Twitter (X) a fost un ultimii doi ani tumultuosi. Anul trecut, Elon Musk a achiziționat platforma pentru 44 de miliarde de dolari și apoi a revizuit personalul companiei, moderarea conținutului, modelul de afaceri și cultura site-ului. În mijlocul acestor acțiuni controversate, totuși, o nouă funcție de pe Twitter a devenit rapid importantă și pare a fi iubită de oamenii din spectrul politic: Notele comunității.

Community Notes este un instrument de verificare a faptelor care uneori adaugă note contextuale la tweet-uri, cum ar fi tweet-ul lui Elon Musk de mai sus, ca instrument de verificare a faptelor și contra dezinformare. Inițial a fost numit Birdwatch și a fost lansat pentru prima dată ca proiect pilot în ianuarie 2021. De atunci s-a extins treptat, cea mai rapidă expansiune coincid cu preluarea Twitter de către Elon Musk anul trecut. Notele comunității apar în mod regulat printre tweet-urile care primesc o atenție larg răspândită pe Twitter în aceste zile, inclusiv cele care tratează subiecte politice controversate. În opinia mea, și concluzia mea din discuțiile cu mulți oameni din spectrul politic, aceste Note sunt informative și valoroase așa cum par.

Cu toate acestea, ceea ce mă interesează cel mai mult sunt Community Notes, care, deși nu este un „proiect criptografic” este probabil cel mai apropiat exemplu de „valori criptografice” pe care l-am văzut în lumea mainstream. Notele comunității nu sunt scrise sau organizate de unii experți selectați la nivel central, oricine poate scrie și vota, iar notele care apar sau nu sunt determinate în întregime de algoritmi open source. Site-ul web Twitter are un ghid detaliat și cuprinzător care descrie modul în care funcționează algoritmul și puteți descărca datele care conțin note și sondaje publicate, puteți rula algoritmul local și puteți verifica dacă rezultatul se potrivește cu ceea ce este vizibil pe site-ul Twitter. Deși nu este perfect, se apropie surprinzător de idealul de neutralitate de încredere în situații destul de controversate și este foarte util în același timp.

Cum funcționează algoritmul Community Notes?

Oricine are un cont Twitter care îndeplinește anumite criterii (în principiu: activ de mai mult de 6 luni, fără încălcări ale politicii, număr de telefon mobil verificat) se poate înscrie pentru a participa la Community Notes. În prezent, participanții sunt acceptați lent și aleatoriu, dar în cele din urmă planul este de a permite oricui se califică să se alăture. Odată acceptat, puteți mai întâi să participați la evaluarea Notelor existente și, odată ce evaluările dvs. sunt suficient de bune (măsurate prin a vedea care evaluări se potrivesc cu rezultatele finale pentru nota respectivă), puteți, de asemenea, să scrieți propriile Note.

Când scrieți o notă, nota primește un scor bazat pe revizuirea de către alți membri Community Notes. Aceste recenzii pot fi considerate ca voturi pe cele trei niveluri de „util”, „oarecum de ajutor” și „nu este de ajutor”, dar recenziile pot include și alte etichete care joacă un rol în algoritm. Pe baza acestor recenzii, lui Notes i se atribuie un scor. Dacă scorul notei depășește 0,40, nota va fi afișată în caz contrar, nota nu va fi afișată.

Ceea ce este unic la algoritm este modul în care sunt calculate scorurile. Spre deosebire de algoritmii simpli, care sunt proiectați doar pentru a calcula un fel de sumă sau medie a evaluărilor utilizatorilor și o folosesc ca rezultat final, algoritmul de evaluare a Notelor comunității încearcă în mod explicit să acorde prioritate celor care au primit recenzii pozitive de la persoane cu perspective diferite. Adică, dacă oamenii care în mod normal nu sunt de acord cu privire la evaluări ajung să fie de acord cu o anumită Notă, acea Notă va fi evaluată foarte bine.

Să aruncăm o privire mai atentă la modul în care funcționează. Avem un set de utilizatori și un set de Note, putem crea o matrice M în care celula Mij reprezintă modul în care utilizatorul i-a evaluat J-lea.

