لینکدین در ظاهر فضایی حرفهای و مبتنی بر شایستگی بهنظر میرسد؛ جایی که تخصص، تجربه و کیفیت محتوا باید عامل اصلی دیدهشدن باشند. اما تجربه بسیاری از کاربران نشان میدهد که سازوکار دیدهشدن در این پلتفرم همیشه به این سادگی نیست. وقتی پای الگوریتم لینکدین، رفتار کاربران و الگوهای تعامل به میان میآید، پرسشهای مهمی درباره بیطرفی، نابرابری و نقش عوامل نامرئی در توزیع فرصتهای حرفهای مطرح میشود.
۱. آیا الگوریتمها بیطرفاند؟
جنسیت و دیدهشدن محتوا در لینکدین
در نگاه اول، لینکدین یک شبکه حرفهای بهنظر میرسد؛ جایی که کیفیت محتوا، تجربه کاری و تخصص افراد باید معیار اصلی دیدهشدن باشد. اما تجربه بسیاری از کاربران—بهویژه زنان—نشان میدهد که دیدهشدن در این فضا همیشه صرفاً به کیفیت محتوا وابسته نیست. این سؤال جدی مطرح میشود که آیا جنسیت میتواند بر میزان تعامل، بازنشر و دیدهشدن محتوا تأثیر بگذارد؟
چرا این سؤال امروز مهمتر از همیشه است؟
با افزایش نقش لینکدین در استخدام، برند شخصی و شبکهسازی حرفهای، الگوریتم این پلتفرم عملاً به یکی از عوامل اصلی توزیع فرصتها تبدیل شده است. اگر سازوکار دیدهشدن محتوا نابرابر باشد، این نابرابری فقط در سطح تعامل آنلاین باقی نمیماند و میتواند بر مسیر شغلی افراد اثر بگذارد.
۲. نقش الگوریتمهای شبکههای اجتماعی در تعیین دیدهشدن محتوا
الگوریتمها و شکلدادن قضاوتهای حرفهای
الگوریتمهای شبکههای اجتماعی تعیین میکنند چه محتوایی بیشتر دیده شود و چه محتوایی در حاشیه بماند. این انتخابها بهمرور بر برداشت ما از «حرفهای بودن»، «اعتبار» و حتی «شایستگی» افراد اثر میگذارند. وقتی یک گروه یا یک نوع محتوا بیشتر دیده میشود، همان تصویر بهعنوان الگوی غالب حرفهای جا میافتد.
تبدیل تجربه فردی به مسئله جمعی
در ابتدا، کاربران تجربههای خود را بهصورت شخصی روایت میکنند؛ مثلاً اینکه پستهایشان کمتر دیده میشود یا تعامل کمتری میگیرد. اما وقتی این تجربهها تکرار میشوند و شباهت دارند، دیگر نمیتوان آنها را صرفاً به عوامل فردی نسبت داد. در این نقطه، موضوع از یک تجربه شخصی به یک مسئله جمعی تبدیل میشود و توجه به نقش الگوریتمها پررنگتر میشود.
شبکهسازی، فرصت شغلی و اثر نامرئی جنسیت
در لینکدین، دیدهشدن ارتباط مستقیمی با شبکهسازی دارد. هرچه محتوا بیشتر دیده شود، ارتباطات حرفهای گستردهتر میشود و احتمال دسترسی به فرصتهای شغلی افزایش مییابد. اگر جنسیت، حتی بهشکل غیرمستقیم، بر این روند اثر بگذارد، نتیجه آن نابرابریای است که آرام و تدریجی شکل میگیرد، اما اثر آن پایدار است.
