Личность по лайкам: что знают алгоритмы
По лайкам алгоритм угадывает черты лучше случая и в одной большой работе точнее друга, но «знает» здесь значит «совпадает с ответами человека о себе», а решающего влияния психологических профилей на выборы регулятор не подтвердил
По лайкам алгоритм оценивает черты лучше случая, но «знает» здесь значит «совпадает с ответами человека о себе». На 58 466 добровольцах совпадение модели с самоотчётом для открытости r = 0,43, для экстраверсии 0,40, для остальных черт 0,17-0,30 (Косински и соавторы 2013). В работе 2015 года модель оказалась точнее друзей, 0,56 против 0,49. Решающего влияния психологических профилей на выборы регулятор Великобритании не установил.
Собран по первоисточникам: Косински и соавторы 2013, Юю и соавторы 2015 · 29 мин · обновлено 17.10.2026
После урока вы сможете
- Объяснять, как модели угадывают черты личности по лайкам и почему точность проверяют на людях, которых модель не видела
- Читать числа точности в таких работах: корреляцию с самоотчётом, AUC, поправку на ненадёжность и отношение шансов
- Разбирать заголовок «компьютер знает лучше супруга»: что измерено, с кем сравнивали модель и откуда взялись числа
- Излагать спор о психологическом таргетинге: опыты Мэтц и соавторов 2017 года, возражения в том же журнале и ответы авторов
- Отделять то, что о Cambridge Analytica подтвердил регулятор, от того, что в его документах названо неустановленным
С 2007 по 2012 год в Facebook работало приложение myPersonality. Оно предлагало бесплатно пройти настоящие психологические опросники и сразу показывало результат. Многие участники разрешали приложению доступ к своему профилю и к списку лайков, то есть страниц, которые им понравились. Из этих данных потом выросли две самые известные работы о характере и лайках.
Второе приложение дало другой исход. Психолог Кембриджского университета Александр Коган сделал свой личностный тест в Facebook, и его установили около 300 000 пользователей. Через доступ к данным их друзей приложение собрало сведения о числе людей до 87 млн, по оценке самого Facebook. В июне 2014 года компания Когана GSR заключила договор о продаже этих данных или моделей на их основе. Покупателем была компания SCL Elections, её бренд Cambridge Analytica. Так пишет Уполномоченный по информации Великобритании (ICO) в письме комитету парламента от 2 октября 2020 года.
Вокруг этих историй выросли громкие заголовки. В 2015 году писали, что «компьютер знает вас лучше друзей», в 2018 году писали, что психологический таргетинг повлиял на выборы. Урок разбирает по данным, что из этого измерено, а что нет.
Короткий ответ на вопрос урока такой. По лайкам и другим записям поведения в сети алгоритмы угадывают черты личности лучше случая, и это повторено в нескольких работах. Но точность умеренная, а «знает» в этих работах значит «совпадает с ответами человека о себе». Сбор данных и построение личностных моделей регулятор подтвердил, а решающего влияния психологических профилей на выборы не подтвердил.
Что алгоритм угадывает по лайкам
Большую проверку сделали Косински, Стилвелл и Грепель в 2013 году на данных myPersonality. В выборке было 58 466 добровольцев из США, в среднем по 170 лайков на человека. Участники заполняли опросник черт Большой пятёрки, а модель училась угадывать их баллы только по лайкам. Лайки, посты, история браузера и журналы телефона это записи поведения в сети и на устройствах, их называют цифровым следом.
У такой работы главный вопрос в том, на ком проверяли модель. Если проверять её на тех же людях, на которых она училась, точность выйдет завышенной. Поэтому авторы делили людей на десять частей, учили модель на девяти и проверяли на десятой, и так по кругу. Такой приём называют перекрёстной проверкой: точность меряют на людях, которых модель не видела.
Совпадение оценки модели с ответами самого человека меряли корреляцией r, где 0 значит «связи нет», а 1 полное совпадение. Для открытости опыту вышло r = 0,43, для экстраверсии 0,40, для остальных черт от 0,17 до 0,30. Для открытости это близко к тому, насколько опросник совпадает сам с собой при повторе в этих данных, а там было 0,50. Для остальных черт точность около половины такой повторной надёжности.
