مخاطب‌شناسی همواره یکی از شروط ارتباط مؤثر دینی بوده است. تفاوت در دانش پیشین، زبان، سن، زمینه فرهنگی و نوع مسئله مخاطب تعیین می‌کند که یک مضمون واحد با چه سطحی از تفصیل و از چه نقطه‌ای آغاز شود. هوش مصنوعی در ظاهر، همین اصل شناخته‌شده را با ابزارهایی دقیق‌تر ادامه می‌دهد: داده‌های بیشتری درباره مخاطب فراهم می‌کند و امکان می‌دهد محتوا با ویژگی‌های او متناسب شود. بااین‌حال، مخاطب‌شناسی الگوریتمی صرفاً نسخه پیشرفته‌تری از شناخت متعارف مخاطب نیست. هنگامی که ردپاهای رفتاری برای استنتاج ویژگی‌های فرد به کار می‌روند و همان استنتاج‌ها مبنای انتخاب یا تولید پیام قرار می‌گیرند، رابطه میان «شناخت مخاطب» و «اثرگذاری بر مخاطب» صورت تازه‌ای پیدا می‌کند.
بنابراین، مسئله اصلی موافقت یا مخالفت با شخصی‌سازی نیست. پرسش دقیق‌تر این است که شناخت الگوریتمی واقعاً چه چیزی را درباره مخاطب آشکار می‌کند و استفاده از این شناخت در چه شرایطی به فهم بهتر پیام کمک می‌کند و در چه شرایطی به ابزاری برای بهینه‌سازی اقناع تبدیل می‌شود.
مخاطب داده‌ای؛ پیش‌بینی به‌جای شناخت جامع
مخاطب‌شناسی الگوریتمی بر قابلیتی مهم استوار است: رفتارهای دیجیتال می‌توانند اطلاعاتی فراتر از معنای ظاهری خود داشته باشند. جست‌وجوها، کلیک‌ها، پسندها، مدت مشاهده محتوا و سایر ردپاهای دیجیتال را می‌توان برای استنتاج برخی علایق، ترجیحات و حتی ویژگی‌های روان‌شناختی به کار گرفت. پژوهش متز نشان داده است که هدف‌گیری پیام بر اساس ویژگی‌های روان‌شناختی استنتاج‌شده از ردپاهای دیجیتال می‌تواند بر رفتار مخاطبان اثر بگذارد (متز و همکاران، ۲۰۱۷). اما از توان پیش‌بینی نباید به ادعای «شناخت انسان» جهش کرد. الگوریتم با نشانه‌هایی سروکار دارد که از رفتار قابل مشاهده استخراج شده‌اند. مشاهده مکرر یک محتوای اعتقادی، برای مثال، می‌تواند نشانه علاقه، تردید، مخالفت، پژوهش یا حتی مواجهه تصادفی باشد. رفتار ثبت می‌شود، اما معنای آن همواره همراه داده ثبت نشده است.
ازاین‌رو، مخاطب‌شناسی الگوریتمی را بهتر است ساختن مدلی احتمالی از مخاطب دانست. این مدل ممکن است برای پیش‌بینی برخی واکنش‌ها مفید باشد، اما با جهان معنایی فرد یکسان نیست. این تمایز در تبلیغ دینی اهمیت بیشتری دارد، زیرا «نیاز دینی» را نمی‌توان بی‌واسطه از الگوی مصرف محتوا استنتاج کرد. کسی که بیشترین تعامل را با یک موضوع دارد، الزاماً بیشترین نیاز معرفتی را در همان موضوع ندارد.
شخصی‌سازی یک عمل واحد نیست
داوری درباره شخصی‌سازی زمانی دشوار می‌شود که همه صورت‌های آن در یک مقوله قرار گیرند. متناسب‌کردن سطح اصطلاحات با دانش مخاطب، انتخاب مثال نزدیک به زمینه فرهنگی او، پیشنهاد محتوای مرتبط با پرسش قبلی و طراحی استدلال بر اساس ویژگی روان‌شناختی فرد، همگی «شخصی‌سازی» نامیده می‌شوند؛ اما مداخله ارتباطی آن‌ها یکسان نیست.
