مصاحبه با طنازینا اسلام: درک ریزهدف‌گیری و الگوهای فعالیت در رسانه‌های اجتماعی

در این سری مصاحبه‌ها، با تعدادی از شرکت‌کنندگان کنسرسیوم دکترای AAAI/SIGAI ملاقات می‌کنیم تا درباره تحقیقاتشان بیشتر بدانیم. کنسرسیوم دکترا فرصتی را برای گروهی از دانشجویان دکترا فراهم می‌کند تا در یک کارگاه بین رشته‌ای به همراه هیئتی از محققان برجسته، در مورد علایق تحقیقاتی و اهداف شغلی خود بحث و تبادل نظر کنند.

در سومین مصاحبه با گروه ۲۰۲۵، با طنازینا اسلام که اخیراً دکترای خود را در رشته علوم کامپیوتر از دانشگاه پردو زیر نظر دکتر دن گلدواسر به پایان رسانده است، گفتگو کردیم. علایق تحقیقاتی اصلی او در حوزه علم محاسباتی اجتماعی (CSS)، پردازش زبان طبیعی (NLP) و داده‌کاوی و تحلیل رسانه‌های اجتماعی است.

ما اکنون در دنیایی زندگی می‌کنیم که می‌توانیم مستقیماً از طریق رسانه‌های اجتماعی به مردم دسترسی پیدا کنیم، بدون اینکه به رسانه‌های سنتی مانند تلویزیون و رادیو متکی باشیم. از طرف دیگر، پلتفرم‌های رسانه‌های اجتماعی مقادیر زیادی داده جمع‌آوری می‌کنند و از طریق تبلیغات هدفمند، پروفایل‌های بسیار خاصی از کاربران مختلف ایجاد می‌کنند. گروه‌های ذینفع مختلف، از جمله سیاستمداران، تبلیغ‌کنندگان و سهامداران، از این پلتفرم‌ها برای هدف قرار دادن کاربران بالقوه برای پیشبرد منافع خود با تطبیق پیام‌های خود استفاده می‌کنند. این فرآیند، که به عنوان ریزهدف‌گیری (microtargeting) شناخته می‌شود، متکی به تکنیک‌های مبتنی بر داده است که از اطلاعات غنی جمع‌آوری شده توسط شبکه‌های اجتماعی در مورد کاربران خود بهره‌برداری می‌کند. به عنوان مثال، ریزهدف‌گیری در مورد موضوع واکسن COVID-19 را ارائه می‌دهم: یک منبع تبلیغاتی یکسان، هنگام هدف قرار دادن جمعیت مسن‌تر، بر این پیام تأکید می‌کند که «گذرنامه واکسن، ظلم است». برعکس، در حالی که زنان در سنین باروری را هدف قرار می‌دهد، ادعا می‌کند «واکسن برای زنان باردار خطرناک است». همین منبع تبلیغاتی، پیام خود را بر اساس گروه‌های جمعیتی مختلف تنظیم می‌کند.

ریزهدف‌گیری یک شمشیر دولبه است. این کار، ارتباط و کارایی محتوای هدفمند را افزایش می‌دهد و می‌تواند افراد را تحت تأثیر قرار دهد تا بر اساس باورهای شخصی خود اقدام کنند. از یک طرف، این می‌تواند در افزایش ارتباط بر اساس کاربران عالی باشد تا به مردم در تصمیم‌گیری‌های بهتر در زمینه سلامت کمک کند و فرصت‌هایی را برای رشد شغلی در اختیار آنها قرار دهد. از طرف دیگر، می‌تواند افراد را وادار به تصمیم‌گیری علیه منافع خود کند، اتاق‌های پژواک را تقویت کند و قطب‌بندی را افزایش دهد.

