Αυτό το «περίεργο κόλπο» βοηθά τους δημοσιογράφους να τραβούν την προσοχή σας. Το clickbait λειτουργεί επειδή υπόσχεται πληροφορία χωρίς να τη δίνει πραγματικά. Στην πράξη, οι τίτλοι αυτού του τύπου φροντίζουν να είναι όσο το δυνατόν πιο μη ενημερωτικοί. Ένας τίτλος όπως «Trump wins election» περιέχει περισσότερη πληροφορία από το «You’ll never believe who just won the election», παρότι ο δεύτερος έχει πολύ περισσότερες λέξεις.

### Ο άνθρωπος που «κατέστρεψε» τα μαθηματικά

Μπορεί να φαίνεται παράδοξο ότι μπορεί να μεταδοθεί περισσότερη πληροφορία με λιγότερες λέξεις, όμως υπάρχει ένα μαθηματικό πλαίσιο που εξηγεί ακριβώς γιατί συμβαίνει αυτό. Η λεγόμενη θεωρία της πληροφορίας, που αναπτύχθηκε για πρώτη φορά το 1948, στην αυγή της εποχής των υπολογιστών, άνοιξε τον δρόμο για τον τρόπο με τον οποίο λειτουργεί μεγάλο μέρος του σύγχρονου κόσμου.

Η θεωρία γεννήθηκε όταν ο Κλοντ Σάνον, μαθηματικός στα Bell Labs στο Νιου Τζέρσεϊ, προσπαθούσε να λύσει ένα πρόβλημα που μας απασχολεί ακόμη και σήμερα: πώς επικοινωνείς όταν το σήμα είναι κακό. Τα Bell Labs ήταν τότε το ερευνητικό σκέλος της American Telephone and Telegraph Company, γνωστής σήμερα ως AT&T. Ήταν σε μεγάλο βαθμό η Google της εποχής του, καθώς εφεύρισκε τα πάντα, από το τρανζίστορ και τα ηλιακά πάνελ μέχρι τα λέιζερ — τεχνολογίες που άλλαξαν τον πολιτισμό.

Η δημιουργία του Σάνον, αν και πολύ πιο θεωρητική, είναι εξίσου σημαντική με εκείνες τις τρεις. Η μαθηματική του τομή ήταν η συνειδητοποίηση ότι το συγκεκριμένο νόημα ενός μηνύματος δεν έχει σημασία όταν προσπαθείς να το μεταδώσεις. Όπως έγραψε στο διάσημο άρθρο του A mathematical theory of communication, «οι σημασιολογικές πλευρές της επικοινωνίας είναι άσχετες με το μηχανικό πρόβλημα».

Αντί γι’ αυτό, αυτό που μετρά είναι πόσο απρόβλεπτο είναι ένα μήνυμα — σε μαθηματικούς όρους, η πιθανότητα να επιλεγεί ένα συγκεκριμένο μήνυμα για μετάδοση. Μπορεί να ακούγεται παράξενο να σκεφτόμαστε τα μηνύματα ως πιθανότητες, όμως, επειδή αποτελούνται από περιορισμένο αλφάβητο, θεωρητικά μπορούμε να τις υπολογίσουμε.

Για ένα πολύ απλό παράδειγμα, ας υποθέσουμε ότι θέλουμε να μεταδώσουμε το αποτέλεσμα μιας ρίψης κέρματος ως H για heads ή T για tails. Αν το κέρμα είναι δίκαιο, υπάρχει 50% πιθανότητα για κάθε αποτέλεσμα. Αν προκύψει H ή T, σε κάθε περίπτωση παίρνουμε νέα πληροφορία με κάθε ρίψη. Τι γίνεται όμως αν το κέρμα είναι πειραγμένο και πέφτει πάντα heads; Σε αυτή την περίπτωση, θα μεταδίδουμε H στο 100% των περιπτώσεων και T στο 0%, πράγμα που σημαίνει ότι, ό,τι κι αν συμβεί, δεν μεταδίδουμε καμία νέα πληροφορία.

### Ένα απλό prompt AI λύνει πρόβλημα μαθηματικών δεκαετιών

Η βασική ιδέα του Σάνον ήταν ότι μπορούμε να κάνουμε αυτόν τον υπολογισμό για οποιοδήποτε μήνυμα και έτσι να ποσοτικοποιήσουμε την πληροφορία που μεταδίδεται, χρησιμοποιώντας έναν τύπο που σήμερα ονομάζεται εντροπία Shannon. Ορίζει ότι η εντροπία H ισούται με -∑p(x)log(p(x)). Ας το δούμε βήμα βήμα.

Έχουμε το x, που είναι απλώς το μήνυμα που θέλουμε να μεταδώσουμε. Στο παράδειγμα με το κέρμα, αυτό είναι είτε H είτε T. Το p(x) είναι η πιθανότητα να εμφανιστεί το μήνυμα x. Αν κάθε μήνυμα είναι εξίσου πιθανό, τότε αυτό είναι απλώς 1 διαιρεμένο με τον αριθμό των πιθανών μηνυμάτων, αν και υπάρχουν και πιο σύνθετες περιπτώσεις που θα παραβλέψω εδώ.

Στη συνέχεια, πρέπει να πάρουμε τον λογάριθμο της πιθανότητας. Τι είναι λογάριθμος; Είναι σαν αντίστροφη ύψωση σε δύναμη. Για παράδειγμα, αν 2³ = 2*2*2 = 8, τότε log 8 = 3, στη βάση 2. Τέλος, το ∑ μας λέει ότι πρέπει να κάνουμε αυτούς τους υπολογισμούς για όλες τις δυνατές τιμές του x και να τους αθροίσουμε.

Μπορεί να φαίνεται περίπλοκο, αλλά η κατανόηση της δύναμης των λογαρίθμων είναι το κλειδί για τη θεωρία της πληροφορίας. Στο άρθρο του, ο Σάνον εξήγησε ότι η επιλογή της βάσης — ο αριθμός των ψηφίων που χρησιμοποιεί ένα σύστημα για να αναπαραστήσει αριθμούς — καθορίζει τη μονάδα μέτρησης της πληροφορίας. Πρότεινε να χρησιμοποιηθεί η βάση 2, όπως στο παραπάνω παράδειγμα, με αποτέλεσμα να προκύψει μια μονάδα που ονομάζεται δυαδικά ψηφία, ή «bits» για συντομία — ένα όνομα που πήρε από τον συνάδελφό του, John Tukey. Αυτά τα bits, που συνήθως αναπαρίστανται με 0 ή 1, αποτελούν τη βάση όλων των ψηφιακών επικοινωνιών σήμερα.

Επιστρέφοντας στο παράδειγμα με το κέρμα, για ένα δίκαιο κέρμα έχουμε πιθανότητα 0,5 για heads ή tails, και log(0,5) = -1. Αν βάλουμε αυτά τα στοιχεία στον τύπο του Σάνον, προκύπτει –(0,5*-1 + 0,5*-1) = 1. Με άλλα λόγια, ένα δίκαιο κέρμα μεταδίδει 1 bit πληροφορίας. Για το πειραγμένο κέρμα, το αποτέλεσμα είναι 0. Δεν προσφέρει καμία έκπληξη, άρα δεν μπορεί να μεταδώσει πληροφορία.

Τι σχέση έχουν όλα αυτά με το clickbait; Η έκπληξη, ή αλλιώς η νεότητα, είναι το νόμισμα της δημοσιογραφίας. Υπάρχει η γνωστή φράση ότι «σκύλος δαγκώνει άνθρωπο» δεν είναι είδηση — είναι κάτι πολύ συνηθισμένο — ενώ το «άνθρωπος δαγκώνει σκύλο» αξίζει δημοσίευση. Αυτή ακριβώς η διαίσθηση βρίσκεται πίσω από τη μαθηματική διατύπωση του Σάνον για την πληροφορία, όμως σε ορισμένα σημεία τα μαθηματικά και η δημοσιογραφία αποκλίνουν. Θυμηθείτε: ο Σάνον δεν ενδιαφερόταν για το νόημα των μηνυμάτων, αλλά μόνο για την πιθανότητα. Και αυτό δεν λέει τίποτα για το αν η πληροφορία είναι ακριβής ή ουσιαστική.

Το πιο γνωστό παράδειγμα ίσως είναι ένας τίτλος που δημοσιεύτηκε λίγους μήνες μετά το άρθρο του Σάνον το 1948. Οι προεδρικές εκλογές στις ΗΠΑ εκείνη τη χρονιά ήταν ανάμεσα στον εν ενεργεία Χάρι Σ. Τρούμαν και τον αντίπαλό του Τόμας Ε. Ντιούι. Το βράδυ πριν από τις εκλογές, η Chicago Daily Tribune βρέθηκε στη δύσκολη θέση να πρέπει να στείλει στο τυπογραφείο την πρώιμη έκδοσή της πριν οριστικοποιηθούν τα αποτελέσματα. Με βάση τις δημοσκοπήσεις της ώρας εκείνης, η εφημερίδα προέβλεψε ότι θα κέρδιζε ο Ντιούι και κυκλοφόρησε με τον τίτλο «Dewey Defeats Truman».

Από την οπτική του Σάνον, αυτό αποτελεί άψογη μετάδοση πληροφορίας. Με δύο πιθανά αποτελέσματα και περίπου ίση πιθανότητα να κερδίσει οποιοσδήποτε από τους δύο υποψηφίους, ο τίτλος μεταφέρει γύρω στο 1 bit πληροφορίας, πολύ κοντά στο παράδειγμα του δίκαιου κέρματος. Το μόνο πρόβλημα είναι ότι, στην πραγματικότητα, οι δημοσκοπήσεις ήταν λανθασμένες και ο Τρούμαν είχε κερδίσει, οδηγώντας σε μία από τις πιο θριαμβευτικές φωτογραφίες που δημοσιεύτηκαν ποτέ με κάποιον να διαβάζει την εφημερίδα.

Το λάθος της εφημερίδας ήταν ατυχές, αλλά αποτέλεσε και μια πρώιμη προειδοποίηση ότι η θεωρία του Σάνον δεν καλύπτει την αξία που αποδίδουμε σε μια πληροφορία σε σχέση με μια άλλη — το σημασιολογικό νόημα που ο ίδιος αντιμετώπιζε μάλλον αδιάφορα. Στον 21ο αιώνα, αυτό το κενό μετατράπηκε σε όπλο με τη μορφή του clickbait.

Ένας τίτλος clickbait έχει έναν και μόνο στόχο: να σας κάνει να κάνετε κλικ. Αυτός είναι πολύ διαφορετικός στόχος από εκείνον των παραδοσιακών έντυπων τίτλων όπως το «Dewey Defeats Truman» — ή, βέβαια, το σωστό «Truman Defeats Dewey» — που σχεδιάζονται για να μεταφέρουν τη μέγιστη δυνατή πληροφορία στον ελάχιστο δυνατό χώρο, περιορισμένοι από τις πρακτικές ανάγκες του τύπου. Ο Σάνον θα ενέκρινε σίγουρα αυτή την προσπάθεια για αποδοτική επικοινωνία.

Αντίθετα, όσο περισσότερη πληροφορία δίνει ένας τίτλος clickbait, τόσο χειρότερα κάνει τη δουλειά του. Επιστρέφοντας στο αρχικό παράδειγμα αυτού του άρθρου, το «Trump wins election» σάς λέει όλα όσα χρειάζεται να ξέρετε. Μπορεί να επιλέξετε να μπείτε στο άρθρο για να διαβάσετε τις λεπτομέρειες, όπως το ποσοστό ψήφων, αλλά στην αναμέτρηση του 2024 ανάμεσα στον Ντόναλντ Τραμπ και την Κάμαλα Χάρις, αυτές οι τρεις λέξεις μεταφέρουν αποτελεσματικά περίπου 1 bit πληροφορίας. Θα μπορούσε μάλιστα να γίνει και πιο σύντομο, απλώς ως «Trump wins».

Η άνοδος της Google και, κυρίως, των διαδικτυακών εκδόσεων που χρηματοδοτούνται από διαφημίσεις, άλλαξε τα δεδομένα. Στόχος έγινε οι εκδότες να προσελκύουν όσο το δυνατόν περισσότερους επισκέπτες στον ιστότοπό τους, ώστε να μεγιστοποιήσουν τα διαφημιστικά έσοδα. Για να το πετύχουν αυτό, τα μέσα ενημέρωσης, συνειδητά ή όχι, «χάκαραν» τη θεωρία της πληροφορίας του Σάνον, εκμεταλλευόμενα την προσοχή μας. Ο τίτλος «You’ll never believe who just won the election» μάς προετοιμάζει για πληροφορία χωρίς να τη δίνει, σαν ένα κέρμα που βρίσκεται στον αέρα. Μόνο αν κάνετε κλικ μπορείτε να ολοκληρώσετε την επικοινωνία όπως την είχε αρχικά φανταστεί ο Σάνον. Αν τελικά αποδειχθεί ένα αδιάφορο, χαμηλής πληροφορίας άρθρο, δεν πειράζει — ο εκδότης έχει ήδη πάρει το κλικ σας.

Αυτό δεν σημαίνει ότι το έργο του Σάνον δεν παραμένει χρήσιμο σήμερα — κάθε άλλο. Όπως είπα πριν, ο Σάνον προσπαθούσε να καταλάβει πώς να επικοινωνούμε απέναντι σε κακό σήμα, ή, όπως το έθεσε ο ίδιος, μέσα από ένα θορυβώδες κανάλι. Ο τύπος της εντροπίας που πρότεινε έδειξε ότι, μελετώντας την κατανομή πιθανοτήτων των πιθανών μηνυμάτων, μπορούμε να τα κωδικοποιήσουμε με τρόπο που να διατηρούνται παρά τον θόρυβο, οδηγώντας σε τα πάντα, από το streaming βίντεο μέχρι τα διαστημικά ταξίδια. Κανείς δεν αμφισβητεί ότι η θεωρία της πληροφορίας του Σάνον έφτιαξε τον σύγχρονο κόσμο. Αυτό που δεν μπορεί να λύσει είναι η σημερινή μας υπερφόρτωση από πληροφορία.