Lower Quantity, Higher Quality: Auditing News Content and User Perceptions on Twitter/X Algorithmic versus Chronological Timelines

社交媒体个性化算法越来越影响着公民信息在社会中的流动，这引起了人们对“过滤气泡”、“回声室”等问题的担忧，以及其他可能加剧意识形态隔离和煽动极端内容传播的方式。为了解决这些问题，我们设计并进行了一项社会技术审计（STA），以调查Twitter/X的时间线算法如何影响新闻编辑，同时跟踪用户反应的变化。我们部署了一个定制的系统，在三周的时间内被动地跟踪了用户浏览器中加载的所有推文，第一周，第二周我们对用户的Twitter/X主页进行了干预，将他们的视图限制为只有算法或时间顺序的时间线（随机）。我们在第三周为每个用户翻转了这个条件。我们在2023年末进行了审计，收集了243个用户的以用户为中心的指标（自报告的调查指标）和以平台为中心的指标（浏览量、点击量、点赞量），以及超过800,000条推文。使用STA框架，我们的结果有两个方面：（1）我们的算法审计发现，与时间顺序相比，Twitter/X的算法时间线导致新闻数量较少但质量较高--意识形态上不一致，不极端，稍微更可靠。 （2）我们的用户审计表明，尽管我们的时间线干预对用户行为产生了显着影响，但对他们对该平台的整体看法影响不大。我们的论文讨论了这些发现及其在算法新闻编辑、以用户为中心的审计和独立社会科学研究方面的广泛影响。

本论文旨在研究Twitter/X的时间线算法对新闻筛选的影响，以及如何跟踪用户感知的变化。通过对243个用户进行调查和800,000条推文的跟踪，论文试图解决社交媒体个性化算法对信息流的影响和可能加剧意识形态隔离和极端化的问题。

通过对Twitter/X的算法和时间线进行审计，发现算法时间线相比于时间排序时间线，虽然推文数量较少，但新闻的质量更高，更少出现意识形态一致、极端化和不可靠的内容。此外，论文还发现时间线干预对用户行为有显著影响，但对用户整体对平台的感知影响不大。

论文使用了自定义系统对用户进行跟踪和干预，采用STA框架进行审计。论文还提出了算法新闻筛选和用户中心审计的概念，为社交科学研究提供了新的思路。此外，论文还探讨了算法新闻筛选和用户中心审计的潜在问题和解决方案。

相关研究包括《Filter Bubbles, Echo Chambers, and Online News Consumption》、《The Impact of Social Media Algorithms on Polarization》等。