dans des applications dans divers domaines, tels que DeFi, GameFi, Crédit, restauration, création musicale, etc. C’est pourquoi CyberConnect coopère principalement avec des projets tiers au lieu de s’appuyer entièrement sur sa propre incubation de projets écologiques. Dans le même temps, CyberConnect apporte également les actifs sociaux accumulés dans la scène Web2.0 au Web3.0, reliant les deux scènes Web2.0 et Web3.0 via le lien 3. Par conséquent, en termes de profondeur et d’étendue des données, CyberConnect est le plus performant parmi les trois.

L'approche basée sur les scénarios de Lens est basée sur le contenu, car Lens modularise les relations de suivi et le contenu dans les NFT et les stocke sur la chaîne. Par conséquent, les relations des personnes ne sont pas séparées du contenu. Vous pouvez déduire dans quel type de scène se trouve une personne. contenu publié. A suivi une autre personne. Le contenu et les relations modulaires facilitent la création de scénarios. Et Lens se concentre principalement sur le domaine social, et les différents projets écologiques construits à Lens sont majoritairement sociaux. Parce que Farcaster a un scénario très spécifique (application de type Twitter), la richesse et l'universalité du graphe social généré sur cette plateforme sont également limitées. L'auteur estime qu'il s'agit d'un gros problème dans l'écosystème Farcaster.

Algorithmes basés sur des graphes sociaux

Les algorithmes sont l'élément le plus important pour permettre la connectivité, qui est la pierre angulaire de l'épanouissement des médias sociaux Web 2.0 et peut aider les médias sociaux à maximiser les effets de réseau. Les algorithmes nous changent tranquillement. Sur les plateformes sociales, l’autonomie des utilisateurs devient un concept extrêmement complexe. L'autonomie englobe à la fois l'activité humaine consciente et « l'inconscient technologique ». Dans quelle mesure les relations sociales que nous créons sur les plateformes sociales sont-elles basées sur des activités humaines conscientes, et dans quelle mesure les connexions sont-elles créées subtilement par des algorithmes en raison de « l'inconscience technique » des gens ? Il est difficile de répondre à cette question aujourd’hui. Parce que les médias sociaux encourageront autant que possible « l'inconscience technique », ils déformeront d'abord le concept de « partage » et assimileront « la violation de la vie privée des utilisateurs » à « un monde ouvert et transparent », puis augmenteront la présence des utilisateurs sur les plateformes sociales. à travers une série de comportements codés. Il passe beaucoup de temps à collecter les données des utilisateurs, et finalement guide les utilisateurs des réseaux sociaux vers les activités professionnelles en fonction de leurs préférences.

Par exemple, la promesse de Mark Zuckerberg de « rendre le Web plus social » et son désir autoproclamé de « rendre le monde plus transparent » brouillent subtilement les frontières entre un Internet ouvert et la vie privée des utilisateurs. Netflix a précédemment publié un documentaire intitulé Surveillance Capitalism: The Smart Trap. Le documentaire invite les dirigeants de Google, Facebook, Twitter et d'autres sociétés à démonter au public une série de conceptions « addictives » construites à l'aide de la technologie de réseau, notamment : des recommandations de contenu, des likes, la « saisie... » et d'autres opérations. Le seul objectif de cette série de conceptions est d’augmenter la durée pendant laquelle les utilisateurs restent sur la plate-forme et de collecter autant de comportements d’utilisateurs que possible. Il existe des normes sociales et une logique culturelle similaires derrière le comportement des utilisateurs. Par exemple, l'algorithme derrière les « j'aime » mesure le désir des gens pour quelque chose ou leur accord avec certaines idées. Et ce désir quantifié peut déterminer les tendances de consommation sous-jacentes. Dans le même temps, le processus de promotion de la consommation est très invisible. Par exemple, lorsqu'un utilisateur entre dans Douyin à partir d'un lien partagé par un ami, clique sur le lien du produit en bas de l'écran et achète le produit via Alipay. il suffit de trois clics pour orienter le comportement de partage vers la consommation.

