(资料图)

具体而言，他们在5年时间里，利用A/B测试，在“猜您认识”这项推荐功能中，向2000万用户推送了不同版本的算法。

结果发现，对找工作最有帮助的，往往不是那些与你互动最频繁、联系最紧密的好友，而是“中等关系”好友。

对，就是列表跟你有10个左右共同联系人，但平时也不咋互动的人。

具体怎么一回事儿，一起来看。

面向2000万人的5年期社会实验

要说清楚这个事儿，咱们还得从“弱关系”（weak tie）理论说起。

1973年，美国社会学家马克·格兰诺维特发表了一篇名为《弱关系的力量》的论文。

这篇论文被认为是最具影响力的社会学论文之一，引用次数已达到近6.7万次。

格兰诺维特在论文中提出：

人们与频繁接触的亲朋好友的关系，属于一种“强关系”，通过这种关系获取的往往是同质化的信息。

社会上更为广泛的是一种并不深入的人际关系。这种弱关系能够使个体获得通过强关系无法获取到的信息，从而在工作和事业上，在信息的扩散上起到决定作用。

简单来说，就是没那么熟的人往往能提供来自另一个社会关系网络的信息。

具体到找工作这种事上，也就是求职者能从“弱关系”里获得更丰富的职位信息。

此番领英的超大规模实验，正是给这一理论提供了支持性证据。

论文作者、领英数据科学家Karthik Rajkumar提到，在研究中，他们设置了7种“猜您认识”算法的变体。

比如，其中一种变体会让用户之间形成更多的联系，包括更多的弱关系。而另一种变体在给用户推荐更多联系人时，只推荐具有强关系的人。

在为期5年、面向2000万用户的大规模测试之后，领英获得了大量随机实验数据。数据分析结果显示：

在领英上，相对较弱的社会关系在促成就业方面的效果，能达到较强社会关系的2倍。

△左图为最小二乘法回归分析

这里“较弱的社会关系”指的是拥有10个共同好友的情况，而“较强的社会关系”指的是拥有20个以上共同好友的情况。

需要说明的是，尽管在以共同好友数量（上图）和以互动强度（下图）为关系评价标准的实验中，最小二乘法回归分析均显示，强关系与换工作的概率增加有关，但针对大量样本、持续5年、覆盖世界各地区的实验分析结果均显示了相反的情况。

最终，研究人员得到了三个主要结论：

相对弱的关系更能增加工作流动的可能性。

以共同好友数量为评价标准，关系强弱和工作流动之间存在一个倒U型关系，即中等关系增加工作流动的可能性最大，强关系增加工作流动的可能性最小；以互动强度为评价标准，弱关系对工作流动影响最大，强关系则影响最小。

增加共同好友数适中、互动性较弱的关系节点，对找工作这件事最有利。

另外，论文还提到，弱关系的力量是因行业而异的：数字化程度较高的行业中，弱关系力量更强；而在数字化程度较低的行业中，强关系对找工作更有利。

实验引发争议

在领英的这一实验结果引发关注的同时，争议之声也随之而来。

纽约时报就援引专家观点，尖锐地指出：

领英的做法可能改变了许多人的生活。对人们进行长期、大规模的实验，可能会影响他们的工作前景。

并且领英用户对此实验并不知情。

但也有网友指出，A/B测试是科技公司应用算法的常见手段，阴谋论大可不必。但关键是各组之间的差异到底有多大。

如果差别大到有如白天和黑夜，那么领英这么做确实不道德。

领英的官方发言人亦对此事进行了回应：

我们只是在努力为用户做出更好的推荐。

在测试期间，有一些人比其他人早一两个星期得到了更好的算法，这就会在数据中产生足够的变化，使我们能够观察到并进行分析。

实验的对象是算法而不是人。

那么，你怎么看？

参考链接：

[1]https://www.science.org/doi/10.1126/science.abl4476

[2]https://arstechnica.com/tech-policy/2022/09/experts-debate-the-ethics-of-linkedins-algorithm-experiments-on-20m-users/

鱼羊 发自 凹非寺

量子位 | 公众号 QbitAI

关键词： 科学探索 领英悄悄拿2000万用户做实验发Science找