سیستم هیبریدی توصیه گر فرهنگی

سیستم هیبریدی توصیه گر فرهنگی

سیستم هیبریدی توصیه‌گر فرهنگی
✦ پژوهش فرهنگی ـ فناوری

سیستم هیبریدی توصیه‌گر فرهنگی

تصورش را بکنید وارد یک کتابخانۀ بزرگ می‌شوید. کتابداری پشت پیشخوان منتظر شماست، لبخند می‌زند و چند کتاب را جلویتان می‌گذارد. اگر این کتابدار فقط کتاب‌های پرفروش و همه‌پسند را توصیه کند، احتمالاً با انبوهی از عناوین تکراری، نویسندگان تکراری و فضاهای آشنا روبه‌رو می‌شوید. شاید عالی باشد، اما کم کم حواستان به کار می‌افتد که کتاب‌هایی از فرهنگ‌های دیگر، زبان‌های دیگر، یا نویسندگانی با پیشینۀ متفاوت، حتی اگر به اندازۀ گزینه‌های محبوب جذاب باشند، هرگز به چشم نمی‌آیند. این دقیقاً همان اتفاقی است که هر روز در سرویس‌های پخش فیلم، موسیقی و فروش کتاب رخ می‌دهد. الگوریتم‌های توصیه‌گر – آن کتابداران دیجیتال – عمدتاً طوری ساخته شده‌اند که محبوب‌ترین و نزدیک‌ترین گزینه‌ها به سلیقۀ ثبت‌شدۀ ما را برجسته کنند. نتیجۀ ناخواسته اما واقعی، تنگ شدن افق دید فرهنگی ما و سلطۀ خاموش محتواهای یک فرهنگ غالب است.

بخش اول

شکاف میان سلیقه و تنوع

پژوهش‌های زیادی دست روی همین نقطه گذاشته‌اند: سیستم‌های پیشنهاددهندۀ فعلی دقت را فدای تنوع می‌کنند، یا اگر قصد دارند تنوع را افزایش دهند، معمولاً به روش‌های مکانیکی و دست‌وپاگیر متوسل می‌شوند – مثلاً تعیین سهمیۀ اجباری برای یک ژانر خاص. این کار سلیقه را قربانی می‌کند و تجربۀ کاربر را مصنوعی و نامطلوب می‌سازد.

اما یک پرسش مهم بی‌پاسخ مانده است: آیا می‌توان سیستمی ساخت که بدون دخالت مستقیم و سهمیه‌بندی‌های خشن، هم‌زمان هم به سلیقۀ کاربر وفادار بماند و هم نمایندۀ عادلانه‌ای از تنوع فرهنگی جهان باشد؟

اینجاست که ایدۀ « سیستم هیبریدی توصیه گر فرهنگی» زاده می‌شود – ایده‌ای که فعلاً بر بستر مفاهیم نظری و شبیه‌سازی‌ها شکل گرفته و هنوز با واقعیت میدانی فاصله دارد.

بخش دوم

دانشی که از نظریه‌های فرهنگی قرض گرفته شد

برای طراحی چنین سیستم ترکیبی، از چند مفهوم عمیق در علوم انسانی شاید بتوان کمک گرفت. اینجا خبری از ریاضیات پیچیده نیست، بلکه طرز نگاه به مسئله است که از این مفاهیم تغذیه می‌کند:

سرمایۀ فرهنگی Cultural Capital

از پییر بوردیو، جامعه‌شناس فرانسوی، می‌گوید که آدم‌ها و کالاهای فرهنگی موقعیتی در یک فضای اجتماعی پیدا می‌کنند؛ فیلم‌ها و کتاب‌ها فقط «خوب» یا «بد» نیستند، بلکه با سبک‌ها، زبان‌ها و خاستگاه‌هایشان از هم تمایز می‌یابند. به همین خاطر، سیستم پیشنهاددهنده باید بتواند این موقعیت‌های فرهنگی را در یک فضای چندبعدی نقشه‌برداری کند، نه صرفاً بر اساس محبوبیت رتبه‌بندی کند.

قاب‌بندی Framing

در علوم ارتباطات به ما یادآوری می‌کند که یک فیلم فقط با برچسب ژانر تعریف نمی‌شود؛ خلاصۀ داستان، دیالوگ‌ها، و حتی برچسب‌هایی که کاربران به آن می‌زنند، یک «قاب معنایی» دور اثر می‌کشند. برای فهمیدن حال و هوای واقعی فیلم، نمی‌توان فقط به ستون ژانر اعتماد کرد؛ باید زبان اثر را هم خواند. پس پای یک ابزار تحلیل متن به میان می‌آید.

بین‌بخشی‌بودگی Intersectionality

از مطالعات زنان (کیمبرلی کرنشاو) می‌گوید که هویت یک پدیده حاصل یک مقوله نیست، بلکه ترکیبی از چند مقوله است. یک فیلم فقط «فرانسوی» نیست، «کمدی فرانسوی به کارگردانی یک زن» است. پس تنوع را هم نمی‌شود با شمردن تعداد کشورها سنجید؛ باید همزمان ابعادی مثل زبان، کشور، ژانر و جنسیت خالق اثر را در نظر گرفت تا تنوع واقعاً معنادار باشد.

