AI 시스템 및 컴퓨터 시뮬레이션을 사용한 잘못된 정보의 영향 축소

AI 시스템 및 컴퓨터 시뮬레이션을 사용한 잘못된 정보의 영향 축소

특히 소셜 미디어 사이트에는 COVID-19와 관련된 잘못된 정보가 많이 있습니다. 이 잘못된 정보가 어디에서 오는지, 이를 극복하기 위해서는 이를 어떻게 이해해야 하는지를 아는 것이 중요합니다. 노르웨이 정부는 소셜 네트워크, 특히 트위터에서 감정적인 요인과 잘못된 정보를 추적해보기로 했습니다.

문제

온라인에는 엄청난 양의 데이터가 존재합니다. 이를 수집하고 분류하고 분석 및 솔루션을 제공하는 데에는 많은 시간이 소요됩니다.

앨런 애널리틱스(ALAN Analytics)는 일반적으로 질적인 것으로 간주되는 많은 데이터를 수집한 다음 애니로직 시뮬레이션과 통합된 데이터 파이프라인을 사용하여 질적인 방식으로 그 데이터들을 통합했습니다. 이것은 정책 입안자들이 잘못된 정보와 감정적 전염의 확산을 이해하고 또한 이것이 COVID-19 팬데믹 기간 동안 인간 행동에 어떤 영향을 미쳤는지 이해하는 데 도움이 되었습니다.

해결책

앨런은 다중 행위자 행동 시뮬레이션 AI 모델 사용을 제안했습니다. 이것은 행위자 기반 모델로, 이 모델에서 각 행위자 내부의 시스템은 가능한 한 심리적으로 현실적이거나 실제 애플리케이션에 필요한 만큼 구체적으로 프로그래밍됩니다. 이 접근 방식은 인간 사회 기준에서 COVID를 살펴보기 위해 선택되었습니다. 그들이 다룬 질문은 세 가지입니다:


구조 방정식 모델 백본

S행위자 기반 레벨에서 아키텍처의 구조 방정식 모델 백본 (확대하려면 클릭)


행동 시뮬레이션 모델에는 행동, 심리, 디지털 측면의 세 가지 주요 입력 및 출력이 있었습니다. 행동 데이터는 설문조사 데이터에서 가져왔습니다. 디지털 데이터는 트위터와 같은 온라인 소스에서 가져왔습니다. 심리 데이터는 이 설문 데이터와 디지털 데이터를 결합한 것이었습니다.

설문 조사는 시간 경과에 따른 변화를 이해하기 위해 두 번의 COVID 파동에 걸쳐 수행되었습니다. 잘못된 정보에 대한 사람들의 믿음에 대한 질문은 두 개의 정보 집단을 보여주었고 이것을 모델에 통합하였습니다.

한 집단은 잘못된 정보나 음모론을 지지하는 사람들을 보여주고 다른 집단은 그렇지 않은 사람들을 보여줍니다. 두 정보 집단은 첫 번째 설문 조사에서보다 두 번째 설문 조사에서 더욱 강화되었습니다. 이것은 다른 정책에 대한 반응과 관련하여 시뮬레이션의 행동적 측면을 더 제대로 매개 변수화하는 데 사용되었습니다.

이 모델에서 의미 네트워크는 개인 및 사회적 정체성뿐만 아니라 개인 및 사회의 사상과 행동을 나타내는 데 사용되었습니다. 사회적 정체성의 약간의 차이는 애니로직 멀티메소드 모델링을 사용해 시간이 지남에 따라 행위자 기반 모델로 시스템 다이내믹스를 추가하여 재구성할 수 있습니다.

특히 정치적 성향과 관련된 성격, 관심 및 두려움에 대한 정보를 얻기 위해 트위터에서 데이터를 분석했습니다. 분석은 이모티콘을 포함한 모든 언어에서 CulturePulse API를 사용하여 수행한 다음 애니로직으로 가져왔습니다. 이때 CulturePulse 파이프라인은 단순한 머신 러닝 파이프라인이 아니라 어휘 및 머신 러닝 접근 방식을 모두 사용한다는 점에 유의해야 했습니다.

시뮬레이션이 애니로직에 의해 처리된다는 점과 애니로직의 일부 모델에서 사용 가능한 상태 차트는 앨런이 애니로직을 사용함으로써 얻을 수 있는 이점이었습니다. 본질적으로 그들은 CulturePulse에서 데이터 분석을 가져오고 심리적으로 현실적인 다중 행위자 AI 모델을 생성하기 위한 단일 데이터 파이프라인을 구축할 수 있었습니다.


애니로직과 연결되는 데이터 파이프라인

애니로직과 연결되는 데이터 파이프라인


결과

이 연구에서 가장 중요한 결과는 지리적으로 다른 지역마다 그 지역만의 고유한 문화적 특성이 있다는 것이었습니다. 스칸디나비아(Scandinavia)의 잘못된 정보는 스칸디나비아 외부의 잘못된 정보와 다를 수 있습니다.

실제로, 중동이나 북미에서 작용할 수도 있는 것을 스칸디나비아에 적용하려고 하면 반대의 결과를 초래할 수도 있습니다. 따라서 잘못된 정보와 싸울 수 있는 한 가지 방법을 전 세계에 적용할 수는 없습니다. 잘못된 정보에 대응하기 위한 캠페인은 문화적으로 조정되어야 합니다.

앞으로 정치적 폭력의 위협을 줄일 수 있는 새로운 정책을 구현하는 방법을 이해하는 데 이 플랫폼을 확장하여 활용할 가능성이 있습니다. 이 접근 방식은 행위자 기반 모델링과 이러한 유형의 모델링을 사용하여 만들 수 있는 예측 유형에 적합합니다.

이 사례 연구는 2021 애니로직 컨퍼런스에서 앨런 애널리틱스의 CTO인 Justin E. Lane 박사가 발표했습니다.

슬라이드는 PDF로 제공됩니다.



유사 케이스 스터디

더 많은 케이스 스터디

산업 사례 연구가 포함된 팜플렛 받기(영문)

다운로드