Bots and Political Influence: A Sociotechnical Investigation of Social Network Capital. 

書名（以學術體例詳填資料，網路來源提供超連結及檢索日）：

Dhiraj Murthy, Alison B. Powell, Ramine Tinati, Nick Anstead, Leslie Carr, Susan J.Halford, & Mark Weal. (2016). Bots and Political Influence: A Sociotechnical Investigation of Social Network Capital. International Journal of Communication 10(2016), 4952–4971.

機器人和政治影響力：社會網絡資本的社會技術調查 

導讀者：張硯筑                    

原作摘要：

這項研究解釋了機器人如何與人類用戶互動並影響Twitter上的會話網絡。本研究分析了一個高風險的政治環境，即2015年5月的英國大選，要求人類受試者在三個活動期間從特製的推特帳戶發推文，其中一半有附加機器人功能。研究表明，我們建造的機器人並沒有顯著影響政治對話，雖然社交媒體監控被視為使政府更具互動性的潛力，並且能夠更好地根據對話回應公眾的意願。例如，英國內閣辦公室 （2015）爭辯說，「英國超過50％的人每週都使用社交媒體，所以對政策制定者來說，是很重要的信息來源。它可以通過建立知識來滿足民眾對政策的理解，並幫助民眾做出明智的決定。」

研究預期干預將對不斷發展的網絡產生重大影響，但是發現我們使用的機器人對會話網絡的影響很小，因為未評估機器人對政治討論的影響時的資本，包含文化、經濟、時間和社會才能影響政治話語。但是研究結果也指向了一個政治機器人的不同定義：傳統的定義假設機器人是社交的，因為它們使用相互作用使人們相信他們是人。然而他們同樣可以被視為社交，因為它們是創造它們的社會，政治和經濟背景的產物。至於怎麼使機器人真的在社交媒體上執行？實驗證明它們可能具有可忽略不計的影響，而最有效的機器人可能是我們無法學習的機器人。

相關理論整理：

一般來說，機器人研究和算法研究都集中在不可知的問題上，如決策機器的質量和這些機制的治理類型。在政治溝通方面，它們可作為了解輿論的手段，利用社交媒體了解大規模的人口動態，以這種方式相較於傳統方法，更能減少研究人員的干預，但數據是匯集資訊並不代表整體公眾。同時，社交媒體分析也反映了更廣泛社會的結構性不平等，例如：社交媒體上的政治對話可能由收入較高的人主導。此外，通過機器學習面臨自動內容分析與解析人類交流細微差別的挑戰，機器人是以有限狀態語法，無法流暢運用自然語言語法模型。

建立政治機器人：

1.     定義一個機器人

最簡單的機器人是完全或部分控制的社交媒體帳戶代理執行。當我們談論機器人時，我們經常會想到帳戶本身和機制將其作為單一實體進行控制。 但是，為了更好地了解機器人的性質，我們必須區分來自發布算法的帳戶。社交媒體系統以帳戶的形式運作。這些帳戶可以通過應用程序編程接口（API）等接口執行操作，無論是由人員還是算法發起，通常都會對社交媒體系統產生很大的影響。

2.     論機器人的功能

機器人能部分或完全控制社交媒體帳戶，如關注一個帳戶，機器人可能轉推或對喜歡的推文按讚，將新內容注入社交媒體網絡，傳播宣傳材料、垃圾郵件，或在線引導和破壞討論。其消息的產生速度遠遠超過人類，其能設法影響真實的人類帳戶，轉發意見主題使用戶討論更熱烈。

3.     關於機器人的檢測

隨著算法變得越來越複雜並且熟練地模擬人的行為，Bot Or Not服務使用機器學習技術來判斷帳戶是否由基於六個特徵維度的機器人控制：網絡、用戶、朋友、時間、內容和情緒，這種結合多種方法的方法可以產生相對較低的誤報率。

方法和研究問題：

參與者被要求建立新的Twitter 使用鏈接到這些事件的主題標籤對高調廣播事件進行評論，機器人與部分參與者的帳戶相關聯，而其他帳戶保持不變，用以監控參與者的活動與機器人互動情況以及會話的整體模式。

研究問題：

RQ1：附加機器人的帳戶與未受影響的帳戶有不同的行為嗎？ 

RQ2：附帶機器人的帳戶在會話中的社交影響力要大於那些沒有？

RQ3：不同類型的機器人會發揮不同類型的影響嗎？特殊類型的機器人更多 有效？ 

RQ4：機器人如何與不同類型的參與者進行不同的交互？

實驗設置：研究設計

在這個實驗中，我們將機器人定義為一組自動化流程，附加到一半參與者的Twitter帳戶。這些自動化過程模擬了Twitter平台內的系統級功能數量，包括轉發後續功能和收藏。實驗主要集中在英國境內發生的三個事件中，包括BBC的政治討論提問時間（#BBCQT）、彙整問題（#PMQ）和爭論“10號戰役”（＃BattleForNumber10）。