انگیزه تحقیقات من این است که برخی از این خطرات را می‌توان با ارائه شفافیت، شناسایی انتخاب‌های پیام‌رسانی متضاد یا مضر، و نشان دادن سوگیری‌های وارد شده در پیام‌رسانی به شیوه‌ای ظریف، کاهش داد. چشم‌انداز تحقیقاتی من درک ریزهدف‌گیری و الگوهای فعالیت در رسانه‌های اجتماعی با توسعه رویکردها و چارچوب‌های محاسباتی است که علم محاسباتی اجتماعی (CSS)، پردازش زبان طبیعی (NLP) و هوش مصنوعی (AI) را با هم ترکیب می‌کند.

چالش مهم، درک پیام‌رسانی و نحوه تغییر آن بسته به گروه‌های کاربری هدف است. چالش دیگر زمانی ایجاد می‌شود که نمی‌دانیم کاربران چه کسانی هستند و انگیزه‌های آنها برای تعامل با محتوا چیست. تحقیقات من با مشخص کردن کاربران و پیام‌رسانی در رسانه‌های اجتماعی هدایت می‌شود. من با توسعه رویکردهای محاسباتی برای (۱) مشخص کردن انواع کاربران و انگیزه‌های آنها برای تعامل با محتوا [ICWSM’22, ICWSM’21, ICSC’21, IEEE BigData’20]، (۲) تجزیه و تحلیل پیام‌رسانی بر اساس موضوعات مرتبط با کاربران و پاسخ‌های آنها به آن [ICWSM’23, AIES’23, IEEE BigData’22]، و (۳) بررسی عمیق‌تر مضامین و استدلال‌های موجود در محتوا [NAACL’25, ICWSM’25, ACL’23, NAACL’22, DaSH’22]، به این چالش‌ها می‌پردازم.

یکی از جنبه‌های جالب توجه تحقیق من، کشف چگونگی تطبیق استراتژی‌های پیام‌رسانی با گروه‌های کاربری مختلف و پیامدهای آن برای افکار عمومی و تصمیم‌گیری است. این واقعیت که یک منبع یکسان می‌تواند روایت‌های بسیار متفاوتی را برای مخاطبان متمایز ایجاد کند، هم جذاب و هم نگران‌کننده است. برای مثال، در مورد پیام‌رسانی مربوط به واکسن COVID-19، مشاهده اینکه چگونه یک نهاد یکسان استدلال خود را تنظیم می‌کند - واکسن را به عنوان یک دستور اجباری ظالمانه برای جمعیت مسن‌تر و در عین حال به عنوان یک خطر بهداشتی برای زنان باردار به تصویر می‌کشد - قدرت و خطرات بالقوه ریزهدف‌گیری را برجسته می‌کند.

از منظر روش‌شناختی، توسعه تکنیک‌های محاسباتی که NLP+CSS را برای تشخیص الگوهای ظریف پیام‌رسانی ترکیب می‌کند، از نظر فکری محرک است. این کار نه تنها شامل شناسایی آنچه گفته می‌شود، بلکه همچنین قرار دادن آن در روایت‌های بزرگ‌تر و درک قصد استراتژیک پشت سبک‌های مختلف پیام‌رسانی است. از این بینش‌ها می‌توان برای افزایش شفافیت در ارتباطات آنلاین، کاهش اثرات مضر ریزهدف‌گیری و توسعه مداخلاتی که باعث ترویج گفتمان عمومی متعادل‌تر و آگاهانه‌تر می‌شوند، استفاده کرد.

به‌طور کلی، آنچه تحقیق من را به‌طور خاص جالب می‌کند، ارتباط آن با دنیای واقعی است - باز کردن این موضوع که چگونه ارتباطات دیجیتال، ادراک و تصمیم‌گیری عمومی را شکل می‌دهد، و بررسی راه‌هایی برای اطمینان از اینکه این فرآیندها شفاف‌تر هستند.

پیشنهاد پایان‌نامه دکترای من برنده جایزه بهترین پوستر در کنسرسیوم دکترای AAAI/SIGAI سال ۲۰۲۵ شد.