۳. آزمایشها چه میگویند؟ مرور گزارشها و دادهها
تغییر جنسیت حسابها و افزایش تعامل؛ گزارش گاردین
گزارش گاردین به تجربه زنانی میپردازد که برای بررسی میزان اثر جنسیت بر دیدهشدن در لینکدین، هویت پروفایل خود را تغییر دادند. در این آزمایشهای غیررسمی، برخی افراد با تغییر نام و ضمایر در پروفایل خود و در مواردی با استفاده از زبانی قاطعتر و نزدیکتر به الگوهای رایج مردانه در لینکدین، توانستند میزان دیدهشدن پستها و بازدید از پروفایل خود را چند برابر افزایش دهند. نکته مهم این بود که موضوع، تخصص و کیفیت محتوا تغییری نکرده بود؛ تنها برداشت مخاطب از هویت نویسنده متفاوت شده بود.
این تجربهها نشان میدهد که پیش از آنکه الگوریتمها وارد عمل شوند، واکنش اولیه کاربران بر اساس برداشتشان از هویت نویسنده شکل میگیرد و همین واکنش انسانی، جهت و میزان دیدهشدن محتوا را تعیین میکند.
آزمایشهای TechCrunch و کمپین #WeAreThePants
TechCrunch این پدیده را در قالب کمپین #WeAreThePants بررسی کرد؛ مجموعهای از آزمایشهای جمعی که در آن چندین زن بهطور همزمان جنسیت پروفایل خود را تغییر دادند. در بسیاری از این موارد، میزان بازدید و تعامل پستها بهطور محسوسی افزایش یافت. تحلیل TechCrunch نشان میدهد الگوریتم لینکدین مستقیماً جنسیت را لحاظ نمیکند، اما وقتی الگوی تعامل کاربران تغییر میکند، همان الگو توسط سیستم تقویت میشود.
پیچیدگی نتایج و محدودیتهای این تستها
با وجود نتایج قابل توجه، این آزمایشها محدودیتهایی دارند. نمونهها محدودند و عوامل متعددی مانند شبکه ارتباطی، زمان انتشار و نوع مخاطبان میتوانند بر نتیجه اثر بگذارند. با این حال، تکرار تجربههای مشابه یک نکته مهم را برجسته میکند: حتی بدون در نظر گرفتن مستقیم جنسیت، رفتار کاربران میتواند به دادههایی منجر شود که نتایج نابرابر تولید میکنند.
۴. موضع رسمی لینکدین در برابر ادعاها
آیا الگوریتم لینکدین جنسیت را میبیند؟
لینکدین بهطور رسمی اعلام کرده که جنسیت بهعنوان یک عامل مستقیم در رتبهبندی محتوا استفاده نمیشود. از نظر فنی، این ادعا منطقی بهنظر میرسد و شواهدی از خلاف آن ارائه نشده است.
فاصله میان ادعای رسمی و تجربه کاربران
با این حال، تجربه کاربران همیشه با توضیحات رسمی همخوان نیست. کاربران با سازوکارهای فنی سروکار ندارند، بلکه نتیجه را میبینند: دیدهشدن یا نادیدهماندن. وقتی الگوهای نابرابر بهطور مداوم تکرار میشود، این فاصله به یک مسئله قابل توجه تبدیل میشود.
سوگیری غیرمستقیم؛ وقتی دادهها تصمیم میگیرند
الگوریتمها بر اساس دادههای گذشته عمل میکنند؛ دادههایی که خودشان بازتاب رفتارهای انسانی هستند. اگر این رفتارها نابرابر باشد، تصمیمهای الگوریتمی نیز میتواند همان نابرابری را تقویت کند. در این شرایط، تصمیم نهایی بهظاهر بیطرف است، اما مسیری که به آن منتهی شده، بیتأثیر از ساختارهای اجتماعی نیست.