 使用MonsterSocial軟體，我們將機器人附加到參與者的一半Twitter上帳戶，然後配置為自動跟蹤和轉發給定的一組帳戶井號標籤。跟進流程每五分鐘運行一次，並嘗試跟蹤多達100個隨機Twitter帳戶並使用給定的主題標籤發推文。 同樣，轉發過程每五分鐘一次，並轉發包含所選主題標籤的推文。為了在三個事件期間捕獲Twitter數據，我們使用了EPrints推文收穫服務Tweepository。 該服務旨在根據給定的關鍵字收集Twitter數據，包括井號標籤。它使用Twitter搜API結合自己的穫取策略進行收集公開發布推文並捕獲一組指定的跟隨者網絡的快照。

研究結果：

紫色行是沒有機器人的帳戶，綠色行是帶有機器人的帳戶。 T =推特; RT = 轉推; M =提及。推文總數可能更高，因為所有推文都是使用搜索API捕獲的 即時的。與流式API相比，這是收集特定主題推文的最準確方式，但有些推文可能無法被捕獲。結果顯示，附有機器人的帳戶獲得了更多追隨者，因為機器人在推特期間關注Twitter用戶會話，使該帳戶更有可能也被追蹤。

網絡分析

顯示只有兩個帳戶位於邊緣列表中，表明我們的帳戶與提及的任何人相距甚遠：他們並不接近任何有影響力的人。這也表明機器人不一定是通用的，機器人在網絡中的位置可能很重要。此外，機器人有很多使用這些主題標籤的粉絲可能會對影響對話產生更大的影響。換句話說，機器人可以根據其網絡擁有領域專業知識和影響力位置。

標籤分析

在Twitter上使用主題標籤並不一致。主題標籤#bbcqt、## bbcqt和#bcqt都用於 BBC提問時間。同樣，＃PMQ，＃pqs和#pmqs用於Prime 部長的提問時間。這對於標籤分析是有問題的，但與其他標籤符號一致，基於Twitter的工作使拼寫錯誤或變化的主題標籤而導致的潛在數據丟失。具體來說，如果 hashtags以復雜的方式使用，理解對話中涉及的actor並不那麼簡單，使用一個＃標籤來跟蹤對話。考慮到有多少社交媒體，基於政治的研究使用標籤作為選擇標準。例如，＃battlefornumber10顯然是一個主導標籤，但#bbcqt有幾個使用中的變體，包括## bbcqt和#bcqt。如果我們可以訪問完整的Twitter Firehose數據通過所有推文數據流，我們假設我們可能已經檢測到更多變體。幾個數據收集問題已經影響了我們解釋對話和交互的方式。

相關理論整理：

一般來說，機器人研究和算法研究都集中在不可知的問題上，如決策機器的質量和這些機制的治理類型。在政治溝通方面，它們可作為了解輿論的手段，利用社交媒體了解大規模的人口動態，以這種方式相較於傳統方法，更能減少研究人員的干預，但數據是匯集資訊並不代表整體公眾。同時，社交媒體分析也反映了更廣泛社會的結構性不平等，例如：社交媒體上的政治對話可能由收入較高的人主導。此外，通過機器學習面臨自動內容分析與解析人類交流細微差別的挑戰，機器人是以有限狀態語法，無法流暢運用自然語言語法模型。

建立政治機器人：

1.     定義一個機器人

最簡單的機器人是完全或部分控制的社交媒體帳戶代理執行。當我們談論機器人時，我們經常會想到帳戶本身和機制將其作為單一實體進行控制。 但是，為了更好地了解機器人的性質，我們必須區分來自發布算法的帳戶。社交媒體系統以帳戶的形式運作。這些帳戶可以通過應用程序編程接口（API）等接口執行操作，無論是由人員還是算法發起，通常都會對社交媒體系統產生很大的影響。

2.     論機器人的功能

機器人能部分或完全控制社交媒體帳戶，如關注一個帳戶，機器人可能轉推或對喜歡的推文按讚，將新內容注入社交媒體網絡，傳播宣傳材料、垃圾郵件，或在線引導和破壞討論。其消息的產生速度遠遠超過人類，其能設法影響真實的人類帳戶，轉發意見主題使用戶討論更熱烈。

3.     關於機器人的檢測

隨著算法變得越來越複雜並且熟練地模擬人的行為，Bot Or Not服務使用機器學習技術來判斷帳戶是否由基於六個特徵維度的機器人控制：網絡、用戶、朋友、時間、內容和情緒，這種結合多種方法的方法可以產生相對較低的誤報率。

方法和研究問題：

參與者被要求建立新的Twitter 使用鏈接到這些事件的主題標籤對高調廣播事件進行評論，機器人與部分參與者的帳戶相關聯，而其他帳戶保持不變，用以監控參與者的活動與機器人互動情況以及會話的整體模式。

