Louange, approbation, acceptation et compliment - tous ces éléments d'interaction sociale sont très agréables et passent par une mince ligne tout au long de la vie d'une personne. En tant qu'enfant, nous sommes félicités pour avoir terminé notre dîner ou dessiné un dessin adorable (que seul un expert en art abstrait peut comprendre), pour une bonne note à l'école, etc. En tant qu'adultes, la louange devient moins nécessaire pour nous, mais apporte toujours de la joie.
La communication et l'engagement social ont radicalement changé avec l'avènement d'Internet et des médias sociaux. La distance et le temps ne sont plus des facteurs décisifs dans la communication entre les personnes vivant dans des villes différentes. La commodité, bien sûr, a augmenté, même si parfois le contenu des messages a diminué. En même temps, tout le monde et tout le monde ont eu l'opportunité de se pencher sur la vie d'une autre personne, sans échanger un mot avec lui. Du point de vue de la mécanique des réseaux sociaux, le concept de «likes» est également important. Quelqu'un ne se soucie pas d'eux, pour quelqu'un c'est juste une fonction curieuse, et quelqu'un ne peut pas dormir paisiblement si une photo de vacances récentes n'a pas gagné le nombre souhaité de cœurs ou de pouces vers le haut.La question se pose: pourquoi certaines personnes ont-elles tellement soif d'approbation sur Internet? Qu'est-ce qui les anime? Des scientifiques de l'Université de New York ont trouvé des similitudes entre l'envie de goûts chez les humains et le processus de recherche de nourriture chez les rongeurs de laboratoire. Quelles sont les similitudes, quel est le fondement neurologique qui sous-tend le besoin de goûts et comment les données obtenues peuvent-elles être appliquées dans la pratique? Nous apprenons cela dans le rapport des scientifiques. Aller.
Base de recherche
Internet et les réseaux sociaux nous permettent d'échanger des informations, de partager des idées, des pensées et des expériences et de communiquer avec des personnes du monde entier. C'est une invention vraiment étonnante et extrêmement utile qui ne porte aucun mal. Je voudrais dire si nous ne connaissions pas la nature humaine, qui est capable, à un degré ou à un autre, de tout séduire.
Parfois, il semble que les médias sociaux sont devenus un endroit où certaines personnes se vantent de leurs réalisations et d'autres les détestent pour cela. Ceci, bien sûr, est une vision très pessimiste de la situation, mais même il y a un grain de vérité en elle.
Nous connaissons tous l'expression "quelqu'un a tort sur Internet", qui à sa racine indique un nombre infini d'opinions sur quelque chose. Quelqu'un peut accepter cela calmement, mais quelqu'un ne peut pas vivre sans escarmouches verbales constantes sur le réseau, qui ne se terminent jamais comme ils le souhaiteraient.
Alors que certains utilisateurs des «réseaux sociaux» recherchent des sensations fortes sous la forme de conflits Internet, d'autres recherchent l'approbation, les commentaires élogieux et l'amour universel. Ce sont des manifestations tout à fait normales de la psyché humaine, mais tout a sa propre limite saine. Si les likes sont pour une personne un sous-produit de l'activité sociale sur le réseau, cela est raisonnable. Si les goûts deviennent la raison, le but et le moteur de l'existence humaine, alors il est temps de réfléchir sérieusement.
Considérant ce problème d'un point de vue scientifique, de nombreux chercheurs ont tenté de comprendre pourquoi une personne se comporte différemment sur Internet, pourquoi elle devient dépendante des réseaux sociaux, pourquoi elle a soif de likes, etc. Naturellement, les réponses à ces questions peuvent être très individuelles, car combien de personnes - autant de bagages psychologiques accumulés dans le passé.
De manière générale, de nombreuses études ne visent pas tant à comprendre la nature humaine qu'à améliorer les logiciels afin que cette nature puisse être utilisée au profit du réseau social derrière ces recherches. Néanmoins, comme le disent les scientifiques, même dans de tels travaux, vous pouvez apprendre beaucoup de choses intéressantes.
