Varför delar vi inlägg på Facebook?

Söker vi saklig information, som namnet på anläggningen som tar över gården? Uttrycker vi frustration när vi söker sympati? Är det ren narcissism eller narcissism genom ombud, via våra barn? Är det skryt, eller skrytens luriga kusin, ödmjukt skryta?

Eller är det något värre?

Innehåll med skadlig avsikt utgör ett stort problem för Facebook, som söker efter ett sätt att snabbt identifiera och ta bort skadliga inlägg, som livestreaming av massskjutningen den 15 mars i Nya Zeeland, bland en mängd innehåll som är för stort för att människor ska måtta.

Serge Belongie, professor i datavetenskap vid Cornell Tech, studerar vad han kallar "intentiononomy-det komplexa psyko-emotionella landskapet som lurar bakom Facebook- och Instagram-inlägg.

Belongie och hans team arbetar med Facebook för att definiera möjliga inläggsavsikter - från godartat till polariserande till hatiskt - och fylla i en datamängd med exempel. Målet är att skapa och träna ett maskininlärningssystem som kan förutsäga avsikt och, så småningom, varna det sociala nätverket om problematiska inlägg i realtid.

"Människans natur och politik och stambeteende, monetära incitament - det finns bara en zillion saker som spelar in i detta, sa Belongie, som fick 1,77 miljoner dollar, treårigt bidrag från Facebook för att arbeta med projekt relaterade till att identifiera innehåll med skadlig avsikt. "Det bästa vi kan göra är att tillhandahålla verktyg så att om någon kommer till bordet med god tro, de kan skilja informationen från desinformation. "

I ett separat projekt, Belongies team arbetar med maskininlärningsmetoder för att upptäcka förfalskningar. Personer som köper annonser på Facebook måste validera sina konton med hjälp av identifikation; Belongie kommer att använda sin expertis inom datorsyn - ett område med artificiell intelligens fokuserad på att lära maskiner att se som människor gör - för att utveckla metoder som kan avgöra om dessa ID är falska.

"Konventionella metoder för maskininlärning kräver att du har stora utbildningsuppsättningar med riktiga ID:er, från varje stat, varje år, samlas in av en professionell, och då behöver du en stor mängd falska ID, "Sa Belongie." Det är mycket svårt att få den typen av märkta data; det är inte mycket av det. "

Istället, hans tillvägagångssätt kommer att bygga vidare på hans grupps forskning om att använda datorsyn för att känna igen finkorniga skillnader mellan växter, djur och svamp. En liknande metod kan vara användbar för att hitta små detaljer som avslöjar förfalskade ID, till exempel fel typ av komma eller apostrof.

"Om någon bara ger mig en hink med data och det mesta är korrekt, det mesta är äkta, hur hittar du den nålen i höstacken? "sa han." Vårt mål är att upptäcka avvikelser - att hitta saker som är på sin plats. "