Использование алгоритмов ИИ для курирования выборов и канвассинга
Как однажды описал демократию Авраам Линкольн: «Я не хотел бы быть рабом, и не хотел бы быть рабовладельцем. Это выражает мое понимание демократии». Но демократия в нынешнюю эпоху была запятнана появлением технологий, которые помогают манипулированию и поляризации голосов избирателей.
Сегодня более 3 миллиардов пользователей социальных сетей активно проводят время на данных платформах, тратя на это больше чем 2 часа в день. Неудивительно, что именно на этих платформах ведутся основные манипуляции и применяется тактика поляризации. Было бы неплохо разобраться в том, как платформы социальных сетей пытаются подбирать данные во время выборов с помощью самих технологий. Это достаточно полезное знание!
У любой технологии всегда есть обратная сторона медали, и искусственный интеллект не является исключением. Главное в этом вопросе — это не стать регрессивными в подходе к будущим технологиям, но при этом нужно держать в уме наши основные ценности и блага. Итак, как мы можем курировать процесс выборов с помощью ИИ? Давайте разберемся.
Предвыборная агитация
Перед началом выборов и завершением периода продвижения кандидатов наступает фаза, которая имеет решающее значение для принятия решения избирателем, и это так называемый “канвассинг”. Агитация такого рода является известным феноменом в политических кругах и далеко не нова, но что изменилось, так это инструмент, который помогает политическим кандидатам проводить канвассинг.
Благодаря технологиям искусственного интеллекта и машинного обучения сбор данных о ходе кампании и их анализ стали относительно простыми. Ранее данные собирались на основе действий, которых совершают люди во время кампаний, например, пожертвование денег в фонды, подписание петиций, участие в митингах, демонстрация поддержки через посещение агитационных центров и т. д.
Но из-за того, что социальные сети постепенно стали основной платформой для избирателей, митинги, петиции и другие методы теряют свою актуальность, и появились новые методы сбора данных для проведения кампаний. Примером может послужить, Harvard Analytica — политическая фирма, использующая ИИ в качестве базовых технологий. Она собирала данные из учетных записей Facebook для анализа, чтобы помочь в проведении промежуточных избирательных кампаний в США еще в 2014 году.
Когда об этом стало известно, мир стал свидетелем того, как ИИ может быть использован для поляризации и манипулирования настроениями избирателей. Facebook узнал о неправильном обращении с данными и удалил более 900 учетных записей и страниц со своих платформ, поскольку они были поддельными учетными записями, сгенерированными с помощью искусственного интеллекта.
Что такое манипулирование и поляризация?
Манипулирование меняет настроение избирателей, усиливая или провоцируя предвзятое отношение, эмоции, которые в итоге могут разделить людей. Манипуляции такого рода также приводят к усилению поддержки одного кандидата и поляризации избирателей. Примеров поляризации очень много и в прошлом. Существует теория, разработанная для расчета поляризации, известная как теорема медианного избирателя. Она используется в США для анализа и измерения поляризации избирателей.
ИИ для обработки данных
Как мы можем использовать ИИ для обработки данных в мире биг-дата? Следует рассмотреть использование трех различных методов для алгоритмов машинного обучения:
1. Контролируемое обучение:
Это метод, в рамках которого мы обучаем алгоритм с четко определенными данными, где вопрос и ответы уже есть. Как только алгоритм акклиматизируется с характером набора данных, мы предоставляем другой набор данных относительно помеченного набора данных и задаем вопросы, чтобы найти эффективные ответы.
Мы можем использовать ту же модель для обучения поведенческим моделям постами, историями и трендовыми сообщениями в социальных сетях, которые уже помечены как инструменты канвассинга для выборов. Она использует методы классификации и регрессии для того, чтобы алгоритм изучал наборы данных.
2. Безнадзорное обучение
Это тип обучения, когда мы не говорим машинам, что делать. Здесь алгоритм имеет полную автономию для обучения на основе наборов данных и может группировать данные на основе шаблонов, поведения и сходств.
Если учесть наборы данных социальных сетей, с которыми мы имеем дело, то такие алгоритмы позволяют анализировать каждый пост на предмет манипуляций, поляризации и других тактик канвассинга, используемых политическими организациями.
3. Усиленное обучение
Этот метод позволяет целенаправленно использовать алгоритмы при обработке данных на платформах социальных сетей — здесь алгоритм обучается конкретным сценариям, позволяя ему анализировать реакцию и шаблоны для конкретных событий.
Например, мы можем обучить алгоритмы анализировать профили пользователей и их сообщения, в случае если они используют конкретные слова, заранее определенные при программировании таких алгоритмов, как: ненависть, названия религий или любой другой текст, направленный на давление на честность выборов. Таким образом, алгоритмы смогут отслеживать платформы социальных сетей на предмет любых неуместных или вводящих в заблуждение сообщений.
Тактика когнитивного реагирования (CRT):
Тактика когнитивного реагирования представляет собой объединение всех трех моделей в цифровую инфраструктуру мэйнфрейма в социальных сетях, чтобы улучшить обнаружение данных и обеспечить целостность выборов. Для нужд когнитивных вычислений платформы социальных сетей могут использовать различные методы, такие как облачные вычисления, туманные вычисления и т. Д.
Задачи для развития CRT сегодня:
- Инфраструктурные возможности социальных сетей.
- Гайдлайны по регулированию и мониторингу данных.
- Поддержка со стороны стран и правительств в сборе данных.
- Централизованные органы контроля для лучшего надзора и подотчетности.
- Безопасность платформ социальных сетей, чтобы избежать утечки данных политическим структурам.
Выводы
Платформы социальных сетей, такие как Facebook, Instagram, Twitter и другие активно отслеживают данные и используют алгоритмы для противодействия политически ангажированным сообщениям и историям, которые ориентированы оказать давление на результаты выборов. В целом, правительствам и платформам социальных сетей необходимо работать вместе, чтобы обеспечить честные и свободные выборы и продвигать их демократический образ.
Об авторе:
Манодж Рупарелия — эксперт по интернет-маркетингу, блогер, с опытом работы в области технологий, блокчейна, криптовалют, ИИ, цифрового маркетинга и SEO. Все блоги, которые он пишет, нацелены на помощь читателям, которые хотят быть в курсе последних событий в области технологий.
Изображение: Elections