از کجا بفهمیم داریم با یک بات شبکه‌ی اجتماعی حرف می‌زنیم؟

توییتر اخیراً اقدامات گسترده‌ای تدارک داده تا سرعت انتشار اطلاعات غلط ‌و گمراه‌کننده را در این پلتفرم کاهش دهد. یکی از این اقدامات غیرفعال کردن بیش از 2 میلیون اکانت اتوماتیک یا بات بوده است.

ولی توییتر فقط ناشیانه‌ترین و فاحش‌ترین خاطیان را مورد هدف قرار داده است. حالا که دست حقه‌بازان رو شده، انتظار می‌رود حقه‌هایشان را پیچیده‌تر کنند تا اکانت‌های قلابی، هرچه بیشتر شبیه به اکانت‌های واقعی به نظر برسند.

بهتر است گول اکانت‌های قلابی را نخورید و وقتتان را با بحث کردن با آن‌ها تلف نکنید. شناسایی کردن بات‌ها در رشته‌های گتفگوی توییتر به ورژن عجیبی از تست تورینگ تبدیل شده است. اکنون یکی از راه‌های رضایت‌بخش و در عین حال عجیب برای توهین کردن به هوش کاربران توییتری، متهم کردنشان به بات بودن است.

پیشرفت‌های صورت‌گرفته در حوزه‌ی یادگیری ماشینی (Machine Learning) حاکی از این است که شباهت بات‌ها به انسان‌ها روزبه‌روز بیشتر خواهد شد. پژوهش‌گران IBM اخیراً از سیستمی رونمایی کرده‌اند که قادر است از راه استخراج متن استدلال‌هایی نسبتاً منطقی ارائه دهد. نرم‌افزار دوپلکس گوگل (Google’s Duplex) نیز نشان می‌دهد هوش مصنوعی چطور می‌تواند ریزه‌کاری‌های گفتگوی بین انسان‌ها را تقلید کند.

شاید حوزه‌ی تکنولوژی نیز راه‌حلی برای ارائه داشته باشد. در سال 2015 آژانس طرح‌های پیشرفته‌ی پژوهشی دفاعی (The Defense Advanced Research Projects Agency) مسابقه‌ای برای تشخیص بات‌های توییتر ترتیب داد. شرکت‌کنندگان با استفاده از پنج نقطه‌ی داده‌ی[1]کلیدی سیستمشان را طوری تنظیم کردند تا اکانت‌های قلابی را شناسایی کنند. سیستم‌های تنظیم‌شده تا رسیدن به درجه‌ی کمال فاصله‌ی زیادی داشتند (بهترین نمونه فقط 40 درصد مواقع جوابگو بود)، ولی بنا بر تلاش‌های صورت‌گرفته می‌توانیم راجع‌به بهترین روش برای تشخیص بات‌ها در توییتر حدس‌هایی بزنیم. شاید بهتر باشد در آینده به این نشانه‌ها توجه بیشتری نشان دهیم.

۱. پروفایل کاربر: رایج‌ترین راه برای تشخیص دادن قلابی بودن یک اکانت بررسی پروفایل آن است. تابلوترین بات‌ها فاقد عکس، لینک یا معرفی‌نامه هستند. بات‌های پیچیده‌تر از عکس‌های پخش‌شده در وب یا نام‌هایی که به صورت تصادفی تولید شده‌اند، استفاده می‌کنند.

۲. هم‌نشینی کلمات و جملات در توییت: هنوز که هنوز است، حرف زدن مثل انسان‌ها برای بات‌ها کاری بسیار دشوار است. توییت یک بات ممکن است منطق الگوریتیمی آن را فاش کند. توییت‌ها ممکن است از فرمولی خاص پیروی کنند، تکراری به نظر برسند یا از پاسخ‌های رایج در بات‌های مخصوص چت کردن استفاده کنند. درک نکردن شوخی‌های ساده یا عوض کردن موضوع بحث با سرعت بالا از نشانه‌های بارز بات‌هاست (متاسفانه این ویژگی در کاربران انسان توییتر نیز به‌وفور مشاهده می‌شود).

۳. ابعاد معناشناسانه‌ی توییت: بات‌ها معمولاً با هدفی خاص ساخته می‌شوند، برای همین ممکن است علاقه‌ای افراطی به موضوعی خاص نشان دهند و لینکی را چند بار پست کنند و به‌ندرت راجع‌به چیزی دیگر حرف بزنند.

۴. فعالیت زمانی: بررسی توییت‌های یک کاربر در طول زمان می‌تواند بسیار آگاهی‌بخش باشد. توییت کردن با سرعت فوق‌العاده زیاد، توییت کردن در بازه‌های زمانی نامتعارف یا حتی توییت کردن به صورت مرتب همه از نشانه‌های بارز قلابی بودن یک اکانت هستند. همچنین طبق یافته‌های پژوهش‌گران، اکانت‌های قلابی با نشان دادن رفتاری غیرمنسجم نسبت به یک موضوع خاص در طول زمان خود را لو می‌دهند.

۵. رفتارهای شبکه‌ای: بیشتر کاربران قادر به دیدن بده‌بستان‌های شبکه‌ای نیستند، ولی این بده‌بستان‌ها اطلاعات زیادی را راجع‌به یک اکانت فاش می‌کند. به احتمال زیاد بات‌ها فقط چند اکانت را دنبال می‌کنند یا توسط بات‌های زیادی دنبال می‌شوند. همچنین ممکن است لحن توییت‌های بات با توییت‌های اکانت‌هایی که باهاشان در ارتباط است، همخوانی نداشته باشد. این عدم همخوانی نشان‌دهنده‌ی این است که صاحبت اکانت از تعاملات اجتماعی واقعی بی‌بهره بوده است.

[1]  نقطه‌ی داده (Data Point) یک مقدار عددی‌ست که روی نمودار مشخص شده است‎ ; بطور کلی هر جفتی از مقادیر مانند یک مقدار سنجیده شده و زمان سنجش آن را گویند. (منبع: دیکشنری تخصصی برساد)

سفید کاغذی

جدیدترین شماره کاغذی سفید را بخرید

شماره ۳: پری‌زدگی

خرید این شماره