#25 - 10/2022

Η μηχανική του κοινού: τα Big Data στο κοινοβούλιο

Στην αγωγή της, η Ομοσπονδιακή Επιτροπή Εμπορίου (FTC) περιγράφει πώς με ένα δείγμα δεδομένων που ελήφθησαν από την Kochava ήταν δυνατό να εντοπιστεί μια συσκευή που επισκέφτηκε μια κλινική αναπαραγωγικής υγείας γυναικών και στη συνέχεια να εντοπιστεί αυτό το τηλέφωνο σε μια κατοικία.

vice.com 29/8/2022

Η Kochava είναι μια εταιρεία που πιθανότατα δεν γνωρίζουν οι περισσότεροι, όμως είναι από αυτές τις εταιρείες που «γνωρίζουν» πολλά για τους περισσότερους. Το κύριο αντικείμενό της είναι το εμπόριο δεδομένων και ανήκει στην κατηγορία επιχειρήσεων που ονομάζονται «μεσίτες δεδομένων» (data brokers). Ενώ εκεί που θα πάει το μυαλό μας, όσον αφορά τα ζητήματα ιδιωτικότητας και προσωπικών δεδομένων στο ίντερνετ είναι εταιρείες όπως η facebook και η google - και σωστά – ένα ολόκληρο δίκτυο αγορο-πωλήσεων δεδομένων πραγματοποιείται στο «παρασκήνιο», από επιχειρήσεις σαν την Kochava, οι οποίες συγκεντρώνουν πακέτα δεδομένων από διάφορες πηγές και τα διαθέτουν στην «ελεύθερη» αγορά.

Η σχετική αγωγή της αμερικάνικης ομοσποδιακής επιτροπής εμπορίου αναφέρει [1www.ftc.gov/system/files/ftc_gov/pdf/1.%20Complaint.pdf] ότι: «Οι παραβάσεις του κατηγορουμένου (στμ. Kochava) σχετίζονται με την απόκτηση δεδομένων γεωγραφικής θέσης των καταναλωτών και την πώληση των δεδομένων σε μορφή που επιτρέπει στις οντότητες (στμ. τους αγοραστές) να παρακολουθούν τις μετακινήσεις των καταναλωτών προς και από ευαίσθητες τοποθεσίες, συμπεριλαμβανομένων, μεταξύ άλλων, τοποθεσιών που σχετίζονται με την ιατρική περίθαλψη, την αναπαραγωγική υγεία, την θρησκευτική λατρεία, τα προσωρινά καταφύγια ψυχικής υγείας, όπως καταφύγια για άστεγους, θύματα ενδοοικογενειακής βίας ή άλλους πληθυσμούς που κινδυνεύουν ή αναρρώνουν από εθισμούς».

Πώς γίνεται όμως μια εταιρεία να τα γνωρίζει όλα αυτά; Με μια πρώτη ματιά, η δυνατότητα συλλογής των θέσεων και των κινήσεων ενός κινητού θα μπορούσε να δώσει μια προσέγγιση για την κατάσταση της υγείας του χρήστη, αν επισκέφτηκε μια κλινική για παράδειγμα. Αλλά το τί έκανε εκεί, πώς «διαρρέει»; Στην περίπτωση που κάποιος δημοσιεύει περισσότερες πληροφορίες για την ζωή του σε μια πλατφόρμα, πχ facebook, είναι προφανές ότι αυτή η «γνώση» μπορεί να συνδυαστεί με τις θέσεις του κινητού. Όμως αυτό δεν συμβαίνει πάντα και τα «ψηφιακά ίχνη» που αφήνουμε διαβαίνοντας τις ζωές μας δεν είναι απαραίτητο – ούτε εφικτό μέχρι έναν βαθμό - να συγκεντρωθούν από μια συγκεκριμένη πλατφόρμα/εταιρεία. Επίσης κάποιες πλατφόρμες /ε ταιρείες ίσως να θέλουν πληροφορίες που έχει μια άλλη συγκεκριμένη πλατφόρμα/εταιρεία. Εκεί είναι που μπαίνουν στο παιχνίδι οι data brokers ή αλλιώς, θα μπορούσαμε να πούμε, «μεσίτες της επιτήρησης».

Το βασικό τους αντικείμενο είναι η συλλογή πολλών (όλων;) τύπων δεδομένων (ονόματα, διευθύνσεις, αριθμούς τηλεφώνων, email, ηλικίες, φύλο, αριθμούς κοινωνικής ασφάλισης, εισοδήματα και ακίνητη περιουσία, εκπαίδευση, επάγγελμα κλπ…) από διάφορες πηγές (social media, ιστορικό περιήγησης στο ίντερνετ, αγορές στο ίντερνετ ή με πιστωτική κάρτα σε φυσικά καταστήματα, δημόσια έγγραφα όπως από ληξιαρχεία, δικαστήρια κλπ). Οι πηγές τους μπορεί να είναι οι «αρχικές» στις οποίες υπάρχουν τα δεδομένα ή άλλοι data brokers, δημιουργώντας έτσι έναν πολύπλοκο ιστό ανταλλαγών δεδομένων. Υπάρχουν διάφοροι τύποι «μεσιτών» και αρκετοί τρόποι με τους οποίους συλλέγουν τα δεδομένα, όμως θα χρειαστεί μια ξεχωριστή αναφορά για όλα αυτά. Εδώ θα εστιάσουμε στην «δημιουργία προφίλ» υποψήφιων ψηφοφόρων από τις κομματικές καμπάνιες σε συνεργασία με τους data brokers.

Η Privacy International αναφέρει σχετικά: [2Why we're concerned about profiling and micro-targeting in elections – 30/4/2020 - privacyinternational.org]

Υπάρχει ένα περίπλοκο και αδιαφανές εταιρικό οικοσύστημα πίσω από τη στοχευμένη διαδικτυακή πολιτική διαφήμιση. Σε αυτό δεν είναι μόνο τα προφίλ στο Facebook και το Twitter - οι μεσίτες δεδομένων και οι εταιρείες ανάλυσης δεδομένων είναι όλοι μέρος αυτής της διαδικασίας. Οι εταιρείες ανάλυσης δεδομένων χρησιμοποιούνται απευθείας από τα πολιτικά κόμματα που διεκδικούν εκλογές για τη διεξαγωγή διαδικτυακών εκστρατειών. Οι λεπτομέρειες είναι συχνά ασαφείς - για ποιούς ακριβώς εργάζονται αυτές οι εταιρείες, τί κάνουν και πώς το κάνουν είναι συχνά ένα καλά φυλασσόμενο μυστικό. Αυτό που είναι ξεκάθαρο είναι ότι υπάρχουν χιλιάδες εταιρείες των οποίων το επιχειρηματικό μοντέλο είναι να εκμεταλλεύονται τα δεδομένα που αφήνουν οι άνθρωποι στο Διαδίκτυο με τέτοιο τρόπο ώστε τα προσωπικά στοιχεία σχετικά με τις πεποιθήσεις, τις συνήθειες και τη συμπεριφορά ενός ατόμου να μπορούν να γίνουν καλύτερα κατανοητά και να χρησιμοποιηθούν από τα πολιτικά κόμματα για να στείλουν στοχευμένα σε αυτά τα άτομα πολιτικά μηνύματα.

[...]
Το υπάρχον οικοσύστημα δεδομένων και διαφήμισης έχει στοχευμένο περιεχόμενο και για συγκεκριμένο κοινό. Αυτό είναι συνηθισμένο και επιτρέπει στις εταιρείες όχι μόνο να προσεγγίζουν πολύ συγκεκριμένα άτομα, αλλά και σε συγκεκριμένες ώρες και μέρη.
Για τις πολιτικές καμπάνιες, αυτό έχει πολλά μοναδικά πλεονεκτήματα. Σε αντίθεση με τις αφίσες ή τις τηλεοπτικές πολιτικές διαφημίσεις, οι οποίες είναι δημόσιες εξ ορισμού, οι [διαδικτυακές] καμπάνιες [που βασίζονται σε data] μπορούν να εμφανίζουν διαφορετικές διαφημίσεις και διαφορετικό περιεχόμενο σε διαφορετικά άτομα. Αυτό σημαίνει ότι μπορούν να κάνουν διαφορετικές υποσχέσεις ή ακόμη και αντιφατικές αξιώσεις με ελάχιστη επίβλεψη ή υπευθυνότητα. Αυτό έχει αφαιρέσει την πολιτική διαφήμιση από τη δημόσια σφαίρα - μπορούμε όλοι να δούμε αφίσες / διαφημιστικές πινακίδες στο δρόμο ή τις διαφημίσεις στην τηλεόραση και σε κάποιο βαθμό να καλέσουμε τα πολιτικά κόμματα να λογοδοτήσουν για τα μηνύματά τους και για το πόσα ξοδεύουν. Όταν όμως μόνο μερικοί άνθρωποι βλέπουν ένα μήνυμα ή όλοι βλέπουν κάτι διαφορετικό, αυτό καθιστά τη διαδικασία λιγότερο υπεύθυνη.

[...]
Η «δημιουργία προφίλ» (profiling) είναι ένας όρος που περιγράφεται στον Ευρωπαϊκό Γενικό Κανονισμό Προστασίας Δεδομένων (GDPR). Ορίζεται ως «κάθε μορφή αυτοματοποιημένης επεξεργασίας προσωπικών δεδομένων που συνίσταται στη χρήση προσωπικών δεδομένων για την αξιολόγηση ορισμένων προσωπικών πτυχών που σχετίζονται με ένα φυσικό πρόσωπο, ιδίως για την ανάλυση ή την πρόβλεψη πτυχών που αφορούν την απόδοση του φυσικού προσώπου στην εργασία, την οικονομική κατάσταση, την υγεία, τις προσωπικές προτιμήσεις, τα ενδιαφέροντα, την αξιοπιστία, την συμπεριφορά, την τοποθεσία ή τις κινήσεις του».
Εν ολίγοις, αυτό σημαίνει ότι οι οργανισμοί, πολλοί που δεν έχετε ακούσει ποτέ, είναι σε θέση να μάθουν για τις συνήθειες, την προσωπικότητα, τα σεξουαλικά ενδιαφέροντα, τις πολιτικές πεποιθήσεις σας και πολλά άλλα για να κάνουν προβλέψεις σχετικά με την προσωπικότητα και τη συμπεριφορά σας. Αυτό ισχύει ακόμα κι αν δεν έχετε μοιραστεί αυτές τις πληροφορίες μαζί τους. Αυτό είναι ιδιαίτερα ανησυχητικό όταν ευαίσθητες πληροφορίες, όπως πολιτικές πεποιθήσεις ή χαρακτηριστικά προσωπικότητας συνάγονται από εντελώς άσχετα δεδομένα μέσω της «δημιουργίας προφίλ».