Pentru orice note date, majoritatea utilizatorilor nu au evaluat acele note, așa că majoritatea intrărilor din matrice vor fi zero, dar este în regulă. Scopul algoritmului este de a crea un model pe patru coloane de utilizatori și Note, atribuind câte două statistici fiecărui utilizator, pe care le putem numi „prietenie” și „polaritate”, și câte două statistici pentru fiecare Note, pe care le numim „utilitate”. „și „polaritate”. Modelul încearcă să prezică matricea în funcție de aceste valori, folosind următoarea formulă:

Rețineți că aici vă prezint terminologia folosită în lucrarea Birdwatch, precum și propria mea terminologie pentru a oferi o înțelegere mai intuitivă a semnificației variabilelor fără a implica concepte matematice:

• μ este un parametru de „sentiment public” care măsoară cât de ridicate sunt acordate în general evaluările de către utilizatori.

• iu este „prietenia” utilizatorului, adică cât de probabil este ca utilizatorul să aibă tendința de a acorda un rating ridicat.

• în este „utilitatea” Notelor, adică cât de probabil este ca Notele să fie evaluate înalt. Aceasta este variabila la care ne pasă.

• fu sau fn este „polaritatea” utilizatorului sau a Notelor, adică poziția lor pe axa dominantă a extremelor politice. În practică, polaritatea negativă înseamnă aproximativ „înclinare la stânga”, iar polaritatea pozitivă înseamnă „înclinare la dreapta”, dar vă rugăm să rețineți că axele extreme sunt derivate prin analiza datelor utilizatorului și Notes, iar conceptele de stânga și dreapta nu sunt codificate în mod tare.

Algoritmul folosește un model de învățare automată destul de de bază (coborâre gradient standard) pentru a găsi cele mai bune valori variabile pentru a prezice valorile matricei. Utilitatea atribuită unei anumite note este scorul final pentru nota respectivă. O notă va fi afișată dacă utilitatea sa este de cel puțin +0,4.

Inteligența de bază aici este că „polaritatea” absoarbe caracteristicile unei note care fac ca aceasta să fie plăcută de unii utilizatori și displacută de alții, în timp ce „utilitatea” măsoară doar caracteristicile unei note. Aceste caracteristici fac ca aceasta să fie plăcută de toți utilizatorii. Selectarea utilității identifică astfel notele care sunt aprobate de către triburi și exclude notele care sunt aplaudate de un trib, dar resentite de altul.

Cele de mai sus descriu doar partea de bază a algoritmului. De fapt, există multe mecanici suplimentare adăugate pe deasupra. Din fericire, ele sunt descrise în documentația publică. Aceste mecanisme includ următoarele:

• Algoritmul este rulat de mai multe ori, adăugând de fiecare dată câteva „voturi false” extreme generate aleatoriu la vot. Aceasta înseamnă că rezultatul real al algoritmului pentru fiecare Note este un interval de valori, iar rezultatul final depinde de o „încredere mai mică” luată din acel interval și în comparație cu un prag de 0,32.

• Dacă mulți utilizatori (în special cei cu polaritatea Notes) evaluează o Notă ca „Neutilă” și atribuie, de asemenea, aceeași „etichetă” (de exemplu, „limbaj argumentativ sau părtinitor”, „sursă neobișnuită”) „Note de asistență”) ca motivul evaluării, atunci pragul de utilitate necesar pentru ca Notele să fie publicate va crește de la 0,4 la 0,5 (acesta poate părea mic, dar este foarte important în practică).

• Dacă o Notă este acceptată, utilitatea acesteia trebuie redusă la 0,01 puncte sub pragul necesar pentru acceptarea Notei.

• Algoritmul efectuează mai multe rulări folosind mai multe modele, uneori sporind Notele cu scoruri de utilitate brute între 0,3 și 0,4.

În total, obțineți un cod Python destul de complex, care totalizează 6282 de linii răspândite în 22 de fișiere. Dar totul este deschis și puteți descărca Note și datele de scor și le puteți rula singur pentru a vedea dacă rezultatul se potrivește cu ceea ce se întâmplă de fapt pe Twitter.

Deci, cum arată asta în practică?

Probabil cea mai mare diferență dintre acest algoritm și pur și simplu luarea unui scor mediu din voturile oamenilor este conceptul a ceea ce eu numesc valori „polare”. Documentația algoritmului se referă la ei ca fu și fn, folosind f pentru factor, deoarece cei doi termeni se înmulțesc unul pe celălalt, terminologia mai generală se datorează eventual dorinței de a face fu și fn multidimensionale.

Polaritatea este atribuită utilizatorilor și Notelor. Legătura dintre ID-ul utilizatorului și contul Twitter subiacent este ținută secretă intenționat, dar Notes este publică. De fapt, cel puțin pentru setul de date englezesc, polaritatea generată de algoritm se corelează foarte strâns cu stânga și dreapta.

