22
3
2
1
0
Cambridge Analytica'nın Facebook veri analizi ve politik reklamcılığı üzerine analizler yapan bir araştırmacı, skandala imza atan şirketin sisteminin, Netflix'in film önermek için kullandığı sistem gibi çalıştığını bildirdi. Peki bu nasıl çalışıyor?

The Conversation'dan Matthew Hindman'a gelen bir e-postaya göre, Cambridge Üniversitesi'nden bilim adamı Aleksandr Kogan, istatistik modelinin Cambridge Analytica için Facebook verilerini nasıl işlediğini anlattı. Kogan sisteminin yaş, cinsiyet ve ırk gibi demografik özelliklere dayanan  geleneksel seçmen hedefleme yöntemi olduğunu iddia etti. Eğer Kogan'ın söyledikleri doğrulanırsa, Kogan’ın hesabı, Cambridge Analytica’nın kullandığı dijital modellemenin birkaçında olduğu gibi kristal top olduğu anlamına gelmez. Yine de, Kogan'ın sağladığı veriler makine öğrenimi tekniğiyle birleştirilince, gerçekte neyin mümkün olduğunu ve olmadığını göstermektedir.

Trump'ın kampanyalarını yürüten Cambridge Analytica'nın, Facebook'tan 50 milyon kişinin verilerini çaldığının ortaya çıkmasının ardından, Facebook borsada milyarlarca dolar para kaybetti, Atlantik'in iki yakasındaki hükümetler soruşturma açtı ve yeni bir sosyal hareket başladı: #DeleteFacebook . Ancak yanıtlanmamış bir soru hala cevap bulmayı bekliyor:  Cambridge Analytica, kampanya mesajlarını, vatandaşlık karakterlerine, kişilik özelliklerine veya hatta "içlerindeki şeytana" dayanarak mı hedef alıyordu.

Cambridge Analytica'nın muazzam bir Facebook verisi ile ne yaptığını bilen birileri varsa onlar da Aleksandr Kogan ve Joseph Chancellor'dur. Buisyourdigitallife” adlı bir kişilik testi uygulamasını kullanarak 270.000 Facebook kullanıcısı ve on milyonlarca arkadaşından gelen profil bilgilerini toplayan Global Bilim Araştırma, onların başlangıç noktasıydı.

Kogan, Cambridge Üniversitesi'nde hala bir araştırmacı olarak bulunuyor ve iş birlikçisi Chancellor şimdi Facebook'ta çalışıyor ve Kogan bu işin nasıl olduğunu nezaket göstererek cevapladı.

Psikometri

Kogan'ın belirttiğine göre, Netflix'in 2006 yılında kullanıma soktuğu yayıncılık hizmetini geliştirmek için kullanıcılara film öneren bir sistem kuruldu. Bu sistemi kuran Simon Funk, kullanıcılara film derecelendirmelerini bir dizi faktör veya parçaya yoğunlaştıran “tekil değer ayrışımı” adlı bir tekniği uyarladı. Funk’ın genel yaklaşımı, her kullanıcının her filmi nasıl derecelendireceği konusunda iyi bir tahminde bulunabilmek için hem kullanıcılar hem de filmler için 50 veya 100 en önemli etmeni kullandı.  Matriks faktörü olarak adlandırılan bu yöntem yeni değildi. Siyaset bilimi araştırmacıları, bu teknikle ABD kongre oylarını %90 doğrulukla tahmin edebiliyordu. Psikolojide, “Büyük Beş” modeli, aynı şekilde yanıtlanma eğilimi olan kişilik sorularını bir araya getirerek davranışları tahmin etmek için de kullanılmıştır.

Facebook Herkesin Siyasi Görüşünü Biliyor

2013 yılında Cambridge Üniversitesi'nden araştırmacılar Michal Kosinski, David Stillwell ve Thore Graepel, bir çevrimiçi kişilik testi ile toplanan bilgileri kullanarak Facebook verilerinin tahmini gücü hakkında bir makale yayımladılar. İlk analizleri, Netflix'de kullanılanla neredeyse aynıydı ve hem kullanıcıları hem de sevdikleri şeyleri ilk 100 etkene ayırmak için SVD'yi (Tekil Değer Ayrışımı) kullandılar.

Raporda, kullanıcıların Facebook'unun “beğeni butonunu” içeren bir faktör modelinin, siyah beyaz yanıt verenler arasında yüzde 95, erkeklerden kadınları ayırt etmede yüzde 93 ve eşcinsel erkekler olarak tanımlanan kişileri ayırt etmede yüzde 88 doğru olduğunu gösterdi. Hatta Cumhuriyetçileri Demokratlardan doğru bir şekilde yüzde 85 oranında ayırabildi. Facebook daha sonra kullanıcıların beğenisini varsayılan olarak özel yaptı.

Aynı zamanda Cambridge Üniversitesi araştırmacıları olan Kogan ve Chancellor Cambridge Analytica’nın ana şirketi SCL ile iş birliğinin bir parçası olarak, seçim hedeflemesi için Facebook verilerini kullanmaya başladılar.

Kaynak : https://arstechnica.com/tech-policy/2018/04/how-cambridge-analyticas-facebook-targeting-model-really-worked/
22
3
2
1
0
Emoji İle Tepki Ver
22
3
2
1
0