طراحی فریم‌ورک هوش مصنوعی برای شناسایی منبع فید رسانه‌های اجتماعی

فیدها سنگ‌بنای اصلی و مهمی هستند که توصیه‌‌های موسیقی مدرن، اخبار و پلتفرم‌های رسانه‌ی اجتماعی برپایه‌ی آن بنا می‌شوند. ممکن است شما نیز مانند بیشتر کاربرانی باشید که روزانه بیشتر زمان خود را صرف اسکرول میان موسیقی‌ها، کلیپ‌های ویدئویی، مقاله‌‌ها، سوالات، اطلاعیه‌های خدمات عمومی و تبلیغاتی می‌کنند که با توجه به علایق و ترجیحات خودتان به شما اطلاع داده می‌شود. اما آیا بهتر نبود که الگوریتم‌های تأمین‌کننده و زیرین این فیدها (و توصیه‌های آن‌ها) کمی شفاف‌تر بودند؟

پژوهشگران انستیتوی انفورماتیک ماکس پلانک نیز به‌دنبال شفاف‌سازی این الگوریتم هستند و در همین راستا موفق به ایجاد فریم‌ورکی شدند. فریم‌ورکی به‌نام Activity-Item Relationship Discovery که به اختصار به آن فیری (FAIRY) گفته می‌شود. این فریم‌ورک به‌طور سیستماتیک، ارتباط بین عملکرد کاربران و آنچه در فیدهای رسانه‌های اجتماعی وجود دارد را کشف و درجه‌بندی می‌کند و درباره‌ی آن توضیح می‌دهد. این پژوهش در مقاله‌ای با عنوان «فیری: فریم‌ورکی برای درک روابط بین عملکرد کاربران و فیدهای اجتماعی آن‌ها» در آرشیو Arxiv.org منتشر شده است.

در مقاله‌ی این نویسندگان آمده است:

شفافیت و قابلی توضیح بودن یکی از مهم‌ترین نگرانی‌های دنیای مدرن از اضافه‌بار شناختی (cognitive overload)، حباب‌های فیلتر، ردیابی کاربر و مخاطرات حوزه‌ی حریم خصوصی او است. فید نتیجه‌ی ترکیب پیچیده‌ای از علایق یک شخص، شبکه‌ی دوستی، اقدامات وی در پلتفرم و گرایش‌های بیرونی او است. با گذشت زمان، چندین هزار عملی که کاربر در آن مدت انجام داده است (پست‌ها، رای دادن، لایک، نظر و غیره)، روی هم انباشته شده و پروفایل [خود] آن شخص را شکل می‌دهند. حجم بالای اقداماتی که هرکاربر انجام می‌دهد، باعث می‌شود کاربر نتواند تمام این جزئیات را به‌خاطر بسپارد.

فریم‌ورک FAIRY در تلاش است تا معضل ایجادشده را با ایجاد نمودارهای تعامل خاص کاربر با استفاده از اطلاعات قابل مشاهده برای کاربران حل کند. فیری مدل‌ها را برای پیش‌بینی ارتباط و غافلگیرکننده بودن داده‌های پلتفرم رسانه‌های اجتماعی در دنیای واقعی یاد می‌گیرد و سپس تکنیک‌های یادگیری مبتنی بر درجه‌بندی را برای کشف و رتبه‌بندی روابط به دست آمده از نمودارها افزایش می‌دهد.

عواملی که به عملکرد بهتر FAIRY کمک می‌کنند، در پنج مجموعه قرار می‌گیرند. این پنج مجموعه عبارت‌اند از: کاربر، دسته‌بندی، آیتم، نمونه مسیر و الگوی مسیر. (مسیر به روش‌های توضیح اشاره دارد). تأثیر کاربران (مثلا نسبت فالوئرها به‌دنبال‌شونده‌ها) به‌عنوان مکمل فعالیت آن‌ها، همانند ارتباط آن‌ها با آیتم‌های فید مختلف اندازه‌گیری می‌شود.