Βασικά στοιχεία της αγοράς των «μεσιτών». Πηγή: maximizemarketresearch.com

Οι κομματικές προεκλογικές καμπάνιες ήταν ανέκαθεν μια προσπάθεια «πειθούς και παραπλάνησης», όπως και το μάρκετινγκ προϊόντων και χρησιμοποιούσαν και οι δύο τα εργαλεία που ήταν διαθέσιμα την εκάστοτε εποχή. Το κείμενο που μεταφράζουμε στην συνέχεια είναι γραμμένο το 2014, τότε που το twitter ήταν «αναδυόμενη πλατφόρμα», αλλά παρουσιάζει με έναν χρήσιμο τρόπο την ποιοτική αλλαγή που γίνεται με την χρήση των big data σε αυτές τις προσπάθειες - άσχετα με την άποψη που μπορεί να έχει κάποιος για την «κοινοβουλευτική δημοκρατία» - αναδεικνύοντας κάποια βασικά σημεία που είναι κρίσιμα για την κατανόηση της κεντρικότητας/κρισιμότητας των data στο νέο καπιταλιστικό παράδειγμα. Δείχνει κυρίως ότι, ενώ η μέση αντίληψη είναι ότι τα data (και η αποθήκευση/επεξεργασία τους) είναι σαν το κλασικό «φακέλωμα», απλά σε μεγαλύτερες ποσότητες που είναι αποθηκευμένες σε υπολογιστές αντί στο χαρτί και ότι απλά γίνονται και κάποιοι συσχετισμοί αυτοματοποιημένα και γρήγορα, η πραγματικότητα βρίσκεται πάρα πολύ μακριά από αυτή.

Μηχανική του κοινού: Big data, επιτήρηση και «υπολογιστική πολιτική» [3Engineering the public: Big data, surveillance and computational politics - firstmonday.org/ojs/index.php/fm/article/view/4901]

Η εμφάνιση των δικτυωμένων τεχνολογιών έδωσε ελπίδες ότι η αλληλεπίδραση στη δημόσια σφαίρα θα μπορούσε να βοηθήσει στον περιορισμό ή ακόμα και στη θεραπεία ορισμένων από τις ασθένειες των όψιμων σύγχρονων δημοκρατιών. Σε αντίθεση με τις τεχνολογίες εκπομπής (ράδιο, τηλεόραση), το Διαδίκτυο προσφέρει εκτεταμένες δυνατότητες για οριζόντια επικοινωνία μεταξύ των πολιτών, ενώ μειώνει δραστικά το κόστος της οργάνωσης και της πρόσβασης στις πληροφορίες. Πράγματι, το Διαδίκτυο υπήρξε ένα κρίσιμο εργαλείο για πολλά κοινωνικά κινήματα.

Ωστόσο, η τάση του Διαδικτύου για «ενδυνάμωση» των πολιτών δεν είναι ούτε μονοκατευθυντική ούτε ξεκάθαρη. Οι ίδιες ψηφιακές τεχνολογίες έχουν δημιουργήσει επίσης ένα περιβάλλον ανάλυσης δεδομένων που ευνοεί τους ισχυρούς, πλούσιους σε δεδομένα κατεστημένους φορείς και τους τεχνολογικά έμπειρους, ειδικά στο πλαίσιο κομματικών καμπανιών. Αυτές οι αντίθετες τάσεις προκύπτουν συγκεκριμένα από την αυξημένη εκμετάλλευση των big data, δηλαδή από πολύ μεγάλα σύνολα δεδομένων πληροφοριών που προέρχονται από διαδικτυακά αποτυπώματα και άλλες πηγές, μαζί με αναλυτικά και υπολογιστικά εργαλεία.

Τα big data είναι «καλοδεχούμενα» συνήθως για την ικανότητά τους να προσθέτουν στη γνώση μας με νέους τρόπους και να εμπλουτίζουν την κατανόησή μας. Ωστόσο, τα big data πρέπει επίσης να εξεταστούν ως πολιτική διαδικασία που περιλαμβάνει ζητήματα εξουσίας, διαφάνειας και επιτήρησης. Σε αυτό το άρθρο, υποστηρίζω ότι τα big data και τα σχετικά νέα αναλυτικά εργαλεία ενθαρρύνουν την πιο αποτελεσματική - και λιγότερο διαφανή - «μηχανική της συναίνεσης» (engineering of consent) στη δημόσια σφαίρα. Ως κανονιστικό (αλλά αμφισβητούμενο) ιδανικό, η δημόσια σφαίρα οραματίζεται από τον Habermas ως η θέση και o τόπος στον οποίο μπορούν να λάβουν χώρα ορθολογικά επιχειρήματα για θέματα που αφορούν το κοινό, ειδικά εκείνα τα σχετικά με ζητήματα διακυβέρνησης και του πολίτη, απαλλαγμένα από τους περιορισμούς των status και των ταυτοτήτων. Η δημόσια σφαίρα θα πρέπει να θεωρείται ταυτόχρονα ένα «κανονιστικό ιδανικό» καθώς και μια θεσμική ανάλυση της ιστορικής πρακτικής. Ως πραγματική πρακτική, η δημόσια σφαίρα αναφέρεται σε «τόπους» - διασταυρώσεις και κοινά – στους οποίους λαμβάνουν χώρα αυτές οι κοινωνικές αλληλεπιδράσεις και οι οποίοι είναι ολοένα και πιο διαδικτυακοί. Αυτή η στροφή σε μια εν μέρει διαδικτυακή δημόσια σφαίρα, η οποία έχει επιφέρει τη δυνατότητα παρατήρησης, επιτήρησης και συλλογής αυτών των αλληλεπιδράσεων σε μεγάλα σύνολα δεδομένων, οδήγησε στην υπολογιστική πολιτική (computational politics), που είναι και το επίκεντρο αυτού του άρθρου.

Η υπολογιστική πολιτική αναφέρεται στην εφαρμογή υπολογιστικών μεθόδων σε μεγάλα σύνολα δεδομένων που προέρχονται από διαδικτυακές και off-line πηγές δεδομένων για τη επίτευξη της προσέγγισης, της πειθούς και της κινητοποίησης για τους σκοπούς των εκλογών, της προώθησης ή της αντίθεσης ενός υποψηφίου, μιας πολιτικής ή νομοθεσίας. Η υπολογιστική πολιτική βασίζεται στις επιστήμες συμπεριφοράς (behavioral sciences) και βελτιώνεται χρησιμοποιώντας πειραματικές προσεγγίσεις, συμπεριλαμβανομένων των διαδικτυακών πειραμάτων, και χρησιμοποιείται συχνά για την δημιουργία προφίλ των ανθρώπων, μερικές φορές σε συλλογικό επίπεδο αλλά κυρίως σε ατομικό επίπεδο, και για την ανάπτυξη μεθόδων πειθούς και κινητοποίησης που μπορούν επίσης να είναι εξατομικευμένες. Έτσι, η υπολογιστική πολιτική είναι ένα σύνολο πρακτικών η εξέλιξη των οποίων εξαρτάται από την ύπαρξη των big data και των συνοδευτικών αναλυτικών εργαλείων και ορίζεται από τη σημαντική ασυμμετρία πληροφοριών - όσοι κατέχουν τα data γνωρίζουν πολλά περισσότερα για τα άτομα, ενώ τα άτομα δεν ξέρουν τί γνωρίζουν οι κάτοχοι των δεδομένων για αυτούς.

Ενώ η υπολογιστική πολιτική στην τρέχουσα μορφή της περιλαμβάνει νέες εφαρμογές, οι ιστορικές τάσεις που συζητούνται σε αυτό το άρθρο προηγούνται της εξάπλωσης του Διαδικτύου. Στην πραγματικότητα, υπήρχε ήδη μια σημαντική προσπάθεια σε εξέλιξη για τη χρήση των big data για σκοπούς μάρκετινγκ και η πρόοδος της χρήσης αυτών των τεχνικών μάρκετινγκ για την πολιτική - και την «πώληση ενός προέδρου» - αντανακλά ξεκάθαρα τις μακροπρόθεσμες τάσεις. Ωστόσο, η υπολογιστική πολιτική εισάγει σημαντικές ποιοτικές διαφορές σε αυτή τη μακρά πορεία των ιστορικών τάσεων. Σε αντίθεση με τις προηγούμενες προσπάθειες συλλογής δεδομένων (για παράδειγμα, οι συνδρομές σε περιοδικά ή οι αγορές συγκεκριμένων τύπων αυτοκινήτων) που απαιτούσαν περίπλοκα, κυκλικά συμπεράσματα σχετικά με το νόημά τους (η συνδρομή σε περιοδικό σηματοδοτεί πραγματικά μια προτίμηση ψηφοφόρου;) και επέτρεπε μόνο μια ευρεία δημιουργία προφίλ συνολικά, αυτά τα δεδομένα [big data] παρέχουν τώρα ένα σημαντικά πιο εξατομικευμένο προφίλ και μοντελοποίηση, ένα πολύ μεγαλύτερο βάθος πληροφοριών και μπορούν να συλλεχθούν με αόρατο, λανθάνοντα τρόπο και να αποδωθούν σε εξατομικευμένο επίπεδο.