Iată câteva exemple de Note cu polaritate în jurul valorii de -0,8:

Rețineți că nu aleg aici, acestea sunt de fapt primele trei rânduri din foaia de calcul scored_notes.tsv pe care am generat-o când rulam algoritmul la nivel local, iar scorurile de polaritate (numite coreNoteFactor1 în foaia de calcul) sunt mai mici de - 0,8.

Acum, iată câteva Note cu o polaritate de aproximativ +0,8. Se pare că mulți dintre ei sunt fie oameni care vorbesc despre politica braziliană în portugheză, fie fani Tesla care resping cu furie criticile la adresa Tesla, așa că permiteți-mi să aleg puțin și să găsesc câteva Note care nu se încadrează în nicio categorie:

Din nou, ca o reamintire, „diviziunea stânga vs. dreapta” nu este codificată în niciun fel în algoritm, ci este descoperită computațional. Acest lucru sugerează că, dacă aplicați acest algoritm în alte contexte culturale, acesta poate detecta automat principalele lor diviziuni politice și poate construi punți între acele diviziuni.

Între timp, Note pentru utilitate maximă arată astfel. De data aceasta, deoarece notele apar de fapt pe Twitter, pot face doar o captură de ecran:

Mai este unul:

Pentru a doua Note, se ocupă mai direct de subiecte politice extrem de partizane, dar este o Note clară, de înaltă calitate și informativă, deci primește un rating ridicat. În general, algoritmul pare să funcționeze și pare fezabil să se verifice rezultatul algoritmului prin rularea codului.

Ce cred despre acest algoritm?

Ceea ce m-a frapat cel mai mult când am analizat acest algoritm a fost complexitatea acestuia. Există o „versiune academică de hârtie” care folosește coborârea gradientului pentru a găsi cea mai bună potrivire a ecuațiilor vectoriale și matriceale cu cinci termeni, iar apoi există versiunea reală, o serie complexă de execuții ale algoritmului cu multe execuții diferite și multă arbitrar de-a lungul coeficientul.

Chiar și versiunea de hârtie academică ascunde complexitatea de bază. Ecuația pe care o optimizează este de ordinul al patrulea negativ (deoarece există un termen patratic fu*fn în formula de predicție, iar funcția de cost măsoară pătratul erorii). În timp ce optimizarea unei ecuații pătratice în orice număr de variabile va avea aproape întotdeauna o soluție unică, pe care o puteți înțelege cu o algebră liniară destul de simplă, optimizarea unei ecuații cuartice în multe variabile are de obicei multe soluții, prin urmare, mai multe runde de algoritmi de coborâre a gradientului Diferite se pot obtine raspunsuri. Modificările mici ale intrării pot face ca declinul să treacă de la un minim local la altul, modificând semnificativ rezultatele de ieșire.

Diferența dintre acest lucru și algoritmii pe care i-am ajutat să dezvolt, cum ar fi finanțarea secundară, pentru mine este ca diferența dintre algoritmul unui economist și algoritmul unui inginer. Algoritmii economiștilor, în cel mai bun caz, se concentrează pe simplitate, sunt relativ ușor de analizat și au proprietăți matematice clare, ceea ce indică faptul că este cel mai bun (sau cel mai puțin rău) ca sarcina să fie rezolvată și, în mod ideal, poate fi și demonstrată. Cât de mult rău poate face cineva încercând să-l exploateze. Algoritmul unui inginer, pe de altă parte, este derivat printr-un proces iterativ de încercare și eroare pentru a vedea ce funcționează și ce nu funcționează în mediul de operare al inginerului. Algoritmii inginerilor sunt pragmatici și termină treaba, algoritmii economiștilor nu își pierd complet controlul atunci când se confruntă cu situații neașteptate.

Sau, după cum spunea respectatul filosof al internetului Roon (aka tszzl) într-un fir conex:

Desigur, aș spune că aspectul „estetic teoretic” al criptomonedelor este necesar pentru a putea face diferența cu acuratețe între acele protocoale care sunt cu adevărat fără încredere și cele care arată bine și funcționează bine la suprafață, dar care de fapt necesită încredere într-un actor centralizat, Sau și mai rău, ar putea fi o înșelătorie completă.

