Nästan två tredjedelar av de sociala medier-botarna med politisk aktivitet på Twitter före det amerikanska presidentvalet 2016 stödde Donald Trump. Men alla dessa Trump-robotar var mycket mindre effektiva på att ändra folks åsikter än den mindre andelen bots som stödde Hillary Clinton. Som min senaste forskning visar, ett litet antal mycket aktiva bots kan avsevärt förändra människors politiska åsikter. Huvudfaktorn var inte hur många bots det fanns – utan snarare, hur många tweets varje uppsättning bots utfärdade.

Mitt arbete fokuserar på militära och nationella säkerhetsaspekter av sociala nätverk, så naturligtvis blev jag fascinerad av farhågor om att bots kan påverka resultatet av det kommande mellanårsvalet 2018. Jag började undersöka exakt vad bots gjorde 2016. Det fanns gott om retorik – men bara en grundläggande faktaprincip:Om informationskrigföringsinsatser med hjälp av bots hade lyckats, då hade väljarnas åsikter skiftat.

Jag ville mäta hur mycket botar var – eller inte var – ansvariga för förändringar i människors politiska åsikter. Jag var tvungen att hitta ett sätt att identifiera sociala medier bots och utvärdera deras aktivitet. Sedan behövde jag mäta åsikterna från användare av sociala medier. Slutligen, Jag var tvungen att hitta ett sätt att uppskatta vad dessa människors åsikter skulle ha varit om botarna aldrig hade funnits.

Hitta tweeters och bots

För att begränsa forskningen lite, mina elever och jag fokuserade vår analys på Twitter-diskussionen kring en händelse i upptakten till valet:den andra debatten mellan Clinton och Trump. Vi samlade in 2,3 miljoner tweets som innehöll nyckelord och hashtags relaterade till debatten.

Sedan gjorde vi en lista över de cirka 78, 000 Twitter-användare som postade dessa tweets och konstruerade nätverket av vem som följde vem bland dessa användare. För att identifiera robotarna bland dem, vi använde en algoritm baserad på vår observation att bots ofta retweetade människor men inte själva ofta retweetade.

Denna metod hittade 396 bots – eller mindre än 1 procent av de aktiva Twitter-användarna. Och bara 10 procent av kontona följde dem. Jag mådde bra av det:Det verkade osannolikt att ett så litet antal relativt frånkopplade bots kunde ha en stor effekt på människors åsikter.

En närmare titt på människorna

Därefter började vi mäta åsikterna från personerna i vår datamängd. Vi gjorde detta med en typ av maskininlärningsalgoritm som kallas ett neuralt nätverk, som vi i det här fallet ställer in för att utvärdera innehållet i varje tweet, avgöra i vilken utsträckning det stödde Clinton eller Trump. Individers åsikter beräknades som genomsnittet av deras tweets åsikter.

När vi väl hade tilldelat varje mänsklig Twitter-användare i vår data en poäng som representerade hur stark en Clinton- eller Trump-stödjare de var, utmaningen var att mäta hur mycket botarna förändrade folks åsikter – vilket innebar att man räknade ut vad deras åsikter skulle ha varit om botarna inte hade funnits.

Lyckligtvis, en modell från så långt tillbaka som 1970-talet hade etablerat ett sätt att mäta människors känslor i ett socialt nätverk baserat på kopplingar mellan dem. I denna nätverksbaserade modell, individers åsikter tenderar att överensstämma med de personer som är kopplade till dem. Efter att ha modifierat modellen något för att tillämpa den på Twitter, vi använde den för att beräkna folks åsikter baserat på vem som följde vem på Twitter – snarare än att titta på deras tweets. Vi fann att de åsikter vi beräknade från nätverksmodellen stämde väl överens med åsikter mätt från innehållet i deras tweets.

Livet utan bots

Hittills hade vi visat att följarnätverksstrukturen i Twitter kunde förutsäga människors åsikter korrekt. Detta gjorde det nu möjligt för oss att ställa frågor som:Vad skulle deras åsikter ha varit om nätverket var annorlunda? Det annorlunda nätverket vi var intresserade av var ett som inte innehöll några bots. Så för vårt sista steg, vi tog bort botarna från nätverket och räknade om nätverksmodellen, för att se vad riktiga människors åsikter skulle ha varit utan bots. Säker nog, bots hade förändrat mänskliga användares åsikter – men på ett överraskande sätt.

Med tanke på mycket av nyhetsrapporteringen, vi förväntade oss att botarna skulle hjälpa Trump – men det gjorde de inte. I ett nätverk utan bots, den genomsnittliga mänskliga användaren hade en pro-Clinton-poäng på 42 av 100. Med bots, fastän, vi hade funnit att den genomsnittliga människan hade en pro-Clinton-poäng på 58. Den förändringen var en mycket större effekt än vi hade förväntat oss, med tanke på hur få och oanslutna bottarna var. Nätverksstrukturen hade förstärkt botarnas kraft.

Vi undrade vad som hade gjort Clinton-robotarna mer effektiva än Trump-robotarna. Närmare inspektion visade att de 260 bots som stödde Trump publicerade sammanlagt 113, 498 tweets, eller 437 tweets per bot. Dock, de 150 botarna som stöder Clinton skrev 96, 298 tweets, eller 708 tweets per bot. Det verkade som om Clinton-robotarnas kraft inte kom från deras antal, men från hur ofta de twittrade. Vi fann att det mesta som botarna postade var retweets av kandidaterna eller andra inflytelserika individer. Så de skapade inte riktigt ursprungliga tweets, men dela befintliga.

Det är värt att notera att vår analys tittade på ett relativt litet antal användare, speciellt om man jämför med den röstberättigade befolkningen. Och det var bara under en relativt kort tidsperiod kring en specifik händelse i kampanjen. Därför, de föreslår ingenting om det övergripande valresultatet. Men de visar den potentiella effekten bots kan ha på människors åsikter.

Ett litet antal mycket aktiva bots kan faktiskt förändra opinionen avsevärt – och trots sociala medieföretags ansträngningar, det finns fortfarande ett stort antal bots där ute, ständigt twittra och retweeta, försöker påverka riktiga människor som röstar.

Det är en påminnelse om att vara försiktig med vad du läser – och vad du tror – på sociala medier. Vi rekommenderar att du dubbelkollar att du följer personer du känner och litar på – och håller ett öga på vem som twittrar vad på dina favorithashtags.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.