The Benefit of Collective Intelligence in Community-Based Content Moderation is Limited by Overt Political Signalling
本文表明，尽管协作式写作提高了基于社区的内容审核笔记的质量，但这种协作的有效性会因明显的政治信号传递而显著降低，并取决于目标内容的政治派系。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
将社交媒体想象成一个巨大的、混乱的城镇广场，谣言和半真半假的传闻像野火一样蔓延。为了扑灭这场火，X（原推特）和 Meta 等平台尝试了一种新方法：他们没有雇佣一小队专家消防员，而是请求镇上的居民来帮忙。这被称为“社区附注”（Community Notes）。如果有人发布了误导性内容，普通用户可以撰写一条附注来增加背景信息或纠正事实。
然而，这篇论文中的研究人员发现，虽然这种“众包”理念在理论上是好的，但它经常陷入政治斗争的泥潭。他们想看看是否可以通过改变人们协作的方式，让这个系统运行得更好。
以下是他们的发现，通过简单的概念进行了拆解：
1. “个人 vs 团队”实验
研究人员设置了一个游戏。他们邀请了 432 人观察误导性的政治帖子，并撰写一条附注来解释真相。
- 第一轮： 每个人都独自撰写一条附注。
- 第二轮： 他们被两人一组配对，并被要求通过聊天并达成一致，共同撰写一条共享的附注。
结果： 团队撰写的附注明显更好（提高了约 17% 的帮助度），优于个人撰写的附注。
- 类比： 这就像烹饪。如果你试图独自制作一道复杂的炖菜，你可能会忘记放某种香料或者把大蒜烧焦。但如果你有一个搭档来品尝并建议：“嘿，加点盐。”那么最终的成品味道通常会更好。协作通常能提高工作的质量。
2. “混合团队”的惊喜
研究人员想知道：和你配对的人是谁重要吗？ 他们创建了三种类型的团队：
- A 队： 两名民主党人。
- B 队： 两名共和党人。
- C 队： 一名民主党人和一名共和党人（混合团队）。
结果： 这取决于他们在讨论什么。
- 当查看来自共和党账号的帖子时，混合团队（民主党人 + 共和党人）撰写的附注效果最好。不同观点的碰撞似乎迫使他们更加仔细地核实事实，从而使附注更加有力。
- 当查看来自民主党账号的帖子时，无论你与谁配对，所有团队的表现都差不多。
- 类比： 想象两个人试图修理一辆坏掉的车。如果这车是一个特定型号，其中一人很熟悉（比如福特），那么有第二个人了解不同品牌（比如丰田）可能并不会有什么帮助。但如果这辆车是一个两人都略知一二的复杂且不寻常的型号，那么让两个不同领域的专家一起观察，通常能更快地解决问题。
3. “名牌”问题（关键陷阱）
这是最重要的发现。研究人员测试了当合作伙伴了解彼此的政治身份与不知道彼此身份时，情况会有何不同。
- 隐蔽模式（盲测）： 合作伙伴不知道对方是民主党人还是共和党人。
- 公开模式（可见）： 合作伙伴看到了标有“民主党人”或“共和党人”的名牌。
结果： 当人们知道对方的政治身份时，协作带来的好处消失了。事实上，有时团队附注的效果甚至比个人附注还要差。
- 类比： 想象你正在试图和一个陌生人一起解开一个拼图。如果你不知道对方是谁，你只会专注于拼图碎片。但如果你突然得知：“噢，你是对手球队的球迷。”你可能会停止听取他们的想法。你可能会想：“好吧，他们之所以出错，仅仅是因为他们是那类人。”而不是去观察证据。这个“名牌”将一种有益的协作变成了一场政治争论。
核心结论
该论文得出结论：协作是一种强大的工具，但它是脆弱的。
- 好的一面： 共同协作通常会让附注变得更好。
- 好的一面： 混合不同的政治观点可以让附注变得更好（特别是针对某些话题）。
- 坏的一面： 如果你一开始就让人们的政治身份变得显而易见，就会破坏协作。它会将一种“让我们一起解决问题”的心态转变为一种“我不信任你”的心态。
给平台的启示：
如果社交媒体网站希望其社区事实核查能够奏效，他们应该鼓励人们共同协作并倾听不同的声音，但应该在人们撰写内容时隐藏政治“名牌”。让思想进行交流，而不让政治标签阻碍协作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。