编辑推荐：
为解决社交媒体机器人难以精准界定、与人类特征差异不明等问题，研究人员开展 “社交媒体机器人与人类特征的全球比较” 研究。分析约 200 百万用户数据后发现，两者在多方面存在差异。该研究为规范机器人使用和监管提供依据，助力社交媒体健康发展。
在如今这个社交媒体高度发达的时代，网络世界就像一个巨大的 “集市”，人们在上面分享生活、交流观点。然而，这个 “集市” 里却混入了一些特殊的 “角色”—— 社交媒体机器人（Social Media Bot）。它们就像隐藏在暗处的 “神秘客”，悄无声息地影响着网络信息的传播和交流。过去，社交媒体机器人在诸多事件中兴风作浪。在 2011 年阿拉伯之春起义中，它们被用来增加政客的粉丝数量，制造虚假的人气假象，还大量涌入新闻信息流，干扰政治异见者的发声；在 2020 年美国大选中，它们参与战略传播，歪曲、编造信息，加剧社会分裂；在 2021 年新冠疫情期间，又疯狂传播反疫苗言论和阴谋论，影响人们的认知和决策 。而且，尽管研究人员开发了多种机器人检测算法，如基于逻辑回归、随机森林等的机器学习模型，还有基于图的方法、结合大语言模型（LLMs）的算法，但人类仍然很难分辨出机器人和真实用户。这些问题严重影响了社交媒体的信息质量和交流环境，也对社会稳定和公众认知造成了威胁，所以研究社交媒体机器人及其与人类的差异迫在眉睫。
卡内基梅隆大学（Carnegie Mellon University）的研究人员 Lynnette Hui Xian Ng 和 Kathleen M. Carley 针对这些问题展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为我们深入了解社交媒体机器人提供了重要依据。
研究人员在开展研究时，采用了多种关键技术方法。首先，他们从 Twitter/X 收集了涉及全球多个事件（如亚洲选举、美国选举等）的大量数据，涵盖约 200 百万用户和 50 亿条推文。接着，使用 BotHunter 算法对每个用户进行标注，判断其是机器人还是人类。然后，综合运用机器学习分类、社会网络分析和语言特征提取等方法，从多个角度分析数据。
在研究结果部分，主要有以下发现：
- 数量占比：研究发现，在不同事件中，机器人用户的平均占比约为 20%，但在美国选举期间，这一比例最高可达 43%。这一结果为分析事件中机器人的影响提供了重要的参考基线，若机器人用户比例大幅超过 20%，则可能意味着对话被操纵。
- 语言特征差异：通过 NetMapper 软件提取心理语言学线索发现，机器人和人类在语言使用上存在显著差异。机器人更多使用语义线索，如滥用词汇、发布更多推文，且倾向于转发；人类则更多使用情感线索，像第一人称代词、表达积极情感，并且更常引用和回复推文。在一些选举事件中，机器人会使用更多情感线索，试图影响在线情绪。此外，当机器人发布原创推文时，其语言特征与转发时有所不同，有自己独特的 “语言签名”。
- 身份呈现差异：在自我身份呈现方面，机器人呈现身份的比例（21.4%）低于人类（27.0%），且机器人倾向于集中展示少数常见身份，而人类的身份呈现更加多样化。在话题框架使用上，机器人更多围绕政治、性别、种族等社会敏感话题进行交流，且使用的词汇相对有限；人类则在各类话题上分布较为均匀，使用的词汇更加丰富多样。
- 社交互动差异：分析用户的社交互动网络发现，机器人的自我中心网络密度比人类高 8.33%，这意味着机器人的交流结构更紧密，直接互动更多。虽然机器人与其他机器人互动的比例（9.66%）高于人类与机器人互动的比例（7.31%），但两者都更多地与人类互动。在政治话语等场景中，机器人常呈现星型网络结构，作为信息放大器，增强某些用户和信息的传播；人类则更倾向于树形结构，交流互动更加多元化。
研究结论和讨论部分具有重要意义。研究表明，社交媒体机器人和人类在多个方面存在明显差异，这些差异可用于区分两者。研究人员基于这些差异，提出了一些关于机器人使用和监管的建议。例如，利用机器人擅长转发、发布频率高的特点，让其承担信息公告等简单任务；由于机器人的星型网络结构在传播信息时能保持信息的完整性，可用于灾难和危机管理的重要信息发布；根据机器人内容与身份匹配的特点，让其提供特定领域的教育材料。同时，鉴于机器人使用更多不良语言，应重点监管其语言使用，减少网络不良信息。此外，研究还发现不同平台上的机器人在语言使用上具有相似性，且随着技术发展，机器人不断进化，给检测带来挑战，但目前的检测工具仍能识别一定比例的机器人。这一系列研究成果为后续进一步研究社交媒体机器人、规范其使用和监管提供了重要的理论基础和实践指导，有助于营造更加健康、有序的社交媒体环境。