Par exemple, il a été constaté que le fait de recevoir une réaction négative à un message (aversion, etc.) entraînait une détérioration de la qualité des messages ultérieurs, et non son amélioration. D'autres études ont montré qu'une personne passera plus de temps sur le forum où elle a reçu plus de réponses. Ces cas mettent en évidence le mécanisme de récompense sous-jacent à la fois au comportement humain sur Internet et à de nombreux organismes vivants dans la nature.
Dans le travail que nous envisageons aujourd'hui, les scientifiques ont décidé de tester s'il était possible de caractériser globalement l'interaction dans les réseaux sociaux comme une forme d'apprentissage pour une récompense. L'étude a analysé plus d'un million de messages (posts) de 4000 utilisateurs sur différentes plates-formes. Les données ont été évaluées à l'aide de simulations informatiques.
L'hypothèse, sur laquelle les auteurs de l'étude opèrent, est basée sur la théorie de l'apprentissage informatique, qui est utilisée dans le développement et l'analyse d'algorithmes d'apprentissage automatique. Cette théorie peut convertir le comportement humain sur le réseau en un format de «récompense pour l'apprentissage».
La compréhension empirique sous-jacente est que lorsqu'un animal (comme un rongeur dans la boîte de Skinner) peut choisir le moment de ses réponses instrumentales (comme quand et à quelle fréquence appuyer sur le levier), la latence de réponse (l'inverse du taux de réponse) affecte négativement le montant des récompenses accumulées.
Un exemple de diagramme de boîte Skinner - une chambre de laboratoire spéciale requise pour l'étude contrôlée du comportement animal.
En d'autres termes, plus la récompense est mauvaise, plus le délai de réponse est long. Lors d'expériences avec des rongeurs, les sujets se sont très vite rendu compte que des actions plus rapides entraînaient des récompenses plus fréquentes, tandis que des actions plus lentes augmentaient le temps d'attente jusqu'à la prochaine récompense. Si nous traduisons cela dans le cadre de cette étude, alors plus une personne reçoit de récompense, plus le délai moyen entre les réponses devrait être court, car une action plus lente entraîne un délai plus long avant la prochaine récompense.
Se préparer aux expériences
Pour tester la théorie selon laquelle le comportement social sur Internet sous forme de messages (posts) suit les principes de la théorie de la récompense pour l'apprentissage, les scientifiques ont analysé des ensembles de données de divers réseaux sociaux à l'aide de simulations informatiques. Au total, 1 046 857 messages de 4 168 utilisateurs ont été utilisés dans l'étude. La recherche a été divisée en plusieurs étapes.
Lors de la première étape (2039 utilisateurs), l'hypothèse a été testée sur un grand ensemble de données de posts Instagram (nombre moyen de posts par personne = 418). Ce réseau social compte environ un milliard d'utilisateurs, et le format des messages est assez simple, tout comme la réponse sous forme de «j'aime». Cependant, selon les auteurs de l'étude, Instagram, comme de nombreux autres médias sociaux modernes. réseaux, les avantages financiers jouent un rôle important. Cela peut conduire à de multiples faux utilisateurs et de faux likes.
Pour cette raison, la première phase a été étendue à 2 127 utilisateurs, devenant ainsi la deuxième phase. Des données supplémentaires ont été extraites de sites thématiques (forums de discussion sur la mode masculine, la mode féminine et le jardinage), où les motivations financières sont moins probables (nombre moyen de publications par personne = 91).
La troisième étape consistait à mener une expérience en ligne, qui impliquait 176 personnes. L'expérience visait à imiter des aspects clés des médias sociaux, où les scientifiques pouvaient manipuler le niveau de récompense sociale pour tester son effet causal sur les délais de réponse.
L'action humaine sur un réseau social (par exemple, Instagram) a été comparée à l'action d'un rongeur dans la boîte de Skinner: affichage - activation d'un levier; comme est une récompense.
Ayant établi le fait que le comportement des médias sociaux dépend de la récompense, les scientifiques ont développé un modèle génératif basé sur la théorie de l'opérande libre chez les animaux non humains. Un principe clé de cette théorie est que les sujets doivent équilibrer le coût de l'effort de réponse et le coût d'opportunité de la passivité (c'est-à-dire les récompenses liées à la publication qu'une personne manque sans publier) afin de maximiser le net moyen (c'est-à-dire le profit moins les pertes). taux d'intérêt. La conséquence en est que le délai de réponse moyen devrait être moindre lorsque le taux de récompense moyen est plus élevé. Cette technique est applicable à la fois dans le cas de la récompense instantanée, et dans le cas où un certain temps s'écoule entre le poste et la récompense.
