利用大语言模型和真实机器人帐号激励社交媒体平台上的新闻消费
社会与信息网络
2024-04-02 v3 人工智能
计算与语言
摘要
极化、信任度下降以及对民主规范的动摇，是美国民主主义面临的紧迫威胁。暴露于经验证和高质量的新闻可能降低个人对这些威胁的易感性，使公民更抗 misinformation、populism 和 hyperpartisan rhetoric 的能力。本项目考察如何在生态学上有效的 setting 中提高用户对经验证和意识形态平衡新闻的暴露程度和参与度。我们依赖一个规模为2.8万余人的Twitter用户进行为期两周的大规模随机实验（从2023年1月19日至2023年2月3日）。我们创建了28个利用GPT-2生成的机器人，用于回复讨论体育、娱乐或生活方式话题的用户，提供包含两个硬编码元素的上下文回复：指向该主题相关新闻机构 section 的 URL 以及鼓励关注其Twitter帐号的指示。为进一步测试机器人性别的差异效应，将接受处理的用户随机分配给接收被呈现为女性或男性机器人回复的用户。我们检验这种过时干预是否提高了新闻机构的关注度、新闻内容的分享和喜欢程度，以及关于政治话题的推文和政治内容的喜欢程度。我们发现，接受处理的用户关注了更多的新闻帐号，且性别为女性的机器人处理组的用户更可能喜欢新闻内容。然而，这些结果大多数都很小，仅限于已表现出对政治话题讨论的Twitter用户。这些发现对社交媒体和新闻机构都有意义，也为未来如何利用大语言模型等计算干预措施有效提升用户对平台上优质新闻和公共事务参与度提供了方向。
引用
@article{arxiv.2403.13362,
title = {Incentivizing News Consumption on Social Media Platforms Using Large Language Models and Realistic Bot Accounts},
author = {Hadi Askari and Anshuman Chhabra and Bernhard Clemm von Hohenberg and Michael Heseltine and Magdalena Wojcieszak},
journal= {arXiv preprint arXiv:2403.13362},
year = {2024}
}