Η υπολογιστική πολιτική μετατρέπει την πολιτική επικοινωνία σε μια ολοένα πιο εξατομικευμένη, ιδιωτική συναλλαγή και επομένως αναδιαμορφώνει θεμελιωδώς τη δημόσια σφαίρα, πρώτα και κύρια καθιστώντας την όλο και λιγότερο δημόσια, καθώς αυτές οι προσεγγίσεις μπορούν να χρησιμοποιηθούν τόσο για το προφίλ όσο και για την ατομική αλληλεπίδραση με ψηφοφόρους εκτός της δημόσιας σφαίρας (πχ μια διαφήμιση στο Facebook που απευθύνεται σε συγκεκριμένη ψηφοφόρο, που την βλέπει μόνο αυτή). Συνολικά, η επίδραση δεν μοιάζει τόσο με την αύξηση της ισχύος ενός μεγεθυντικού φακού, όσο με την επαναχρησιμοποίηση του φακού, συνδυάζοντας δύο ή περισσότερους φακούς για την δημιουργία θεμελιωδώς νέων εργαλείων, όπως το μικροσκόπιο ή το τηλεσκόπιο, μετατρέποντας αόρατα αντικείμενα σε αντικείμενα επιστημονικής έρευνας και χειραγώγησης.

Ο αντίκτυπος των big data στη δημόσια σφαίρα μέσω της υπολογιστικής πολιτικής λειτουργεί μέσω πολλαπλών αλληλένδετων δυναμικών και σκοπός αυτής της εργασίας είναι να τα ορίσει, να εξηγήσει και να τα διερευνήσει τόσο μεμονωμένα όσο και μέσα στο πλαίσιο αυτής της διαπλοκής. Πρώτον, η άνοδος της ψηφιακής διαμεσολάβησης των κοινωνικών, πολιτικών και οικονομικών αλληλεπιδράσεων είχε ως αποτέλεσμα μια εκθετική αύξηση του όγκου και του τύπου των διαθέσιμων δεδομένων, ειδικά σε μεγάλους οργανισμούς που μπορούν να αντέξουν οικονομικά την πρόσβαση. Δεύτερον, οι αναδυόμενες υπολογιστικές μέθοδοι επιτρέπουν στην πολιτική στόχευση να προχωρήσει πέρα από τη συγκεντρωτική ανάλυση που βασίζεται σε ομάδες σε μια μοντελοποίηση συγκεκριμένων ατόμων. Τρίτον, μια τέτοια μοντελοποίηση επιτρέπει την απόκτηση απαντήσεων σχετικά με ένα άτομο χωρίς να θέτει άμεσα ερωτήσεις στο άτομο, ανοίγοντας έτσι την πόρτα σε ένα νέο κύμα τεχνικών που στηρίζονται σε «κρυφά τεχνάσματα» και στην αδιαφάνεια. Τέταρτον, η πρόοδος στις επιστήμες της συμπεριφοράς είχε ως αποτέλεσμα την απομάκρυνση από τα μοντέλα του «λογικού ανθρώπου» προς πιο εκλεπτυσμένα και ρεαλιστικά μοντέλα ανθρώπινης συμπεριφοράς. Σε συνδυασμό με τις άλλες δυναμικές που περιγράφονται εδώ, αυτά τα μοντέλα επιτρέπουν βελτιωμένη κοινωνική μηχανική που βασίζεται στα δίκτυα (network-based social engineering). Πέμπτον, τα ψηφιακά δίκτυα επιτρέπουν σε αυτές τις μεθόδους να δοκιμαστούν πειραματικά σε πραγματικό χρόνο και με άμεση εφαρμογή, προσθέτοντας ένα επίπεδο δυναμικής και ταχύτητας που δεν ήταν εφικτό στο παρελθόν όσον αφορά την διαμόρφωση της δημόσιας σφαίρας. Έκτον, τα δεδομένα, τα εργαλεία και οι τεχνικές που περιλαμβάνουν αυτές τις μεθόδους απαιτούν πρόσβαση σε ιδιόκτητα, ακριβά δεδομένα και οδηγούνται από αδιαφανείς αλγόριθμους - οι αδιαφανείς αλγόριθμοι αναφέρονται σε αλγόριθμους «μαύρου κουτιού», οι λειτουργίες των οποίων είναι αποκλειστικές και άγνωστες και οι περισσότερες από αυτές ελέγχονται από τις ελάχιστες μεγάλες πλατφόρμες του Διαδικτύου [πχ Google, Facebook κλπ].

[...]

Αυτή η εργασία εστιάζει στη συνυφασμένη δυναμική της υπολογιστικής πολιτικής και των μεγάλων δεδομένων με έμφαση στις επιπτώσεις τους στην εξουσία, την πολιτική και τη δημόσια σφαίρα και εμπλέκεται σε εμπειρικά βασισμένη, εννοιολογική θεωρία που απαιτείται τόσο για μια πιο εννοιολογική όσο και για εμπειρική έρευνα. Ενώ πολλές από τις πτυχές που διερευνώνται εδώ ισχύουν σε εμπορικούς, εταιρικούς και άλλους τομείς, αν και με διαφορετική έμφαση, τα ζητήματα υπολογιστικής πολιτικής αξίζουν ανεξάρτητης ανάλυσης καθώς οι εκτιμήσεις δεν είναι πανομοιότυπες, και δεδομένου ότι η πρακτική της πολιτικής είναι κεντρική στα ζητήματα τoυ πολίτη.

Μηχανική του κοινού: από την ραδιοτηλεόραση στο Διαδίκτυο

Η συζήτηση για μια ουσιαστική συμμετοχή στη διακυβέρνηση σε μια κοινωνία που είναι πολύ μεγάλη για συχνή και άμεση πρόσωπο-με-πρόσωπο αλληλεπίδραση - δηλαδή κάθε κοινωνική οργάνωση μεγαλύτερη από ένα μικρό χωριό ή μια φυλή κυνηγών/συλλεκτών – έχει μεγάλο παρελθόν, με γραπτή ιστορία τουλάχιστον από την εποχή του Πλάτωνα και του Αριστοτέλη. Στην καρδιά της, αυτή η συζήτηση αφορά το εάν, στις μεγάλες κοινωνίες όπου ο συγκεντρωτισμός της εξουσίας και της ανάθεσης φαίνεται αναπόφευκτος, ο πολίτης - στο πλαίσιο του σταδιακά διευρυνόμενου, ιστορικά μεταβλητού ορισμού του - μπορεί ποτέ να είναι πλήρως εξοπλισμένος για να αναλάβει ή να κατανοήσει όλες τις περίπλοκες αποφάσεις που απαιτούνται για τη διακυβέρνηση. Και επιπλέον, τί μπορεί να κρατήσει υπό έλεγχο αυτούς που έχουν την εξουσία, ώστε να μην εξασφαλίσουν τη διαιώνιση της δικής τους κυριαρχίας.

Ο Πλάτωνας κάλεσε τους βασιλιάδες να είναι φιλόσοφοι, ώστε να κυβερνούν δίκαια για το καλό της κοινωνίας, αλλά όχι απαραίτητα με το να είναι ειλικρινείς ή υπόλογοι. Μια σύγχρονη ενσάρκωση της έκκλησης του Πλάτωνα για ισχυρούς αλλά καλοπροαίρετους «βασιλιάδες φιλοσόφους» εμφανίστηκε στις αρχές του εικοστού αιώνα στις συζητήσεις Λίπμαν-Ντίουι (Dewey, 1927· Lippmann, 1925). Ο Walter Lippmann εξέφρασε την απαισιοδοξία για την πιθανότητα ένα κοινό να είναι πραγματικά υπεύθυνο για τη διακυβέρνηση και υποστήριξε ότι οι ισχυροί θα είναι πάντα σε θέση να χειραγωγούν τις απόψεις, τις πεποιθήσεις και τελικά την εκλογική συμπεριφορά των απλών πολιτών. Θα ήταν οι «κοινωνικοί μηχανικοί», με τους όρους του Karl Popper, αυτοί που θα χειραγωγούσαν το κοινό για να πετύχουν τους δικούς τους στόχους. Ο Τζον Ντιούι, ωστόσο, πίστευε ότι ήταν δυνατό να οικοδομηθούν κοινωνικοί και πολιτικοί θεσμοί - που κυμαίνονται από τον ελεύθερο Τύπο μέχρι μια πραγματικά εμπλουτισμένη εκπαίδευση - που θα αποκάλυπταν και θα αντιμετώπιζαν τους χειρισμούς των ισχυρών και θα επέτρεπαν ουσιαστική αυτοδιακυβέρνηση από ένα μορφωμένο και ισχυρό σώμα πολιτών. Αν και τόσο ο Ντιούι όσο και ο Λίπμαν ανησυχούσαν για τους ισχυρούς που θα ελέγχουν το κοινό, κανένας από τους δύο δεν είχε βιώσει την πλήρη ισχύ των ραδιοτηλεοπτικών μέσων.

Η άνοδος των ραδιοτηλεοπτικών μέσων άλλαξε τη δυναμική της πολιτικής με θεμελιώδεις τρόπους. Ο πρωτοπόρος των δημοσίων σχέσεων Edward Bernays εξήγησε τη ρίζα του προβλήματος στο διάσημο άρθρο του «Engineering of consent» (Η Μηχανική της συναίνεσης) όπου, συζητώντας τον αντίκτυπο της ραδιοτηλεόρασης [broadcast] στην πολιτική, υποστήριξε ότι το κλισέ «ο κόσμος έχει γίνει μικρότερος» ήταν στην πραγματικότητα ψευδές. Ο κόσμος είναι στην πραγματικότητα πολύ μεγαλύτερος και οι σημερινοί ηγέτες, επεσήμανε, είναι πιο απομακρυσμένοι από το κοινό σε σύγκριση με το παρελθόν. Ο κόσμος μοιάζει μικρότερος εν μέρει επειδή η σύγχρονη επικοινωνία επιτρέπει σε αυτούς τους ηγέτες, ισχυρούς όσο ποτέ, να επικοινωνούν και να πείθουν τεράστιους αριθμούς ανθρώπων και να «κατασκευάζουν τη συγκατάθεσή τους» πιο αποτελεσματικά.