Basé directement sur ces principes, le modèle créé détermine comment les sujets ajustent leur latence de réponse pour maximiser le niveau moyen de récompense nette ®.
Image # 1
Formellement, le modèle décrit l'utilisation des médias sociaux comme une séquence de décisions concernant le délai entre les publications successives (τ Post , 1a ), où une personne maximise le taux de récompense en ajustant de manière adaptative τ Post après avoir observé chaque récompense reçue.
Psychologiquement τ Postpeut être considérée comme une accumulation de motivation pour la valeur seuil de publication. Le seuil déterminant τ Post est ajusté dynamiquement en fonction de l'erreur de prévision de la rémunération nette (δ) - la différence entre le niveau de rémunération reçu et le niveau de référence.
Le niveau de référence est défini à la fois par la sensibilité individuelle au coût de l'effort (par exemple, le coût subjectif de la photographie et du téléchargement), et par l'évaluation subjective du taux de rémunération net moyen ( 1b et 1c ). Le coût de l'effort et le coût d'opportunité dépendent du délai de réponse τ Post... En d'autres termes, la latence de réponse optimale équilibre ces deux coûts pour maximiser la récompense nette δ ( 1d ).
En conséquence, un modèle a été créé avec environ 250 000 points de données provenant de 1 000 utilisateurs simulés avec des valeurs de paramètres aléatoires. Selon la théorie de l'apprentissage, τ Post devrait être inférieur lorsque le taux de rémunération moyen est relativement plus élevé. Pour tester cela, R a été standardisé, puis la variable a été dichotomisée * par 0 pour obtenir un prédicteur qualitatif de «R faible vs élevé» (R faible versus élevé).
Dichotomisation * - traiter les données continues comme s'il s'agissait de variables binaires.L'analyse a révélé un effet clair de R faible et élevé sur τ Post , comme prévu. En d'autres termes, le modèle prédit (étant donné un ensemble de paramètres de simulation) que le délai de réponse moyen devrait être d'environ 18% plus long lorsque le taux de récompense moyen est faible par rapport à élevé ( 1e ).
Résultats de la simulation
Comme nous le savons déjà, la première phase de l'étude était liée à l'analyse des données du comportement en ligne sur Instagram. Dans un premier temps, une comparaison a été faite de deux modèles qui peuvent expliquer le comportement humain dans le réseau, à savoir le modèle utilisé de «l'apprentissage pour la récompense» (RL pour l' apprentissage par renforcement ) et le modèle sans formation. En conséquence, il a été constaté que le modèle RL convient à plus de 70% des utilisateurs évalués et à leurs publications ( 2a ).
Image n ° 2
Il est intéressant de noter que la découverte que les personnes ayant un grand nombre d'abonnés Instagram ont montré une valeur subjective décroissante de manière non linéaire (utilité) des likes. En d'autres termes, il y a une dépendance aux likes - plus le flux de likes est important et stable, moins une personne est impliquée dans leur réception et leur augmentation.
Selon la théorie des scientifiques, la réponse d'une personne du réseau devrait se produire plus rapidement si la récompense pour elle est plus grande. Cela a également été confirmé sur Instagram (N Obs = 851946, N Users = 2039), où le délai entre les publications s'est réduit lorsque le nombre de likes ® était relativement élevé: β = -0,18, SE = 0,003, t = -54,59, p <0001 ( 2b). Une fois recalculé, cela signifie qu'une augmentation de la récompense (j'aime) d'un niveau bas à un niveau relativement élevé a entraîné une diminution de 18% de la latence entre les messages (équivalent à 8 heures). Dans le cas d'une augmentation linéaire des goûts de 1%, il y a eu une diminution du temps entre les messages de 0,34% (environ 5 minutes).
Les graphiques 2c et 2d montrent la relation entre τ Post , R et la structure du modèle RL en utilisant l'exemple de l'activité d'un utilisateur sur deux ans.
