统计211

标题: 一篇美国研究者的最新好文 [打印本页]

作者: 殷红已 时间: 2014-6-6 17:20
标题: 一篇美国研究者的最新好文
本帖最后由 275932488 于 2014-6-21 00:59 编辑

在19世纪30年代，美国心理学家Burrhus Skinner 普及了自发反应调节的概念。这个概念指出，一个人之前的表现所受到的批评或鼓励可以决定他之后的表现。这就是说通过惩罚不被希望的行为和奖励被希望的行为可以导致特定的行为模式，这个理论在小白鼠和鸽子的身上得到验证。

这个理论已经成为了行为心理学的基础之一，并且它也是在线社交网络的设计和运作的一个重要推动力。许多在线社交网络有一个允许人们给喜欢的东西点“like”，投“好评”，给不喜欢的东西投“差评”的系统。设计好评的目的是用来鼓励被喜欢的内容，差评则是用来批评不被喜欢的内容。

从理论上来说，这个设计会引导发布内容的人们去创造更好的内容，以便于得到更多的“like”。至少，自发反应调节就是这么预言的。

但是实际上发生了什么呢？感谢斯坦福大学的Justin Cheng以及他的团队的工作，我们有了一个发现。

这个团队研究了不同社交网络的大量用户的行为如何被“好评”和“差评”影响，得到的结论和人们的认知相差甚远。

数据揭示了1

证据表明，用户被投差评后，会产生比社交网络上其他人还要糟糕的内容，更重要的是，当人们被其他人投差评以后，会更容易给其他人投差评。这导致了一个与预期效果完全相反的负反馈怪圈。

Cheng和他的团队汇集了来自四个网站的有关新闻文章的评价的数据集。这些数据包括来自120万个主题的4200万个内容，以及来自180万个用户的1.14亿票。这四个网站是：CNN.com，一般的新闻网站; Breitbart.com，政治新址; IGN.com，电脑游戏新闻网站;和Allkpop.com，韩国娱乐网站。

这个团队在亚马逊的 Mechanical Turk上做了一个调查，要求人们对来自这些社交网站的帖子的合理性进行评价。然后根据这个调查制定出了一篇帖子的好评率和人工评价的相关性。这个调查证实了一篇帖子的好评率的确可以很好的估计这篇帖子的质量。

Cheng和他的团队建立了一个可以使用一篇帖子含有的单词来预测它的质量的机器学习算法。他们用社交网络上的一半帖子的数据来训练这个算法，训练完毕后发现这个算法给出的评价和人工评价很相似。因此这个算法可以自动的有效评价他们的数据集里的所有帖子。

然后便是实际的实验。他们使用这个算法去预言帖子的质量，结果得到了一个诡异的结果：他们匹配到一起的帖子里边有一个帖子得到了社交网站的积极评价，而其他的帖子则得到了消极评价，换句话说，这些帖子里有一个收到了比其他帖子更多的好评。

然后他们评估了这些帖子的作者在后期的帖子，根据它们的质量来判断了这些帖子受到的好评和差评对后期帖子的影响。

结果使人大开眼界。“我们发现差评是不利于社交网络的，它显著的导致了用户的行为发生改变。”cheng和他的团队说，“收到差评的作者不仅是写出了更多的帖子，而且后期的帖子质量很差。这是很好的被社交网络预测出来的。”他们说，并且还有更糟的影响。“这些作者收到差评以后也更容易去给其他用户差评，这种消极影响便会渗透整个社交网络。”

与此相反，好评对于作者似乎没有那样大的影响。它并不鼓励他们写出更多的帖子，也不使他们的帖子质量有所上升。那些没有收到点评的作者，很可能完全离开这个社交网络。真令人奇怪。“真惊奇，从某种意义上来讲，我们的研究结果和自发反应调节所预期的结果是正好完全相反的。”cheng和他的团队说。

数据揭示了2

这个研究给社交网站指出了一个明确的策略来提高帖子的质量。显然，给糟糕的帖子点差评不是一个制止他们继续发布糟糕帖子的好方法。

那么怎么才能制止糟糕的帖子发布呢？“由于文章经常没有得到评价的用户往往会较少的发布帖子，因此有一个潜在的办法就是忽略那些糟糕的帖子，不给他们差评或好评。”cheng和他的团队说。

这是一个有趣的洞察了复杂的社会互动的研究，它联系了某些真实的生活经验。有小孩的人都会知道惩罚小孩子的不好的行为可能会导致小孩子更加注意这些不好的行为，所以有时候最好是忽视那些不好的行为，而不是关注它。

但是同时，有小孩的人也需要积极的预防小孩子有更不好的行为发生。

Cheng和他的团队的工作清楚的说明忽视那些糟糕的帖子可以有效的减少它们，并且社交网站也许可以在这个结论上进行更多有益的探索，同时，这些网站也需要一个方法来有效的阻止糟糕的贴子发布。

当然，现在所需要的是对这个理论的一个测试。对于社交网络来说，这意味着允许用户表达观点，但是不使用差评这种手段。（直接评论是一种可行的方法。）

还有一个问题在于这种方式会造成同样丰富多彩的评论，这些评论显然会在允许这两种投票方式的社交网络上泛滥。换句话说，cheng和他的团队并没有在他们的研究里考虑到这些评论的作用。

显然区分这些评论在社交网络中的作用还是一个未解决的有趣工作。

本文由PPV课翻译并首发，转载请保留链接PPV课

本文固定链接: http://www.ppvke.com/Blog/archives/4366
转载请注明: PPV课小编 2014年05月30日于大数据 V博发表

欢迎光临统计211 (http://tj211.com/)