Unsplash

Bots zijn social media-accounts die worden beheerd door software in plaats van door mensen en die verschillende doeleinden dienen. Een nieuwe studie in Frontiers in Physics heeft de aanwezigheid van ‘kortetermijngedragstrends’ bij mensen aangetoond die afwezig zijn in bots op sociale media, als voorbeeld van een ‘menselijke handtekening’ op sociale media die kan worden gebruikt om meer geavanceerde botdetectiestrategieën te ontwikkelen.

Bots hebben verschillende functies. Ze worden gebruikt voor nieuwsaggregatie, maar ook voor een geautomatiseerde klantenservice voor mensen die online hun schoenen bestellen. Bots staan echter recentelijk in de schijnwerpers omdat ze regelmatig worden ingezet als onderdeel van grootschalige inspanningen op sociale media om de publieke opinie te manipuleren, zoals tijdens grootschalige verkiezingscampagnes.

Het onderzoek is het eerste onderzoek in zijn soort dat gebruikersgedrag tijdens een socialemediasessie toepast op het probleem van botdetectie.

“Het is opmerkelijk dat bots voortdurend verbeteren om meer en meer van het gedrag na te bootsen dat mensen typisch vertonen op sociale media. Elke keer dat we een kenmerk identificeren waarvan we denken dat het een voorrecht is op menselijk gedrag, zoals het sentiment van interessante onderwerpen, ontdekken we al snel dat nieuw -ontwikkelde open-source bots kunnen die aspecten nu vastleggen “, zegt co-auteur Emilio Ferrara, assistent-hoogleraar informatica en onderzoeksteamleider aan het University of Southern California Information Sciences Institute.

Dataset

In dit werk bestudeerden de onderzoekers hoe het gedrag van mensen en bots tijdens een activiteitssessie veranderde met behulp van een grote Twitter-dataset die verband houdt met recente politieke gebeurtenissen. In de loop van deze sessies maten de onderzoekers verschillende factoren om gebruikersgedrag vast te leggen, waaronder de neiging om deel te nemen aan sociale interacties en de hoeveelheid geproduceerde inhoud, en vergeleken vervolgens deze resultaten tussen bots en mensen.

Om het gedrag van bot- en menselijke gebruikers tijdens een activiteitensessie te bestuderen, concentreerden de onderzoekers zich op indicatoren van de kwantiteit en kwaliteit van sociale interacties die een gebruiker uitvoerde, inclusief het aantal retweets, antwoorden en vermeldingen, evenals de lengte van de tweet zelf. Vervolgens maakten ze gebruik van deze gedragsresultaten om een classificatiesysteem voor botdetectie te informeren om te observeren of het opnemen van functies die de sessiedynamiek beschrijven, de prestaties van de detector zou kunnen verbeteren. Een reeks technieken voor machine learning werd gebruikt om twee verschillende sets classificaties te trainen: één met de kenmerken die de sessiedynamiek beschrijven en één zonder die kenmerken als basis.

Sociale interactie

De onderzoekers ontdekten bij mensen trends die niet aanwezig waren bij bots: mensen toonden een toename van de hoeveelheid sociale interactie tijdens een sessie, geïllustreerd door een toename van het aantal retweets, antwoorden en het aantal vermeldingen in een tweet. Mensen vertoonden ook een afname in de hoeveelheid geproduceerde inhoud, geïllustreerd door een afnemende trend in de gemiddelde lengte van de tweet.

Aangenomen wordt dat deze trends te wijten zijn aan het feit dat menselijke gebruikers naarmate de sessies vorderen moe worden en minder snel complexe activiteiten ondernemen, zoals het samenstellen van originele inhoud. Een andere mogelijke verklaring kan worden gegeven door het feit dat gebruikers na verloop van tijd worden blootgesteld aan meer berichten, waardoor hun kans om te reageren en interactie met inhoud te vergroten, toeneemt. In beide gevallen bleken bots niet beïnvloed te worden door dergelijke overwegingen en werd er geen gedragsverandering waargenomen.

De onderzoekers gebruikten deze gedragsresultaten om een classificatiesysteem voor botdetectie te informeren en ontdekten dat het volledige model, inclusief de kenmerken die sessiedynamiek beschrijven, aanzienlijk beter presteerde dan het basislijnmodel wat betreft de nauwkeurigheid van botdetectie, die deze kenmerken niet beschreef.

Deze resultaten laten zien dat gebruikersgedrag op sociale media meetbaar evolueert tussen bots en mensen tijdens een activiteitensessie en suggereert ook dat deze verschillen kunnen worden gebruikt om een botdetectiesysteem te implementeren of om bestaande te verbeteren.

Emilio benadrukt: “Bots evolueren voortdurend – met snelle ontwikkelingen in AI is het mogelijk om steeds realistischere bots te creëren die steeds meer kunnen nabootsen hoe we praten en communiceren op online platforms.”

Bron: Frontiers in Physics

Doneer
Ondersteun vrije journalistiek. Als je dit artikel waardeert en dat wilt laten blijken met een kleine bijdrage, doneer dan via onderstaande Paypal-button:

Geef een reactie

Your email address will not be published. Required fields are marked with *.

Share via
Copy link
Powered by Social Snap