Даже один лайк давал заметную точность, а дальше каждый новый лайк прибавлял всё меньше. Паспорт работы важен для всего урока. Это добровольцы, которые сами проходили тесты в приложении, данные 2007-2012 годов, и «истиной» служил их собственный самоотчёт. Модель угадывала не поступки людей, а их ответы о себе.
Что ещё видно по лайкам
Те же авторы проверили, угадываются ли по лайкам не только черты. Здесь ответ двоичный, и точность меряют иначе. Берут двух случайных людей из разных групп и смотрят, в скольких парах из 100 модель верно скажет, кто есть кто. Это число называют AUC и обычно пишут долей единицы: при угадывании выходит 0,5, без ошибок 1.
Пол модель различала в 93 парах из 100, то есть AUC 0,93. Афроамериканцев и белых американцев она различала в 95 парах, демократов и республиканцев в 85, христиан и мусульман в 82. Сексуальную ориентацию у мужчин она различала в 88 парах из 100, у женщин в 75, а возраст угадывала с r = 0,75. Авторы сами писали, что такие результаты касаются приватности, и к этому урок вернётся в разделе о законе.
«Компьютер знает лучше друзей»
В 2015 году Юю, Косински и Стилвелл поставили модель рядом с людьми. Опросник из 100 пунктов заполнили 86 220 добровольцев, оценки по лайкам модель дала для 70 520 из них. Друзья участников по Facebook заполняли о них короткую версию опросника из 10 пунктов. Совпадение с одним другом посчитали на 17 622 участниках.
Корреляцию между тем, как человек оценил себя, и тем, как его оценил другой человек или модель, называют согласием самоотчёта и оценки со стороны. В среднем по пяти чертам у модели при обычных 227 лайках вышло r = 0,56, у друзей 0,49. Модели хватало около 100 лайков, чтобы сравняться с другом в этой выборке. Самое высокое значение, r = 0,66, было у участников с более чем 500 лайками.
Оба числа пересчитаны. Опросники сами измеряют с ошибкой, и корреляцию можно поднять с учётом этой ошибки, такой пересчёт называют поправкой на ненадёжность. Поправлены и модель, и друзья, причём ошибку самой модели авторы приняли за ноль. Поэтому поправленные числа сравнивают только с поправленными, а не с наблюдаемыми числами других работ.
Отсюда лестница из заголовков. Супругов, родственников и коллег в этой работе не опрашивали, их точность авторы взяли из чужого метаанализа Коннелли и Онес. По этому сравнению 10 лайков дают уровень коллеги, 70 уровень соседа или друга, 150 уровень члена семьи, 300 уровень супруга. Супруги там дают r = 0,58, и разница с моделью незначима (p = 0,09).
Авторы проверили и 13 внешних исходов: удовлетворённость жизнью, депрессию, политические взгляды, употребление веществ, здоровье, выбор специальности и другие. Насколько оценка черты совпадает с таким внешним критерием, называют точностью суждения. Оценки модели предсказывали эти исходы лучше оценок друзей, а в 4 из 13 лучше самого самоотчёта. Но исходы тоже в основном взяты из ответов людей о себе. Это даёт преимущество методам, близким к самоотчёту, и авторы сами это обсуждают.
Итог секции скромнее заголовка. Модель точнее одного друга с коротким опросником, а сравнение с супругом идёт по чужим данным. Как о характере судят люди, которые видят только страницу в соцсети, подробно разбирает урок 23 этого курса.
В работе Юю и соавторов «точность» это совпадение оценки модели с ответами человека о себе, то есть согласие самоотчёта и оценки со стороны. Обе сравниваемые величины подняты поправкой на ненадёжность. Супругов в работе не опрашивали, их 0,58 взято из чужого метаанализа, и разница с моделью незначима. Заголовок «алгоритм знает человека лучше супруга» говорит больше, чем измерено.
Не только лайки: журналы телефона
Лайки не единственный цифровой след. Штахль и соавторы в 2020 году 30 дней собирали журналы телефонов 624 добровольцев, и набралось больше 25 млн событий. Для прогноза годились данные об общении, музыке, приложениях, передвижениях и активности телефона днём и ночью. С перекрёстной проверкой медианная точность для пяти широких черт вышла r = 0,37, для узких фасет 0,40 (по аннотации).