On peut constater que l’impact des algorithmes sur les personnes est subtil et difficile à remarquer pour les utilisateurs. Puisque attirer l’attention est la première priorité de l’algorithme, peu importe qu’un contenu de qualité soit distribué. Les algorithmes orientent le trafic vers un contenu viral et accrocheur. Grâce à ces contenus fragmentés accrocheurs, les utilisateurs peuvent rester sur la plateforme le plus longtemps possible, attirant ainsi l'attention (comme Douyin). En outre, les recommandations personnalisées et la personnalisation des algorithmes peuvent amener les gens à tomber dans des « bulles de filtre » d'information et à ne recevoir que des informations cohérentes avec leurs positions existantes, sans la stimulation et le défi des différents points de vue, conduisant ainsi à des biais cognitifs, à une anxiété informationnelle, et conformité aveugle (effet cocon d’information). Les médias sociaux à l’ère du Web 2.0 utilisent des algorithmes pour parvenir à une expansion rapide, mais ignorent l’impact négatif des algorithmes sur les gens.

Dans le Web3.0, en plus de la recommandation de contenus longue traîne, les algorithmes basés sur les graphes sociaux devraient être diversifiés. Vitalik a proposé le concept d'intelligence plurielle dans l'article Société décentralisée. Par rapport à l'intelligence artificielle, le mécanisme algorithmique de l'intelligence multiple présente plusieurs améliorations principales. Premièrement, la collecte de données doit être ancrée dans le contexte social et non basée sur les caractéristiques comportementales des utilisateurs sur une certaine plateforme. Deuxièmement, les créateurs de données, c'est-à-dire les utilisateurs, doivent conserver le droit de gérer leurs données, ce qui, dans une certaine mesure, c'est La lutte contre « l'inconscience technologique ». En d’autres termes, la diversité des algorithmes ne rend pas l’algorithme plus intelligent, mais le rend plus humain. Le graphe social fournit en fait le terrain pour des algorithmes multidimensionnels. Grâce à de riches informations d’identité, l’algorithme peut suivre diverses caractéristiques et origines sociales des utilisateurs, plutôt que d’analyser en fonction de comportements spécifiques sur une plateforme. Dans le même temps, si l'utilisateur choisit de divulguer ou de masquer certaines informations d'identité ou relations interpersonnelles, le modèle ne peut pas utiliser ces points de données pour personnaliser l'algorithme.

D'un point de vue algorithmique, il est difficile de résoudre fondamentalement les problèmes ci-dessus avec le seul graphe social, car la racine du problème réside dans le modèle économique des sites de réseaux sociaux Web2.0, dans les revenus publicitaires ou, essentiellement, dans l'économie de l'attention. Par conséquent, les plateformes sociales Web3.0 doivent utiliser des jetons et d’autres médias pour explorer des méthodes de monétisation plus diverses afin d’inverser fondamentalement cette situation. Le graphe social pourrait peut-être améliorer cette situation par d’autres moyens. Par exemple, la précision de la poussée du contenu à longue traîne de l'algorithme et le contrôle de l'utilisateur sur l'algorithme.

Les moteurs d’algorithmes sont intégrés à l’infrastructure de CyberConnect. Étant donné que la base de données contient des informations sur le comportement des utilisateurs dans différentes applications et scénarios, ce moteur est de plus grande dimension. Par exemple, lors de la création d'un moteur de recommandation pour un projet social, vous pouvez également analyser le crédit de l'utilisateur sur la plateforme DeFi, les performances de la plateforme de jeu, etc. dans l'algorithme, ce qui est difficile à réaliser dans le contexte fermé du Web2. 0. Lens Protocol n'a actuellement aucune conception d'algorithme, mais il fournit également une API permettant aux développeurs de former leurs propres modèles via la base de données. Warpcast lancé par Farcaster dispose d'un mécanisme de recommandation en tant que produit spécifique, mais ce mécanisme de recommandation est uniquement basé sur le comportement de l'utilisateur sur son propre produit. Par conséquent, bien que Warpcast dispose d'une interface qui interagit directement avec les utilisateurs et peut être utilisée comme point de départ pour l'acquisition de clients et la croissance des utilisateurs, sa flexibilité et son imagination sont également limitées en raison de sa forme de produit trop spécifique.