Lors de la deuxième étape de l'étude, les résultats obtenus dans la première ont dû être vérifiés en introduisant des variables supplémentaires. Dans ce cas, il s'agissait de plateformes sociales supplémentaires, à savoir des forums à thème étroit (mode masculine, mode féminine et jardinage). Évidemment, la plupart des publications sur une telle plateforme sont sous forme de texte, et non d'images, comme sur Instagram. Néanmoins, ces forums avaient des sujets distincts avec un contenu principalement graphique (par exemple, «Que portez-vous aujourd'hui?», «Partagez des photos de votre jardin», etc.), chacun contenant plusieurs milliers de messages.
Une fois de plus, il a été vérifié que le modèle RL est le mécanisme fondamental du comportement en ligne, comme dans le cas d'Instagram. Dans les trois ensembles de données (190 721 publications de 2127 personnes), quel que soit le sujet spécifique, lors de la comparaison des modèles, il a été constaté que les modèles RL, plutôt que les modèles sans formation, conviennent à la grande majorité des cas.
Image # 3
Comme prévu, un R plus élevé prédit une réponse plus rapide dans les trois ensembles de données ( 3d - 3f ):
- mode masculine (N Obs = 36 139, N Utilisateurs = 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).
Ainsi, dans ces ensembles de données, les délais entre les publications étaient de 8%, 16% et 18% de moins lorsque le taux de rémunération moyen était élevé plutôt que bas. Par conséquent, pour chaque augmentation de 1% du taux de rémunération subjective, il y a une diminution du délai moyen entre les postes de 0,18%, 0,41% et 0,38%, respectivement.
L'expansion des données analysées en combinant des plateformes de nature assez différente (Instagram et forums thématiques) montre que quel que soit le réseau social, le comportement humain suivra les principes du modèle RL.
Il était maintenant nécessaire de déterminer s'il existe des différences individuelles dans le comportement de différentes personnes dans le cadre du modèle RL, et aussi de quoi elles peuvent être causées. Par exemple, les différences individuelles dans le taux d'apprentissage ont déjà été associées à la fois à des différences génétiques et à des différences de développement entre les personnes. Et les différences individuelles de sensibilité au coût de l'effort étaient associées au système dopaminergique (synthèse et production du neurotransmetteur dopamine, qui est impliqué dans les sentiments de satisfaction).
Image n ° 4
Pour rechercher des sous-groupes possibles dans les données multivariées, trois paramètres du modèle RL original, estimés pour chaque personne à partir des étapes I et II (nombre total d'utilisateurs = 4168), ont été utilisés comme entrée pour le regroupement des k-moyennes. Une évaluation quantitative utilisant plusieurs critères standards a montré que quatre groupes principaux peuvent être distingués, à savoir 4 sous-groupes ( 4a ). Ces grappes allaient de 41% (1 739 personnes) à 7% (299 personnes) de l'ensemble de données total.
Figure 4bmontre quatre phénotypes informatiques putatifs qui sont de nature comportementale. Par exemple, les personnes du groupe 1 ont un taux d'apprentissage relativement faible (relatively). Ces personnes sont les moins sensibles à la récompense sociale dans leur comportement sur les réseaux sociaux. Les personnes du groupe 2 sont caractérisées par de faibles coûts d'effort et des taux d'apprentissage moyens, tandis que le groupe 4 démontre la relation opposée entre les taux d'apprentissage et les coûts d'effort (le groupe 3 est intermédiaire). Ainsi, les personnes des groupes 2 et 4 publient facilement des messages en réponse aux récompenses sociales, bien que les mécanismes sous-jacents soient différents.
Au cours de la dernière étape de l'étude, des preuves directes ont été obtenues que le niveau de récompense sociale affecte le délai de détachement. Pour ce faire, une expérience en ligne a été menée dans laquelle les scientifiques pouvaient manipuler les récompenses sociales et observer les réponses.
Les participants (n = 176) ont pu publier des «mèmes» à tout moment pendant la session de 25 minutes (nombre total de messages = 2206). Ensuite, ils ont reçu des likes (de 0 à 19) à la fois des mêmes participants à l'expérience et de faux utilisateurs.
