AI รู้จักเราได้ละเอียดกว่าที่หลายคนคิด มหาวิทยาลัยเคมบริดจ์ (University of Cambridge) รายงานงานวิจัยที่วิเคราะห์ข้อมูลผู้ใช้เฟซบุ๊กชาวสหรัฐฯ กว่า 58,000 คน และพบว่าแค่รายการเพจที่กดไลก์ก็ทำนายลักษณะส่วนตัวของผู้ใช้ได้หลายด้าน ขณะที่งานวิจัยเรื่องระบบแนะนำคอนเทนต์ชี้ว่า สิ่งที่แพลตฟอร์มป้อนให้เราดูจะค่อยๆ แคบลงตามเวลา เมื่อเครื่องจักรเริ่มเข้าใจเรา คำถามที่ควรถามกลับคือ เราเข้าใจตัวเองแค่ไหน
AI รู้จักเราจากแค่การกดไลก์
งานวิจัยนี้ใช้ข้อมูลจากแอป myPersonality ผู้ใช้อาสาให้ข้อมูลการกดไลก์ ข้อมูลประชากร และผลทดสอบบุคลิกภาพของตัวเอง จากนั้นทีมวิจัยดูว่าใช้ไลก์อย่างเดียวจะเดาข้อมูลอื่นๆ ได้แม่นแค่ไหน ผลคือแยกผู้ใช้ชาวอเมริกันเชื้อสายแอฟริกันออกจากเชื้อสายคอเคเซียนได้ถูกต้อง 95% แยกผู้ใช้ที่เป็นเดโมแครตกับรีพับลิกันได้ 85% และแยกคริสต์กับมุสลิมได้ 82% ส่วนสถานะความสัมพันธ์และการใช้สารเสพติดทำนายได้ถูกต้อง 65-73%
ด้านบุคลิกภาพ สำหรับลักษณะที่เรียกว่า Openness ทีมวิจัยพบว่าไลก์ให้ข้อมูลใกล้เคียงกับคะแนนจากแบบทดสอบบุคลิกภาพจริง ส่วนภาพรวมของการทำนาย ไม่ว่าจะเป็นสถานะความสัมพันธ์ ศาสนา หรือจุดยืนทางการเมือง โมเดลทำได้จากการรวมไลก์ธรรมดาจำนวนมาก เช่น เพลงและรายการโทรทัศน์ สิ่งที่เราคิดว่าไม่มีอะไร เมื่อรวมกันมากพอก็กลายเป็นภาพของเราได้
ทีมวิจัยมองว่าเทคนิคนี้มีประโยชน์กับการตลาดเฉพาะบุคคลและการประเมินทางจิตวิทยา แต่เตือนว่าบริษัท รัฐบาล และบุคคลทั่วไปอาจใช้เครื่องมือแบบนี้เดาข้อมูลที่ผู้ใช้ไม่อยากเปิดเผย ไมเคิล โคซินสกี (Michal Kosinski) หนึ่งในทีมวิจัย ระบุว่าการอนุมานแบบเดียวกันทำได้กับข้อมูลดิจิทัลอีกหลายชนิด และผู้คนควบคุมร่องรอยที่ตัวเองทิ้งไว้ได้ยากขึ้นเรื่อยๆ ควรอ่านผลนี้ด้วยความระวังว่า งานศึกษาใช้ผู้ใช้ชาวสหรัฐฯ ที่สมัครใจให้ข้อมูล และยังไม่มีตัวเลขแบบเดียวกันสำหรับผู้ใช้ในไทยจากแหล่งที่ยืนยันได้
ระบบแนะนำทำให้สิ่งที่เห็นแคบลงอย่างช้าๆ
เมื่อแพลตฟอร์มรู้ว่าเราน่าจะชอบอะไร ขั้นต่อไปคือคัดสิ่งนั้นมาให้เราดู ทั้งคอนเทนต์ที่ถูกใจ เพลงที่คุ้นหู และสินค้าที่น่าจะซื้อ นักวิจัยเรียกผลที่ตามมาว่า ฟองสบู่ข้อมูลหรือ filter bubble คือการปรับแต่งเนื้อหาออนไลน์จนผู้ใช้ถูกแยกออกจากมุมมองอื่นๆ ตามคำนิยามในงานทบทวนวรรณกรรมของ คาซี โมฮัมมัด อาร์บ (Qazi Mohammad Areeb) และคณะ