۵۵. قدرت شبکههای اجتماعی در آشکارسازی سوگیریها
سوشال مدیا بهعنوان ابزاری برای مطالعه سوگیریها
شبکههای اجتماعی تنها محل اشتراک محتوا و ارتباط افراد نیستند؛ بلکه میتوانند محیطی برای مشاهده و تحلیل رفتار کاربران و سوگیریهای نهفته باشند. آزمایشهایی مانند تغییر هویت جنسیتی در لینکدین یا مقایسه تعامل با پستهای مردانه و زنانه، به ما نشان میدهند که چگونه رفتار کاربران و دادههای تولیدشده، الگوریتمها را تحت تأثیر قرار میدهد. این ابزارها به ما امکان میدهند پدیدههایی که در دنیای واقعی پنهاناند، در محیط آنلاین مشاهده و بررسی شوند.
نمونه موردی: تجربه مهتا در توییتر فارسی
بررسی مختصر با کمک مهتا در شبکه ایکس فارسی در بازه زمانی دو ماهه نشان داده که کاربران درباره تجربیات خود در محیط کار صحبت میکنند و وجود این نوع تبعیضها یا تجربیات ناخوشایند در محیط کار را در شبکههای اجتماعی بازتاب میدهند. مطابق این مطالعه ده موضوع اصلی که از متن توییتها استخراج شده شامل موارد زیر است:
- تبعیض شغلی و نابرابری دستمزد
اشاره به حقوق کمتر، فرصتهای شغلی محدودتر و ارزیابی نابرابر زنان نسبت به مردان در موقعیتهای مشابه کاری. - نبود امنیت و تجربه آزار در محیط کار
تجربه آزار جنسی، خشونت کلامی، تحقیر و ترس از اعتراض به دلیل از دست دادن شغل. - ضعف قوانین حمایتی و نبود ضمانت اجرایی
اشاره به ناکارآمدی قوانین مرتبط با مرخصی، بیمه، مادری و حمایت از زنان شاغل، بهویژه در بخش خصوصی. - محدودیت پیشرفت و ارتقای شغلی زنان
کمبودن موقعیتهای رشد، مسئولیتپذیری و ارتقای شغلی برای زنان در مقایسه با مردان. - نگاه مردسالارانه و کلیشهای به اشتغال زنان
بازنمایی زن بهعنوان نیروی کار نامناسب، ضعیف، موقت یا وابسته به وضعیت تأهل. - فشار همزمان نقشهای خانوادگی و شغلی
تعارض میان مادری، همسری و اشتغال و تبدیل این مسئولیتها به عاملی برای حذف زنان از محیط کار. - رقابت ناسالم و تنش میان زنان در محیط کار
- تحقیر و قضاوت اجتماعی درباره حضور زنان در کار
قضاوت درباره ظاهر، رفتار، پوشش و شایستگی زنان و ربطدادن آن به صلاحیت شغلی. - محرومیت گروههای خاص زنان از حقوق برابر کاری
اشاره به زنان دارای معلولیت، زنان محجبه یا زنان مهاجر که تبعیض شدیدتری را تجربه میکنند. - مطالبه برابری، عدالت و احترام در محیط کار
تأکید بر حق زنان برای امنیت، دستمزد عادلانه، فرصت برابر و حضور بدون تبعیض در محیطهای کاری.
چرا این آزمایشها مهماند، حتی اگر کامل نباشند؟
حتی با محدودیتها و نمونههای کوچک، این آزمایشها نکات مهمی را آشکار میکنند:
- نابرابریهای پنهان در تعامل کاربران دیده میشود و میتوان آن را تحلیل کرد.
- تأثیر رفتار انسانی بر الگوریتمها مشخص میشود، حتی اگر خود الگوریتم مستقیماً تبعیضآمیز نباشد.
- آگاهی و بحث عمومی درباره سوگیریهای دیجیتال و تبعیضهای اجتماعی ایجاد میشود.
به عبارت دیگر، این آزمایشها حکم چراغ راهنما را دارند: مسیر نابرابری و تأثیر آن بر فرصتها و دیدهشدن در فضای دیجیتال را قابل مشاهده میکنند، حتی اگر نتایجشان کامل و دقیق نباشد.
