211service.com
Hur Digg bekämpar fuskare
Digg , den populära samlingswebbplatsen, omdefinierar hur många människor hittar nyheter. Cirka 850 000 registrerade användare fungerar effektivt som redaktioner och rekommenderar – eller gräver – berättelser som de anser vara intressanta nog för webbplatsens hemsida.
En visuell karta över grävbeteende på Digg. Den horisontella axeln representerar Digg-användare; de nyaste finns längst till höger. Den vertikala axeln representerar berättelser; de senaste finns längst ner. Varje prick på kartan representerar en digg, med röda prickar som tillhör en berättelses första digg. De horisontella vita linjerna representerar grävande aktivitet för en populär historia. De vertikala vita linjerna beskriver dock inte typiskt grävbeteende och kan representera botaktivitet.
Utmaningarna är att hålla oönskat innehåll ute och se till att berättelser marknadsförs på ett legitimt sätt. Vissa människor försöker spela systemet och använder oärliga medel för att försöka öka en berättelses chans att komma till huvudsidan. Motivationen: pengar och berömmelse. Artiklar som visas på Diggs hemsida genererar vanligtvis många lönsamma sidvisningar för källan till berättelsen. Spelförsök sker på många olika sätt. Vissa människor skapar falska användarkonton och mjukvara som kallas bots, designade för att automatiskt gräva berättelser. Andra spelare skriver påhittade intervjuer med kända personer och lägger upp dem på misstänkt nya bloggar i hopp om att driva trafik till deras webbplats.
Enligt Diggs grundare, Kevin Rose, är sajten utformad så att användare kan övervaka grävbeteende och självpolis. Det är till exempel möjligt att se historiken för användare som grävt en berättelse: om en berättelse har ett stort antal digg från personer med nyskapade användarkonton, har den sannolikt marknadsförts orättvist, eventuellt från en enskild användare som tillverkade kontona . Medlemmar kan sedan använda verktyg för att begrava berättelser som de inte tycker förtjänar att finnas på förstasidan.
Misstänkt aktivitet kan också motverkas med hjälp av den mängd data om normalt grävbeteende som Digg har samlat in från tidigare användning. Med mer än två års erfarenhet och statistisk och beteendeanalys av mönstren för hur legitimt innehåll skickas in och marknadsförs – representerat av över 1 200 000 innehållsinlämningar och 50 000 000 Diggs hittills – har vi en mycket detaljerad förståelse av processen, säger Rose.
Att hitta meningsfulla mönster i gigabyte av rådata är inte lätt. Men vissa datavisualiseringsverktyg kan användas för att lättare upptäcka misstänkt aktivitet. Genom att representera användaraktivitet grafiskt kan vi börja se mönster som normalt inte skulle vara uppenbara på annat sätt, säger Eric Rodenbeck, grundare av Ståndare , designföretaget som tillhandahåller visualiseringsverktyg för Digg Labs. Stamen utvecklade Digg Labs, som inkluderar visualiseringsverktyg som kallas Digg Stack och Digg Swarm . Dessa verktyg visar Digg-användarnas beteende i realtid för att hjälpa användare att hitta populära berättelser på olika sätt.
Digg Swarm är ett bra exempel på hur den här typen av visualisering fungerar, säger Rodenbeck, som inte är representant för Digg. Visualiseringen kommer inte att berätta allt om aktiviteten som du observerar, men den kan belysa mönster som kan ge dig en bättre uppfattning om var du ska leta.
Till exempel Stamens visuella karta (se bilden ovan), designad av teknisk chef Michal Migurski , erbjuder ett annat perspektiv på grävbeteende. I den här bilden är Digg-medlemmar representerade på den horisontella axeln, med de nyaste medlemmarna längst till höger, de äldsta längst till vänster. Berättelser är representerade på den vertikala axeln, med den nyaste längst ner, den äldsta överst. Varje prick på kartan representerar en enda digg, med röda prickar som tillhör en berättelses första digg.
Genast sticker vissa beteenden ut, förklarar Rodenbeck. Tänk på de brutna horisontella vita linjerna. Dessa illustrerar en berättelse som träffade huvudsidan och får en rad diggs från olika läsare. De brutna vertikala vita linjerna kan dock representera misstänkt grävbeteende: de visar en enskild användare som gräver ett stort antal berättelser – både nyinlämnade och äldre – i snabb följd. Det är osannolikt att en person producerade så många diggs för ett så stort antal historier, resonerar Rodenbeck. Det är mycket mer troligt att dessa diggs genererades automatiskt av bots, i ett försök att på konstgjord väg främja vissa berättelser, säger han.
Det ger oss en ganska bra bild av vad som händer, säger Rodenbeck, men det är bara en delbild. Det finns många fler parametrar att kartlägga, säger han. Genom att kartlägga samma data med hjälp av olika mätvärden, såsom en viss användares senaste aktivitet eller antalet kontakter, eller vänner, på Digg som han eller hon har etablerat, uppstår olika typer av mönster. Vi kan inte bara få en mer robust förståelse för vad som för närvarande händer i Digg-ekosystemet, utan också få en bättre känsla för vilka typer av frågor vi ska ställa framåt, säger Rodenbeck.
Hittills har kombinationen av medborgarpolis och datavisualisering fungerat bra för att hålla spelandet på Digg relativt minimalt. Även om Digg inte för statistik över antalet spelförsök sedan sajten gick live i slutet av 2004, säger Rose att ingen organisation har lyckats spela Digg såvitt vi vet.
De användare som misstänks använda sina konton för att försöka spela Digg får ett varningsmail. Användaren stängs av efter en andra överträdelse.
Rodenbeck tror att det på ett skickligt sätt att plotta Diggs sociala data hjälper i kampen mot fuskare. Visualisering kan inte lösa problemet med spel en gång för alla, säger han. Men det kan definitivt göra processen att upptäcka mönster enklare, och vi tror att det finns ett stort värde i det.