В 2023 году Маренго, Элхай и Монтаг свели в метаанализ 21 исследование данных смартфонов, работа тоже известна курсу по аннотации. Для экстраверсии вышло r = 0,35, для остальных черт от 0,23 до 0,25. Сами авторы называют такие связи малыми и умеренными. Это повторение в главном: по цифровым следам черты угадываются лучше случая, но далеко не без ошибок.
Реклама под характер
Если черты угадываются по лайкам, рекламу можно подбирать под характер. Подбор рекламы или сообщений под предполагаемые черты группы людей называют психологическим таргетингом. В 2017 году Мэтц, Косински, Нейв и Стилвелл провели три полевых опыта с рекламой в Facebook. Личность каждого человека при этом не измеряли.
Аудитории подбирали по лайкам, которые в данных myPersonality в среднем связаны с высокой или низкой экстраверсией или открытостью. Например, страница «Philosophy» связана с высокой открытостью, а «Farm Town» с низкой. Рекламу делали в двух версиях, «для экстравертов» и «для интровертов». Потом сравнивали пары, где версия совпадала с аудиторией, и пары, где не совпадала. В аннотации итог звучит так: охват больше 3,5 млн человек, до 40 % больше кликов и до 50 % больше покупок.
Подробнее видно по первому опыту, это реклама британского магазина косметики. Охват составил 3 129 993 человека, кликов было 10 346, покупок 390. В совпадающих парах вышло 238 покупок, в несовпадающих 152. По кликам разницы не было.
Итог по покупкам авторы выразили отношением шансов, OR. Оно показывает, во сколько раз шансы события в одной группе больше, чем в другой, и 1,0 значит «нет разницы». У покупок вышло OR 1,54 при интервале 1,25-1,90, у кликов OR 1,0. Шанс это отношение «случилось» к «не случилось», поэтому OR 1,54 не значит, что вероятность покупки выросла на 54 %.
Так пересказывают аннотацию работы 2017 года. «До 50 %» там относится к лучшему из сравнений, и сравнивали с рекламой, нарочно неподходящей аудитории, а не с обычной. В первом опыте по кликам разницы не было. Методику опытов оспорили в том же журнале, и спор не закрыт.
Спор о таргетинге
Через год в том же журнале вышли два критических письма. Эклз, Гордон и Джонсон указали, что рекламная система Facebook не распределяет людей по условиям случайно. Она сама показывает объявление тем, кто вероятнее выполнит цель кампании. По их данным, группы в опытах различались по возрасту и полу.
Уверенность в том, что разница между условиями вызвана воздействием, а не различием групп, называют внутренней валидностью. Главное средство её получить это случайное распределение людей по условиям. Нижние границы 95 % интервалов прироста покупок были 25 %, 9 % и 5 %. Смещение такого размера, пишут Эклз и соавторы, могло бы объяснить результат целиком. Двое из авторов письма прежде работали в Facebook, один был подрядчиком, и в письме это раскрыто.
Шарп, Даненберг и Беллман добавили другой довод. Подходящую рекламу сравнивали с нарочно неподходящей, а не с обычной, и по кликам таргетинг сработал лишь в двух сравнениях из пяти. Тогда не исключено, что дело в качестве самих объявлений, а не в совпадении с характером. Покупки к тому же идут после клика и зависят от того, кто кликнул.
Мэтц и соавторы ответили на оба письма. Различия по возрасту, по их словам, значимы из-за огромной выборки, но малы, 0,3-0,7 %. С поправкой на возраст и пол эффект почти не меняется. Значимых эффектов по кликам, по их подсчёту, три, а не два, и влияние самих объявлений учтено в моделях. Авторы сами призвали повторить опыты с настоящим A/B-тестированием, где людей распределяют случайно. Независимого полевого повторения со случайным распределением курс не нашёл, что не значит, что его нет.