می‌توان میان سه سطح تمایز گذاشت. نخست، شخصی‌سازی برای فهم که هدف آن کاهش موانع دریافت پیام است؛ مانند ساده‌ترکردن زبان یا توضیح پیش‌نیازهای یک بحث. دوم، شخصی‌سازی برای ارتباط که موضوع، قالب یا زمان ارائه را با علایق و شرایط مخاطب متناسب می‌کند. سوم، شخصی‌سازی برای اقناع که می‌کوشد صورت پیام را بر اساس ویژگی‌های فرد به‌گونه‌ای تنظیم کند که احتمال پذیرش آن افزایش یابد.
دو سطح نخست نیز از مسئله اخلاقی و معرفتی خالی نیستند، اما سطح سوم حساسیت بیشتری دارد؛ زیرا داده درباره مخاطب مستقیماً به دانشی درباره چگونگی اثرگذاری بر او تبدیل می‌شود.
این تمایز مانع آن است که شخصی‌سازی را ذاتاً نامطلوب بدانیم. تبلیغ عمومی ناگزیر بخشی از تفاوت‌های مخاطبان را نادیده می‌گیرد. اگر فناوری بتواند مفهومی دشوار را برای نوجوان، دانشجو و متخصص در سطوح متفاوت توضیح دهد، می‌تواند فاصله میان پیام عمومی و مسئله فرد را کاهش دهد. چنین کاربردی حتی ممکن است امکان داوری آگاهانه‌تر را افزایش دهد. مسئله از جایی آغاز می‌شود که «چگونه بهتر بفهمد؟» به «چگونه آسان‌تر بپذیرد؟» تبدیل شود.
مقیاس‌پذیری اقناع
این مرز با ظهور هوش مصنوعی مولد اهمیت بیشتری یافته است. شخصی‌سازی روان‌شناختی پیش از مدل‌های زبانی نیز امکان‌پذیر بود، اما تولید جداگانه پیام برای شمار بسیار زیادی از مخاطبان هزینه بالایی داشت. هوش مصنوعی مولد می‌تواند بخش دوم این فرایند را نیز خودکار کند: پس از دریافت مشخصات یا توصیفی از مخاطب، برای همان ویژگی‌ها پیام تولید کند.
متز در پژوهشی متشکل از چهار مطالعه و هفت زیرمطالعه با مجموع ۱۷۸۸ مشارکت‌کننده نشان داده پیام‌هایی که با کمک مدل زبانی و متناسب با برخی ویژگی‌های روان‌شناختی مخاطبان تولید شده بودند، در مجموع نسبت به پیام‌های غیرشخصی‌سازی‌شده اثر اقناعی بیشتری داشتند (متز و همکاران، ۲۰۲۴). این اثر در همه ویژگی‌ها و موضوعات یکسان نبود؛ بااین‌حال، یافته اصلی نشان می‌دهد تولید خودکار پیام متناسب با پروفایل مخاطب می‌تواند شخصی‌سازی اقناع را مقیاس‌پذیر کند.
این پژوهش درباره تبلیغ دینی نیست و نمی‌توان نتیجه آن را مستقیماً به این حوزه تعمیم داد. اهمیت آن برای بحث حاضر در نشان‌دادن یک سازوکار است: همان زیرساختی که امکان متناسب‌سازی پیام با مخاطب را فراهم می‌کند، بالقوه قادر است صورت پیام را برای افزایش اثر اقناعی نیز بهینه کند. از اینجا به بعد، «اثرگذاری بیشتر» به‌تنهایی معیار کافی برای ارزیابی موفقیت ارتباط دینی نیست.
وقتی اثرگذاری معیار نهایی می‌شود
مسئله در اینجا ظریف‌تر از تقابل اقناع و آزادی است. هر ارتباط اقناعی می‌کوشد بر داوری مخاطب اثر بگذارد و تبلیغ دینی نیز از این قاعده مستثنا نیست. بنابراین، نمی‌توان هر تأثیرگذاری هدفمند را دستکاری نامید.
