پایان دوران نظرسنجی‌های سنتی؛ چگونه هوش مصنوعی و «مخاطبان سیلیکونی» افکار عمومی را می‌خوانند

نظرسنجی‌های سنتی بر این فرض استوارند که پرسیدن یک سؤال مستقیم از هزار نفر، بهترین راه برای درک افکار یک ملت است. اما موج جدیدی از سیستم‌های هوش مصنوعی که در اکتبر ۲۰۲۶ به کار گرفته شده‌اند، شواهد متفاوتی را ارائه می‌دهند. دقیق‌ترین راه برای خواندن افکار عمومی ممکن است این باشد که پرسیدن سؤال را متوقف کنیم و به جای آن، به ردپای دیجیتالی که افراد از خود به جای می‌گذارند گوش دهیم.

روزنامه وال‌استریت ژورنال در اواخر سپتامبر ۲۰۲۶ ابزار جدیدی به نام «داپلر» (Doppler News AI) را برای پوشش انتخابات میان‌دوره‌ای آمریکا معرفی کرد. این سیستم به جای تماس تلفنی با رأی‌دهندگان، بیش از ۲۵ میلیون ویدئوی تیک‌تاک و ۵۰۰ هزار قسمت پادکست را بلعیده است. هدف این ابزار پیش‌بینی برنده انتخابات نیست، بلکه کشف دغدغه‌هایی است که در نظرسنجی‌های رایج پنهان می‌مانند.[1][2]

مکانیسم کار داپلر بر اساس مدل‌های «تعبیه» (Embedding) استوار است. این مدل‌ها متن، صدا و تصویر را به بردارهای ریاضی تبدیل می‌کنند و سپس به دنبال خوشه‌های معنایی در میان میلیون‌ها نقطه داده می‌گردند. به این ترتیب، روزنامه‌نگاران می‌توانند بفهمند که مردم در جوامع آنلاین خود واقعاً درباره چه موضوعاتی صحبت می‌کنند، بدون آنکه نیازی به طراحی پرسشنامه‌های طولانی باشد.[1][2]

نتایج اولیه این سیستم در ماه اکتبر منتشر شد و جزئیات بی‌سابقه‌ای را به نمایش گذاشت. به عنوان مثال، تحلیل داپلر نشان داد که در ویدئوهای بررسی شده، میزان نظرات مثبت درباره «انجی نیکسون»، چهره سیاسی دموکرات، به ۷۰ درصد رسیده است. در مقابل، این رقم برای سناتور «جان آساف» ۵۴ درصد و برای سناتور «چاک شومر» تنها ۳ درصد بود.[2]

آجا ویتاکر-مور، معاون سردبیر وال‌استریت ژورنال، تأکید می‌کند که این پروژه فراتر از یک آزمایش انتخاباتی است. تیم توسعه‌دهنده معتقد است که این فناوری می‌تواند در سایر بخش‌های خبری نیز استفاده شود، زیرا داده‌های جمع‌آوری‌شده ذاتاً سیاسی نیستند. این سیستم به دنبال درک نحوه مواجهه مردم با سیاست از طریق فرهنگ، کار، پول و خانواده است.[1][3]

ظهور مخاطبان سیلیکونی

همزمان با تلاش رسانه‌ها برای عبور از محدودیت‌های نظرسنجی، پژوهشگران دانشگاهی در حال ساخت نمونه‌های مصنوعی از جوامع انسانی هستند. در کنفرانس «مدل‌های زبانی بزرگ و علوم اجتماعی» (LLMSS) که از ۱۴ تا ۱۶ اکتبر ۲۰۲۶ در هنگ‌کنگ برگزار شد، محققان از مفهومی به نام «مخاطب سیلیکونی» پرده‌برداری کردند. این مفهوم شامل پنلی از همزادهای دیجیتالی است که بر اساس داده‌های واقعی آموزش دیده‌اند.[4]

