پست‌های شبکه‌های اجتماعی رازهای شخصیت شما را فاش می‌کنند

یک مطالعه جدید نشان می‌دهد که هوش مصنوعی می‌تواند تنها با تحلیل متن پست‌های کاربران در شبکه‌های اجتماعی، احتمال وجود برخی ویژگی‌های شخصیتی موسوم به «سه‌گانه تاریک» را تشخیص دهد.

به گزارش سرویس هوش مصنوعی پژوهشگران می‌گویند این فناوری هنوز در مراحل اولیه توسعه قرار دارد، اما نتایج آن نشان می‌دهد ردپای دیجیتالی افراد اطلاعات بسیار بیشتری از آنچه تصور می‌شود درباره شخصیت آن‌ها آشکار می‌کند.

پژوهشی که نتایج آن در نشریه Journal of Research in Personality منتشر شده است، نشان می‌دهد مدل‌های یادگیری ماشین قادرند با بررسی واژه‌ها، سبک نگارش و لحن نوشته‌های کاربران در فیس‌بوک، میزان گرایش آن‌ها به سه ویژگی شخصیتی مهم یعنی خودشیفتگی (Narcissism)، ماکیاولیسم (Machiavellianism) و روان‌پریشی (Psychopathy) را پیش‌بینی کنند. این سه ویژگی در روان‌شناسی با عنوان «سه‌گانه تاریک» شناخته می‌شوند و سال‌ها است که مورد توجه پژوهشگران رفتار انسان قرار دارند.

ویژگی خودشیفتگی به احساس برتری، خودبزرگ‌بینی و انتظار دریافت توجه و تحسین از دیگران اشاره دارد. ماکیاولیسم به تمایل افراد برای دستکاری، فریب و بهره‌برداری از دیگران به‌منظور رسیدن به اهداف شخصی مربوط می‌شود.

روان‌پریشی نیز با رفتارهای تکانشی، کاهش همدلی، بی‌تفاوتی نسبت به احساسات دیگران و برخی رفتارهای ضد اجتماعی ارتباط دارد. البته داشتن نمره بالاتر در این ویژگی‌ها به معنای ابتلا به اختلال روانی یا مجرم بودن افراد نیست و تنها نشان‌دهنده میزان گرایش آن‌ها به این صفات شخصیتی است.

پژوهشگران دانشگاه هلموت اشمیت و دانشکده پزشکی هامبورگ در آلمان برای بررسی این موضوع، عملکرد هفت الگوریتم مختلف یادگیری ماشین را با یکدیگر مقایسه کردند. هدف آن‌ها این بود که مشخص کنند کدام مدل هوش مصنوعی می‌تواند تنها از روی متن پست‌های فیس‌بوک، این ویژگی‌های شخصیتی را با دقت بیشتری تخمین بزند.

برای انجام این مطالعه، پژوهشگران از یک مجموعه داده آماده استفاده کردند. این مجموعه شامل ۱۵ پست آخر فیس‌بوک هر شرکت‌کننده و پاسخ‌های همان افراد به سه پرسشنامه استاندارد روان‌شناسی بود که برای سنجش ویژگی‌های سه‌گانه تاریک طراحی شده‌اند.

شرکت‌کنندگان از طریق وب‌سایت Amazon Mechanical Turk جذب شدند. از میان ۳۰۴ داوطلب اولیه، افرادی که کمتر از ۱۸ سال سن داشتند، انگلیسی‌زبان نبودند یا مجموع نوشته‌های آن‌ها کمتر از ۱۰۰ کلمه بود، از مطالعه حذف شدند. در نهایت داده‌های ۲۶۶ نفر مورد بررسی قرار گرفت. میانگین سنی این افراد حدود ۲۷ سال بود و بیش از ۶۰ درصد آن‌ها را زنان تشکیل می‌دادند.

در مرحله بعد، رایانه متن پست‌ها را به مجموعه‌ای از شاخص‌های قابل تحلیل تبدیل کرد. نرم‌افزارها فراوانی واژه‌ها، نوع احساسات، لحن مثبت یا منفی، تنوع واژگان، سبک نوشتار و حتی اطلاعاتی مانند سن و جنسیت را استخراج کردند. در مجموع، ۱۴۴ ویژگی مختلف برای هر فرد به الگوریتم‌ها داده شد تا بر اساس آن‌ها شخصیت افراد را پیش‌بینی کنند.

در میان هفت مدل مورد بررسی، الگوریتم Random Forest بهترین عملکرد را از خود نشان داد. این الگوریتم که بر پایه مجموعه‌ای از درخت‌های تصمیم‌گیری عمل می‌کند، توانست در پیش‌بینی هر سه ویژگی شخصیتی، از سایر مدل‌ها عملکرد بهتری داشته باشد. این مدل در ۱۵ مورد از ۱۸ مقایسه مستقیم با سایر الگوریتم‌ها برتری خود را حفظ کرد. در مقابل، مدل ساده رگرسیون خطی ضعیف‌ترین عملکرد را ثبت کرد و نشان داد روش‌های انعطاف‌پذیرتر برای تحلیل چنین داده‌هایی مناسب‌تر هستند.

