机器人是由人工软件而不是人类控制的社交媒体账户，为在线零售商提供从新闻聚合到自动客户帮助的各种目的。 然而，最近，一些苏格兰人受到关注，因为他们经常被雇用，作为社会媒体操纵舆论的大规模努力的一部分，例如在竞选期间。

一项关于物理学前沿的新研究揭示了在社交媒体机器人中不存在的人类短期行为趋势，提供了一个在社交媒体上“人类签名”的例子，可以利用它来开发更复杂的机器人检测策略。 这项研究是首次将用户行为应用于社交媒体会话中的BOT检测问题。

值得注意的是，机器人不断改进，以模仿越来越多的人类在社交媒体上表现出来的行为。 南加州大学信息科学研究所计算机科学和研究小组组长助理教授、合著者埃米利奥·费拉拉说：“每当我们发现一个我们认为是人类行为特权的特征，比如对感兴趣的话题的情感，我们很快就会发现新开发的开源机器人现在可以捕捉到这些方面。”

在这项工作中，研究人员使用与最近的政治事件相关的大型Twitter数据集研究了人类和机器人的行为在活动过程中是如何变化的。 在这些过程中，研究人员测量了捕捉用户行为的各种因素，包括参与社会互动的倾向和产生的内容的数量，然后在机器人和人类之间比较这些结果。

为了研究机器人和人类用户在活动会话中的行为，研究人员重点研究了用户参与的社会互动的数量和质量的指标，包括转发、回复和提及的数量以及推特本身的长度。 然后，他们利用这些行为结果为BOT检测的分类系统提供信息，以观察包含描述会话动态的特征是否可以提高检测器的性能。 使用一系列机器学习技术来训练两组不同的分类器：一组包括描述会话动态的特征，另一组将这些特征作为基线。

研究人员发现，在人类中，机器人不存在的趋势：在一次会议期间，人类社会互动的数量增加了，表现在转发、回复和推特中提到的数量的增加。 人类制作的内容数量也有所减少，平均推特长度呈下降趋势。 这些趋势被认为是由于这样一个事实，即随着会话的进展，人类用户越来越累，不太可能进行复杂的活动，例如编写原始内容。 另一个可能的解释是，随着时间的推移，用户接触到更多的帖子，因此增加了他们与内容作出反应和互动的可能性。 在这两种情况下，机器人被证明不受这种考虑的影响，没有观察到他们的行为变化。

研究人员利用这些行为结果为BOT检测的分类系统提供信息，并发现包括描述会话动态的特征在内的完整模型在BOT检测的准确性方面明显优于基线模型，而后者没有描述这些特征。

这些结果突出表明，在一个活动会话中，机器人和人类在社交媒体上的用户行为以一种明显不同的方式演变，并表明这些差异可以用来实现机器人检测系统或改进现有的系统。

埃米利奥强调：“机器人在不断发展——在人工智能领域的快速进步下，有可能创造出越来越现实的机器人，能够模仿我们在在线平台上说话和互动的方式。”

“我们正在不断地尝试识别在社交媒体上对人类行为特别敏感的维度，这些维度又可以用来开发更复杂的工具包来检测机器人。”