Kunstmatige intelligentie (AI) begint vele facetten van de menselijke ervaring te doordringen. AI is niet alleen een hulpmiddel voor het analyseren van gegevens; het transformeert de manier waarop we communiceren, werken en leven. Van ChatGP tot AI-videogeneratoren: de grenzen tussen technologie en delen van ons leven zijn steeds vager geworden.
Maar zorgen deze technologische ontwikkelingen ervoor dat AI onze gevoelens online kan identificeren?
In ons nieuwe onderzoekonderzochten we of AI menselijke emoties kon detecteren in berichten op X (voorheen Twitter).
Ons onderzoek richtte zich op de manier waarop emoties, uitgedrukt in gebruiksposts over bepaalde non-profitorganisaties, acties kunnen beïnvloeden, zoals de beslissing om op een later moment donaties aan hen te doen.
Emoties gebruiken om een reactie uit te lokken
Traditioneel vertrouwen onderzoekers op sentimentanalyse, waarbij berichten worden gecategoriseerd als positief, negatief of neutraal. Hoewel deze methode eenvoudig en intuïtief is, kent deze ook beperkingen.
Menselijke emoties zijn veel genuanceerder. Woede en teleurstelling zijn bijvoorbeeld beide negatieve emoties, maar kunnen heel verschillende reacties uitlokken. Boze klanten kunnen in een zakelijke context veel sterker reageren dan teleurgestelde klanten.
Om deze beperkingen aan te pakken, hebben we een AI-model toegepast dat specifieke emoties, zoals vreugde, woede, verdriet en walging, die in tweets tot uiting komen, kan detecteren.
Uit ons onderzoek is gebleken dat emoties die op X worden uitgedrukt, kunnen dienen als een weergave van de algemene gevoelens van het publiek over specifieke non-profitorganisaties. Deze gevoelens hadden een directe impact op het donatiegedrag.
Het detecteren van emoties
Wij gebruikten de “transformatoroverdracht leren”-model om emoties in tekst te detecteren. Transformers zijn vooraf getraind in enorme datasets door bedrijven als Google en Facebook en zijn zeer geavanceerde AI-algoritmen die uitblinken in het begrijpen van natuurlijke taal (talen die zich op natuurlijke wijze hebben ontwikkeld in tegenstelling tot computertalen of code).
We hebben het model verfijnd op basis van een combinatie van vier zelfgerapporteerde emotiedatasets (ruim 3,6 miljoen zinnen) en zeven andere datasets (meer dan 60.000 zinnen). Hierdoor konden we een breed scala aan online emoties in kaart brengen.
Het model detecteert bijvoorbeeld vreugde als de dominante emotie bij het lezen van een X-post zoals:
Onze ochtenden op school beginnen is het beste! Allemaal glimlachen naar #purpose #kids.
Omgekeerd pikte het model verdriet op in een tweet en zei:
Ik heb het gevoel dat ik een deel van mezelf ben kwijtgeraakt. Ik verloor mijn moeder ruim een maand geleden, en mijn vader dertien jaar geleden. Ik ben verdwaald en bang.
Het model behaalde een indrukwekkende nauwkeurigheid van 84 procent bij het detecteren van emoties uit tekst, een opmerkelijke prestatie op het gebied van AI.
Vervolgens keken we naar tweets over twee in Nieuw-Zeeland gevestigde organisaties: de Fred Hollows Foundation en de Universiteit van Auckland. Wij gevonden tweets waarin verdriet werd geuit, leidden eerder tot donaties aan de Fred Hollows Foundation, terwijl woede verband hield met een toename van donaties aan de Universiteit van Auckland.
Ethische vragen naarmate AI evolueert
Het identificeren van specifieke emoties heeft aanzienlijke gevolgen voor sectoren als marketing, onderwijs en gezondheidszorg.
Het kunnen identificeren van de emotionele reacties van mensen in specifieke contexten online kan besluitvormers ondersteunen bij het reageren op hun individuele klanten of hun bredere markt. Elke specifieke emotie die in sociale media-posts online wordt geuit, vereist een andere reactie van een bedrijf of organisatie.
Ons onderzoek heeft aangetoond dat verschillende emoties tot verschillende uitkomsten leiden als het om donaties gaat.
Het kennen van verdriet in marketingboodschappen kan de donaties aan non-profitorganisaties verhogen, wat effectievere, emotioneel resonerende campagnes mogelijk maakt. Woede kan mensen motiveren om actie te ondernemen als reactie op waargenomen onrechtvaardigheid.
Hoewel het Transformer Transfer Learning-model uitblinkt in het detecteren van emoties in tekst, zal de volgende grote doorbraak komen van de integratie ervan met andere gegevensbronnen, zoals stemtoon of gezichtsuitdrukkingen, om een completer emotioneel profiel te creëren.
Stel je een AI voor die niet alleen begrijpt wat je schrijft, maar ook hoe je je voelt. Het is duidelijk dat dergelijke vooruitgang ethische uitdagingen met zich meebrengt.
Als AI onze emoties kan lezen, hoe zorgen we er dan voor dat deze mogelijkheid op verantwoorde wijze wordt gebruikt? Hoe beschermen wij de privacy? Dit zijn cruciale vragen die moeten worden beantwoord naarmate de technologie zich blijft ontwikkelen.
Dit artikel is oorspronkelijk gepubliceerd op Het gesprek door Sanghyub John Lee, Ho Seok Ahn en Leo Paas aan de Universiteit van Auckland, Waipapa Taumata Rau. Lees de origineel artikel hier.