Ο Bernays το είδε αυτό ως αναπόφευκτο μέρος κάθε δημοκρατίας. Πίστευε, όπως ο Dewey, ο Πλάτωνας και ο Lippmann, ότι οι ισχυροί είχαν δομικό πλεονέκτημα έναντι των μαζών. Ωστόσο, ο Bernays υποστήριξε ότι οι τεχνικές της «μηχανικής της συναίνεσης» ήταν ουδέτερες, σε αντίθεση με το μήνυμα. Προέτρεψε τους καλοπροαίρετους, τεχνολογικά και εμπειρικά ικανούς πολιτικούς να γίνουν «φιλόσοφοι-βασιλείς» μέσω των τεχνικών χειραγώγησης και της μηχανικής της συναίνεσης:
«Οι τεχνικές μπορούν να ανατραπούν. Οι δημαγωγοί μπορούν να χρησιμοποιήσουν τις τεχνικές για αντιδημοκρατικούς σκοπούς με τόση επιτυχία όσο εκείνοι που τις χρησιμοποιούν για κοινωνικά επιθυμητούς σκοπούς. Ο υπεύθυνος ηγέτης, για να επιτύχει τους κοινωνικούς στόχους ... πρέπει να χρησιμοποιήσει τις ενέργειές του για να κατακτήσει την επιχειρησιακή τεχνογνωσία της μηχανικής της συναίνεσης και να εκτοπίσει τους αντιπάλους του προς το δημόσιο συμφέρον.»

Ο Bernays συνέστησε τη μελέτη του κοινού μέσω της έρευνας γνώμης και τον έλεγχό του μέσω της διαχείρισης της επικοινωνίας και των μέσων ενημέρωσης. Οι τεχνικές ελέγχου της γνώμης που υιοθέτησε ο Bernays έγιναν το ψωμί-και-βούτυρο των κομματικών καμπανιών στη μεταπολεμική Δύση. Στην καρδιά του, αυτό καθοδηγείται από την «έρευνα της κοινής γνώμης» που επιδιώκει να κατανοήσει, να κατηγοριοποιήσει και να χαρακτηρίσει το κοινό και τις απόψεις που διαφοροποιούνται, ως κλειδί για την αποτελεσματική «πεπόίθηση» - είτε μάρκετινγκ ενός πολιτικού είτε ενός αναψυκτικού. Λίγο αφότου η έρευνα της κοινής γνώμης άρχισε να διεισδύει στην πολιτική, ο πολιτιστικός κριτικός Adorno χαρακτήρισε τις μορφές «ταξινόμησης, οργάνωσης και επισήμανσης» ως μια μορφή προπαγάνδας στην οποία «κάτι παρέχεται για όλους ώστε κανείς να μην μπορεί να ξεφύγει». Με άλλα λόγια, ο Adorno φοβόταν μια δημόσια σφαίρα στην οποία οι πολιτικοί θα προσδιόριζαν σωστά όλες τις υποκατηγορίες ψηφοφόρων και θα προσέφεραν σε καθεμία από αυτές ένα ευχάριστο μήνυμα.

Ωστόσο, η αποστολή μηνυμάτων και η κινητοποίηση που βασίζονται σε μια τέτοια υποκατηγοριοποίηση έχει εγγενή όρια στη μέθοδο, καθώς κάθε κατηγοριοποίηση κρύβει διαφορετικές ποιότητες/ποικιλίες. Η αντιστοιχία μεταξύ δημογραφικών ή πολιτικών προφίλ και ενός συγκεκριμένου ατόμου είναι, στην καλύτερη περίπτωση, πιθανολογούμενη και συχνά πολύ μπερδεμένη. Κατά τη διάρκεια της εποχής των ραδιοτηλεοπτικών μεταδόσεων, η κυρίως στόχευση ήταν γενικά προσανατολισμένη, επειδή το τηλεοπτικό κοινό μετρούνταν σε γενικά δημογραφικά στοιχεία. Το καλύτερο που μπορούσαν να κάνουν οι επίδοξοι μαρκετίστες ήταν να ορίσουν πιθανά τμηματικά κοινά, όπως «ποδοσφαιρόφιλες μαμάδες», ανά φύλο και ηλικία, και να στοχεύσουν προγράμματα σε αυτό το φύλο και την ηλικιακή ομάδα. Επειδή το κοινό δεν μπορούσε να καθοριστεί αυστηρά, τα μηνύματα έπρεπε επίσης να είναι ευρύτερα. Οι «ποδοσφαιρόφιλες μαμάδες» σίγουρα περιλαμβάνουν ποικίλες πολιτικές απόψεις και προσωπικότητες. Πολλοί που εκτίθενται στις διαφημίσεις δεν θα ταίριαζαν στην ομάδα-στόχο και πολλά μέλη της ομάδας-στόχου θα αποκλείονταν. Η έρευνα έδειξε ότι τέτοιες πολιτικές διαφημίσεις σε τηλεοπτικές εκπομπές παρέμειναν σε μεγάλο βαθμό αναποτελεσματικές στην ανατροπή της ισορροπίας μεταξύ των υπαρχόντων υποψηφίων, τουλάχιστον σε σύγκριση με περισσότερους διαρθρωτικούς παράγοντες όπως το ποσοστό ανεργίας ή η οικονομική ανάπτυξη.

Ομοίως, σχεδόν όλες οι εκστρατείες συγκέντρωσης ψηφοφόρων και προσέλευσης βασίζονται παραδοσιακά σε επίπεδο περιφέρειας απλώς και μόνο επειδή υπήρχαν διαθέσιμα δημογραφικά δεδομένα σε αυτό το επίπεδο. Ωστόσο, τα δεδομένα της περιφέρειας είναι πιθανολογούμενα καθώς καμία περιφέρεια δεν ψηφίζει ομοιόμορφα για ένα μεμονωμένο κόμμα, επομένως οι εκστρατείες τείνουν να διοχετεύουν πόρους σε μια συγκεκριμένη περιφέρεια με την ελπίδα ότι θα κινητοποιήσουν περισσότερους υποστηρικτές από τους αντιπάλους και ότι οι προσπάθειές τους δεν θα επιδεινώσουν πάρα πολλούς υποστηρικτές σε άλλο μέρος. Οι κομματικές καμπάνιες, με τη σειρά τους, αγνοούν τις περιφέρειες που περιέχουν μεν πολλούς δικούς τους ψηφοφόρους, αλλά λιγότερους από αυτούς του αντιπάλου τους.

Δεν αποτελεί έκπληξη το γεγονός ότι η στόχευση ατόμων ως ατόμων και όχι ως μελών διάφορων ευρέως καθορισμένων συγκεντρωτικών στοιχείων ήταν από καιρό το ιερό δισκοπότηρο των κομματικών εκστρατειών. Τέτοιες προσπάθειες γίνονται εδώ και δεκαετίες. Με την συλλογή πληροφοριών από πιστωτικές κάρτες, συνδρομές περιοδικών, αρχεία εγγραφής ψηφοφόρων και άλλες πηγές, τα πολιτικά κόμματα έχουν συγκεντρώσει όσες περισσότερες πληροφορίες μπορούν για όλους τους μεμονωμένους ψηφοφόρους. Ωστόσο, μέχρι πρόσφατα, η συλλογή δεδομένων σε ατομικό επίπεδο ήταν ακατάστατη και κατακερματισμένη και η στόχευση εξακολουθούσε να γίνεται από συγκεντρωτικές ομάδες, οι οποίες βασίζονταν απλώς σε πιο πλούσια εξατομικευμένα δεδομένα από πριν. Πολλά από αυτά έχουν αλλάξει με την άνοδο του Διαδικτύου, το οποίο αυξάνει σημαντικά τον τύπο και την ποσότητα των μεμονωμένων δεδομένων, καθώς και την υπολογιστική ανάλυση, αναβαθμίζοντας τις πληροφορίες που μπορούν να συλλεχθούν από αυτές τις πηγές.

Νέα δυναμική πειθούς, επιτήρησης, πολιτικής εκστρατείας και κοινωνικής μηχανικής

Η πρόσφατη άνοδος των big data και των υπολογιστικών τεχνικών αλλάζουν για άλλη μια φορά την πολιτική επικοινωνία με τους πολίτες. Αν οι μηχανικοί της συγκατάθεσης του εικοστού αιώνα είχαν μεγεθυντικούς φακούς και ρόπαλα του μπέιζμπολ, εκείνοι του εικοστού πρώτου αιώνα απέκτησαν τηλεσκόπια, μικροσκόπια και νυστέρια σε σχήμα αλγορίθμων και αναλυτικών στοιχείων. Σε αυτή την ενότητα, εξετάζω έξι αλληλένδετες δυναμικές που δημιουργούν ένα νέο περιβάλλον επιτήρησης και κοινωνικής μηχανικής.

1. Big Data

Η έλευση των ψηφιακών και δικτυωμένων τεχνολογιών έχει προκαλέσει έκρηξη στην ποσότητα και την ποικιλία των δεδομένων που είναι διαθέσιμα για κάθε άτομο, καθώς και στην ταχύτητα με την οποία αυτά τα δεδομένα γίνονται διαθέσιμα. Αυτές οι μεγάλες συλλογές δεδομένων, που αναφέρονται ως big data, δεν είναι απλώς παλαιού είδους δεδομένα. Μάλλον, κατά κάποιο τρόπο, τα αποτελέσματά τους μοιάζουν με την εφεύρεση του μικροσκοπίου που κάνει ορατό το προηγουμένως αόρατο, καθώς και ορατό με άλλους τρόπους ή σαν ένα τηλεσκόπιο που επιτρέπει στον παρατηρητή να κάνει «zoom-out» και να παρατηρήσει σε διαφορετική κλίμακα, συχνά με απώλεια της λεπτότητας και της ατομικότητας των δεδομένων, αλλά με πανίσχυρα συγκεντρωτικά αποτελέσματα. Ενώ τα παραπάνω δεν αποτυπώνουν πλήρως τις νέες επιπτώσεις τους, τα big data, όπως το μικροσκόπιο και το τηλεσκόπιο, απειλούν να ανατρέψουν την κατανόησή μας για πολλαπλά πεδία και να μεταμορφώσουν την πρακτική της πολιτικής.