در این رویداد، کارگاهی با تمرکز بر پروتکل PoSSUM برگزار شد. این پروتکل که مخفف «پیمایش کاربران شبکه‌های اجتماعی با مدل‌های زبانی بزرگ چندوجهی» است، یک روش نظرسنجی مبتنی بر هوش مصنوعی است. این سیستم توانسته بود در پیش‌بینی‌های ایالت به ایالت خود، عملکردی هم‌تراز یا حتی بهتر از تجمیع‌کنندگان معتبر نظرسنجی‌ها در انتخابات پیشین ارائه دهد.[4]

پژوهشگران در این روش به جای استخدام هزاران نفر، یک نمونه سیلیکونی از کاربران شبکه‌های اجتماعی می‌سازند. این همزادهای دیجیتالی سپس در معرض پیام‌ها یا سیاست‌های مختلف قرار می‌گیرند و واکنش آن‌ها شبیه‌سازی می‌شود. در نهایت، با استفاده از تکنیک‌های آماری مانند «رگرسیون چندسطحی و پس‌طبقه‌بندی» (MrP)، برآوردهای اصلاح‌شده و بدون سوگیری تولید می‌شود.[4]

یکی از پروژه‌های برجسته معرفی شده در این کنفرانس، مطالعه «سیاستمداران سیلیکونی» در سوئیس بود. این سیستم با استفاده از ردپای دیجیتالی سیاستمداران و شهروندان در شبکه‌های اجتماعی، نحوه رأی دادن آن‌ها در همه‌پرسی‌ها را پیش‌بینی می‌کند. این معماری به کمپین‌ها اجازه می‌دهد تا پیام‌های خود را پیش از انتشار عمومی، در یک محیط بسته آزمایش کنند.[4]

این رویکرد تنها به سیاست محدود نمی‌شود. در محیط‌های حقوقی و دادگاه‌های شبیه‌سازی‌شده نیز، وکلای مدافع می‌توانند استدلال‌های خود را به یک هیئت منصفه سیلیکونی ارائه دهند. آن‌ها می‌توانند نقاط ضعف دفاعیه خود را پیش از حضور در دادگاه واقعی شناسایی کنند. این سیستم‌ها ابزاری برای سنجش تاب‌آوری استدلال‌ها هستند، نه جایگزینی برای قضاوت انسانی.[4]

کنفرانس هنگ‌کنگ همچنین بر چالش‌های اخلاقی و نیاز به شفافیت در این سیستم‌ها تأکید کرد. محققان هشدار دادند که اگر داده‌های آموزشی دارای سوگیری باشند، همزادهای دیجیتالی نیز همان تعصبات را بازتولید خواهند کرد. بنابراین، توسعه پروتکل‌های ارزیابی و کاهش سوگیری برای اطمینان از عادلانه بودن این نظرسنجی‌های مصنوعی، امری حیاتی است.[4]

مهار خطای ماشین با استنتاج پیش‌بینی‌محور

اتکای صرف به هوش مصنوعی برای خواندن افکار عمومی با یک خطر بزرگ همراه است: توهم ماشین و سوگیری الگوریتم‌ها. برای حل این مشکل، آماردانان به چارچوب جدیدی به نام «استنتاج مبتنی بر پیش‌بینی» (PPI) روی آورده‌اند. این روش ریاضی، پلی میان داده‌های عظیم اما غیرقطعی هوش مصنوعی و داده‌های اندک اما دقیق انسانی ایجاد می‌کند.[5][6]

در چارچوب PPI، پیش‌بینی‌های ماشین به عنوان یک متغیر کمکی در نظر گرفته می‌شوند. آماردانان یک نمونه کوچک از داده‌های واقعی را با برچسب‌های انسانی جمع‌آوری می‌کنند و از آن برای اصلاح خطای سیستماتیک مدل هوش مصنوعی بهره می‌برند. این فرآیند تضمین می‌کند که فواصل اطمینان آماری حتی زمانی که هوش مصنوعی اشتباه می‌کند، معتبر باقی بمانند.[5][6]

