Volgens een onderzoek van Dartmouth College, Dartmouth's Tuck School of Business en Indiana University kunnen kunstmatige-intelligentiesystemen worden getraind om mensachtige productrecensies te schrijven die consumenten, marketeers en professionele recensenten helpen.

Het onderzoek, gepubliceerd in het International Journal of Research in Marketing , identificeert ook ethische uitdagingen die ontstaan ​​door het gebruik van door de computer gegenereerde inhoud.

"Het schrijven van recensies is een uitdaging voor mensen en computers, deels vanwege het overweldigende aantal verschillende producten", zegt Keith Carlson, een doctoraalonderzoeker aan de Tuck School of Business. "We wilden zien hoe kunstmatige intelligentie kan worden gebruikt om mensen te helpen die deze beoordelingen produceren en gebruiken."

Voor het onderzoek stelde het team van Dartmouth twee uitdagingen. De eerste was om te bepalen of een machine kan worden geleerd om originele recensies van menselijke kwaliteit te schrijven met slechts een klein aantal productfuncties nadat deze is getraind in een reeks bestaande inhoud. Ten tweede ging het team kijken of machine learning-algoritmen kunnen worden gebruikt om syntheses te schrijven van recensies van producten waarvoor al veel recensies bestaan.

"Het gebruik van kunstmatige intelligentie om beoordelingen te schrijven en te synthetiseren kan aan beide kanten van de markt efficiëntie opleveren", zegt Prasad Vana, assistent-professor bedrijfskunde aan de Tuck School of Business. "De hoop is dat AI ten goede kan komen aan recensenten die te maken hebben met grotere schrijftaken en aan consumenten die zoveel content over producten moeten doorzoeken."

De onderzoekers concentreerden zich op wijn- en bierrecensies vanwege de uitgebreide beschikbaarheid van materiaal om de computeralgoritmen te trainen. De beschrijvingen van deze producten bevatten ook relatief gerichte woordenlijsten, een voordeel bij het werken met AI-systemen.

Om te bepalen of een machine vanaf het begin bruikbare recensies zou kunnen schrijven, hebben de onderzoekers een algoritme getraind op ongeveer 180.000 bestaande wijnrecensies. Metadatatags voor factoren zoals productoorsprong, druivensoort, beoordeling en prijs werden ook gebruikt om het machine-learningsysteem te trainen.

Bij het vergelijken van de door de machine gegenereerde beoordelingen met menselijke beoordelingen voor dezelfde wijnen, vond het onderzoeksteam overeenstemming tussen de twee versies. De resultaten bleven consistent, zelfs toen het team de algoritmen uitdaagde door de hoeveelheid invoergegevens die ter referentie beschikbaar was te wijzigen.

Het machinaal geschreven materiaal werd vervolgens beoordeeld door niet-deskundige deelnemers aan het onderzoek om te testen of ze konden bepalen of de recensies door mensen of een machine waren geschreven. Volgens de onderzoekspaper waren de deelnemers niet in staat om met enige statistische significantie onderscheid te maken tussen de menselijke en AI-gegenereerde beoordelingen. Bovendien was hun intentie om een ​​wijn te kopen vergelijkbaar in de beoordelingen van de wijn door mensen en machines.

Na ontdekt te hebben dat kunstmatige intelligentie geloofwaardige wijnrecensies kan schrijven, wendde het onderzoeksteam zich tot bierrecensies om de effectiviteit te bepalen van het gebruik van AI om 'reviewsyntheses' te schrijven. In plaats van te worden getraind om nieuwe beoordelingen te schrijven, kreeg het algoritme de taak om elementen uit bestaande beoordelingen van hetzelfde product te verzamelen. Dit testte het vermogen van AI om beperkte maar relevante informatie over producten te identificeren en te verstrekken op basis van een groot aantal verschillende meningen.

"Het schrijven van een originele recensie test het expressieve vermogen van de computer op basis van een relatief beperkte set gegevens. Het schrijven van een syntheserecensie is een verwante maar aparte taak waarbij het systeem een ​​recensie moet produceren die enkele van de belangrijkste ideeën in een bestaande set vastlegt van beoordelingen voor een product", zei Carlson, die het onderzoek uitvoerde terwijl een Ph.D. kandidaat in computerwetenschappen bij Dartmouth.

Om het vermogen van het algoritme om recensiesyntheses te schrijven te testen, hebben onderzoekers het getraind op 143.000 bestaande recensies van meer dan 14.000 bieren. Net als bij de wijndataset, werd de tekst van elke recensie gekoppeld aan metadata, waaronder de productnaam, het alcoholgehalte, de stijl en scores die door de oorspronkelijke recensenten werden gegeven.

Net als bij de wijnrecensies, gebruikte het onderzoek onafhankelijke onderzoeksdeelnemers om te beoordelen of de machinaal geschreven samenvattingen de meningen van talloze recensies op een bruikbare, mensachtige manier vatten en samenvatten.

Volgens het artikel was het model succesvol in het nemen van de beoordelingen van een product als input en het genereren van een synthesebeoordeling voor dat product als output.

"Ons modelleringskader kan nuttig zijn in elke situatie waarin gedetailleerde kenmerken van een product beschikbaar zijn en een schriftelijke samenvatting van het product vereist is", aldus Vana. "Het is interessant om je voor te stellen hoe dit ten goede kan komen aan restaurants die zich geen sommeliers of onafhankelijke verkopers op online platforms kunnen veroorloven die honderden producten kunnen verkopen."

Beide uitdagingen maakten gebruik van een diep lerend neuraal netwerk op basis van transformatorarchitectuur om reviewtaal op te nemen, te verwerken en uit te voeren.

Volgens het onderzoeksteam zijn de computersystemen niet bedoeld om professionele schrijvers en marketeers te vervangen, maar om hen bij te staan ​​in hun werk. Een machinaal geschreven recensie kan bijvoorbeeld dienen als een tijdbesparende eerste versie van een recensie die een menselijke recensent vervolgens kan herzien.

Het onderzoek kan ook consumenten helpen. Syntheses-recensies, zoals die over bier in het onderzoek, kunnen worden uitgebreid tot de constellatie van producten en diensten op online marktplaatsen om mensen te helpen die weinig tijd hebben om veel productrecensies door te lezen.

Naast de voordelen van machinaal geschreven recensies, belicht het onderzoeksteam enkele van de ethische uitdagingen die worden gesteld door het gebruik van computeralgoritmen om menselijk consumentengedrag te beïnvloeden.

Het team merkt op dat marketeers een betere acceptatie van door machines gegenereerde reviews zouden kunnen krijgen door ze onterecht toe te schrijven aan mensen, en pleit voor transparantie wanneer computergegenereerde reviews worden aangeboden.

"Net als bij andere technologie moeten we voorzichtig zijn met hoe deze vooruitgang wordt gebruikt", zegt Carlson. "Als ze op verantwoorde wijze worden gebruikt, kunnen door AI gegenereerde beoordelingen zowel een productiviteitstool zijn als de beschikbaarheid van nuttige consumenteninformatie ondersteunen."