研究問題：

RQ1：附加機器人的帳戶與未受影響的帳戶有不同的行為嗎？ 

RQ2：附帶機器人的帳戶在會話中的社交影響力要大於那些沒有？

RQ3：不同類型的機器人會發揮不同類型的影響嗎？特殊類型的機器人更多 有效？ 

RQ4：機器人如何與不同類型的參與者進行不同的交互？

實驗設置：研究設計

在這個實驗中，我們將機器人定義為一組自動化流程，附加到一半參與者的Twitter帳戶。這些自動化過程模擬了Twitter平台內的系統級功能數量，包括轉發後續功能和收藏。實驗主要集中在英國境內發生的三個事件中，包括BBC的政治討論提問時間（#BBCQT）、彙整問題（#PMQ）和爭論“10號戰役”（＃BattleForNumber10）。

使用MonsterSocial軟體，我們將機器人附加到參與者的一半Twitter上帳戶，然後配置為自動跟蹤和轉發給定的一組帳戶井號標籤。跟進流程每五分鐘運行一次，並嘗試跟蹤多達100個隨機Twitter帳戶並使用給定的主題標籤發推文。 同樣，轉發過程每五分鐘一次，並轉發包含所選主題標籤的推文。為了在三個事件期間捕獲Twitter數據，我們使用了EPrints推文收穫服務Tweepository。 該服務旨在根據給定的關鍵字收集Twitter數據，包括井號標籤。它使用Twitter搜API結合自己的穫取策略進行收集公開發布推文並捕獲一組指定的跟隨者網絡的快照。

研究結果：

紫色行是沒有機器人的帳戶，綠色行是帶有機器人的帳戶。 T =推特; RT = 轉推; M =提及。推文總數可能更高，因為所有推文都是使用搜索API捕獲的 即時的。與流式API相比，這是收集特定主題推文的最準確方式，但有些推文可能無法被捕獲。結果顯示，附有機器人的帳戶獲得了更多追隨者，因為機器人在推特期間關注Twitter用戶會話，使該帳戶更有可能也被追蹤。

網絡分析

顯示只有兩個帳戶位於邊緣列表中，表明我們的帳戶與提及的任何人相距甚遠：他們並不接近任何有影響力的人。這也表明機器人不一定是通用的，機器人在網絡中的位置可能很重要。此外，機器人有很多使用這些主題標籤的粉絲可能會對影響對話產生更大的影響。換句話說，機器人可以根據其網絡擁有領域專業知識和影響力位置。

標籤分析

在Twitter上使用主題標籤並不一致。主題標籤#bbcqt、## bbcqt和#bcqt都用於 BBC提問時間。同樣，＃PMQ，＃pqs和#pmqs用於Prime 部長的提問時間。這對於標籤分析是有問題的，但與其他標籤符號一致，基於Twitter的工作使拼寫錯誤或變化的主題標籤而導致的潛在數據丟失。具體來說，如果 hashtags以復雜的方式使用，理解對話中涉及的actor並不那麼簡單，使用一個＃標籤來跟蹤對話。考慮到有多少社交媒體，基於政治的研究使用標籤作為選擇標準。例如，＃battlefornumber10顯然是一個主導標籤，但#bbcqt有幾個使用中的變體，包括## bbcqt和#bcqt。如果我們可以訪問完整的Twitter Firehose數據通過所有推文數據流，我們假設我們可能已經檢測到更多變體。幾個數據收集問題已經影響了我們解釋對話和交互的方式。

結論：

在這些情況下，我們可能會有效地反思實體已經擁有的資本使用機器人。在我們在這個領域的第一次實驗中，我們缺乏文化資本和技術資本，可能要投資更有效的機器人。這些更有效的機器人也更昂貴，提出了經濟資本的問題。即使我們有技術知識選擇合適的機器人，我們無法在他們身上花很多錢。這也是可能的 Twitter作為一項服務將干預這一過程。我們對Twitter組織內容的方式知之甚少，但公司可以審核跟隨者的時間表，將這些偏向於已經很受歡迎的推文。以前的研究強調Twitter API有各種偏見，其中一些很難辨別。

總體來說，我們可能會說我們對文化和技術資本的理解很低，而結合帳戶持有人的低社會資本導致我們的機器人沒有影響力。由於這些是為實驗創建的新的Twitter帳戶，所以他們幾乎沒有朋友、粉絲和最初的社交互動，因此不能將我們為機器人支付的現金轉換為社交 Twitter上的資本（增強型網絡）。顯然，機器人的影響是由複雜的相互作用形成的，因此在相互作用中調動的社會和技術因素十分重要。

____________________________________________________________________________________________________________________________________________

與本研究問題意識相關的概念與延伸對話：無

延伸閱讀：(請用學術體例將參考文獻中值得延伸閱讀之文章、書籍或網址列於此處) 無

關鍵字：機器人

資料狀況：

■ 電子檔（摘要／全文）:           

□ 紙本（摘要／全文）:           

□ 其他狀況：