Recommender systems, stigmergy, and the tyranny of popularity

要約

Google ScholarやWeb of Scienceなどの科学的推奨システムは、発見に不可欠なツールです。
繰り返しのエンゲージメントを通じて有用なパスを表面化する集合的な知能メカニズムであるStigmergyを通じて機能するパワーを検索するアルゴリズムを検索します。
一般的に効果的ですが、この「リッチゲットリッチャー」の動的は、可視性を支配する少数の有名な論文を生成します。
このエッセイは、これらのアルゴリズムが人気に過度に依存していることを、知的均一性を促進し、構造的不平等を悪化させ、科学的進歩に重要な革新的で多様な視点を抑制していると主張しています。
ユーザー固有のキャリブレーションを組み込むための検索プラットフォームのオーバーホールを提案し、研究者が人気、最新性、関連性などの要因の重みを手動で調整できるようにします。
また、ユーザーの自律性を高める方法でWord EmbeddingsとLLMをどのように実装できるかについて、プラットフォーム開発者にアドバイスします。
私たちの提案は、科学的価値を持つ推奨システムを調整することに特に適していますが、これらのアイデアは一般的な情報アクセスシステムに広く適用されます。
ユーザーの自律性を高めるプラットフォームの設計は、より堅牢で動的な情報への重要なステップです

要約(オリジナル)

Scientific recommender systems, such as Google Scholar and Web of Science, are essential tools for discovery. Search algorithms that power work through stigmergy, a collective intelligence mechanism that surfaces useful paths through repeated engagement. While generally effective, this “rich-get-richer” dynamic results in a small number of high-profile papers that dominate visibility. This essay argues argue that these algorithm over-reliance on popularity fosters intellectual homogeneity and exacerbates structural inequities, stifling innovative and diverse perspectives critical for scientific progress. We propose an overhaul of search platforms to incorporate user-specific calibration, allowing researchers to manually adjust the weights of factors like popularity, recency, and relevance. We also advise platform developers on how word embeddings and LLMs could be implemented in ways that increase user autonomy. While our suggestions are particularly pertinent to aligning recommender systems with scientific values, these ideas are broadly applicable to information access systems in general. Designing platforms that increase user autonomy is an important step toward more robust and dynamic information

arxiv情報

提供元, 利用サービス

arxiv.jp, Google