我们对虚拟仇恨的威胁并不免疫

作为一个研究仇恨犯罪的犯罪学家，我必须接受自己受害自己是工作的一部分.成为20世纪90年代的仇恨犯罪的受害者是实际引导我朝着犯罪学中的职业.虽然我设法避免有史以来，但我确实继续以各种形式体验在线仇恨.我并不孤单，在线虐待和仇恨影响数百万的生活.英国12至15岁的人中有一半报告在2021年(Ofcom 2021)的社交媒体上看到在线仇恨.似乎没有社交媒体用户免受虚拟舌头绑定的威胁.

数字通信如何将行为返回到80s的行为研究.在线空间可以让我们踏上通常不会看到离线日光的行为.心理学家指出了匿名，指导，对讲者之间的感知物理距离，以及被警察被抓住和惩罚的低机会，解释为什么我们有时会在网上沟通时表达自己的禁止.当面对世界观时，我们不同意，这种解禁可能导致仇恨言论.

在线过滤泡沫和仇恨

最近的研究发现已经有丰富的在线仇恨言论可能与算法有关，这些算法能够加强在线过滤泡沫.由于排名算法过滤出任何具有挑战性的帖子，党派信息来源在在线网络的社交媒体用户的在线网络中放大，在这里，他们在很大程度上没有被淘汰.这些过滤气泡是偏见的弹性加速器，加强和放大光谱两侧的极端观点.

涵盖占领枪支控制问题，同性婚姻和气候变化的问题，纽约大学的社会知觉和评估实验室发现与这些问题相关的可恶员额增加过滤器泡沫中的转染后转发，但不是在他们之间(Brady等，2017).通过Twitter的时间轴算法促进了过滤器泡沫转扬的缺失，该算法从用户最常与(通过转发或喜好)有关的账户中的内容优先考虑内容.鉴于这些行为高度偏向于共享用户视图的账户，通过算法将暴露于具有挑战性的内容.因此，过滤泡沫通过一系列在线确认偏见进一步根深蒂固，通过职位促进并重新转发，其中包含情绪内容的符合对深刻道德问题的看法.因此，它似乎很可能在那些问题所在的时候，在法庭案件中，政治投票或在学校射击之后，过滤泡沫的居住者(可能是一名不坐的人在篱笆上)亨克尔下来并偏离辩论，有时讨厌仇恨.

不出所料，Facebook的算法还显示了从Partisan过滤泡沫内容产生的类似偏差. 2016年和2017年，非营利性调查新闻组织Glatublica发现Facebook的算法广告服务促进了偏见的目标.该系统允许广告商将他们的产品和事件定位于对表达对象感兴趣的人:"犹太人". "如何烧犹太人." "为什么犹太人毁了世界的历史." (Angwin，等.2017).与Twitter的时间线一样，Facebook的广告代码由用户发布，共享和类似的用户塑造.在这种情况下，算法从远方和右滤波器泡沫中拉出信息，在那里Facebook用户将这些可恶的主题指出为"兴趣".一旦通知，Facebook曾改变了其广告服务，并声称它不是故障，因为它是使其提供的算法，而不是员工.尽管有这些变化，广告商仍被允许阻止住房广告从被展示到非洲裔美国人，拉丁斯和亚裔美国人一段时间(Angwin和Parris 2016).

突破气泡

即使互联网用户愿意倾听那些不分享观点的人的意见，是否足够令人欣赏到过滤器泡沫?为了测试滤泡泡沫的恢复力来替代观点，Duke大学的偏振实验室遇到了实验，看看它们是否可以通过强迫暴露于具有挑战性的内容来拆除，有效地抵消Twitter时间线算法的影响(Bail等，2018).

共和党和民主党支持的推特用户被支付为遵循研究团队建立的Twitter Bots.一个月，这些机器人每天自动发布24条消息，以挑战参与者的政治观点.该团队发现共和党人，并在较小程度上民主党人，在暴露于Twitter的反对意见时，实际上变得更加根深蒂固.当暴露于在线的这些替代观点时，我们倾向于使用它们来加强我们已经相信的东西.当仇恨言论挑战的挑战时，我们拥有宽容的思维的人可以变得更加自由，而我们在反击仇恨的挑战挑战时，我们的患者可能会变得更加保守.

Duke School正在令人沮丧，但我们需要更多的研究来确认在我们放弃希望之前确认调查结果.效果也可以定位为Twitter.鉴于它的热烈交易所的声誉，登录的人可能是"兴奋"，以期望更具侵略性的沟通方式，使它们不易旨在软化世界观的干预措施.在当地社区中心运行同样的实验可能会因为对民事话语的期望和积极接触的影响而缺乏不同的结果，缺乏推特平台的现象.