یک چالش بزرگ، درک اثرات مضر انتخاب‌های پیام‌رسانی در هنگام تقویت سوگیری و کلیشه‌ها است. انجام این کار مستلزم آن است که این تجزیه و تحلیل را گسترش دهیم و با پیام‌رسانی‌های مداوم در حال تغییر سازگار شویم. مدل‌های زبانی بزرگ (LLM) به ما این فرصت را می‌دهند که در مورد آن استدلال کنیم و با چگونگی مقیاس‌بندی این تجزیه و تحلیل مقابله کنیم. در حال حاضر، من روی استفاده از LLMها برای تجزیه و تحلیل نظرات اجتماعی، سوگیری‌ها در ریزهدف‌گیری برای اطمینان از شیوه‌های دیجیتالی عادلانه، و تقویت همکاری انسان و هوش مصنوعی در وظایف پیچیده روان‌شناختی زبانی، یعنی شناسایی چارچوب اخلاقی در بحث واکسن [ACM WebSci’25] کار می‌کنم و بینش‌های مبتنی بر هوش مصنوعی ایجاد می‌کنم که سیاست‌گذاری را آگاه می‌کند و تغییرات اجتماعی مثبت را ترویج می‌دهد. این رویکرد یکپارچه تضمین می‌کند که هوش مصنوعی (AI) به عنوان کاتالیزوری برای درک و بهبود تجربیات انسانی در زمینه‌های اجتماعی متنوع عمل می‌کند. تحقیقات آینده من از فناوری‌های پیشرفته هوش مصنوعی برای پر کردن شکاف بین نیازهای اجتماعی و راه‌حل‌های فناورانه استفاده خواهد کرد.

علاقه من به NLP، CSS و داده‌کاوی رسانه‌های اجتماعی ناشی از کنجکاوی عمیق در مورد چگونگی شکل دادن زبان به تعاملات انسانی و تأثیرگذاری بر نتایج اجتماعی بود. علاوه بر این، من جذب ماهیت بین رشته‌ای علم محاسباتی اجتماعی شدم، زیرا امکان ادغام هوش مصنوعی و یادگیری ماشین با نظریه‌های روان‌شناسی، جامعه‌شناسی و علوم سیاسی را فراهم می‌کند.

ظهور رسانه‌های اجتماعی به عنوان یک پلتفرم ارتباطی غالب، به‌طور اساسی نحوه انتشار اطلاعات، نحوه شکل‌گیری نظرات مردم و نحوه تعامل گروه‌های ذینفع مختلف با مردم را تغییر داده است. برخلاف رسانه‌های سنتی، جایی که پیام‌رسانی بیشتر یکنواخت است، رسانه‌های اجتماعی امکان ارتباط بسیار شخصی‌سازی‌شده و پویا را فراهم می‌کنند. این موضوع مرا مجذوب کرد، زیرا هم فرصت‌ها و هم چالش‌هایی را به همراه داشت - از یک طرف، محتوای مرتبط‌تر و هدفمندتر را امکان‌پذیر می‌کرد، اما از طرف دیگر، خطر دستکاری، اطلاعات نادرست و قطب‌بندی را افزایش می‌داد. با مشاهده نقش رو به رشد پیام‌رسانی مبتنی بر داده در شکل دادن به گفتمان عمومی، من به توسعه روش‌های محاسباتی برای درک و تجزیه و تحلیل بهتر این پویایی‌ها علاقه‌مند شدم.

دکترا یک دوی سرعت نیست؛ بلکه یک ماراتن است. رد شدن مقالات، ایده‌هایی که کار نمی‌کنند و مراحلی که برای مدت طولانی احساس می‌کنید گیر کرده‌اید، بسیار خواهد بود. برخی از سوالات تحقیق سخت‌تر از بقیه فرموله می‌شوند، اما توصیه من ساده است: پایداری داشته باشید - تسلیم نشوید. به برقراری ارتباط با مشاور خود ادامه دهید، با خواندن مقالات درگیر بمانید و فعالانه در مورد ایده‌های خود بحث کنید. در کنفرانس‌ها، کارگاه‌ها و آموزش‌ها شرکت کنید تا دیدگاه خود را گسترش دهید. از همسالان و همکاران خود حمایت بگیرید - بهترین راه برای پیمایش این سفر، داشتن یک شبکه قوی است.

