SiNAPSA, sreda, 26. april 2017

eSiNAPSA

Spletna revija za znanstvenike, strokovnjake
in nevroznanstvene navdušence

Povej mi kaj všečkaš in povem ti kdo si: socialni mediji, osebnost in emocije

Marko Tkalčič

Ko brskate po spletu, iščete informacije, nakupujete, ste obkroženi z raznimi priporočili. Ko si v spletni trgovini ogledujete nek izdelek, vam priporočajo še dodatne izdelke. Ko vpišete ključne besede v iskalnik, vam le-ta vrne spisek urejenih priporočil spletnih strani, za katere meni, da najbolj ustrezajo vašim željam. Priporočilni sistemi nas obkrožajo. Čeprav delujejo priporočila pogosto vsiljiva in neustrezna, se za njimi skrivajo kompleksni algoritmi, ki jih razvija na trume raziskovalcev.

Marko TkalčičCilji priporočilnih sistemov so pogosto prikazani kot »zlobni« (Stephen Baker v svoji knjigi Numerati namiguje na zaroto1) a gre v osnovi predvsem za poskus poenostavitve uporabe spletnih tehnologij skozi razumevanje uporabnikovih želja glede na prejšnje uporabnikovo obnašanje.

Na podlagi lastnih izkušenj nas večina sluti, da so priporočilni sistemi daleč od popolnosti. Priporočila so velikokrat slaba, včasih celo bizarna. To se še posebej dogaja, ko ima sistem premalo informacij o uporabniku (t. i. problem hladnega zagona, angl. cold-start problem). Raziskovalci se trudijo čim bolje razumeti uporabnikove potrebe in iščejo tiste ključne parametre, ki o uporabniku največ povedo. V zadnjem obdobju se je povečalo število raziskav, ki za izboljšanje priporočil uporabljajo uporabnikove osebnost in emocije.

Osebnost uporabnika je lastnost, ki se s časom zelo malo spreminja. Nekateri smo bolj ekstravertirani, drugi manj. Nekateri smo bolj nevrotični, drugi manj. Nekateri smo bolj odprti za različnosti, drugi manj. Popularen model za opisovanje osebnost je model Velikih pet (angl. Big Five), v katerem so osnovne dimenzije za opis osebnosti ekstravertnost, prijetnost, vestnost, nevroticizem in odprtost. Raziskave so pokazale, da imajo ljudje z različnimi osebnostmi tudi različne želje2, npr. glede glasbenih ali filmskih žanrov. Posledično lahko poznavanje osebnosti uporabnika uporabimo za izboljšanje priporočil3. Težava nastane, ko želimo izvedeti kakšna je osebnost uporabnika. Običajno za to uporabljamo vprašalnike, ki vsebujejo več deset vprašanj. Takšni vprašalniki pa so nadležni in v praksi neuporabni. Raziskovalci z Univerze Cambridge so razvili metodo za ugotavljanje osebnosti brez nadležnega izpolnjevanja vprašalnikov4. Na podlagi uporabnikove pretekle aktivnosti na socialnih omrežjih (npr. Facebook ali Twitter) lahko poleg osebnosti predvidijo tudi druge podatke kot je vaš spol, politična usmerjenost, ali ste kadilec, inteligenčni kvocient, veroizpoved in podobno. Na primer, če je nekdo všečkal strani Leonard Cohen, Oscar Wilde ali Leonardo da Vinci so to močni indikatorji osebnosti, ki je odprta za nove izkušnje. Obratno, ljudje, ki imajo nizko odprtost so všečkali strani Nascar, ESPN2, Teen Mom 2 ali I don’t read.

Emocije se pri človeku spreminjajo hitreje. Zato jih je težko zajeti dovolj hitro, da bi lahko priporočilni sistem prilagodili trenutni emociji. Obstajajo raziskave, ki poskušajo ugotoviti čustveno stanje osebe iz aktivnosti v socialnih medijih. Tak primer je raziskava5, v katero so iz zapisov na socialnem omrežju Twitter poskušali ugotoviti ali je avtor pod stresom ali ne.

Posebnost emocij pa je v tem, da ji lahko tudi umetno izzovemo, čemur pravimo indukcija emocij. To lahko koristno uporabimo v priporočilnih sistemih, ki služijo regulaciji emocij (npr. priporočanje glasbe za sprostitev). Obstaja pa tudi temna plat, kjer je skozi socialna omrežja možno manipulirati z emocijami ljudi. Tak eksperiment so naredili kar raziskovalci v podjetju Facebook6. Ena od lastnosti socialnega omrežja Facebook je, da lahko uporabnik vidi nekatere izbrane (priporočene) vsebine, ki jih objavljajo uporabnikovi prijatelji. Razlog v tem filtriranju je količina vsebin, saj prijatelji ustvarijo bistveno več vsebin, kot jih lahko uporabnik v doglednem času prebere. Priporočilni sistem, ki filtrira vsebine, ki jih objavljajo prijatelji, so prilagodili tako, da so eni skupini uporabnikov priporočili več vsebin z negativnimi emocijami, drugi skupini pa so priporočili več vsebin s pozitivnimi emocijami. Izkazalo se je, da so uporabniki, ki so bili deležni več negativnih emocij tudi sami generirali vsebine, ki so bile bolj negativne. Podoben vzorec so opazili tudi pri drugi skupini, ki je ustvarila več vsebin s pozitivnimi emocijami. S tem eksperimentom so pokazali, da lahko priporočilni sistem, ki ustrezno filtrira vsebine vpliva na emotivno stanje uporabnikov.

Pomembno je, da se zavedamo, da s svojo aktivnostjo na spletu puščamo sledi iz katerih se da razbrati marsikaj o nas samih. Druga pomembna stvar pa je zavedanje, da se skozi priporočilne sisteme lahko izvaja manipulacija, ki je lahko etično sporna.

    ___
  1. Baker, S. (2011). Numerati, Pasadena, ISBN: 9789616661232. 

  2. Cantador, I., Fernández-tobías, I., & Bellogín, A. (2013). Relating Personality Types with User Preferences in Multiple Entertainment Domains. EMPIRE 1st Workshop on “Emotions and Personality in Personalized Services”, 10. June 2013, Rome. 

  3. Tkalčič, M. in Chen, L., Personality and Recommender Systems, Springer Recommender Systems Handbook, 2nd ed. , Ricci et al., ur. 2016. 

  4. Kosinski, M., Stillwell, D., & Graepel, T. (2013). Private traits and attributes are predictable from digital records of human behavior. Proceedings of the National Academy of Sciences, 2–5. doi:10.1073/pnas.1218772110 

  5. Lin, H., Jia, J., Guo, Q., Xue, Y., Li, Q., Huang, J., … Feng, L. (2014). User-level psychological stress detection from social media using deep neural network. Proceedings of the ACM International Conference on Multimedia - MM ’14, 507–516. doi:10.1145/2647868.2654945 

  6. Kramer, A. D. I., Guillory, J. E., & Hancock, J. T. (2014). Experimental evidence of massive-scale emotional contagion through social networks. Proceedings of the National Academy of Sciences of the United States of America, 111(29), 8788–90. doi:10.1073/pnas.1320040111 

dr. Marko Tkalčič
Johannes Kepler University, Linz, Avstrija
Univerza v Ljubljani, Slovenija