Αυτό που έχει αλλάξει δεν είναι μόνο το βάθος και το εύρος των διαθέσιμων δεδομένων: η θεμελιώδης φύση των δεδομένων που είναι διαθέσιμα για συγκέντρωση έχει υποστεί σημαντική αλλαγή. Στο παρελθόν, η συλλογή δεδομένων ήταν κυρίως «έλκουσα» (ερωτήσεις που απαντώνται εθελοντικά, όπως σε έρευνες), συμπληρωμένες από ένα στρώμα «λανθάνοντων δεδομένων», τα οποία είναι δεδομένα που υπάρχουν ως αποτυπώματα των ενεργειών που πραγματοποιούμε καθώς προχωράμε στη ζωή μας. Στην προ-ψηφιακή εποχή, τέτοια λανθάνοντα δεδομένα ήταν περιορισμένα - οικονομικές συναλλαγές, συνδρομές σε περιοδικά, αγορές με πιστωτική κάρτα. Οι πολιτικές εκστρατείες αντιμετώπισαν το καθήκον να συμπεράνουν τί σήμαινε μια τέτοια συναλλαγή. Η συνδρομή στο Better Homes & Gardens συνεπάγεται κομματική συμμετοχή; Ανταποκρίνεται σε θέση για προοδευτική φορολογία; Η απάντηση ήταν συχνά «ίσως», αλλά ήταν αδύναμη. Τέτοια δεδομένα παρείχαν κάποια συσχετιστική καθοδήγηση σε επίπεδο ομάδας, αλλά δεν επέτρεψαν ακριβή ατομική στόχευση.

Η άνοδος του Διαδικτύου ως κοινωνικού, αστικού και πολιτικού χώρου προκάλεσε τεράστια ανάπτυξη σε μια διαφορετική κατηγορία δεδομένων που συχνά αποκαλούνται δεδομένα που «παράγονται από τους χρήστες» (user-generated data). Μέρος αυτής της ανάπτυξης οφείλεται στα λανθάνοντα δεδομένα (latend data ή αλλιώς metadata4). Οι συναλλαγές που πραγματοποιούνται ηλεκτρονικά για μια μεγάλη ποικιλία σκοπών αφήνουν πλέον πίσω τους πολύτιμα αποτυπώματα. Τα λανθάνοντα δεδομένα προκύπτουν καθώς ο χρήστης πηγαίνει καθημερινά, ας πούμε, αγοράζοντας προϊόντα και συμμετέχοντας στα μέσα κοινωνικής δικτύωσης. Τα αποτυπώματα που αφήνει πίσω του, ωστόσο, φέρουν σημαντικές πληροφορίες και περιλαμβάνουν τις πραγματικές του συνομιλίες. Ως εκ τούτου, σε αντίθεση με τη ρητή διαδικασία κατά την οποία ένας ερωτώμενος ερωτάται από έναν δημοσκόπο για τις επιλογές του και η απάντηση καταγράφεται, οι καμπάνιες μπορούν πλέον να καταγράφουν πραγματικές δηλώσεις ανθρώπων καθώς μιλούν για μια μεγάλη ποικιλία θεμάτων που τους ενδιαφέρουν. Οι μεσίτες δεδομένων (data brokers) ολοένα και περισσότερο σκαλίζουν και εξετάζουν τη συμπεριφορά των χρηστών σε αυτά τα περιβάλλοντα και συγκεντρώνουν τις απαντήσεις, τις οποίες συνδυάζουν με τεράστιες ποσότητες άλλων διαδικτυακών και offline δεδομένων σχετικά με το άτομο. Αυτός ο τύπος περιεχομένου που δημιουργείται από χρήστες είναι άμεσα σημασιολογικός και αντί για περίπλοκα συμπεράσματα, τέτοια δεδομένα προσφέρονται για βαθύτερη και άμεση εικόνα των απόψεων, των διαθέσεων και των συμπεριφορών ενός ατόμου (μέσω υπολογιστικών μεθόδων που συζητούνται παρακάτω).

Το περιβάλλον στο οποίο δημιουργούνται τα user-generated data έχει υποστεί δραματική αλλαγή. Aκόμη και πριν από μόλις οκτώ χρόνια, όταν το Διαδίκτυο ήταν ήδη ευρέως διαδεδομένο, οι πολιτικές καμπάνιες έπρεπε να καταφύγουν σε κάποιο βαθμό τεχνάσματος για να υποχρεώσουν τους χρήστες να παρέχουν τα δεδομένα/περιεχόμενο. Ο Howard (2006) τεκμηριώνει πώς μια πολιτική εταιρεία λειτούργησε κρυφά ένα φόρουμ συζήτησης που παρείχε στους συμμετέχοντες τα συγκεντρωτικά δεδομένα ψηφοφορίας των πολιτικών κυρίως για να έχουν πρόσβαση στις συζητήσεις των συμμετεχόντων. Οι άνθρωποι έπρεπε να παρασυρθούν ώστε να «παράξουν» user-generated data. Αυτές τις μέρες, τέτοια δεδομένα παράγονται εθελοντικά και ευρέως από τα ίδια τα άτομα ως υποπροϊόν της συμμετοχής του πολίτη που διαμεσολαβείται ψηφιακά - με άλλα λόγια, οι άνθρωποι σχολιάζουν και συζητούν για την πολιτική σε ψηφιακές πλατφόρμες γενικής χρήσης και αυτή η ψηφιακή διαμεσολάβηση των δραστηριοτήτων τους αφήνει πίσω της ένα θησαυροφυλάκιο δεδομένων που συλλέγονται από εταιρείες και μεσίτες δεδομένων (data brokers).

Επιπλέον, το ποσοτικό βάθος των big data που αποτελούνται από online αποτυπώματα είναι εκθετικά μεγαλύτερο από τα προψηφιακά δεδομένα. Μια μεγάλη εμπορική βάση δεδομένων μπορεί εύκολα να περιέχει χιλιάδες σημεία δεδομένων για κάθε άτομο - μια πρόσφατη έκθεση διαπίστωσε ότι ορισμένοι data brokers είχαν 3.000 μεμονωμένα σημεία δεδομένων ανά άτομο και τα αύξαναν με γρήγορο ρυθμό. Ο όγκος και η ποικιλία αυτού του είδους μεγάλων δεδομένων είναι ποιοτικά διαφορετική. Αν μη τι άλλο, το πρόβλημα της ανάλυσης δεδομένων σήμερα είναι ότι δεδομένα που είναι πάρα πολλά, πολύ «βαθιά» και πολύ ποικίλα. Ωστόσο, η άνοδος των υπολογιστικών μεθόδων και μοντέλων ανταποκρίνεται γρήγορα στην πρόκληση της μετατροπής αυτού του κατακλυσμού δεδομένων σε χρήσιμες πληροφορίες στα χέρια των πολιτικών εκστρατειών και άλλων.

2. Εξελισσόμενες υπολογιστικές μέθοδοι

Όλα αυτά τα δεδομένα είναι άχρηστα χωρίς τις τεχνικές απόκτησης χρήσιμων πληροφοριών από το σύνολο δεδομένων. Οι υπολογιστικές μέθοδοι που χρησιμοποιούνται από πολιτικές εκστρατείες εξαρτώνται από πολλαπλές πρόσφατες εξελίξεις. Πρώτον, οι τεχνικές εξελίξεις στα συστήματα αποθήκευσης και βάσεων δεδομένων σημαίνουν ότι μεγάλες ποσότητες δεδομένων μπορούν να αποθηκευτούν και να χρησιμοποιηθούν. Δεύτερον, οι νέες τεχνικές επιτρέπουν την επεξεργασία σημασιολογικών δεδομένων (semantics5), δηλαδή αδόμητων πληροφοριών που περιέχονται στην φυσική γλώσσα που χρησιμοποιείται από τον χρήστη, όπως οι συνομιλίες - σε αντίθεση με τα ήδη δομημένα δεδομένα όπως μια οικονομική συναλλαγή, που έχουν τη μορφή ήδη τακτοποιημένων πεδίων. Τρίτον, τα νέα εργαλεία επιτρέπουν την εξέταση των ανθρώπινων αλληλεπιδράσεων μέσω ενός δομικού φακού χρησιμοποιώντας μεθόδους όπως η ανάλυση των κοινωνικών δικτύων. Τέταρτον, η κλίμακα των δεδομένων επιτρέπει νέα είδη συσχετιστικών αναλύσεων που προηγουμένως θα ήταν δύσκολο να φανταστούμε.

Πρώτον, δεδομένου του όγκου των δεδομένων που παράγονται, ακόμη και η απλή αποθήκευση ήταν μια πρόκληση και απαιτούσε την ανάπτυξη νέων μεθόδων. Στο YouTube ανεβαίνουν βίντεο συνολικής διάρκειας 72 ωρών κάθε λεπτό. Από πέρυσι, το Facebook επεξεργαζόταν περίπου 2,5 δις. κομμάτια περιεχομένου, 2,7 δις. «likes», 300 εκ. φωτογραφίες και, συνολικά, 500 terabyte δεδομένων καθημερινά. Ο χειρισμός τέτοιων μεγάλων συνόλων δεδομένων έγινε πρόσφατα ευκολότερος μέσω της ανάπτυξης τεχνικών όπως τα "Hadoop clusters" που παρέχουν ένα σύστημα κοινόχρηστης αποθήκευσης μαζί με το "Map Reduce" που παρέχει το αναλυτικό επίπεδο που επιτρέπει την αξιόπιστη και γρήγορη πρόσβαση σε τόσο μεγάλα σύνολα δεδομένων. Το Facebook φέρεται να διατηρεί τα δεδομένα του σε ένα σύμπλεγμα Hadoop 100 petabyte.