Învățarea profundă este eficientă în circumstanțe normale, dar are slăbiciuni inevitabile în diferite atacuri adverse de învățare automată. Dacă sunt făcute bine, capcanele tehnice și scări de abstractizare la nivel înalt pot combate aceste atacuri. Deci, am o întrebare: putem transforma în sine notele comunității în ceva mai asemănător unui algoritm economic?

Pentru a ne face o idee practică despre ceea ce înseamnă acest lucru, haideți să explorăm un algoritm pe care l-am conceput acum câțiva ani pentru un scop similar: finanțarea pătratică delimitată în perechi.

Scopul finanțării pătratice delimitate în perechi este de a umple o lacună în finanțarea pătratică „obișnuită”, prin care, chiar dacă doi participanți se complică unul cu celălalt, ei pot contribui cu sume foarte mari la un proiect fals, le pot returna fondurile și pot primi bani mari. subvenții care drenează întregul fond de capital. În finanțarea pătratică delimitată în perechi, alocam un buget limitat M fiecărei perechi de actori. Algoritmul iterează prin toate perechile posibile de actori, iar dacă algoritmul decide să adauge o subvenție unui anumit proiect P pentru că atât actorul A, cât și actorul B îl susțin, atunci această subvenție este dedusă din bugetul alocat perechii (A, B). ) . Prin urmare, chiar dacă k participanți se complică, suma pe care o pot fura din mecanism este de cel mult k (k-1) M.

Această formă a algoritmului nu funcționează bine în contextul Community Notes, deoarece fiecare utilizator acordă doar un număr mic de voturi: în medie, numărul de voturi în comun între oricare doi utilizatori este zero, deci pur și simplu privind fiecare pereche individual Utilizatorul, algoritmul nu poate înțelege polaritatea utilizatorului. Scopul unui model de învățare automată este tocmai acela de a încerca să „populeze” o matrice din date sursă foarte rare care nu pot fi analizate direct în acest fel. Dar provocarea acestei abordări este că este necesar un efort suplimentar pentru a evita rezultate extrem de volatile în fața unui număr mic de voturi proaste.

Pot Notele comunității într-adevăr să stea în picioare la stânga și la dreapta?

Putem analiza dacă algoritmul Community Notes este de fapt capabil să reziste la extreme, adică dacă are performanțe mai bune decât un algoritm de vot naiv. Acest algoritm de vot rezistă deja la extreme într-o anumită măsură: o postare cu 200 de aprecieri și 100 de aprecieri va avea rezultate mai proaste decât o postare cu doar 200 de aprecieri. Dar notele comunității se descurcă mai bine?

Din perspectiva algoritmului abstract, este greu de spus. De ce o postare de polarizare cu o evaluare medie mare nu ar avea polaritate puternică și utilitate ridicată? Ideea este că, dacă acele voturi sunt conflictuale, polaritatea ar trebui să „absoarbă” caracteristicile care au făcut ca postarea să obțină o mulțime de voturi, dar chiar face asta?

Pentru a verifica acest lucru, am rulat propria mea implementare simplificată pentru 100 de runde. Rezultatele medii sunt următoarele:

În acest test, Notele „bune” au primit un rating de +2 în rândul utilizatorilor cu aceeași afiliere politică și un rating +0 în rândul utilizatorilor de afiliere politică opusă, iar Notele „bune, dar mai extreme” au primit un rating +0 în rândul utilizatorilor de aceeași afiliere politică a primit un rating de +4 în rândul utilizatorilor facțiunii opuse și un rating de -2 în rândul utilizatorilor facțiunii opuse. Deși scorurile medii sunt aceleași, polaritatea este diferită. Și de fapt, utilitatea medie a notelor „bune” pare să fie mai mare decât cea a notelor „bune, dar mai extrem de înclinate”.

Având un algoritm care este mai aproape de „Algoritmul Economistului” va avea o poveste mai clară despre modul în care algoritmul penalizează extremele.

Cât de utile sunt toate acestea în situații cu mize mari?

Putem învăța o parte din acestea analizând o situație specifică. În urmă cu aproximativ o lună, Ian Bremmer s-a plâns că o notă comunitară extrem de critică a fost adăugată la un tweet despre un oficial guvernamental chinez, dar notele au fost eliminate de atunci.

