社交机器人的兴起
我们对人工智能聊天机器人进行了图灵测试,研究它们在一系列经典行为游戏以及测量个性特征的传统心理调查中的行为。ChatGPT-4 在图灵测试中通过,表现出与来自 50 多个国家的数十万人的行为相似的人类化行为和个性特征。聊天机器人还根据之前的经验和上下文修改行为,表现出仿佛从互动中学习,并在面对同一战略情景的不同表述时改变行为。它们的行为常常与普通和模态人类行为不同,通常表现出更为利他和合作的一面,并且估计它们的行为好像在最大化自己和合作伙伴的收益的平均值。
Nov, 2023
本文提出了一个基于超过一千个公共数据和元数据特征的框架,用于检测 Twitter 上的社交媒体自主实体(即社交媒体机器人)。经测试,此框架能够与公开的 Twitter 机器人数据集高度契合,可以检测不同类型的机器人,如垃圾邮件发送者、自我推广者和使用连接应用程序发布内容的账户等,并且估计在活跃的 Twitter 账户中有 9% 至 15% 的机器人,机器人相互之间的交互关系有助于研究用于相互之间通信的转发和提到策略。
Mar, 2017
通过在线社交实验,发现没有信任、档案和复制用户行为目标的机器人可通过基本的社交探测活动在社交媒体上获得社交相关性,进而有效地引导用户的社交连接选择,并揭示了隐蔽的社交极化模式和用户感知的微妙隐私风险。
Jul, 2014
社交机器人在在线社交网络中扮演重要角色,最近生成式人工智能(GenAI)的进展使得社交机器人能够产生高度逼真且复杂的内容,模仿人类创造力。为了识别这些虚假内容并区分其生成者,对该问题的多种方法已经被提出,但这些解决方案的广泛评估尚未进行。为了解决这个问题,我们评估了一个基于文本的机器人检测器在一个有竞争环境下的行为,对不同类别的社交机器人进行了全面的评估,并展示了一些可以用于未来工作的成果。
May, 2024
社交媒体中出现了越来越多的机器人欺诈行为,研究者们开发了不同类型的人工智能工具,以帮助公众对抗这些欺诈行为,其中包括 Botometer 等常用的机器人检测工具。本文综述了机器人的不同类型、它们的影响以及检测方法,并通过对 Botometer 的案例研究,详细讨论了 AI 检测工具在人们中的使用,同时谈到了在机器学习方法和反机器人攻击之间的必要性和影响。
Jan, 2019
该论文报告了一项灵感来自图灵测试的在线游戏 Human or Not?,此游戏采用人工智能聊天机器人和人类对话,并要求参与者正确识别对方身份。该游戏吸引了超过 150 万用户参与,研究发现,在人机交互方面,普通用户正确识别人工智能的比率仅为 60%左右,并且为未来探讨了人工智能与人类交互的可能性。
May, 2023
BotOrNot 是一个公开的服务,它利用一千多个特征来评估 Twitter 帐户与社交机器人已知特征的相似度。自 2014 年 5 月发布以来,BotOrNot 已经通过网站和 API 处理了超过一百万个请求。
Feb, 2016
通过机器学习模型,利用推文文本中提取的用户资料来检测社交机器人(social bots)的研究,其主要贡献为提出一种利用个人信息相似性来区分社交机器人和人类用户的新模型,并创建了一个包含 6900 个 Twitter 账户资料的公共数据集。
Mar, 2022
通过对推特社交垃圾邮件的研究,发现社交垃圾邮件的崛起并不被 Twitter 和人类所能够准确检测,提出需要新的方法来解决这一问题,并且将对集体行为的分析作为一种新型的检测方式。
Jan, 2017
本论文从 Twitter 账号出发,提出了使用卷积神经网络的新型算法,将账号执行的操作序列转化为图片,并进行图像分类,从而进行 bot 检测。结果证实了该方法的有效性,因为它与现有技术处在同一水平,并在某些情况下更好。
Apr, 2023