• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Kan datorer skriva produktrecensioner med en mänsklig touch?

    Ett team av kodare och marknadsförare visar att datorer kan skriva som människor, och de svarar på varför det är viktigt. Kredit:Vinfoto av Pier Demarten på Unsplash. Illustration av Richard Clark/Dartmouth College.

    System för artificiell intelligens kan tränas för att skriva människoliknande produktrecensioner som hjälper konsumenter, marknadsförare och professionella granskare, enligt en studie från Dartmouth College, Dartmouth's Tuck School of Business och Indiana University.

    Forskningen, publicerad i International Journal of Research in Marketing , identifierar också etiska utmaningar som uppstår genom användningen av det datorgenererade innehållet.

    "Recensionsskrivandet är utmanande för människor och datorer, delvis på grund av det överväldigande antalet distinkta produkter", säger Keith Carlson, doktorandforskare vid Tuck School of Business. "Vi ville se hur artificiell intelligens kan användas för att hjälpa människor som producerar och använder dessa recensioner."

    För forskningen ställde Dartmouth-teamet två utmaningar. Den första var att avgöra om en maskin kan läras att skriva originalrecensioner av mänsklig kvalitet med endast ett litet antal produktfunktioner efter att ha tränats på en uppsättning befintligt innehåll. För det andra försökte teamet se om maskininlärningsalgoritmer kan användas för att skriva synteser av recensioner av produkter som redan finns många recensioner.

    "Att använda artificiell intelligens för att skriva och syntetisera recensioner kan skapa effektivitet på båda sidor av marknaden", säger Prasad Vana, biträdande professor i företagsekonomi vid Tuck School of Business. "Förhoppningen är att AI kan gynna granskare som står inför större skrivbelastningar och konsumenter som måste sortera igenom så mycket innehåll om produkter."

    Forskarna fokuserade på vin- och ölrecensioner på grund av den omfattande tillgången på material för att träna datoralgoritmerna. Uppskrivningar av dessa produkter innehåller också relativt fokuserade vokabulärer, en fördel när man arbetar med AI-system.

    För att avgöra om en maskin kunde skriva användbara recensioner från grunden, tränade forskarna en algoritm på cirka 180 000 befintliga vinrecensioner. Metadatataggar för faktorer som produktens ursprung, druvsort, betyg och pris användes också för att träna maskininlärningssystemet.

    När man jämförde de maskingenererade recensionerna mot mänskliga recensioner för samma viner fann forskargruppen överensstämmelse mellan de två versionerna. Resultaten förblev konsekventa även när teamet utmanade algoritmerna genom att ändra mängden indata som var tillgänglig för referens.

    Det maskinskrivna materialet bedömdes sedan av icke-experta deltagare i studien för att testa om de kunde avgöra om recensionerna skrevs av människor eller av en maskin. Enligt forskningsrapporten kunde deltagarna inte skilja mellan de mänskliga och AI-genererade recensionerna med någon statistisk signifikans. Dessutom var deras avsikt att köpa ett vin liknande över mänskliga kontra maskingenererade recensioner av vinet.

    Efter att ha upptäckt att artificiell intelligens kan skriva trovärdiga vinrecensioner, vände sig forskarteamet till ölrecensioner för att avgöra effektiviteten av att använda AI för att skriva "recensionssynteser". Istället för att utbildas i att skriva nya recensioner hade algoritmen i uppdrag att samla in element från befintliga recensioner av samma produkt. Detta testade AI:s förmåga att identifiera och tillhandahålla begränsad men relevant information om produkter baserat på en stor mängd olika åsikter.

    En provrecension skriven av A.I. Kredit:Keith Carlson/Dartmouth College

    "Att skriva en originalrecension testar datorns uttrycksförmåga baserat på en relativt smal uppsättning data. Att skriva en sammanfattande recension är en relaterad men distinkt uppgift där systemet förväntas producera en recension som fångar några av de nyckelidéer som finns i en befintlig uppsättning av recensioner för en produkt", sa Carlson, som genomförde forskningen medan en doktorsexamen. kandidat i datavetenskap vid Dartmouth.

    För att testa algoritmens förmåga att skriva recensionssynteser tränade forskare den på 143 000 befintliga recensioner av över 14 000 öl. Precis som med vindataset parades texten i varje recension med metadata, inklusive produktnamn, alkoholhalt, stil och poäng från de ursprungliga granskarna.

    Liksom med vinrecensionerna använde forskningen oberoende studiedeltagare för att bedöma om de maskinskrivna sammanfattningarna fångade och sammanfattade åsikterna från många recensioner på ett användbart, mänskligt sätt.

    Enligt tidningen var modellen framgångsrik när det gällde att ta recensioner av en produkt som input och generera en sammanfattande recension för den produkten som output.

    "Vårt modelleringsramverk kan vara användbart i alla situationer där detaljerade attribut för en produkt är tillgängliga och en skriftlig sammanfattning av produkten krävs," sa Vana. "Det är intressant att föreställa sig hur detta kan gynna restauranger som inte har råd med sommelierer eller oberoende säljare på onlineplattformar som kan sälja hundratals produkter."

    Båda utmaningarna använde ett neuralt nät för djupinlärning baserat på transformatorarkitektur för att inta, bearbeta och skriva ut granskningsspråk.

    Enligt forskargruppen är datasystemen inte avsedda att ersätta professionella skribenter och marknadsförare, utan snarare att hjälpa dem i deras arbete. En maskinskriven recension kan till exempel fungera som ett tidsbesparande första utkast till en recension som en mänsklig granskare sedan kan revidera.

    Forskningen kan också hjälpa konsumenter. Syntesrecensioner – som de om öl i studien – kan utökas till konstellationen av produkter och tjänster på onlinemarknadsplatser för att hjälpa människor som har begränsad tid att läsa igenom många produktrecensioner.

    Förutom fördelarna med maskinskrivna recensioner, lyfter forskargruppen fram några av de etiska utmaningar som uppstår genom att använda datoralgoritmer för att påverka mänskliga konsumenters beteende.

    Med tanke på att marknadsförare skulle kunna få bättre acceptans för maskingenererade recensioner genom att felaktigt tillskriva dem människor, förespråkar teamet transparens när datorgenererade recensioner erbjuds.

    "Som med annan teknik måste vi vara försiktiga med hur detta framsteg används", säger Carlson. "Om de används på ett ansvarsfullt sätt kan AI-genererade recensioner vara både ett produktivitetsverktyg och kan stödja tillgängligheten av användbar konsumentinformation."

    © Vetenskap https://sv.scienceaq.com