Δεύτερον, οι νέες τεχνικές υπολογιστικής επεξεργασίας επιτρέπουν την εξαγωγή σημασιολογικών πληροφοριών από δεδομένα χωρίς τη χρήση μιας στρατιάς ανθρώπινων κωδικοποιητών και αναλυτών, όπως θα απαιτούνταν από παλιές τεχνικές. Τεχνικές που αυτόματα «βαθμολογούν» λέξεις για να δημιουργήσουν εκτιμήσεις ιδεολογικού περιεχομένου κειμένων και ανάλυση συναισθημάτων ή ομαδοποιούν προτάσεις σε θέματα, επιτρέπουν μια πιθανολογική αλλά αρκετά ισχυρή μέθοδο κατηγοριοποίησης της προσέγγισης ενός ατόμου σε κάποιο θέμα όπως αναπαριστάται στις κειμενικές δηλώσεις του, αλλά χωρίς το δαπανηρό βλέμμα ενός ανθρώπου να διαβάζει το πραγματικό περιεχόμενο. Χωρίς αυτές τις υπολογιστικές τεχνικές, τα κείμενα θα έπρεπε να διαβάζονται και να συνοψίζονται από μεγάλο αριθμό ατόμων. Ακόμη και τότε, η απλή συγκέντρωση των αποτελεσμάτων θα αποτελούσε πρόκληση. Ενώ οι αλγόριθμοι συνοδεύονται από παγίδες και περιορισμούς - για παράδειγμα το το "Google Flu Trends" που κάποτε χαιρετίστηκε ως μεγάλη καινοτομία έχει αποδειχθεί ότι παράγει παραπλανητικά δεδομένα - μπορούν να είναι χρήσιμοι για την παροχή πληροφοριών που διαφορετικά θα ήταν απαγορευτικά δαπανηρή ή αδύνατη.

Τρίτον, η ανάλυση των κοινωνικών δικτύων, οι ρίζες της οποίας πηγαίνουν στην κοινωνιολογία της δεκαετίας του 1950, έχει διευρυνθεί σημαντικά σε χρησιμότητα και τεχνική επέκταση, επιτρέποντας στους αναλυτές όχι απλώς να χαρτογραφούν τις απόψεις των ανθρώπων, αλλά και να τις τοποθετούν μέσα στα κοινωνικά δίκτυα. Η διευρυμένη χρησιμότητα προέκυψε εν μέρει επειδή τα δεδομένα που έχουν τη μορφή δικτύου έχουν αυξηθεί σημαντικά λόγω των διαδικτυακών πλατφορμών κοινωνικών δικτύων που χρησιμοποιούνται για διάφορους σκοπούς, συμπεριλαμβανομένης της πολιτικής. Προηγουμένως, η συλλογή πληροφοριών κοινωνικών δικτύων από ανθρώπους ήταν μια δύσκολη και δαπανηρή προσπάθεια και διάφορες προκαταλήψεις και δυσκολίες στην ανάκληση πληροφοριών κοινωνικών δικτύων οδήγησαν σε πολλές δυσκολίες καθώς ακόμη και τα μικρά κοινωνικά δίκτυα απαιτούσαν εκατοντάδες συνεντεύξεις όπου οι άνθρωποι αναμενόταν να αναφέρουν δεκάδες, αν όχι εκατοντάδες των κοινωνικών δεσμών. Όπως είναι λογικό, μια τέτοια έρευνα ήταν πάντα πολύ δύσκολη και γινόταν μόνο σε μικρά δείγματα.

Με την εμφάνιση των δικτύων που κωδικοποιήθηκαν από το λογισμικό, η ανάλυση δικτύου κατέστη δυνατή χωρίς το δύσκολο βήμα της συλλογής πληροφοριών απευθείας από άτομα. Οι ερευνητές άρχισαν επίσης να εφαρμόζουν ανάλυση δικτύου σε ευρύτερα θέματα όπου οι «συνδέσεις» (connections) θα μπορούσαν να ερμηνευθούν ως «σύνδεσμοι» (links) σε ένα δίκτυο - όπως η μπλογκόσφαιρα (με κάθε σύνδεσμο να αποτελεί μια σύνδεση) ή τα δίκτυα βιβλιογραφικών αναφορών των ερευνητών. Η ανάλυση δικτύου επιτρέπει τον εντοπισμό διαφόρων δομικών χαρακτηριστικών του δικτύου, όπως η «κεντρικότητα», η ομαδοποίηση (αν υπάρχουν πυκνές, διακριτές ομαδοποιήσεις), οι γέφυρες που συνδέουν συστάδες και πολλά άλλα, τα οποία παρέχουν πολύτιμες πολιτικές πληροφορίες για τον τρόπο στόχευσης ή διάδοσης πολιτικού υλικού. Για παράδειγμα, τα άτομα με υψηλή κεντρικότητα είναι χρήσιμοι διαδότες πληροφοριών και απόψεων και αφού εντοπιστούν, μπορούν να στοχοποιηθούν από πολιτικές εκστρατείες ως σημεία εισόδου σε μεγαλύτερα κοινωνικά δίκτυα.

Τέταρτον, οι ερευνητές μπορούν τώρα να αναζητήσουν «συσχετίσεις» σε αυτά τα τεράστια σύνολα δεδομένων με τρόπους που θα ήταν δύσκολο έως αδύνατο πριν. Αυτό οδήγησε, φυσικά, σε πολλές θετικές εφαρμογές. Για παράδειγμα, οι ερευνητές άρχισαν να εντοπίζουν αλληλεπιδράσεις φαρμάκων εξετάζοντας αναζητήσεις στο Google για πολλά φάρμακα που ταιριάζουν με συμπτώματα - ένα κατόρθωμα που δεν μπορεί να γίνει πρακτικά με άλλο τρόπο, που θα σήμαινε έρευνα όλων των χρηστών όλων των φαρμάκων για όλες τις παρενέργειες. Ωστόσο, για τις πολιτικές καμπάνιες, αυτό ανοίγει επίσης πόρτες για την καλύτερη εξατομικευμένη αναγνώριση των ατόμων-στόχων με την εξέταση ή τις συσχετίσεις μεταξύ των πολιτικών τους επιλογών και άλλων χαρακτηριστικών. Λαμβάνοντας υπόψη ότι οι data brokers έχουν χιλιάδες σημεία δεδομένων για σχεδόν κάθε άτομο στις Ηνωμένες Πολιτείες, αυτές οι νέες υπολογιστικές μέθοδοι είναι διαθέσιμες για τις καμπάνιες, με τις οποίες μπορούν να αναλύσουν, να κατηγοριοποιήσουν και να ενεργήσουν στο εκλογικό σώμα.

3. Μοντελοποίηση

Σε αυτό το πλαίσιο, η μοντελοποίηση είναι η πράξη της εξαγωγής νέων πληροφοριών μέσω ανάλυσης δεδομένων που βασίζονται στη δημιουργία μιας υπολογιστικής σχέσης μεταξύ των υποκείμενων δεδομένων και των πληροφοριών στόχου. Η μοντελοποίηση μπορεί να είναι πολύ πιο ισχυρή από το συγκεντρωτικό προφίλ. Το συγκεντρωτικό προφίλ επιχειρεί να κατηγοριοποιήσει έναν χρήστη, τοποθετώντας τον σε μια κατηγορία με πολλούς άλλους, συνδυάζοντας τα διαθέσιμα δεδομένα. Κάποιος που απάντησε σε μια ερώτηση έρευνας για περιβαλλοντικά ζητήματα ως «πολύ σημαντικό» για αυτόν, για παράδειγμα, είναι πιθανότατα ψηφοφόρος με περιβαλλοντική συνείδηση. Σε συνδυασμό με δεδομένα αγορών (πχ, ψώνια στο Whole Foods), μια καμπάνια μπορεί να τον χαρακτηρίσει ως ψηφοφόρο με περιβαλλοντική συνείδηση.

Ωστόσο, η έλευση μεγάλων συνόλων δεδομένων που περιέχουν αποτυπώματα πραγματικής συμπεριφοράς και πληροφορίες κοινωνικών δικτύων - κοινωνικές αλληλεπιδράσεις, συνομιλίες, δίκτυα φιλίας, ιστορικό ανάγνωσης και σχολιασμού σε διάφορες πλατφόρμες - μαζί με την πρόοδο στις υπολογιστικές τεχνικές σημαίνει ότι οι πολιτικές καμπάνιες (καθώς και διαφημιστές ή εταιρείες και άλλοι με πρόσβαση σε αυτές τις βάσεις δεδομένων καθώς και σε τεχνικούς πόρους) μπορούν να μοντελοποιήσουν τις μεμονωμένες προτιμήσεις και τα χαρακτηριστικά των ψηφοφόρων με υψηλό επίπεδο ακρίβειας και πολύ σημαντικό, συχνά χωρίς να θέσουν στον ψηφοφόρο ούτε μια άμεση ερώτηση. Παραδόξως, τα αποτελέσματα τέτοιων μοντέλων μπορεί να ταιριάζουν με την ποιότητα των απαντήσεων που μπορούσαν να εξαχθούν μόνο μέσω άμεσων ερωτήσεων και υπερβαίνουν κατά πολύ το εύρος των πληροφοριών που θα μπορούσαν να συγκεντρωθούν για έναν ψηφοφόρο μέσω παραδοσιακών μεθόδων.

Για παράδειγμα, ένα πρόσφατο άρθρο δείχνει ότι η απλή χρήση των likes στο Facebook είναι αρκετή για να μοντελοποιήσει και να προβλέψει με ακρίβεια έναν εντυπωσιακό αριθμό προσωπικών χαρακτηριστικών, όπως «τον σεξουαλικό προσανατολισμό, την εθνικότητα, τις θρησκευτικές και πολιτικές απόψεις, τα χαρακτηριστικά της προσωπικότητας, την νοημοσύνη, την ευτυχία, την χρήση εθιστικών ουσιών, τον χωρισμό γονέων, την ηλικία και το φύλο». Τα μοντέλα ερευνητών που χρησιμοποιούσαν αποκλειστικά τα likes στο Facebook - ένα κλάσμα των δεδομένων που είναι διαθέσιμα σε οποιονδήποτε data broker - διέκρινε σωστά εάν ο χρήστης του Facebook είναι ετεροφυλόφιλος ή όχι στο περίπου 88% των περιπτώσεων, προέβλεψε την φυλή με περίπου 95% επιτυχία και διαπίστωσε την όποια κλίση σε πολιτικά κόμματα με περίπου το 85% επιτυχία. Με άλλα λόγια και μόνο η πρόσβαση σε ένα κλάσμα δεδομένων του Facebook, που υποβάλλονται σε επεξεργασία μέσω ενός υπολογιστικού μοντέλου, επιτρέπει σε μεγάλο βαθμό να οριοθετούνται σωστά οι Ρεπουμπλικάνοι και οι Δημοκρατικοί χωρίς να εξετάζεται οποιαδήποτε άλλη βάση δεδομένων, αρχείο εγγραφής ψηφοφόρων, οικονομικές συναλλαγές ή συμμετοχή σε οργανισμούς.

