پایان عصر نظرسنجی / انقلاب داده‌های طبیعی در پژوهش های علوم اجتماعی با هوش مصنوعی

 گروه اندیشه: مطلب زیر خلاصه ای است از مقاله احمدرضا سازگارنژاد- پژوهشگر دانشگاه LSE در سایت کمبریج در مورد استفاده از هوش مصنوعی به ویژه مدل‌های زبان بزرگ - LLMs، برای انقلاب در نظرسنجی‌های انتخاباتی و تحقیقات علوم اجتماعی است. این پژوهش نشان می‌دهد که هوش مصنوعی می‌تواند با تحلیل ردپاهای دیجیتال طبیعی افراد (مانند پست‌های توییتر) به جای پرسش مستقیم، نتایج قابل قبولی در پیش‌بینی رأی‌دهی ارائه دهد که با نظرسنجی‌های سنتی همگرا است. برآوردهای اولیه این روش برای انتخابات ۲۰۲۴ آمریکا (اوت-سپتامبر) هم‌راستا با نتایج نظرسنجی‌های مرسوم بوده‌اند. از مزایای روش شناختی به منظور غلبه بر چالش های سنتی کاهش سوگیری ها، افزایش دسترسی، تثبت ترجیحات اصیل تر است. با این همه روش جدید دارای چالش ها و محدودیت ها نیز هست. این پژوهش چالش ها و محدودیت ها را با متغیرهایی چون سوگیری پلتفرم، ماهیت غیرشفاف مدل های بزرگ، و ضعف در به کارگیری ملاحظات دقیق اخلاقی است. با این همه نویسنده معتقد است با وجود محدودیت‌ها، تحلیل ردپاهای دیجیتال با هوش مصنوعی یک روش مکمل و متحول‌کننده برای درک رفتار انسانی در جوامع دیجیتال ارائه می‌دهد، به‌ویژه در زمانی که نظرسنجی‌های سنتی با چالش‌های جدی مواجه هستند. این مطلب که در کانال "تحلیل شبکه‌های اجتماعی مجازی" منتشر شده، در زیر از نظرتان می گذرد: 

****

  استفاده از هوش مصنوعی می‌تواند رؤیای تحلیلگران کلان‌داده برای جایگزینی کلان‌داده با داده‌های نظرسنجی را محقق سازد. پژوهشی  راجع به انتخابات ریاست‌جمهوری ۲۰۲۴ آمریکا  نشان می‌دهد که مدل‌های زبانی بزرگ می‌توانند پیش‌بینی‌های انتخاباتی قابل قبولی در مقایسه با نظرسنجی‌های سنتی تولید کنند. محققان برای تست روش خود، انتخابات سال ۲۰۲۴ آمریکا را مورد بررسی قرار دادند.

 برآوردهای آگوست-سپتامبر ۲۰۲۴ آنها (هریس: ۴۶.۴-۴۷.۶٪، ترامپ: ۴۶.۸-۴۷.۲٪) نزدیک به نظرسنجی‌های معمول در آن زمان بود. این همگرایی، نشان‌دهنده تحول بالقوه پارادایمی در روش‌شناسی پژوهش علوم اجتماعی است که در آن مدل‌های هوش مصنوعی می‌توانند بینش‌های رفتاری معناداری را از داده‌های دیجیتال طبیعی در مقایسه با پاسخ‌های نظرسنجی‌ها استخراج کنند.

 استفاده از مدل‌های زبانی بزرگ در پژوهش‌های علوم اجتماعی پیامدهای روش‌شناختی بسیار عمیقی دارد. مصاحبه‌های سنتی - چه تلفنی، آنلاین یا حضوری - نیازمند این هستند که پاسخ‌دهندگان آگاهانه ترجیحات خود را فرموله و بیان کنند که سوگیری‌های شناخته‌شده‌ای مانند اثرات مطلوبیت اجتماعی (social desirability effects)  و خستگی پاسخ‌دهنده (response fatigue) را ایجاد می‌کند. اما مدل‌های زبانی بزرگ با تحلیل ردپاهای دیجیتال افراد، این فرایند را بازتعریف می‌کنند.

 به جای پرسیدن "به چه کسی رأی می‌دهید؟"، هوش مصنوعی پست‌های توییتر، اطلاعات پروفایل و الگوهای تعامل کاربر را برای استنباط رفتار رأی‌دهی احتمالی افراد بررسی می‌کند. این رویکرد جنبه نمایشی پاسخ‌های نظرسنجی را حذف کرده و احتمالاً ترجیحات اصیل‌تری را که در تعاملات طبیعی شبکه‌های اجتماعی بیان می‌شوند، ثبت و ارزیابی می‌کند.

 این روش تحقیق همزمان ویژگی‌های جمعیت‌شناختی و قصد رأی‌دهی را از این ردپاهای دیجیتال استنباط می‌کند و "امتیاز گمانه‌زنی" (speculation score) را معرفی و محاسبه می‌کند که به طور شفاف سطوح اطمینان بالایی را نشان می‌دهد که نوآوری‌ای حیاتی برای اعتبار پژوهش‌هایی از این دست به شما می‌رود.

 این رویکرد چندین چالش مهم نظرسنجی‌ها را حل می‌کند: نرخ‌های پاسخ پایین (اکنون زیر ۱۰٪ برای انتخابات آمریکا)، عدم نمایندگی نمونه تحقیق (sample bias)، و خطاهای اندازه‌گیری ذاتی در پرسش مستقیم. با تحلیل داده‌های موجود، پژوهشگران می‌توانند به جمعیت‌هایی دسترسی یابند که به طور معمول از طریق روش‌های سنتی دست‌نیافتنی هستند و این روش جدید، امکان تعریف تحقیق‌های متنوعی را در اختیار پژوهشگران قرار می‌دهد.

 با این حال، محدودیت‌های قابل توجهی نیز هنوز وجود دارند. سوگیری انتخاب پلتفرم (platform selection bias)  یکی از مهمترین محدودیت‌هاست: کاربران توییتر یا هر پلتفرمی نماینده جمعیت عمومی نیستند و احتمالاً رأی‌دهندگان مسن‌تر، کم‌تحصیل‌تر یا فاقد ارتباط دیجیتال را نادیده می‌گیرند. ماهیت «جعبه سیاه» تصمیم‌گیری مدل‌های بزرگ زبانی نگرانی‌هایی درباره تکرارپذیری و تقویت بالقوه کلیشه‌ها ایجاد می‌کند. ملاحظات حریم خصوصی و اخلاقی پیرامون تحلیل داده‌های عمومی شبکه‌های اجتماعی نیز نیازمند توجه دقیق‌اند.

 شاید مهم‌ترین محدودیت بهره‌مندی از این روش، این فرض است که گفته‌های بیان شده در شبکه‌های اجتماعی به طور اصیل ترجیحات خصوصی را منعکس می‌کنند، فرضی که ممکن است با توجه به هنجارهای خاص پلتفرم و الگوهای خودسانسوری صحیح نباشد.

 با این وجود، در حالی که نظرسنجی سنتی با چالش‌های وجودی مواجه است، تحلیل ردپاهای دیجیتال با هوش مصنوعی، روش‌شناسی مکملی ارائه می‌دهد که می‌تواند نحوه درک دانشمندان علوم اجتماعی از رفتار انسانی در جوامع فزاینده دیجیتال را متحول کند.

۲۱۶۲۱۶