تمایز را باید در چگونگی اثرگذاری جست‌وجو کرد. آیا پیام دلایل را به صورتی متناسب با مخاطب توضیح می‌دهد تا او بتواند آن‌ها را ارزیابی کند، یا از اطلاعاتی درباره حساسیت‌ها و آسیب‌پذیری‌های او برای افزایش احتمال واکنشی مشخص بهره می‌برد؟ آیا مخاطب امکان مواجهه با حدود مدعا و دیدگاه‌های رقیب را دارد، یا معماری ارتباط به‌گونه‌ای طراحی شده است که احتمال رسیدن او به نتیجه مطلوب پیام‌رسان را بیشینه کند؟
ادبیات اخلاق سامانه‌های توصیه‌گر نشان می‌دهد اثر الگوریتم بر خودآیینی، طیفی است. سامانه می‌تواند با حذف اطلاعات نامرتبط، تصمیم‌گیری فرد را تسهیل کند؛ اما می‌تواند با هدایت توجه، تلنگر، محدودکردن دامنه گزینه‌های قابل مشاهده یا مداخلات دستکاری‌کننده، خودآیینی او را نیز تحت فشار قرار دهد (میلانو، تادئو و فلوریدی، ۲۰۲۰).
در تبلیغ دینی، اهمیت این تمایز از آنجا ناشی می‌شود که پذیرش ظاهری یک پیام و داوری آگاهانه درباره آن الزاماً یک چیز نیستند. افزایش نرخ کلیک، مدت مشاهده، اشتراک‌گذاری یا حتی اعلام موافقت می‌تواند موفقیت رفتاری پیام را نشان دهد؛ اما این شاخص‌ها به‌خودی‌خود معلوم نمی‌کنند مخاطب استدلال را بهتر فهمیده یا استقلال بیشتری در داوری یافته است.
عدم تقارن تازه در رابطه مبلغ و مخاطب
مخاطب‌شناسی همواره نوعی عدم تقارن اطلاعاتی داشته است. سخنران باتجربه ممکن است از سن، تحصیلات، فرهنگ و حساسیت‌های جمع مخاطبان آگاه باشد و متناسب با آن سخن بگوید. مخاطب‌شناسی الگوریتمی، بااین‌حال، دامنه و ماهیت این عدم تقارن را تغییر می‌دهد.
سامانه ممکن است از مجموعه‌ای از رفتارهای پراکنده، ویژگی‌هایی درباره فرد استنتاج کند که خود او نه داده‌ای را مستقیماً برای آن منظور ارائه کرده و نه از استنتاج صورت‌گرفته آگاه است. پژوهش‌های هدف‌گیری روان‌شناختی نشان داده‌اند که ردپاهای دیجیتال می‌توانند برای ساختن چنین استنتاج‌هایی به کار روند (متز و همکاران، ۲۰۱۷).
در این وضعیت، مخاطب ممکن است نداند چرا مضمونی خاص، در زمانی خاص و با صورت‌بندی مشخص به او ارائه شده است. مسئله دیگر صرفاً حفظ حریم خصوصی نیست؛ شفافیت رابطه ارتباطی نیز مطرح است. هرچه پیام‌رسان شناخت پنهان بیشتری از سازوکارهای احتمالی اثرگذاری بر مخاطب داشته باشد، عدم تقارن قدرت در ارتباط افزایش می‌یابد.
از این منظر، سه پرسش برای ارزیابی شخصی‌سازی اهمیت پیدا می‌کند: مخاطب تا چه اندازه از استفاده و استنتاج داده‌های مربوط به خود آگاه است؟ آیا شخصی‌سازی برای تسهیل فهم صورت گرفته یا از آسیب‌پذیری‌ها و سوگیری‌های فرد بهره می‌گیرد؟ و آیا شکل ارائه پیام همچنان امکان بررسی دلیل و داوری مستقل را برای او حفظ می‌کند؟
الگوریتم فقط مخاطب را نمی‌شناسد
پیچیدگی دیگری نیز وجود دارد. پروفایل الگوریتمی را نباید صرفاً تصویری منفعل از هویت ازپیش‌موجود مخاطب تلقی کرد. برخی پژوهشگران توضیح می‌دهند که سامانه‌های توصیه‌گر با ساختن مدل کاربر و ارائه توصیه بر اساس آن، بر انتخاب‌ها و مواجهه‌های بعدی او اثر می‌گذارند؛ رفتارهای جدید نیز داده تازه‌ای برای اصلاح همان مدل فراهم می‌کنند (میلانو، تادئو و فلوریدی، ۲۰۲۰).
در نتیجه، رابطه‌ای بازگشتی شکل می‌گیرد: رفتار گذشته به پروفایل تبدیل می‌شود، پروفایل محتوای آینده را تعیین می‌کند و محتوای آینده رفتارهای تازه‌ای تولید می‌کند.