Pour tester si un taux de récompense sociale plus élevé entraîne une latence post-réponse plus courte, le nombre moyen de likes reçus par les participants entre la première et la seconde moitié de la session a été augmenté ou diminué (faible récompense: 0-9 likes par publication, récompense élevée: 10 à 19 likes par publication).
Comme les scientifiques s'y attendaient, le délai moyen entre les posts était significativement plus important lorsque la récompense était faible (0-9 likes par post) par rapport à plus élevé (10-19 likes par post), ce qui correspond à une différence de 10,9% (image # 5 ).
Image n ° 5
C'est aussi drôle que les participants à l'expérience, qui comptaient un grand nombre de followers sur leurs vrais réseaux sociaux, aient montré une plus faible influence des likes sur leur comportement pendant l'expérience elle-même.
Cette petite expérience dans la pratique a montré la validité de la théorie selon laquelle il existe une corrélation directe entre la récompense (j'aime) et le comportement ultérieur d'une personne (réponse).
Pour une connaissance plus détaillée des nuances de l'étude, je vous recommande de consulter le rapport des scientifiques et des éléments supplémentaires .
Épilogue
Le fait que beaucoup de gens ne peuvent littéralement pas vivre sans réseaux sociaux, likes, reposts, etc., nous le savons sans aucune recherche. Cependant, ce travail a pu expliquer en détail le lien entre le comportement d'une personne sur le réseau et sa soif de récompense, même si sous la forme d'un cœur illusoire sous un post sur l'écran de son appareil.
Fondamentalement, la vie sur Internet n'est pas très différente de la vie dans le monde réel, à l'exception de certains éléments. Le comportement d'une personne peut changer selon l'endroit où il communique, mais ses caractéristiques comportementales, psychologiques et même physiologiques restent inchangées. Internet n'est qu'un outil qui soit les exagère, soit les transforme visuellement, mais fondamentalement, tout reste le même.
Les auteurs de l'étude eux-mêmes estiment que leurs travaux peuvent être extrêmement utiles pour étudier le problème de la dépendance aux réseaux sociaux, ce qui est bien réel dans notre monde moderne. Cependant, il ne faut pas oublier que les réseaux sociaux ont depuis longtemps cessé d'être un «club d'initiés», mais sont devenus des entreprises de plusieurs milliards de dollars. Par conséquent, il est probable que ce type de recherche, bien que bien intentionné, puisse indirectement affecter l'expansion de la gamme d'outils que les réseaux sociaux utilisent pour élargir leur audience. Dans le même temps, je voudrais noter qu'il n'y a pas lieu de paniquer, car la grande majorité des produits de progrès ont toujours eu et auront toujours deux faces de la médaille. Et Internet peut être assez précisément décrit par l'une des interprétations de la célèbre phrase de Paracelse: «la différence entre le poison et la médecine réside dans le dosage».
Merci pour votre attention, restez curieux et passez une bonne semaine de travail, les gars. :)
Un peu de publicité
Merci de rester avec nous. Aimez-vous nos articles? Vous voulez voir du contenu plus intéressant? Soutenez-nous en passant une commande ou en recommandant à des amis, Cloud VPS pour les développeurs à partir de 4,99 $ , un analogue unique des serveurs d'entrée de gamme que nous avons inventé pour vous: The Whole Truth About VPS (KVM) E5-2697 v3 (6 Cores) 10 Go DDR4 480 Go SSD 1 Gbps à partir de 19 $ ou comment diviser correctement le serveur? (options disponibles avec RAID1 et RAID10, jusqu'à 24 cœurs et jusqu'à 40 Go de DDR4).
Le Dell R730xd 2x est-il moins cher dans le centre de données Maincubes Tier IV à Amsterdam? Seulement, nous avons 2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2,6 GHz 14C 64 Go DDR4 4x960 Go SSD 1 Gbps 100 TV à partir de 199 $ aux Pays-Bas!Dell R420 - 2x E5-2430 2,2 GHz 6C 128 Go DDR3 2x960 Go SSD 1 Gbps 100 To - À partir de 99 $! Lisez à propos de Comment construire l'infrastructure de bldg. classe avec l'utilisation de serveurs Dell R730xd E5-2650 v4 au coût de 9000 euros pour un sou?