حکومت‌مندی الگوریتمی Algorithmic Governmentality

که برآمده از مطالعات فرهنگی دیجیتال است، هشدار می‌دهد الگوریتم‌ها صرفاً ابزار بی‌طرف نیستند؛ آن‌ها با اولویت دادن به بعضی محتواها، نوعی قدرت نرم اعمال می‌کنند و فرهنگ غالب را بازتولید می‌کنند. برای مقاومت در برابر این گرایش، سیستم نیازمند یک نیروی متقابل درونی است – یعنی یک هدف دوم (تنوع) که آگاهانه در فرایند تصمیم‌گیری الگوریتم جای داده شود.

بخش سوم

روش‌های فنی در خدمت عدالت فرهنگی (بدون ورود به جزئیات فنی)

این مفاهیم همگی به یک ایدۀ محاسباتی ترجمه شده‌اند. تصور کنید این سیستم هیبریدی سه مهارت را با هم ترکیب می‌کند:

۱
خواندن حال و هوای آثار

با استفاده از مدل‌های زبانی پیشرفته که خلاصه و گفت‌وگوهای مربوط به یک فیلم را تحلیل می‌کند و یک نقشۀ معنایی از آن می‌سازد. این طوری دیگر فیلم‌ها فقط یک برچسب خشک ندارند، بلکه «حس و حال» آن‌ها هم کدگذاری می‌شود.

۲
یادگیری سلیقۀ کاربران

بر پایۀ مدل‌های فیلترینگ مشارکتی که از روی امتیازهای ثبت‌شده، الگوهای پنهان سلیقه را کشف می‌کنند. این بخش، همان کاری است که پلتفرم‌های فعلی هم انجام می‌دهند، اما اینجا تنها پایان کار نیست.

۳
مشورت گروهی برای یافتن تعادل

با کمک یک الگوریتم الهام‌گرفته از تکامل زیستی (الگوریتم ژنتیک). در این مرحله، یک جمعیت مجازی از « مثلا :کتابداران» تشکیل می‌شود. هر کدام یک فهرست پیشنهادی می‌چینند، برخی تنوع را بیشتر می‌بینند و برخی دقت را. این فهرست‌ها در چندین دور مقایسه، ترکیب و اصلاح می‌شوند تا در نهایت مجموعه‌ای از بهترین گزینه‌ها – نه یک راه‌حل یکتا، بلکه یک «جبهۀ انتخاب» – به دست بیاید. این جبهه نشان می‌دهد که چه مصالحه‌هایی میان دقت و تنوع ممکن است، و مدیر پلتفرم (یا سیاست‌گذار فرهنگی) می‌تواند ببیند برای مثال، با ۵ درصد کاهش جزئی دقت، ۳۰ درصد تنوع فرهنگی بیشتری به کاربر ارائه دهد و آن نقطه را برگزیند.

نکتۀ کلیدی این است که این ایده به‌هیچ‌وجه ادعای رسیدن به یک فرمول قطعی و نهایی را ندارد. تمام توضیحات بالا در حال حاضر در چارچوب شبیه‌سازی‌های پژوهشی و با داده‌های نمونه تحلیل می‌شوند. برای اینکه بدانیم این کتابدار فرضی در دنیای واقعی با ۲۵ میلیون امتیاز و ۶۰ هزار فیلم چطور عمل می‌کند، باید آزمایش‌های گسترده‌ای انجام شود و نتایج در برابر رفتار واقعی کاربران سنجیده شوند. این یک ایدۀ پژوهشی است، نه محصول آماده.
سخن پایانی

سخن پایانی

دغدغۀ این ایده چیزی فراتر از مهندسی یک الگوریتم بهتر است؛ تلاشی است برای دعوت نظریه‌های فرهنگی به قلب طراحی فناوری، تا سیستم‌هایی که هر روز ذائقۀ ما را شکل می‌دهند، آگاهانه‌تر و عادلانه‌تر عمل کنند. شاید روزی کتابداران دیجیتال نه فقط آنچه را که می‌پسندیم، بلکه آنچه را که شایستۀ دیدن است – از گوشه‌های گوناگون جهان – نیز به ما نشان دهند.

🛡️ قوانین کپی‌رایت و بازنشر محتوا:

کلیه حقوق مادی و معنوی، ایده‌پردازی‌ها و مقالات منتشر شده در وب‌سایت قمر محفوظ می‌باشد.

به اطلاع می‌رساند جهت حفظ حقوق مولف، تمامی محتواهای متنی و تصویری وب‌سایت قمر در لحظه انتشار، توسط مراجع بین‌المللیِ ثبت دیجیتال با درج تاریخ و ساعت دقیق (Timestamp) به عنوان مالکیت معنوی این مجموعه مستندسازی و بایگانی می‌شوند.

بازنشر و استفاده از مطالب این سایت تنها با ذکر دقیق نام منبع و درج لینک مستقیم (فالو) به صفحه اصلی مقاله مجاز است. در صورت مشاهده هرگونه کپی‌برداری غیرمجاز و بدون ارجاع به منبع، مدارکِ تقدم زمانیِ ثبت‌شده مستقیماً برای موتورهای جستجو (در قالب فرم‌های DMCA گوگل) و شرکتِ هاستینگِ سایتِ متخلف ارسال خواهد شد که می‌تواند منجر به حذف لینک‌های سایت خاطی از نتایج جستجو و مسدود شدن سرور آن‌ها گردد.

اشتراک گذاری:

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *