ترول های اینترنتی، بر اساس تعریف، تهاجمی، مبارزات و اغلب ناخوشایند با پست های آنلاین تهاجمی و تحریک آمیز خود را طراحی شده برای مزاحم و ناراحت.
فرض عادی این است که افرادی که ترول هستند متفاوت از بقیه ما هستند، به ما آزادی برای اخراج آنها و رفتار آنها. اما یک مطالعه جدید نشان می دهد که در غیر این صورت، در شرایط مناسب، هر کسی می تواند تبدیل به یک ترول شود.
جاستین چنگ، پژوهشگر علوم رایانه در دانشگاه استنفورد و نویسنده اصلی مقاله جدید می گوید: "ما می خواستیم بدانیم که چرا تسلیم امروز بسیار شایع است." "در حالی که دانش عمومی این است که ترول ها به ویژه افراد جامعه شناختی هستند که گاه در مکالمات ظاهر می شوند، آیا واقعا این افراد هستند که دیگران را دوست دارند؟"
خلق و خوی بد
آیا رفتار تسلیحاتی یک ویژگی ذاتی است یا آیا عوامل موقعیتی بر مردم تاثیر می گذارند تا مثل تلال ها عمل کنند؟ برای پیدا کردن، محققان از ترکیبی از آزمایش، تجزیه و تحلیل داده ها و یادگیری ماشین استفاده کردند و در برخی از عوامل ساده که موجب می شود فرد به طور متوسط بیشتر به ترول کمک کند.
محققان پس از تحقیقات قبلی در مورد رفتار ضد اجتماعی، تصمیم گرفتند بر چگونگی تأثیر روحیه و چگونگی آنچه که مردم در یک انجمن بحث می کنند، تمرکز کنند. آنها یک آزمایش دو طرفه با موضوعات 667 که از طریق یک پلتفرم crowdsourcing استخدام شده اند، راه اندازی کردند.
در بخش اول آزمایش، شرکت کنندگان یک آزمایش را انجام دادند که بسیار آسان یا بسیار دشوار بود. پس از اتمام آزمون، همه افراد پرسشنامه را که جنبه های مختلف خلق و خو، مانند خشم، خستگی، افسردگی و تنش را ارزیابی می کردند، پرسیده بودند. همانطور که انتظار می رفت، افرادی که تست سختی را انجام دادند، در خلق و خوی بدتر از کسانی بودند که تست آسان داشتند.
سپس همه شرکتکنندگان دستور خواندن مقاله را دادند و در بخش نظرات خود شرکت کردند. آنها مجبور بودند حداقل یک نظر را ترک کنند، اما می توانستند چندین نظر و امتیاز بالا و پایین را رد کنند و می توانند به نظرات دیگر پاسخ دهند. همه شرکت کنندگان همان مقاله را در یک پلت فرم مشابه ایجاد کردند که صرفا برای آزمایش ایجاد شد، اما بعضی از شرکت کنندگان با سه پست ترول در بالای بخش نظر قرار گرفتند. دیگران سه پست خالی دیدند.
دو کارشناس مستقل به این نتیجه رسیدند که آیا پستهایی که توسط افراد مورد بررسی قرار می گیرند، به عنوان تسلیحات شناخته می شوند، که به طور کلی در این تحقیق با ترکیبی از دستورالعمل های ارسال شده از چندین انجمن گفتگو تعریف شده است. به عنوان مثال، حملات شخصی و لعنت، نشان دهنده پست های ترول بود.
درباره 35 درصد افرادی که تست آسان را انجام دادند و پست های خنثی را دیدند، نظرات ترول خودشان را منتشر کردند. این نسبت به 50 درصد افزایش پیدا کرد، اگر موضوع آزمایش سختی را انجام داد یا نظر سنجی کرد. افراد در معرض هر دو تست سخت و پست تللت مورد تقریبا 68 درصد از زمان.
محققان همچنین برای تجزیه و تحلیل این بینش تجربی به دنیای واقعی، اطلاعات ناشناس را از بخش نظرات CNN از سراسر 2012 تحلیل کردند. داده ها شامل کاربران 1,158,947، بحث های 200,576 و پست های 26,552,104 و شامل کاربران ممنوعه و پست هایی بودند که توسط مدیران حذف شدند. در این بخش از تحقیق، تیم ترول پست را به عنوان کسانی که توسط اعضای جامعه برای سوءاستفاده پرچم گذاری شده بود تعریف کردند.
"اسپیرال منفی"
این امکان وجود دارد که به طور مستقیم نظرسنجی ها را ارزیابی کنید، اما محققان در زمان تایپ پست ها به این نتیجه رسیدند که تحقیقات قبلی نشان داده اند که زمان روز و روز هفته مطابقت دارد. حوادث رأی گیری و رکورد زدگی نزدیک به الگوهای مبتنی بر خلق منفی است. چنین حوادثی در اواخر شب و در اوایل هفته افزایش پیدا می کند که این نیز زمانی است که افراد به احتمال زیاد در حالت بدی قرار دارند.