Cambridge Analytica по документам регулятора
История приложения Когана проверена лучше других, потому что её расследовал регулятор. ICO изучил 42 компьютера, 700 ТБ данных, 31 сервер и больше 300 000 документов. Подтверждено, что компания собирала данные и строила личностные модели. Переданные ей данные относились примерно к 30 млн зарегистрированных избирателей США, начиная с 2,1 млн осенью 2014 года.
О самих моделях письмо говорит сдержанно. Методы названы «well recognised processes using commonly available technology», хорошо известными способами на общедоступной технике, в основном это готовые открытые библиотеки. Модели показывали некоторый успех на тех людях, на чьих данных обучались, а точность на новых людях «was likely much lower», вероятно, была намного ниже. Внутри компании к точности относились скептически, и сотрудников беспокоили публичные заявления руководства о влиянии компании.
Чего регулятор не установил, сказано прямо. По цифровым следам на серверах не удалось определить, какие данные использованы в какой части какой кампании. Данные GSR не могли использоваться в референдуме о выходе из ЕС, потому что касались избирателей США. В кампании референдума компания не участвовала, кроме начальных запросов о данных UKIP. Санкции названы точно: Facebook уплатил штраф 500 000 фунтов 4 ноября 2019 года, SCL Elections оштрафована на 18 000 фунтов за неисполнение предписания.
Вывод отсюда двойной. Регулятор подтверждает сбор данных и построение личностных моделей, но не подтверждает ни их точности, ни доказанного влияния на исход выборов. Обратная крайность, будто данных никто не собирал, тоже неверна.
Подтверждено и ещё одно утверждение, для этого случая. Тест в приложении собрал данные не только о тех, кто его проходил. По оценке Facebook, это до 87 млн человек при примерно 300 000 пользователях, а независимой проверки этого числа в документах нет. Так вышло потому, что приложения тогда получали доступ к данным друзей пользователя, а в апреле 2014 года Facebook этот доступ ограничил. Переносить случай Когана на любой тест в соцсети без документов нельзя, здесь были конкретные условия доступа и конкретный договор GSR с SCL.
Новое: сообщения от языковых моделей
В 2024 году Мэтц, Тини, Вайд, Петерс, Харари и Серф проверили, как убеждают сообщения, которые ChatGPT подстраивал под психологический профиль. Работа известна курсу по аннотации. В четырёх исследованиях, разбитых на семь частей, участвовали 1 788 человек, и подстроенные сообщения влияли значимо сильнее неперсонализированных. Это опыты с участниками, а не полевые кампании. Размеров эффекта в аннотации нет, поэтому курс их не приводит.
Что говорит закон в России
Признаки, которые угадывались по лайкам у Косински и соавторов, совпадают по смыслу с особым перечнем российского закона. Статья 10 закона № 152-ФЗ «О персональных данных» (ред. от 26.07.2026) выделяет особые сведения. Это расовая и национальная принадлежность, политические взгляды, религиозные и философские убеждения, здоровье и интимная жизнь. Их называют специальными категориями персональных данных. Обрабатывать такие данные не допускается, кроме случаев из частей 2 и 2.1 статьи, например при письменном согласии человека.
Считаются ли такими данными оценки, которые вывел алгоритм, в тексте статьи прямо не сказано. Судебной практики по этому вопросу в базе курса нет. О решениях, принятых только на основе автоматизированной обработки, говорит статья 16 того же закона, её разбирает урок 16 этого курса.
Что выдержало проверку
Из оговорок легко вывести, что алгоритмы ничего не угадывают. Это не так. По цифровым следам черты угадываются лучше случая, и это повторено на лайках, на журналах телефонов и в метаанализе 21 исследования. Согласие модели с самоотчётом умеренное, примерно как у близких знакомых.
Не выдержали громкие пересказы. «Знает лучше супруга» держится на чужом метаанализе и незначимой разнице, «решила выборы» регулятор не подтвердил, а прирост продаж от таргетинга остаётся предметом спора. Поправили эти пересказы сами исследователи и регулятор. Критические письма вышли в том же журнале, авторы в ответе призвали к повторению, ICO проверил серверы и документы. Юю и соавторы сами обсуждают, почему самоотчёт в исходах даёт преимущество их модели.
