Perché condividiamo i post su Facebook?

Stiamo cercando informazioni fattuali, come il nome della pianta che sta prendendo il controllo del cortile? Esprimiamo frustrazione mentre cerchiamo simpatia? È puro narcisismo o narcisismo per procura, tramite i nostri figli? è vantarsi, o il subdolo cugino di vantarsi, umile vantarsi?

O è qualcosa di peggio?

I contenuti con intenti dannosi rappresentano un grosso problema per Facebook, che sta cercando un modo per identificare e rimuovere rapidamente i post dannosi, come il live streaming della sparatoria di massa del 15 marzo in Nuova Zelanda, in mezzo a un volume di contenuti troppo vasto per essere moderato dagli umani.

Serge Belongie, professore di informatica alla Cornell Tech, sta studiando quella che chiama "intentonomia, il complesso panorama psico-emotivo che si cela dietro i post di Facebook e Instagram.

Belongie e il suo team stanno lavorando con Facebook per definire le possibili intenzioni di pubblicazione, da benigno a polarizzante a odioso, e popolare un set di dati con esempi. L'obiettivo è creare e addestrare un sistema di apprendimento automatico in grado di prevedere l'intento e, infine, avvisare in tempo reale il social network sui post problematici.

"Natura umana e politica e comportamento tribale, incentivi monetari—ci sono solo un'infinità di cose che giocano in questo, "disse Belongie, che ha ricevuto 1,77 milioni di dollari, sovvenzione triennale di Facebook per lavorare su progetti relativi all'identificazione di contenuti con intenti dannosi. "Il meglio che possiamo fare è fornire strumenti in modo che se qualcuno si presenta al tavolo con buona fede, possono separare le informazioni dalla disinformazione".

In un progetto separato, Il team di Belongie sta lavorando su approcci di apprendimento automatico per rilevare i falsi. Le persone che acquistano annunci su Facebook devono convalidare i propri account utilizzando l'identificazione; Belongie utilizzerà la sua esperienza nella visione artificiale, un'area dell'intelligenza artificiale focalizzata sull'insegnamento delle macchine a vedere come fanno gli umani, per sviluppare metodi che potrebbero determinare se tali ID sono falsi.

"Gli approcci convenzionali di machine learning richiedono di disporre di ampi set di formazione di ID reali, da ogni stato, ogni anno gamma, raccolti da un professionista, e poi hai bisogno di un grande volume di documenti d'identità falsi, " Belongie ha detto. "È molto difficile ottenere quel tipo di dati etichettati; non c'è molto».

Anziché, il suo approccio si baserà sulla ricerca del suo gruppo sull'uso della visione artificiale per riconoscere le differenze a grana fine tra le piante, animali e funghi. Un approccio simile potrebbe essere utile per trovare piccoli dettagli che rivelano documenti d'identità falsi, come il tipo sbagliato di virgola o apostrofo.

"Se qualcuno mi dà solo una serie di dati e la maggior parte è corretta, la maggior parte è reale, come si fa a trovare quell'ago nel pagliaio?" ha detto. "Il nostro obiettivo è individuare le anomalie, trovare cose fuori posto".