Ενώ μέρη αυτού του παραδείγματος μπορεί να φαίνονται ασήμαντα, καθώς ορισμένα από αυτά, όπως η ηλικία και το φύλο, είναι παραδοσιακά δημογραφικά στοιχεία και συνήθως περιλαμβάνονται σε παραδοσιακές βάσεις δεδομένων, είναι σημαντικό να σημειωθεί ότι αυτά εκτιμώνται μέσω μοντελοποίησης και δεν ζητούνται ή παρατηρούνται από τον χρήστη. Αυτό σημαίνει ότι αυτά τα χαρακτηριστικά μπορούν επίσης να μοντελοποιηθούν σε πλατφόρμες όπου οι ανώνυμες ή ψευδώνυμες δημοσιεύσεις είναι ο κανόνας. Αυτός ο τύπος μοντελοποίησης προωθεί επίσης την ασυμμετρία πληροφοριών μεταξύ πολιτικής καμπάνιας και πολιτών. Οι καμπάνιες «γνωρίζουν» για κάθε δεδομένο ψηφοφόρο, με τους ψηφοφόρους να μην έχουν ιδέα για αυτά τα μοντέλα στο παρασκήνιο.

Κυρίως, αυτός ο τύπος μοντελοποίησης επιτρέπει την πρόσβαση σε ψυχολογικά χαρακτηριστικά που ήταν πέρα από την εμβέλεια των παραδοσιακών βάσεων δεδομένων, τα οποία είναι τόσο επεμβατικά όσο θα μπορούσαμε να φανταστούμε. Τα χαρακτηριστικά της προσωπικότητας όπως η «ανοιχτότητα» ή η «εσωστρέφεια» ή ο «νευρωτισμός» μετρώνται παραδοσιακά με έρευνες, οι οποίες έχουν αναπτυχθεί και επικυρωθεί από ψυχολόγους και χρησιμοποιούνται σε μεγάλο αριθμό ανθρώπων εδώ και δεκαετίες. Αν και αυτά τα χαρακτηριστικά μπορεί να είναι γενικεύσεις, είναι σημαντικά πιο λεπτομερή από τα χονδροειδή δημογραφικά στοιχεία που χρησιμοποιούν οι πολιτικοί διαφημιστές («ποδοσφαιρόφιλες μαμάδες»). Ο Kosinski απέδειξε ότι τα μοντέλα που βασίζονται σε likes στο Facebook ήταν τόσο καλά όσο και οι επιστημονικές κλίμακες. Με άλλα λόγια, χωρίς να κάνουν ούτε μία ερώτηση, οι ερευνητές μπόρεσαν να μοντελοποιήσουν ψυχολογικά χαρακτηριστικά με την ίδια ακρίβεια με έναν ψυχολόγο που χρησιμοποιούσε ένα τυποποιημένο, επικυρωμένο εργαλείο. Δεδομένου ότι τα δεδομένα κοινωνικών μέσων έχουν χρησιμοποιηθεί για την ακριβή μοντελοποίηση χαρακτηριστικών, που κυμαίνονται από τα ποσοστά αυτοκτονίας έως την κατάθλιψη σε άλλες συναισθηματικές και ψυχολογικές μεταβλητές και δεδομένου ότι τα μέσα κοινωνικής δικτύωσης είναι απλώς μια πτυχή των πληροφοριών που είναι διαθέσιμες για τη μοντελοποίηση των big data, είναι σαφές ότι οι πολιτικές καμπάνιες μπορούν να έχουν μια πολύ πιο πλούσια, ακριβέστερη κατηγοριοποίηση των ψηφοφόρων και χωρίς καν πριν να έχουν απαραίτητα χτυπήσει την πόρτα τους ούτε μια φορά για να κάνουν μια ερώτηση.

Για να καταλάβετε γιατί αυτή είναι μια σημαντική αλλαγή, σκεφτείτε πόσο διαφορετικό είναι σε σύγκριση με το πιο χονδροειδές και βασικό προφίλ που έχει χρησιμοποιηθεί στην παραδοσιακή έρευνα δημοσκοπήσεων για τον εντοπισμό πιθανών ψηφοφόρων. Για δεκαετίες, οι παραδοσιακές οργανώσεις δημοσκοπήσεων και οι πολιτικές καμπάνιες προσπαθούν να διαμορφώσουν πιθανούς ψηφοφόρους στις έρευνές τους με διάφορους βαθμούς επιτυχίας. Οι καμπάνιες δεν θέλουν να δαπανήσουν πόρους σε άτομα που είναι απίθανο να ψηφίσουν και οι δημοσκόποι χρειάζονται αυτές τις πληροφορίες για να ζυγίσουν σωστά τα δεδομένα τους. Η ίδια η ερώτηση («είναι πιθανό να ψηφίσετε;») δεν έχει αποδειχθεί τόσο χρήσιμη, λόγω της γνωστής κοινωνικά επιθυμητής μεροληψίας απάντησης: πολλοί απρόθυμοι ψηφοφόροι δηλώνουν την πρόθεσή τους να ψηφίσουν. Τα προηγούμενα ρεκόρ ψηφοφορίας είναι επίσης αδύναμα προγνωστικά - εκτός αυτού, υπάρχουν πολλοί νέοι ψηφοφόροι που μπαίνουν στους καταλόγους. Η Gallup, της οποίας το πιθανό μοντέλο ψηφοφόρων θεωρούνταν από καιρό ως ο κανόνας του χρυσού, θέτει μια σειρά από επτά ερωτήσεις που περιλαμβάνουν πρόθεση, γνώση (πού είναι ο εκλογικός σας θάλαμος;), προηγούμενη συμπεριφορά και έμμεσες προσεγγίσεις (πόσο συχνά σκέφτεστε για τις εκλογές;). Ωστόσο, ακόμη και με δεκαετίες τεχνογνωσίας, η Gallup έχασε τις προβλέψεις των εκλογών, λόγω της αδυναμίας της να προβλέψει σωστά τους πιθανούς ψηφοφόρους μέσω αυτών των ερευνών. Η βαρύτητα της κατάστασης ήταν τέτοια που η Gallup έγινε «ατάκα»: στο δείπνο της Ένωσης Ανταποκριτών του Λευκού Οίκου, ο Πρόεδρος Ομπάμα έκανε ένα προβλέψιμο αστείο, ακολουθούμενο από ένα αστείο σχετικά με το ποιος δεν είδε το [προβλέψιμο] αστείο να έρχεται: «Show of hands? Only Gallup?» ειρωνεύτηκε.

Αντίθετα, κατά τη διάρκεια των εκλογών του 2012, η καμπάνια του Μπαράκ Ομπάμα ανέπτυξε ένα αρκετά εξελιγμένο μοντέλο «πιθανότητας συμμετοχής» με βάση τα σύνολα δεδομένων του, τα οποία δεν βασίζονταν μόνο σε έρευνες αλλά ενσωμάτωναν τα είδη των δεδομένων που συζητούνται σε αυτό το άρθρο, και δημιούργησε έναν δείκτη από το 0 (δεν πρόκειται να ψηφίσει) έως το 100 (σίγουρα θα ψηφίσει) για κάθε υποψήφιο ψηφοφόρο. Αυτό είχε ως αποτέλεσμα μια στοχευμένη, εξαιρετικά αποτελεσματική προσπάθεια πειθούς και προσέλευσης, η οποία επικεντρώθηκε κυρίως στο να προσέλθουν ψηφοφόροι που ήταν ήδη υποστηρικτές του Ομπάμα αντί να ξοδέψουν πολλή προσπάθεια για να πείσουν ψηφοφόρους που δεν θα κατέληγαν να ψηφίσουν. Αυτό άφησε τις καμπάνιες του Romney, βασισμένες σε πιο παραδοσιακές προσπάθειες, τόσο πολύ πίσω που μετά την ήττα τους, τα στελέχη του Romney έμειναν να αναφωνούν ότι η καμπάνια του Ομπάμα έδειξε ψηφοφόρους τους οποίους η καμπάνια Romney «δεν ήξερε καν ότι υπήρχαν». Το 2014, στελέχη της προεκλογικής εκστρατείας του Ομπάμα είπαν σε μια συγκέντρωση στο Personal Democracy Forum ότι σε κρίσιμες πολιτείες, μπόρεσαν να «πάνε βαθιά στο έδαφος» των Ρεπουμπλικανών, για να επιλέξουν μεμονωμένα ψηφοφόρους που είχαν μοντελοποιήσει ως πιθανούς Δημοκρατικούς, σε κατά τα άλλα Ρεπουμπλικανικά προάστια, σπάζοντας το εμπόδιο της «περιφέρειας» στην στόχευση ψηφοφόρων. Τα πλεονεκτήματα της ισχυρότερης, καλύτερης μοντελοποίησης, μιας δαπανηρής επιχείρησης που εξαρτάται από τη δυνατότητα αγοράς και χειρισμού μεγάλων ποσοτήτων δεδομένων, δύσκολα μπορούν να υποτιμηθούν.