Каждое число урока описывает группы: добровольцев приложения, владельцев смартфонов, аудитории рекламы. О характере одного человека по его лайкам из них следует немногое. Вопрос курса к таким заголовкам прежний. На ком мерили, сколько было людей, каким способом и говорит ли число о группе или об одном человеке?
Измеряли на добровольцах приложения в США в 2007-2012 годах и на сотнях владельцев смартфонов, а «истиной» был самоотчёт. Корреляции 0,3-0,5 на уровне одного человека дают много ошибок. Поэтому вывод о характере отдельного соискателя, клиента или знакомого по его лайкам отсюда не следует. В рекламе таких сервисов модели подают как точный диагноз, курс эти сервисы не оценивает.
Ключевые исследования
| Косински, Стилвелл и Грепель | 2013 | Анализ данных приложения myPersonality, полный текст: 58 466 добровольцев из США, в среднем 170 лайков на человека, десятикратная перекрёстная проверка. Совпадение оценки модели с самоотчётом для открытости r = 0,43, экстраверсии 0,40, остальных черт 0,17-0,30. По лайкам различались и пол, этническая принадлежность, взгляды, вера и ориентация, AUC от 0,75 до 0,95. |
| Юю, Косински и Стилвелл | 2015 | Сравнение модели с друзьями, полный текст: 86 220 добровольцев заполнили опросник из 100 пунктов, оценки по лайкам для 70 520, друзья заполняли версию из 10 пунктов. Средняя точность модели r = 0,56, друзей 0,49, обе поправлены на ненадёжность. Около 100 лайков до уровня друга, супруги 0,58 по чужому метаанализу, разница незначима. |
| Мэтц, Косински, Нейв и Стилвелл | 2017 | Три полевых опыта с рекламой в Facebook, аудитории подобраны по лайкам, полный текст. Опыт 1: охват 3 129 993 человека, 238 покупок в совпадающих парах против 152 в несовпадающих, OR 1,54 (1,25-1,90), по кликам разницы нет. |
| Эклз, Гордон и Джонсон | 2018 | Критическое письмо в журнал PNAS, полный текст. Платформа показывала рекламу не случайно, группы различались по возрасту и полу, смещение размером 5-25 % могло бы объяснить результат целиком. |
| Шарп, Даненберг и Беллман | 2018 | Критическое письмо в журнал PNAS, полный текст. Подходящую рекламу сравнивали с нарочно неподходящей, по кликам эффект в двух сравнениях из пяти, возможна разница в качестве самих объявлений. |
| Уполномоченный по информации Великобритании (ICO) | 2020 | Письмо комитету парламента по итогам проверки, документ, а не исследование, полный текст. Изучены 42 компьютера, 700 ТБ данных и больше 300 000 документов. Сбор данных и личностные модели подтверждены, точность на новых людях вероятно намного ниже, влияние на выборы не установлено, данные GSR в референдуме использоваться не могли. |
| Штахль и соавторы | 2020 | Наблюдение за журналами телефонов, по аннотации: 624 добровольца, 30 дней, больше 25 млн событий. Медианная точность с перекрёстной проверкой r = 0,37 для пяти широких черт и 0,40 для фасет. |
| Маренго, Элхай и Монтаг | 2023 | Метаанализ 21 исследования данных смартфонов, по аннотации. Экстраверсия r = 0,35, остальные черты 0,23-0,25, авторы называют связи малыми и умеренными. |
Что подтвердилось, а что нет
Косински и соавторы 2013 года на 58 466 добровольцах получили для открытости r = 0,43, Юю и соавторы 2015 года в среднем по пяти чертам 0,56 с поправкой на ненадёжность. По журналам телефонов медиана 0,37 (Штахль и соавторы 2020), в метаанализе 21 исследования от 0,23 до 0,35 (Маренго и соавторы 2023). Размер умеренный, и «истиной» везде служит самоотчёт.
Модель точнее одного друга с коротким опросником, 0,56 против 0,49, обе величины поправлены на ненадёжность. Супругов в работе Юю и соавторов не опрашивали: их 0,58 взято из чужого метаанализа, и разница с моделью незначима. «Знает» здесь значит «точнее угадывает ответы человека на опросник о себе», а не понимает его.