محققان تأثیرات خلقی را بیشتر مورد بررسی قرار دادند و دریافتند که اگر افراد اخیرا پرچم گذاری شده بودند یا افرادی که در یک بحث جداگانه حضور داشتند، فقط پست های پرچم نوشته شده توسط دیگران را به نمایش گذاشتند، احتمال بیشتری برای ایجاد یک پست پرچم داشتند. این یافته ها صرف نظر از اینکه چه مقاله ای با این بحث مرتبط بود، حقیقت داشت.
یور Leskovec، استاد علوم کامپیوتر و نویسنده ارشد این مقاله می گوید: "این یک مارپیچ منفی است." "فقط یک نفر از خواب بیدار شدن، ممکن است جرقه ایجاد کند و به دلیل زمینه بحث و رای گیری، این جرقه ها می تواند به آبشارهای رفتار بد تبدیل شود. مکالمات بد به مکالمات بد می انجامد افرادی که به پایین رأی داده می شوند بیشتر باز می گردند، نظرات بیشتری دارند و حتی بدتر از آن ها نظر دارند. "
پیش بینی پست های پرچم
به عنوان یک گام نهایی در تحقیق خود، تیم الگوریتم یادگیری ماشین را به عهده داشت که با پیش بینی اینکه پست بعدی نویسنده نوشتار پرچم گذاری شده است، ایجاد شده است.
اطلاعاتی که به الگوریتم تغذیه شده بود شامل مهر زمان آخرین پست نویسنده بود، آیا آخرین پست را پرچم گذاری کرد، آیا پست قبلی در بحث پرچم گذاری شده است، سابقه نویسنده نوشتن پست های پرچم، و شناسه کاربری ناشناس نویسنده .
یافته ها نشان می دهد که وضعیت پرچم پست قبلی در بحث، قوی ترین پیش بینی کننده بودن این بود که آیا پست بعدی پرچم گذاری خواهد شد یا خیر. ویژگی های مرتبط با حالت مانند زمان بندی و پرچم قبلی نظرات، پیش بینی بسیار کمتر بود. تاریخچه کاربر و شناسه کاربری، اگر چه تا حدودی پیش بینی شده بود، هنوز هم به طور قابل توجهی کمتر آموزنده از زمینه بحث بود. این بدان معنی است که در حالی که بعضی افراد ممکن است به طور مستمر در معرض حمل و نقل قرار گیرند، زمینه ای که در آن پست می کنیم بیشتر احتمال دارد به سبد کالایی منتهی شود.
ممنوعیت سایه و دوره خنک کردن
بین داده های واقعی، تجزیه و تحلیل داده ها در مقیاس بزرگ، آزمایش و کار پیش بینی شده، یافته ها قوی و سازگار بودند. محققان نشان می دهند که زمینه گفتگو و خلق و خوی می تواند منجر به چرخش شود. آنها معتقدند که این می تواند به ایجاد فضاهای بحث آنلاین بهتر کمک کند.
کریستین دانسکو-نیکلوسو-میزیل، استادیار علوم اطلاعات در دانشگاه کرنل و همکار این مقاله می گوید: "درک آنچه که در واقع شخص را به طور انسانی رفتار می کند، ضروری است اگر ما می خواهیم کیفیت بحث های آنلاین را بهبود بخشد." "درک مکانیسم های علمی اساسی می تواند سیستم های طراحی شده را تشریح کند که یک بحث مدنی آنلاین را تشویق می کند و می تواند مداران را به طور موثر تر کاهش دهد."
مداخلات برای جلوگیری از تسلیح شدن می تواند شامل انجمن های بحث و گفتگو باشد که دوره ای را برای نظریه پردازان توصیه می کند که فقط پست پست را پرچم گذاری کرده اند، سیستم هایی که به طور خودکار برای پست هایی که به احتمال زیاد یک پست تلل یا "ممنوعیت سایه" هستند، هشدار می دهند. از کاربران غیر ترول بدون اطلاع ترول.
محققان معتقدند مطالعاتی مانند این، تنها آغاز کارهایی است که برای مدت زمان مورد نیاز است، زیرا اینترنت دور از روستای جهانی بحث و گفتگو صمیمانه و بحث و گفتگو است که مردم تصور می کردند آن را تبدیل به.
"مایکل برنشتاین، استادیار علوم رایانه در استنفورد، می گوید:" در پایان روز، این تحقیق واقعا نشان می دهد این است که ما این اختلالات را در بحث ایجاد می کنیم. " "بسیاری از سایت های خبری سیستم های نظرات خود را حذف کرده اند، زیرا فکر می کنند که آن ها مقابله با بحث و بحث های واقعی است. شناخت بهترین و بدترین خواسته های ما در اینجا این است که آنها را به عقب بر گردانند. "
La مقاله به عنوان بخشی از کنفرانس 2017 در مورد کامپیوتر تعاونی و محاسبات اجتماعی منتشر شد.
منبع: دانشگاه استنفورد
کتاب های مرتبط
at InnerSelf Market و آمازون
