В целом негибкое и упорное меньшинство может оказывать непропорциональное влияние на результаты при наличии более терпимого и гибкого большинства. Следствием этого становятся крайние точки зрения, активно продвигаемые исключительно меньшинствами, которые, однако, доминируют в обсуждениях и переговорах.
Алгоритмические искажения и непостижимость процессов
Я уже отмечал, что все данные создаются, а не обнаруживаются. Это становится чрезвычайно важным в сфере больших данных и алгоритмов машинного обучения. Особого внимания заслуживают две потенциальные проблемы.
Во-первых, алгоритмы могут поглощать и воспроизводить любые искажения, присутствующие в исходных данных. Во-вторых, в силу непостижимости большинства процессов машинного обучения их трудно критиковать или перестраивать, если не понимать исходные данные и их ограничения на уровне эксперта. Однако у многих конечных пользователей алгоритмов такие знания отсутствуют.
Исследование, результаты которого были опубликованы в апреле 2017 г. в журнале
Не говоря уже о компаниях, использующих эти алгоритмы для бесконтрольного продвижения своей позиции.
Структурный эффект новизны
Как вы узнали из главы 9, эффект новизны проявляется в переоценке значения недавних событий и недоучете долгосрочных тенденций. Например, при объяснении текущего состояния экономики придается чрезмерное значение результатам последних выборов. Когда дело касается информации, почерпнутой из интернета, это искажение приобретает особую важность в силу нескольких факторов.
Постарайтесь хотя бы ненадолго освободиться от лихорадочной суеты новостных и социальных медиа, и вы заметите, что стали видеть мир совершенно иначе.