В первом опыте Мэтц и соавторов 2017 года OR по покупкам 1,54, по кликам разницы нет. Эклз и соавторы 2018 года показали, что платформа не распределяла людей случайно и смещение 5-25 % могло бы объяснить результат, Шарп и соавторы указали на сравнение с нарочно неподходящей рекламой. Авторы ответили и сохранили выводы, независимого полевого повторения со случайным распределением курс не нашёл.
По письму ICO 2020 года модели собраны из стандартных инструментов, точность на новых людях вероятно намного ниже, а какие данные использованы в какой кампании, установить не удалось. Данные GSR касались избирателей США и не могли использоваться в референдуме. Сбор данных и построение личностных моделей при этом подтверждены.
Термины
- цифровой следdigital footprint
- Записи поведения в сети и на устройствах: лайки, посты, история браузера, журналы телефона.
- перекрёстная проверкаcross-validation
- Модель учат на одной части людей, а точность проверяют на других, которых она не видела. Без этого точность завышается.
- AUCarea under the ROC curve
- Вероятность того, что модель верно различит двух случайных людей из разных групп. 0,5 значит угадывание, 1 значит без ошибок.
- согласие самоотчёта и оценки со стороныself-other agreement
- Корреляция между тем, как человек оценил себя, и тем, как его оценил другой человек или модель.
- поправка на ненадёжностьdisattenuation
- Пересчёт корреляции с учётом того, что сами опросники измеряют с ошибкой. Поднимает числа, поэтому важно, поправлены ли обе сравниваемые величины.
- точность сужденияaccuracy
- Насколько оценка черты совпадает с внешним критерием: поведением, результатом теста, оценками многих знающих людей.
- психологический таргетингpsychological targeting
- Подбор рекламы или сообщений под предполагаемые психологические черты группы людей.
- отношение шансовodds ratio, OR
- Во сколько раз шансы события в одной группе больше, чем в другой, 1,0 значит «нет разницы». Шанс это отношение «случилось» к «не случилось», поэтому OR = 1,5 не значит «вероятность выше на 50 %».
- внутренняя валидностьinternal validity
- Уверенность, что разница между условиями вызвана воздействием, а не различием групп. Главное средство: случайное распределение людей по условиям.
- специальные категории персональных данныхspecial categories of personal data
- По ст. 10 закона № 152-ФЗ сведения о расовой и национальной принадлежности, политических взглядах, религиозных и философских убеждениях, здоровье, интимной жизни.
Практикум · Разбор заголовка «алгоритм знает человека лучше супруга»
Новости об алгоритмах, которые «знают» людей, обычно держатся на двух-трёх числах из одной работы. Задание в том, чтобы взять заголовок вроде «Алгоритму хватает 300 лайков, чтобы знать человека лучше супруга» или пересказ «психологическая реклама решила выборы» и задать им вопросы урока. Понадобится сам текст и открытые статьи из списка чтения.
- Найдите работу, на которую ссылается заголовок, и запишите её паспорт: кто участники, из какой страны, как их набирали и каких лет данные. У работы Юю и соавторов это добровольцы приложения myPersonality из 2007-2012 годов.
- Выясните, что в работе значит «знать». Отметьте, что служило «истиной»: ответы человека о себе в опроснике или его поведение, и выпишите, какие исходы проверяли отдельно.
- Проверьте, с кем сравнивали модель: с оценщиками в той же выборке или с чужим метаанализом. Отметьте, поправлены ли сравниваемые числа на ненадёжность и значима ли разница.
- Для истории о выборах откройте письмо ICO 2020 года и разделите утверждения пересказа на две колонки: что документ регулятора подтверждает и что в нём прямо названо неустановленным.
- Перепишите заголовок без слов «знает лучше» и «решила», сохранив всё подтверждённое: число участников, что именно угадывала модель и с какой точностью. Поставьте каждому утверждению исходного текста статус из реестра урока.
Вопросы для самопроверки
Что значит «точность» в работе Юю и соавторов 2015 года, где модель по лайкам обошла друзей?