یک واقعیت جالب (و عمیقاً شخصی) در مورد من این است که من در طول سفر دکترای خود، مادر دو فرزند شدم! دخترم در سال ۲۰۲۱ و پسرم در سال ۲۰۲۳ به دنیا آمدند. متعادل کردن دکترا در حالی که دو بارداری، دو زایمان و چالش‌های بزرگ کردن فرزندان خردسال را پشت سر می‌گذاشتم - در کنار همسرم که او نیز در آن زمان دانشجوی دکترا بود - تجربه‌ای فوق‌العاده طاقت‌فرسا و در عین حال ارزشمند بود. با اضافه شدن به این پیچیدگی، همه اینها در طول یک همه‌گیری جهانی رخ داد. این سفر به من قدردانی عمیقی از انعطاف‌پذیری، مدیریت زمان و قدرت والدین دانشگاهی بخشیده است. این چالش‌برانگیز بوده است، اما همچنین گواهی بر پشتکار و اشتیاق است!

من یک دکترای نسل اول، یوگی و علاقه‌مند به سفر هستم.

طنازینا اسلام اخیراً دکترای خود را در رشته علوم کامپیوتر از دانشگاه پردو به پایان رسانده است. او زیر نظر دکتر دن گلدواسر مشاوره شده است. چشم‌انداز تحقیقاتی او درک ریزهدف‌گیری و الگوهای فعالیت در رسانه‌های اجتماعی با توسعه رویکردها و چارچوب‌های محاسباتی است که علم محاسباتی اجتماعی (CSS)، پردازش زبان طبیعی (NLP) و هوش مصنوعی (AI) را با هم ترکیب می‌کند. کار او با انتشاراتش در کنفرانس‌های برجسته از جمله AAAI ICWSM، NAACL، ACL، AIES، ACM WebSci، IEEE BigData و جوایز (کمک هزینه تحقیقات تابستانی دانشکده فارغ‌التحصیلان پردو: ۳ بار) مورد تقدیر قرار گرفته است. پیشنهاد پایان‌نامه دکترای او در کنسرسیوم دکترای AAAI-25 پذیرفته شد و در آنجا برنده جایزه بهترین پوستر شد. فراتر از تحقیق، او نه سال تجربه تدریس در نقش‌های مختلف مانند دستیار تدریس، مدرس مهمان، مربی و مربی دارد. او به دلیل مشارکت‌های آموزشی خود، جایزه تدریس فارغ‌التحصیلان را از گروه CS پردو دریافت کرد. او برای حمایت از جامعه تحقیقاتی CSS، سفیر ICWSM شد و کنفرانس را به محققان و افراد علاقه‌مند از گروه‌های کم‌تر معرفی کرد. او به عنوان رئیس آموزش ICWSM 2025 و رئیس همکار CSCW 2024، CSCW 2025 خدمت کرده است. علاوه بر این، او از سال ۲۰۲۰ به عنوان داور برای کنفرانس‌ها و کارگاه‌های متعدد NLP، CSS، HCI و AI خدمت کرده است. او یک آموزش در مورد "تجزیه و تحلیل ریزهدف‌گیری در رسانه‌های اجتماعی" در نشست سالانه اتحاد علم داده‌های آکادمیک (ADSA) در سال ۲۰۲۴ سازماندهی کرد. او همچنین از سال ۲۰۲۲ تا ۲۰۲۳ به عنوان معاون رئیس انجمن دانشجویان فارغ‌التحصیل علوم کامپیوتر (CSGSA)، دانشگاه پردو خدمت کرد.

برچسب‌ها: AAAI، کنسرسیوم دکترای AAAI، AAAI2025، ACM SIGAI