Aceasta este o sarcină dificilă. Un lucru este să faci proiectarea mecanismelor într-un mediu comunității Ethereum în care cea mai mare plângere ar putea fi doar 20.000 USD pentru un influenț Twitter extrem. Situația este complet diferită când vine vorba de probleme politice și geopolitice care afectează milioane de oameni, unde toată lumea își asumă adesea în mod rezonabil cele mai rele motive. Cu toate acestea, interacțiunea cu aceste medii cu mize mari este esențială dacă designerii mecanici doresc să aibă un impact semnificativ asupra lumii.

În cazul Twitter, există un motiv evident pentru a suspecta manipularea centralizată ca motiv pentru care Notele sunt eliminate: Elon Musk are o mulțime de interese comerciale în China, așa că este posibil ca Elon Musk să fi forțat echipa Community Notes să interfereze cu rezultatul algoritmului. și eliminați-l. Aceste note particulare.

Din fericire, algoritmul este open source și poate fi verificat, așa că putem să-l cercetăm! Să o facem. Adresa URL a tweet-ului original este https://twitter.com/MFA_China/status/1676157337109946369. Numărul 1676157337109946369 de la sfârșit este ID-ul tweet-ului. Putem căuta acest ID în datele descărcabile și putem identifica rândul specific din foaia de calcul care are notele de mai sus:

Aici obținem ID-ul Notes în sine, 1676391378815709184. Apoi căutăm acel ID în fișierele scored_notes.tsv și note_status_history.tsv generate prin rularea algoritmului. Am obtinut urmatoarele rezultate:

A doua coloană din prima ieșire este evaluarea curentă pentru acele Note. A doua ieșire arată istoricul Notelor: starea sa actuală este în coloana șapte (NEEDS_MORE_RATINGS), iar prima stare pe care a primit-o anterior și care nu a fost NEEDS_MORE_RATINGS este în coloana cinci (CURRENTLY_RATED_HELPFUL). Deci, putem vedea că algoritmul însuși a arătat mai întâi nota și apoi a eliminat-o după ce ratingul său a scăzut ușor - nu pare să fie implicată nicio intervenție centrală.

De asemenea, putem privi această problemă într-un alt mod, analizând votul în sine. Putem scana fișierul ratings-00000.tsv pentru a izola toate evaluările pentru acele Note și pentru a vedea câte sunt evaluate HELPFUL și NOT_HELPFUL:

Cu toate acestea, dacă le sortați după marcaj de timp și vă uitați la primele 50 de voturi, veți vedea că există 40 de voturi HELPFUL și 9 NOT_HELPFUL voturi. Așadar, ajungem la aceeași concluzie: audiența inițială a Notes a evaluat Notes mai pozitiv, în timp ce audiența ulterioară a Notes l-a evaluat mai puțin favorabil, astfel încât evaluările sale au început să fie mai ridicate și au scăzut în timp.

Din păcate, exact modul în care Notes și-a schimbat statutul este greu de explicat: nu este o simplă chestiune de „înainte era evaluat peste 0,40, acum este evaluat sub 0,40, deci a fost eliminat”. În schimb, un număr mare de răspunsuri NOT_HELPFUL declanșează una dintre condițiile de excepție, crescând scorul de utilitate de care Notes are nevoie pentru a rămâne peste prag.

Aceasta este o altă oportunitate grozavă de învățare care ne învață o lecție: pentru a face un algoritm neutru de încredere cu adevărat demn de încredere necesită păstrarea lui simplă. Dacă o notă trece de la a fi acceptată la a nu fi acceptată, ar trebui să existe o poveste simplă și clară care să explice de ce este cazul.

Desigur, există un mod complet diferit de a manipula acest vot: Brigada. Cineva care vede o notă pe care o dezaprobă poate apela la o comunitate foarte implicată (sau, mai rău, la o legiune de conturi false) să-l evalueze ca NOT_HELPFUL și s-ar putea să nu fie nevoie de prea multe voturi pentru a muta Notele din „Util” devine „extrem”. Sunt necesare mai multe analize și muncă pentru a reduce în mod corespunzător vulnerabilitatea algoritmului la astfel de atacuri coordonate. O posibilă îmbunătățire ar fi aceea de a nu permite niciunui utilizator să voteze pentru nicio notă, ci de a atribui aleatoriu note evaluatorilor într-un mod recomandat de algoritmul „Pentru tine” și de a permite evaluatorilor să evalueze doar acele Note cărora le-au fost alocați.

Notele comunității nu sunt suficient de „curajoase”?