- Долю поступков человека за год, которые модель угадала, сверенную по записям его друзей в соцсети
- Совпадение с супругом, которого опрашивали в той же выборке, если брак длился дольше нескольких лет
- Совпадение с заключением психолога, который проводил с каждым участником клиническое интервью
- Совпадение оценки с ответами самого человека в опроснике о себе
Что установил Уполномоченный по информации Великобритании (ICO) в проверке Cambridge Analytica, итоги которой изложены в письме 2020 года?
- Компания с помощью личностных профилей выиграла выборы в США и референдум о выходе из ЕС
- Данных о пользователях никто не собирал, а история с приложением оказалась выдумкой газет
- Сбор данных и личностные модели подтверждены, а влияние на исход выборов не установлено
- Модели компании были точны и на новых людях, но применялись только в Великобритании
В аннотации работы Мэтц и соавторов 2017 года сказано «до 50 % больше покупок». Как читать это число?
- Реклама под характер продаёт в полтора раза больше обычной, если охват больше миллиона человек
- Это лучшее из сравнений, причём с рекламой, нарочно неподходящей аудитории, а не с обычной
- Это средний прирост по трём опытам, подтверждённый повторением со случайным распределением
- Это прирост кликов, а покупки в опытах почти не считали из-за их редкости в соцсети
Приложение Когана установили около 300 000 человек. Почему оно собрало сведения о гораздо большем числе людей?
- Тогда приложения получали доступ к данным друзей пользователя, Facebook ограничил его в апреле 2014 года
- Любой тест в соцсети получает данные всех её пользователей и передаёт их предвыборным штабам
- Приложение взломало серверы Facebook, и это подтвердила проверка регулятора в 2020 году
- Участники по условиям теста сами заполняли анкеты на знакомых, примерно по 300 человек каждый
Что показали работы о смартфонах: Штахль и соавторы 2020 года и метаанализ 21 исследования 2023 года?
- По журналам телефона черты определяются почти без ошибок, если собирать данные дольше месяца
- Совпадение с опросником не выше случайного, если учесть время, проведённое в приложениях
- Телефон угадывает только экстраверсию, а остальные черты по нему не видны совсем
- Черты угадываются лучше случая, но связи малые и умеренные, от 0,23 до 0,37 в двух работах
Ответы и разбор открываются в самопроверке урока: она считает результат и отмечает урок пройденным. Пройти самопроверку.
Что читать
- Kosinski, Stillwell, Graepel (2013). Private traits and attributes are predictable from digital records of human behavior. PNAS, 110(15), 5802-5805. https://pmc.ncbi.nlm.nih.gov/articles/PMC3625324/: Открытая статья в PMC, курс читал полный текст. Рисунки 2 и 3 с точностью по признакам и рисунок 4 о том, как точность растёт с числом лайков.
- Youyou, Kosinski, Stillwell (2015). Computer-based personality judgments are more accurate than those made by humans. PNAS, 112(4), 1036-1040. https://pmc.ncbi.nlm.nih.gov/articles/PMC4313801/: Открытая статья в PMC, курс читал полный текст. Рисунок 2 (лайки против коллеги, друга, члена семьи и супруга) и раздел о поправке на ненадёжность.
- Matz, Kosinski, Nave, Stillwell (2017). Psychological targeting as an effective approach to digital mass persuasion. PNAS, 114(48), 12714-12719. https://pmc.ncbi.nlm.nih.gov/articles/PMC5715760/: Открытая статья в PMC, курс читал полный текст. Таблица 1 с охватом, кликами и покупками по условиям первого опыта.
- Eckles, Gordon, Johnson (2018). Field studies of psychologically targeted ads face threats to internal validity. PNAS, 115(23), E5254-E5255. https://pmc.ncbi.nlm.nih.gov/articles/PMC6003331/: Открытая статья в PMC, короткое письмо. Почему сравнение рекламных кампаний на платформе не равно эксперименту со случайным распределением.
- Information Commissioner's Office (2020). ICO investigation into use of personal information and political influence. Letter to the DCMS Committee, 2 October 2020. https://ico.org.uk/media2/migrated/2618383/20201002_ico-o-ed-l-rtl-0181_to-julian-knight-mp.pdf: Открытый документ регулятора на английском, курс читал полностью. Приложение 2, пункты 14-20 о приложении Когана и пункты 26-27 о методах и точности моделей.