Soru:
Bir sosyolog, sosyal medya platformlarının toplumsal hareketler üzerindeki etkisini araştırmaktadır. Bu bağlamda, "Yapay Zeka (AI) destekli kişiselleştirilmiş içerik algoritmalarının, kullanıcıların 'yankı odaları' (echo chambers) oluşturmasına ve bunun da toplumsal kutuplaşmayı nasıl artırdığını" incelemek istemektedir. Bu araştırma sorusunu operasyonelleştirmek için hangi iki temel değişkeni tanımlamalı ve bu değişkenleri nasıl ölçebilir?
Çözüm:
💡 Bu soru, bir sosyal olgunun (kutuplaşma) bilişim teknolojileri bağlamında nasıl inceleneceğine dairdir. Operasyonelleştirme, soyut bir kavramı ölçülebilir hale getirme sürecidir.
- ➡️ Bağımsız Değişken (Neden): "Yankı Odası" oluşumu. Bu, kullanıcının maruz kaldığı içerik çeşitliliğinin azalması olarak tanımlanabilir. Ölçümü: Bir kullanıcının haber kaynağı çeşitliliği indeksi hesaplanabilir. Örneğin, bir kullanıcının bir ay boyunca tıkladığı/takip ettiği haber kaynaklarının siyasi yelpazedeki dağılımı (\(D\)) analiz edilir. Dağılım ne kadar dar (düşük \(D\) değeri) ise yankı odası etkisi o kadar güçlü kabul edilir.
- ➡️ Bağımlı Değişken (Sonuç): "Toplumsal Kutuplaşma". Bu, bireylerin belirli sosyal/politik konulardaki görüşlerinin birbirinden uzaklaşması olarak tanımlanabilir. Ölçümü: Anket yoluyla ölçekler kullanılabilir. Katılımcılara, tartışmalı sosyal konulara ilişkin 1'den 10'a kadar (1=kesinlikle katılmıyorum, 10=kesinlikle katılıyorum) Likert ölçeği soruları yöneltilir. Cevapların standart sapması (\( \sigma \)) ne kadar yüksekse, grup içi görüş ayrılığı ve dolayısıyla kutuplaşma o kadar yüksek kabul edilir.
✅ Sonuç: Bağımsız değişken "yankı odası indeksi (D)", bağımlı değişken ise "görüş kutuplaşma puanı (\( \sigma \))" olarak operasyonelleştirilir. Araştırmacı, D değeri düşük olan (güçlü yankı odası) kullanıcı gruplarında \( \sigma \) değerinin daha yüksek olup olmadığını istatistiksel olarak test eder.
