به گزارش خبرنگار فناوری خبرگزاری دانشجو، مطالعات نشان می‌دهد که تفاوت‌های رفتاری بین روبات‌ها و انسان‌ها می‌توانند الگوریتم‌های یادگیری ماشینی جدیدی را ایجاد کنند. روبات‌ها حساب‌هایی در شبکه اجتماعی هستند که توسط نرم افزار‌های مصنوعی کنترل می‌شوند و خدمات متفاوتی با اهداف متفاوت از جمع‌آوری اخبار تا کمک‌های خودکار به خرده فروشان را انجام می‌دهند. امروزه روبات‌ها به عنوان بخشی از نیروی خدماتی در مقیاس‌های بزرگ نیز کاربرد‌های زیادی دارند.

یک مطالعه جدید نشان می‌دهد که وجود گرایش‌های رفتاری کوتاه مدت در انسان‌ها که در ربات‌های شبکه‌های اجتماعی وجود ندارد، مثالی از اثر انسان بر شبکه‌های اجتماعی است که می‌تواند اهرمی برای توسعه روش‌های پیچیده‌تر تشخیص ربات باشد. این تحقیق اولین مطالعه در نوع خود برای اعمال رفتار کاربر در یک شبکه اجتماعی به منظور تشخیص مشکلات ربات است. ربات‌ها مداوم توسعه پیدا می‌کنند تا رفتار‌های انسان که در شبکه‌های اجتماعی نشان می‌دهند را بیشتر و بیشتر تقلید کنند.

امیلی فررا استادیار علوم کامپیوتر و سرپرست تیم تحقیقاتی در انستیتوی علوم اطلاعات دانشگاه کالیفرنیای جنوبی گفت: «هر زمانی که ما یک ویژگی شخصیتی در رفتار انسان‌ها می‌بینیم، مثلاً احساس آن‌ها در موضوعات مختلف مورد علاقه شان، فورا متوجه می‌شویم که روبات‌های توسعه یافته جدید می‌توانند چنین ویژگی‌هایی را نیز داشته باشند.»

در این پروژه محققان چگونگی تغییر رفتار انسان‌ها و روبات‌ها را طی دوره‌های فعالیت در شبکه‌های اجتماعی با استفاده از یک مجموعه داده توئیتری بزرگ مرتبط با رویداد‌های سیاسی اخیر بررسی کردند. در این دوره‌ها محققان عوامل مختلف ازجمله تمایل به فعالیت در تعاملات اجتماعی و مقدار محتوی تولید شده را برای مشاهده رفتار کاربر اندازه گیری کردند؛ سپس این نتایج بین انسان‌ها و روبات‌ها مقایسه شد.

برای مطالعه رفتار کاربران روبات‌ی و انسانی طی یک جلسه فعالیت، محققان بر شاخص‌های کیفی و کمی تعاملات اجتماعی که یک کاربر در آن حضور دارد مانند تعداد بازنشر‌های یک توییت، تعداد پاسخ‌ها، و تعداد منشن‌ها، تمرکز کردند.

آن‌ها از این نتایج رفتاری استفاده کردند تا یک سیستم طبقه بندی شده را برای تشخیص روبات‌ها ارائه داده و بیان کنند که آیا دربرگری ویژگی‌های توصیفی می‌تواند عملکرد شناسایی را بهبود ببخشید یا نه. برای ۲ مجموعه مختلف از طبقه بندی‌ها یک محدوده فناوری یادگیری ماشینی استفاده شد: یکی شامل ویژگی‌هایی که پویایی جلسات را توصیف میکند و دیگری که به عنوان طبقه بندی پایه، شامل چنین ویژگی‌هایی نیست.

محققان دریافتند در بین انسان‌ها تمایلاتی وجود دارد که در بین ربات‌ها نیست؛ انسان‌ها افزایش در میزان تعاملات اجتماعی در این فعالیت‌ها و یک کاهش در مقدار محتوای تولید شده نشان دادند. به نظر می‌رسد کاهش به این دلیل باشد که در طول فرایند جلسات کاربران انسانی به مرور زمان خسته شده و کمتر دوست دارند فعالیت‌های پیچیده انجام دهند. توضیح دیگر اینکه، با گذشت زمان کاربران در شبکه‌های اجتماعی پست‌ها و توییت‌های بیشتری را ملاحظه می‌کنند؛ بنابراین احتمال واکنش و تعامل بین آن‌ها افزایش می‌یابد، اما در مقابل، در هر دو مورد بررسی شده ربات‌ها هیچ تغییری در رفتار نشان ندادند و رفتار آن‌ها تحت تاثیر این ملاحظات قرار نگرفت.

محققان از این نتایج رفتاری برای آگاهی از یک سیستم طبقه بندی شده برای تشخیص روبات استفاده کردند و دریافتند مدل کامل که شامل ویژگی‌های توصیغی پویایی جلسه است، به طور قابل توجهی از سیستمی که شامل این ویژگی‌ها نیست بهتر عمل می‌کند. این نتایج حاکی از آن است که رفتار کاربران در شبکه‌های اجتمعی بین روبات‌ها و انسان‌ها متفاوت بوده و این تفاوت‌ می‌توانند منجر به ایجاد یک سیستم تشخیص روباتی جدید یا بهبود روبات‌های موجود شود.

امیلی می‌گوید: «ربات‌ها به طور مداوم در حال تحول هستند. با پیشرفت‌های سریع هوش مصنوعی می‌توانید ربات‌های زیادی ایجاد کنید که بیشتر و بیشتر نحوه حرف زدن و تعاملات ما را در پلتفرم‌های آنلاین تقلید می‌کنند. ما به طور مداوم در تلاشیم تا ابعاد خاص رفتار‌های انسانی در شبکه‌های اجتماعی که می‌توانند برای توسعه ربات‌های پیچیده‌تر استفاده شوند را شناسایی کنیم.»