با این حال، پژوهشگران نکته مهم دیگری را نیز بررسی کردند. آن‌ها میزان سوگیری مدل‌ها را اندازه گرفتند تا مشخص شود آیا برخی الگوریتم‌ها به‌طور سیستماتیک نمره افراد را بیش از حد واقعی یا کمتر از مقدار واقعی پیش‌بینی می‌کنند یا خیر. نتایج نشان داد اختلاف میان هفت مدل از نظر این نوع خطا بسیار اندک بود و هیچ الگوریتمی نسبت به سایرین برتری معناداری نداشت.

بخش دیگری از این پژوهش به بررسی واژه‌هایی اختصاص داشت که بیشترین نقش را در پیش‌بینی هر یک از ویژگی‌های شخصیتی ایفا می‌کنند. نتایج نشان داد برای روان‌پریشی، واژه‌های مرتبط با ادراک، عمل، حرکت و همچنین استفاده از الفاظ رکیک، مهم‌ترین شاخص‌ها بودند. در این ویژگی، زبان مورد استفاده افراد تقریباً تمام نقش پیش‌بینی را بر عهده داشت و سن یا جنسیت تأثیر بسیار ناچیزی داشتند.

در مورد خودشیفتگی، وضعیت متفاوت بود. سن و جنسیت تقریباً به اندازه انتخاب واژه‌ها اهمیت داشتند. همچنین استفاده از واژه‌های مرتبط با فناوری، گفت‌وگوهای روزمره و کاربرد فراوان علامت تعجب از مهم‌ترین الگوهای مشاهده‌شده بودند.

برای ویژگی ماکیاولیسم نیز سن و جنسیت بیشترین سهم را در پیش‌بینی داشتند، اما انتخاب واژه‌ها نیز نقش مهمی ایفا کرد. واژه‌های مرتبط با احساسات منفی، انزجار، خواستن، به‌دست آوردن و برخی نشانه‌های خلق‌وخوی منفی از جمله شاخص‌هایی بودند که بیشترین ارتباط را با این ویژگی نشان دادند.

پژوهشگران تأکید می‌کنند که این یافته‌ها نباید به‌عنوان روشی برای تشخیص قطعی شخصیت افراد در نظر گرفته شوند. آن‌ها معتقدند این مدل‌ها تنها می‌توانند احتمال وجود برخی ویژگی‌های شخصیتی را تخمین بزنند و هرگز جایگزین ارزیابی روان‌شناسان یا متخصصان سلامت روان نخواهند شد.

با وجود این، نتایج مطالعه پرسش‌های مهمی درباره حریم خصوصی و آینده استفاده از هوش مصنوعی مطرح می‌کند. اگر تنها چند پست در شبکه‌های اجتماعی بتواند اطلاعاتی درباره ویژگی‌های شخصیتی افراد آشکار کند، شرکت‌های فناوری، کارفرمایان و حتی سازمان‌های مختلف ممکن است در آینده به استفاده از چنین ابزارهایی علاقه‌مند شوند.

پژوهشگران در همین زمینه هشدار داده‌اند که هرگونه استفاده عملی از این فناوری باید با رضایت کامل افراد، رعایت قوانین حفاظت از داده‌ها و نظارت انسانی انجام شود. آن‌ها تأکید می‌کنند خروجی چنین سامانه‌هایی باید صرفاً به‌عنوان یک ابزار کمکی برای تصمیم‌گیری استفاده شود و نه وسیله‌ای برای برچسب زدن یا قضاوت درباره افراد.

این پژوهش البته محدودیت‌هایی نیز دارد. تعداد شرکت‌کنندگان نسبتاً کم بود و همه آن‌ها از یک جامعه آنلاین انتخاب شدند که معمولاً جوان‌تر و آشناتر با فناوری هستند. همچنین الگوریتم‌ها با تنظیمات پیش‌فرض اجرا شدند و برای این مسئله بهینه‌سازی اختصاصی روی آن‌ها انجام نشد. به همین دلیل هنوز مشخص نیست همین نتایج در جمعیت‌های بزرگ‌تر، فرهنگ‌های مختلف یا سایر شبکه‌های اجتماعی نیز تکرار خواهد شد یا خیر.

با وجود این محدودیت‌ها، پژوهشگران معتقدند مطالعه حاضر تصویری روشن از قدرت تحلیل هوش مصنوعی ارائه می‌دهد. به گفته آن‌ها، واژه‌هایی که کاربران هر روز در شبکه‌های اجتماعی منتشر می‌کنند، می‌توانند اطلاعات ارزشمندی درباره الگوهای رفتاری و ویژگی‌های شخصیتی آن‌ها در اختیار سامانه‌های هوش مصنوعی قرار دهند. همین موضوع اهمیت حفظ حریم خصوصی و آگاهی کاربران از اطلاعاتی را که ناخواسته در فضای مجازی منتشر می‌کنند، بیش از گذشته برجسته می‌کند