مقالات منتشر شده در اواسط سال ۲۰۲۶ نشان می‌دهند که استفاده از PPI چندوظیفه‌ای می‌تواند دقت پیش‌بینی‌ها را در جوامع کوچک به شدت افزایش دهد. با به اشتراک‌گذاری اطلاعات میان وظایف مشابه، مدل‌ها یاد می‌گیرند که چگونه سوگیری‌های خود را در مواجهه با گروه‌های جمعیتی مختلف تنظیم کنند. این کار بدون نیاز به جمع‌آوری داده‌های پرهزینه جدید انجام می‌شود.[5]

روش‌های مبتنی بر بوت‌استرپ (Bootstrap) نیز برای بهبود کارایی این استنتاج‌ها توسعه یافته‌اند. این الگوریتم‌ها به محققان اجازه می‌دهند تا از محدودیت‌های مجانبی عبور کنند و با استفاده از داده‌های پس‌زمینه، پیش‌بینی‌های دقیق‌تری ارائه دهند. این ترکیب از یادگیری ماشین و آمار کلاسیک، پایه‌های علمی نظرسنجی‌های نسل جدید را مستحکم می‌کند.[6]

یکی از مهم‌ترین مزایای استنتاج پیش‌بینی‌محور، توانایی آن در نمایندگی گروه‌های اقلیت است. در نظرسنجی‌های سنتی، جوامع کوچک اغلب به دلیل حجم نمونه پایین نادیده گرفته می‌شوند. اما با استفاده از داده‌های عظیم شبکه‌های اجتماعی و تصحیح خطای آماری، اکنون می‌توان صدای این گروه‌ها را با دقت بالایی اندازه‌گیری و تحلیل کرد.[5][6]

آینده سنجش افکار عمومی

تغییر مسیر از نظرسنجی‌های سنتی به تحلیل داده‌های عظیم، پیامدهای عمیقی برای درک ما از جامعه دارد. ابزارهایی مانند داپلر نشان می‌دهند که افکار عمومی یک موجودیت ایستا نیست که بتوان آن را با چند سؤال چندگزینه‌ای ثبت کرد. افکار عمومی جریانی پیوسته از مکالمات، ویدئوها و واکنش‌های آنلاین است که هر لحظه تغییر می‌کند.[1][2]

با این حال، کارشناسان تأکید می‌کنند که نظارت انسانی همچنان یک ضرورت غیرقابل انکار است. هوش مصنوعی می‌تواند میلیون‌ها پادکست را در چند ساعت گوش دهد و الگوها را استخراج کند، اما درک بافت فرهنگی و پیچیدگی‌های زبانی نیازمند قضاوت انسانی است. راب بری، مدیر تیم روزنامه‌نگاری داده در وال‌استریت ژورنال، در این باره هشدار می‌دهد.[1]

بری صراحتاً بیان می‌کند که در این سیستم‌ها «همیشه سطحی از خطا، عدم قطعیت و ابهام در حاشیه‌ها وجود خواهد داشت». به همین دلیل، تصمیم‌گیری درباره اینکه چه سؤالاتی پرسیده شود و چگونه نتایج تفسیر شوند، همچنان بر عهده روزنامه‌نگاران و تحلیلگران است. ماشین‌ها الگوها را می‌یابند، اما انسان‌ها به آن‌ها معنا می‌بخشند.[1]

ترکیب هوش مصنوعی، مخاطبان سیلیکونی و چارچوب‌های آماری پیشرفته، نویدبخش دورانی جدید در تحلیل داده‌ها است. دورانی که در آن صدای حاشیه‌ای‌ترین گروه‌های جامعه نیز در میان انبوه داده‌ها شنیده می‌شود. این فناوری‌ها به جای تقلیل دادن انسان‌ها به اعداد در یک صفحه گسترده، تلاش می‌کنند تا پیچیدگی واقعی افکار انسانی را به تصویر بکشند.