پژوهشگران خاطرنشان كردند كه با توجه به حجم قابل توجهی از فعل و انفعالات فید كه توسط یك شخص معمولی انجام می‌شود، محدوده‌ی روابط موجود بین هزاران تا میلیون‌ها ترسیم شده است. رویکرد یادگیری مبتنی بر درجه‌بندی یادشده، با ارائه‌ی تنها چند اتصال برتر، تجزیه و تحلیل آن‌ها را آسان‌تر کرد که یا این اطلاعات برای کاربران مرتبط (به‌طور کلی توضیح رضایت‌بخش و مفید است) یا شگفت‌آور و غافلگیرکننده (برای نمونه، روابط فراموش‌شده یا ناشناخته) هستند.

در مطالعه‌ی انجام‌شده، دانشمندان به ۲۰ داوطلب مأموریت دادند تا با دو پلتفرم‌ Quora و Last.fm و با استفاده از حساب‌های کاربری جدید، هر یک با ۵ فالوئر ارتباط برقرار کنند. داوطلبان در مدت چندین جلسه، در مجموع ۲۰ ساعت زمان خود را حداقل روی یکی از این دو سرویس گذراندند و به‌طور میانگین حداقل ۱۲ فعالیت را انجام دادند، درحالی که موارد غیرآشکار و واضحی را بعد از اسکرول کردن در طول تمام فید مشاهده می‌کردند. بعد از اتمام هر جلسه، تیم نمودارهای تعامل را به‌روز کردند و قبل از استخراج مسیرهای توضیح برای موارد فید، سه پیشنهاد غیرواضح برای هر کاربر انتخاب می‌شدند.

در سلسله آزمایش‌ها، پژوهشگران دریافتند كه FAIRY حتی از سه بیس‌لاین استخراج روابط بر هر تکلیف برای پیش‌بینی آنچه که کاربر را غافلگیر و متعجب می‌سازد و برای او مرتبط‌تر است، عملکرد بهتری نشان می‌دهد. دانشمندان موفقیت فریم‌ورک FAIRY را به‌ وجود شبکه اطلاعات «قدرتمند» که نمایان‌گر حوزه‌ی نفوذ کاربر و رویکرد یادگیری مبتنی بر درجه‌بندی است، نسبت می‌دهند. همچنین، آن‌ها یادآور می‌شوند که این پژوهش، اولین گام به‌سوی هدف بهبود شفافیت در رابطه با فیدهای رسانه‌های اجتماعی است.

نویسنده‌ی مسئول مقاله نوشت:

[من] به‌نظرم شناسایی روابط توضیحی، بین رفتار کاربران آنلاین و فید مواردی که آن‌ها دریافت می‌کردند، حداقل به سه دلیل مفید و کاربردی است. (الف) آن‌ها می‌توانند کاربر را به‌دلیل مرتبط بودنشان متقاعد کنند؛ (ب) آن‌ها می‌توانند کاربر را به سمت موارد خاصی هدایت کنند و از هر اقدام عملی دیگر کاربر جلوگیری کنند و (پ) آن‌ها می‌توانند به‌عنوان یک پروکسی عمل کنند که برای کاربران قابل قبول باشد. برای نمونه، اگر آلیس پستی با محتوای ساخت بمب در فید مطالب خودش ببیند، درحالی‌ که خودش از هرگونه ارتباط صریحی با چنین مطلبی به‌هیچ وجه آگاه نیست، ممکن است بسیار کنجکاو شود که مگر چه مواردی را جست‌وجو کرده و دیده که در نتیجه فید همچون مطلبی برای او به‌نمایش گذاشته شده است.

این تیم قصد دارد در آینده FAIRY را به‌عنوان افزونه‌ی مرورگر پیاده‌سازی کند و بررسی‌های بیشتری را از تأثیر فعالیت‌های کاربران در چندین پلتفرم مختلف بررسی کند.