Principala critică pe care o văd la adresa Community Notes este că nu face suficient. Am văzut două articole recente care menționau acest lucru. Pentru a cita unul dintre articole:

Programul suferă de o limitare serioasă, și anume că, pentru ca notele comunitare să fie publice, trebuie să fie acceptate universal de un consens de oameni din spectrul politic.

„Trebuie să aibă un consens ideologic”, a spus el. „Asta înseamnă că oamenii din stânga și cei din dreapta trebuie să fie de acord că nota trebuie atașată la tweet”.

În esență, a spus el, necesită „acord inter-ideologic asupra adevărului, care este aproape imposibil de realizat într-un mediu din ce în ce mai partizan”.

Este o întrebare grea, dar în cele din urmă sunt înclinat să cred că este mai bine să ai zece tweet-uri de dezinformare răspândite liber decât să ai un tweet adnotat pe nedrept. Am văzut ani de verificare a faptelor și este curajos, și din perspectiva „de fapt, știm adevărul, știm că o parte minte mai des decât cealaltă”. Care va fi rezultatul?

Sincer să fiu, există o neîncredere destul de răspândită în conceptul de verificare a faptelor. Iată o strategie care spune: Ignorați criticii, amintiți-vă că experții în verificarea faptelor cunosc cu adevărat faptele mai bine decât orice sistem de vot și rămâneți cu el. Dar a face all-in în această abordare pare riscant. Există valoare în construirea instituțiilor intertribale care sunt respectate de toți cel puțin într-o oarecare măsură. La fel ca maxima lui William Blackstone și instanțele, consider că menținerea acestui respect necesită un sistem care face greșeli prin omisiune, mai degrabă decât în ​​mod proactiv. Așadar, mi se pare că există valoare în cel puțin o organizație majoră să urmeze această cale diferită și să-și trateze rarul respect trans-tribal ca pe o resursă prețioasă.

Un alt motiv pentru care cred că este în regulă ca Notele comunității să fie conservatoare este că nu cred că fiecare tweet de dezinformare, sau chiar majoritatea tweet-urilor de dezinformare, ar trebui să primească o notă corectivă. Chiar dacă mai puțin de un procent din tweet-urile de dezinformare primesc adnotări care oferă context sau corecție, Community Notes oferă totuși un serviciu extrem de valoros ca instrument educațional. Scopul nu este de a corecta totul, mai degrabă, scopul este să le reamintești oamenilor că există mai multe puncte de vedere, că unele postări care par convingătoare și implicate în mod izolat sunt de fapt destul de greșite și că tu, da, poți de obicei să faci căutare de bază pe internet; pentru a verifica că este greșit.

Notele comunitare nu pot fi, nici nu se intenționează să fie, un panaceu pentru toate problemele din epistemologia publică. Indiferent de problemele pe care nu le rezolvă, există mult loc pentru alte mecanisme care să-l umple, fie că este un gadget nou, cum ar fi o piață de predicții sau o organizație consacrată care angajează angajați cu normă întreagă cu expertiză în domeniu, care pot încerca să umple golurile.

în concluzie

Community Notes nu este doar un experiment fascinant de rețele sociale, ci și un exemplu de tip fascinant de proiectare a mecanismelor emergente: mecanisme care caută în mod conștient să identifice extreme și tind să promoveze trecerea granițelor, mai degrabă decât să perpetueze diviziunile.

Alte două exemple din această categorie de care sunt conștient sunt: ​​(i) mecanismul de finanțare secundară pe perechi utilizat în Granturile Gitcoin și (ii) Polis, un instrument de discuție care utilizează algoritmi de grupare pentru a ajuta comunitatea să identifice declarațiile populare comune pentru oameni. care au adesea opinii diferite. Această zonă de proiectare a mecanismelor este valoroasă și sper să vedem mai multe lucrări academice în acest domeniu.

Transparența algoritmică oferită de Community Notes nu este exact aceeași cu rețelele sociale complet descentralizate - dacă nu sunteți de acord cu modul în care funcționează Community Notes, nu există nicio modalitate de a vizualiza același conținut printr-un alt algoritm. Dar acesta este cel mai aproape de care se vor apropia aplicațiile hiperscale în următorii câțiva ani și putem vedea că oferă deja o mulțime de valoare, atât în ​​prevenirea manipulării centralizate, cât și în asigurarea faptului că platformele care nu se angajează într-o astfel de manipulare sunt recunoscute .

Aștept cu nerăbdare să văd Community Notes și mulți algoritmi cu spirit similar să se dezvolte și să crească în următorul deceniu.