งานวิจัยของ เทียน เหงียน (Tien T. Nguyen) และคณะ ที่นำเสนอในการประชุม WWW 2014 เป็นงานแรกๆ ที่วัดเรื่องนี้ในระดับผู้ใช้รายคนตามช่วงเวลา ผลคือระบบแนะนำทำให้ชุดสิ่งของที่ผู้ใช้เห็นแคบลงเล็กน้อย ผู้ที่เลือกบริโภคสิ่งที่ระบบแนะนำจริงกลับแคบลงน้อยกว่า และให้คะแนนสิ่งเหล่านั้นสูงกว่า ผลนี้ชี้ว่าการแคบลงเกิดขึ้นจริงแต่ไม่มาก และเกิดน้อยกว่าในคนที่เลือกดูสิ่งที่ระบบแนะนำ
งานทบทวนวรรณกรรมเมื่อปี 2023 ที่รวบรวมงานวิจัยหลายชิ้น สรุปว่ามีหลักฐานของฟองสบู่ในระบบแนะนำ ระบุอคติหลายแบบที่เป็นต้นเหตุ และเสนอวิธีลดผลกระทบ รวมถึงการเพิ่มความหลากหลายให้สิ่งที่ระบบแนะนำ ข้อสรุปเหล่านี้ตรงกับประสบการณ์ที่หลายคนเจอ คือยิ่งดูเรื่องหนึ่งมาก ฟีดยิ่งเอาเรื่องเดิมมาให้ซ้ำ จนบางครั้งเราแยกไม่ออกว่าเราสนใจเรื่องนี้จริง หรือเห็นบ่อยจนคุ้น
แยกให้ออกว่าอะไรคือเรา อะไรคือระบบ
เมื่อเครื่องมือเดาตัวเราได้แม่นขึ้น การสังเกตตัวเองก็สำคัญขึ้นตามไปด้วย ลองถามตัวเองง่ายๆ ว่า อะไรคือสิ่งที่เราชอบจริง ไม่ใช่เพราะเห็นในฟีดบ่อยๆ ครั้งสุดท้ายที่เรานั่งนิ่งๆ แล้วฟังความคิดตัวเองคือเมื่อไร และความรู้สึกบางอย่างของเรามาจากตัวเอง หรือมาจากสิ่งที่ถูกป้อนซ้ำจนเราเชื่อว่าใช่
ในทางปฏิบัติ ผู้ใช้ทำได้หลายอย่าง ทอเร เกรเพล (Thore Graepel) แห่งไมโครซอฟท์ รีเสิร์ช (Microsoft Research) ซึ่งร่วมในงานวิจัยไลก์ แนะนำให้ระวังการแชร์ข้อมูลออนไลน์และใช้ตัวควบคุมความเป็นส่วนตัวที่แพลตฟอร์มมีให้ ส่วนโคซินสกีเสนอว่าผู้ใช้ควรได้รับความโปร่งใสและสิทธิควบคุมข้อมูลของตัวเอง ฝั่งนักวิจัยระบบแนะนำก็เสนอให้แพลตฟอร์มเพิ่มความหลากหลายในสิ่งที่แนะนำ เพื่อให้ผู้ใช้เจอเรื่องที่ต่างจากเดิมบ้าง
ความสะดวกของเทคโนโลยีทำให้เราไม่ต้องเลือกเอง และนั่นอาจค่อยๆ ทำให้เราลืมว่าเราอยากเลือกอะไร สิ่งที่น่ากังวลจึงอยู่ที่การยอมให้ระบบตัดสินใจแทนโดยไม่เคยถามตัวเองว่า เราอยากเป็นใครกันแน่ มากกว่าความฉลาดที่เพิ่มขึ้นของ AI
ที่มา: มหาวิทยาลัยเคมบริดจ์ (ข่าวงานวิจัยเรื่องการทำนายลักษณะส่วนตัวจากไลก์เฟซบุ๊ก), Nguyen และคณะ 'Exploring the Filter Bubble' (WWW 2014, ACM), Areeb และคณะ 'Filter Bubbles in Recommender Systems: Fact or Fallacy, A Systematic Review' (arXiv 2023)