این سازوکار در تبلیغ دینی پیامد قابل توجهی دارد. اگر چند تعامل اولیه سبب شود مخاطب در طبقه‌ای خاص قرار گیرد و پس از آن عمدتاً محتوای متناسب با همان طبقه دریافت کند، سامانه ممکن است به‌تدریج دامنه مواجهه او را محدود کند. در چنین وضعی، الگوریتم صرفاً مخاطب را «کشف» نمی‌کند؛ در شکل‌دادن به محیطی که مخاطب در آن علایق و پرسش‌های آینده خود را می‌سازد نیز مشارکت دارد.
به همین دلیل، مخاطب‌شناسی الگوریتمی نباید بر این پیش‌فرض استوار شود که گذشته دیجیتال فرد، تعریف نسبتاً کاملی از نیازهای آینده اوست. ارتباط دینی، اگر قرار است واجد بعد معرفتی باشد، باید امکان مواجهه با امر پیش‌بینی‌نشده را نیز حفظ کند؛ محتوایی که الزاماً ادامه ترجیحات ثبت‌شده مخاطب نیست، اما ممکن است افق مسئله او را گسترش دهد.
مخاطب‌شناسی برای فهم، نه تصرف داوری
حد مطلوب مخاطب‌شناسی الگوریتمی را نمی‌توان با قاعده‌ای ساده تعیین کرد. شخصی‌سازی نه ذاتاً ابزار دستکاری است و نه صرفاً روشی بی‌طرف برای افزایش کارآمدی. ارزیابی آن به نوع داده‌ای که جمع‌آوری یا استنتاج می‌شود، هدف استفاده از داده، شیوه تنظیم پیام و میزان شفافیت رابطه ارتباطی وابسته است.
از این منظر، سه اصل می‌تواند مرزی اولیه برای تبلیغ دینی داده‌محور فراهم کند: شناخت الگوریتمی باید احتمالی تلقی شود؛ شخصی‌سازی باید تا حد ممکن برای مخاطب شفاف باشد؛ و اثرگذاری نباید جای استقلال داوری را بگیرد. هرچه داده حساس‌تر و مداخله اقناعی عمیق‌تر باشد، ضرورت این قیود نیز بیشتر می‌شود.
این چارچوب، معیار موفقیت را نیز تغییر می‌دهد. سامانه‌ای که مخاطب را بهتر پیش‌بینی می‌کند الزاماً او را بهتر نمی‌شناسد؛ همان‌گونه که پیامی که احتمال پذیرش را افزایش می‌دهد، الزاماً ارتباط دینی بهتری ایجاد نکرده است. کارآمدی زمانی ارزش معرفتی پیدا می‌کند که به مخاطب امکان دهد موضوع را متناسب با شرایط خود بهتر بفهمد، دلایل را ارزیابی کند و در نهایت نسبت خود را با پیام تعیین کند.
بنابراین، مسئله هوش مصنوعی در مخاطب‌شناسی دینی صرفاً افزایش قدرت شناخت نیست. فناوری به همان اندازه که مخاطب را پیش‌بینی‌پذیرتر می‌کند، قدرت پیام‌رسان برای تنظیم محیط تصمیم او را نیز افزایش می‌دهد. درست در همین نقطه است که مخاطب‌شناسی از یک فن ارتباطی به مسئله‌ای اخلاقی تبدیل می‌شود: مرز قابل دفاع شخصی‌سازی جایی است که شناخت بیشتر مخاطب، ظرفیت داوری او را افزایش دهد، نه اینکه شناخت پنهان از او جای استدلال را در فرایند اقناع بگیرد.
پی‌نوشت‌ها و منابع
- Matz, S. C., Kosinski, M., Nave, G., & Stillwell, D. J. (2017). “Psychological Targeting as an Effective Approach to Digital Mass Persuasion.” Proceedings of the National Academy of Sciences, 114(48), 12714–12719. DOI: 10.1073/pnas.1710966114.
- Matz, S. C., Teeny, J. D., Vaid, S. S., Peters, H., Harari, G. M., & Cerf, M. (2024). “The Potential of Generative AI for Personalized Persuasion at Scale.” Scientific Reports, 14, Article 4692. DOI: 10.1038/s41598-024-53755-0.
- Milano, S., Taddeo, M., & Floridi, L. (2020). “Recommender Systems and Their Ethical Challenges.” AI & Society, 35, 957–967. DOI: 10.1007/s00146-020-00950-y.
افزودن دیدگاه جدید