211service.com
Kan du lita på Crowd Wisdom?
När de söker på nätet efter en ny pryl att köpa eller en film att hyra är det många som uppmärksammar antalet stjärnor som tilldelas av kundrecensenter på populära webbplatser. Men ny forskning bekräftar vad vissa kanske redan misstänker: dessa betyg kan lätt påverkas av en liten grupp mycket aktiva användare.
Vassilis Kostakos , en biträdande professor vid University of Madeira i Portugal och en adjungerad biträdande professor vid Carnegie Mellon University (CMU), säger att klassificeringssystem kan utnyttja publikens visdom för att ge användbara insikter, men de kan också måla upp en förvrängd bild av en produkt om ett litet antal användare gör det mesta av röstningen. Det visar sig att människor har väldigt olika röstmönster, säger han, och varierar både mellan individer och mellan användargrupper.
Kostakos studerade röstningsmönster på Amazon, Internet Movie Database (IMDb) och bokrecensionssajten BookCrossings. Forskningen presenterades förra månaden på 2009 IEEE International Conference on Social Computing . Hans team tittade på hundratusentals föremål och miljontals röster på de tre sajterna. I varje fall fann de att ett litet antal användare stod för ett stort antal betyg. Till exempel är det bara 5 procent av aktiva Amazon-användare som röstar på mer än 10 produkter. En handfull användare röstade på hundratals föremål.
Om du har två eller tre personer som röstar 500 gånger, säger Kostakos, kanske resultatet inte är representativt för samhället i stort. Han misstänker att detta kan vara anledningen till att betyg ofta tenderar mot extremer.
Jahna Otterbacher , en biträdande professor vid Illinois Institute of Technology som studerar klassificeringssystem online, säger att tidigare forskning har antytt att klassificeringssystem kan skeva av faktorer som åldern på en recension. Men hon noterar att vissa webbplatser, inklusive Amazon, redan har mekanismer som är utformade för att kontrollera kvaliteten på betyg – till exempel låter användare rösta om användbarheten av andra användares recensioner.
Kostakos föreslår ytterligare sätt att göra rekommendationer mer tillförlitliga. Han föreslår att det blir lättare att rösta, för att uppmuntra fler användare att gå med.
Niki Kittur , en biträdande professor vid CMU som studerar användarsamarbete på Wikipedia och inte var involverad i Kostakos arbete, säger att det också kan vara till hjälp att ge mer information om röstningsmönster till användare. Kittur föreslår att webbplatser kan skapa sätt att enkelt sammanfatta och representera andra användares bidrag för att avslöja uppenbara fördomar. Det finns både avsiktliga och oavsiktliga källor till partiskhet, säger Kittur. I slutändan, vad vi verkligen behöver [är] verktyg och transparens.
Kostakos föreslår också att man tar bort alltför negativa och alltför positiva recensioner, så att en webbplats inte blir för positiv eller för negativ överlag. Men Otterbacher, som undersöker recensioner från IMDb, Amazon och Yelp, oroar sig för att en sådan policy kan avskräcka många människor från att delta. Folk som skriver recensioner vill säga något om föremålet, och de kan vara ganska passionerade över sina åsikter, säger hon.