Τέλος, η μοντελοποίηση big data μπορεί να προβλέψει συμπεριφορές με λεπτούς τρόπους και να είναι πιο αποτελεσματικά προσανατολισμένη προς την αλλαγή συμπεριφορών. Για παράδειγμα, εδώ και χρόνια, το ιερό δισκοπότηρο της στόχευσης για τους επαγγελματίες του μάρκετινγκ ήταν η εγκυμοσύνη και ο τοκετός, καθώς είναι μια περίοδος μεγάλων αλλαγών για τις οικογένειες, με αποτέλεσμα νέες καταναλωτικές συνήθειες που μπορεί να διαρκέσουν για δεκαετίες. Προηγουμένως, οι έμποροι λιανικής μπορούσαν να εξετάσουν προφανή βήματα όπως η δημιουργία ενός μητρώου μωρών. Ωστόσο, μέχρι τότε, οι πληροφορίες είναι συχνά ήδη δημόσιες και σε άλλους επαγγελματίες του μάρκετινγκ και ο πελάτης-στόχος είναι ήδη στην εγκυμοσύνη και έχει ήδη καθιερώσει πρότυπα κατανάλωσης. Ωστόσο, συνδυάζοντας πλούσια δεδομένα με προγνωστικά μοντέλα, ο γίγαντας της λιανικής Target δεν είναι μόνο σε θέση να εντοπίσει πιθανή εγκυμοσύνη πολύ νωρίς, στο πρώτο ή το δεύτερο τρίμηνο, αλλά μπορεί επίσης να εκτιμήσει την ημερομηνία λήξης «με ένα μικρό χρονικό παράθυρο» ώστε να μπορεί να στείλει κουπόνια και διαφημίσεις χρονομετρημένα στα στάδια της εγκυμοσύνης και της ανατροφής. Σε ένα εντυπωσιακό παράδειγμα, ο Duhigg (2012) αφηγείται την ιστορία ενός θυμωμένου πατέρα που μπαίνει στο Target, απαιτώντας να δει τον διευθυντή για να ρωτήσει γιατί στην έφηβη κόρη του έστελναν διαφημίσεις για ρούχα εγκυμοσύνης, έπιπλα παιδικού σταθμού και παραφενέλια για μωρά. Ο διευθυντής, όπως αναφέρθηκε, ζήτησε χίλια συγγνώμη, μόνο για να λάβει ο ίδιος την συγγνώμη του πατέρα, που όταν επέστρεψε στο σπίτι για να μιλήσει με την κόρη του, εκείνη του είπε ότι ήταν πράγματι έγκυος. Η μοντελοποίηση δεδομένων οδήγησε σε γεγονότα που ένας γονέας δεν γνώριζε για το δικό του παιδί που ζούσε κάτω από τη δική του στέγη.

4. Επιστήμη της συμπεριφοράς

Αυτές οι προγνωστικές αναλύσεις δεν θα ήταν τόσο πολύτιμες χωρίς την αντίστοιχη ανάπτυξη των μοντέλων της επιστήμης της συμπεριφοράς σχετικά με το πώς να πείθονται, να επηρεάζονται και να παρακινούνται οι άνθρωποι σε συγκεκριμένες ενέργειες. Η ανάπτυξη βαθύτερων μοντέλων ανθρώπινης συμπεριφοράς είναι ζωτικής σημασίας για τη μετατροπή της ικανότητας εξέτασης, μοντελοποίησης και δοκιμής των big data σε μέσα αλλαγής της πολιτικής συμπεριφοράς.

Ο ίδιος ο ιδρυτής των δημοσίων σχέσεων, Edward Bernays, είχε υποστηρίξει ότι οι άνθρωποι ήταν θεμελιωδώς παράλογοι. Ωστόσο, οι ορθολογικές και «πρακτικές» πτυχές της ανθρώπινης συμπεριφοράς έχουν από καιρό τονιστεί στην κυρίαρχη ακαδημαϊκή βιβλιογραφία, ειδικά σε τομείς όπως η οικονομία και η πολιτική επιστήμη. Ενώ το ιδεώδες του Habermas (1989) για τη δημόσια σφαίρα φανταζόταν δράστες χωρίς στάτους να διεξάγουν ορθολογικές συζητήσεις με βάση την αξία, οι πολιτικοί επαγγελματίες έχουν από καιρό αναγνωρίσει ότι το μοντέλο του «ορθολογικού ψηφοφόρου» δεν αντιστοιχούσε στην εμπειρία τους για τον κόσμο. Ωστόσο, μέχρι πρόσφατα, υπήρχε σχετικά μικρή συστηματική ανάλυση των «αγκίστρων» για την καθοδήγηση του «παραλογισμού» στα επιθυμητά αποτελέσματα - τα εργαλεία που απαιτούνται για την εργαλειακή και ορθολογική χειραγώγηση του ανθρώπινου παραλογισμού δεν είχαν ακόμη αναπτυχθεί.
Όλα αυτά άλλαξαν χάρη στην έρευνα που έδινε έμφαση στις μη ορθολογικές πτυχές της ανθρώπινης συμπεριφοράς και στις προσπάθειες μέτρησης και δοκιμής αυτής της τροποποίησης συμπεριφοράς μέσα σε πολιτικά πλαίσια. Καθώς η ανάλυση συμπεριφοράς έγινε πιο περίπλοκη, για πρώτη φορά στη σύγχρονη πολιτική ιστορία, ένα μέρος των ερευνητών από τις επιστήμες της συμπεριφοράς πέρασε στην πρακτική πολιτική, ξεκινώντας από την εκστρατεία Ομπάμα το 2008. Ως εκ τούτου, όπως αναφέρθηκε από τον Issenberg (2012), υπήρξε μια σημαντική μετατόπιση από τις «αφηγήσεις για επιχορηγήσεις» και τα τακτοποιημένα συμπεράσματα που παράγονται από ειδικούς προς έναν επιχειρησιακό αγώνα που επικεντρώνεται στην αλλαγή της συμπεριφοράς των μεμονωμένων ψηφοφόρων, ο οποίος ήταν κρίσιμα υποβοηθούμενος από τις γνώσεις των επιστημόνων της συμπεριφοράς.

Δεν ήταν ότι η επιστήμη της συμπεριφοράς μπορούσε να ξεπεράσει τα δομικά εμπόδια μιας καμπάνιας όπως μια κακή οικονομική πολιτική ή έναν βαθιά πεποισμένο υποψήφιο. Όλο και περισσότερο, ωστόσο, οι εκλογές διεξάγονται στο περιθώριο, εν μέρει λόγω της προϋπάρχουσας πόλωσης - ενός συστήματος στο οποίο ο κερδισμένος τα παίρνει όλα, στην περίπτωση των Ηνωμένων Πολιτειών - αλλά και της χαμηλής συμμετοχής. Υπό αυτές τις συνθήκες, η επιχειρησιακή ικανότητα να βρεθούν και να πεισθούν ακριβώς ο σωστός αριθμός μεμονωμένων ψηφοφόρων γίνεται ολοένα και πιο σημαντική. Σε ένα τέτοιο περιβάλλον, οι μικρές διαφορές στην αναλυτική ικανότητα μπορεί να είναι η ώθηση που αναδεικνύει τον νικητή. Για παράδειγμα, οι πολιτικοί επιστήμονες συμπεριφοράς που εργάζονταν για τις πολιτικές καμπάνιες βρήκαν ότι οι «απλοί λευκοί φάκελοι» λειτουργούν καλύτερα από τις γυαλιστερές επιστολές, ως προς την αξιοπιστία του μηνύματος. Ως εκ τούτου, χρησιμοποιήθηκαν όλο και περισσότερο από την εκστρατεία του Ομπάμα. Κατά συνέπεια, η συγχώνευση της εμπειρικής επιστήμης της συμπεριφοράς με τα «ψυχογραφικά» προφίλ, που προέκυψαν από την υπολογιστική μοντελοποίηση των big data, όπως συζητήθηκε προηγουμένως, μπορεί να δημιουργήσει ένα σημαντικό πλεονέκτημα.

Ο συνδυασμός ψυχογραφικών στοιχείων με μεμονωμένα προφίλ σε ένα ιδιωτικοποιημένο (δηλαδή, μη δημόσιο) περιβάλλον επικοινωνίας μπορεί να μεταμορφώσει τις πολιτικές καμπάνιες. Για παράδειγμα, οι καμπάνιες έχουν συχνά καταφύγει στον φόβο (ή σε άλλες τακτικές που απευθύνονται στο παράλογο), όπως η περιβόητη διαφήμιση με «το κορίτσι με την μαργαρίτα» και τον πυρηνικό πόλεμο κατά τη διάρκεια της προεδρικής εκστρατείας των ΗΠΑ το 1964. Ωστόσο, η έρευνα δείχνει ότι όταν φοβούνται, μόνο μερικοί άνθρωποι τείνουν να γίνονται πιο συντηρητικοί και να ψηφίζουν πιο συντηρητικούς υποψηφίους. Ωστόσο, οι καμπάνιες μέχρι τώρα έπρεπε να στοχεύουν ολόκληρο τον πληθυσμό, ή τουλάχιστον ένα σημαντικό τμήμα ταυτόχρονα, με το ίδιο μήνυμα. Αντίθετα, μοντελοποιώντας τις ατομικές ψυχολογίες μέσω υπολογιστικών μεθόδων που εφαρμόζονται σε big data, μια πολιτική καμπάνια που ελπίζει να συγκεντρώσει ψήφους ενός συντηρητικού υποψηφίου μπορεί εύλογα (και σχετικά εύκολα) να εντοπίσει ψηφοφόρους που θα ήταν πιο πιθανό να αντιδράσουν στον φόβο ψηφίζοντας συντηρητικούς και να τους στοχεύσει μεμονωμένα, με τακτικές «φόβου» σχεδιασμένες για τις προσωπικές τους αδυναμίες και ευπάθειες, παρακάμπτωντας παράλληλα τα άτομα στα οποία η πρόκληση φόβου δεν θα είχε το επιθυμητό αποτέλεσμα ή ακόμη και το αντίθετο από το επιθυμητό, ενώ θα επικοινωνεί μαζί τους με έναν αόρατο τρόπο για το ευρύτερο κοινό, ας πούμε μέσω διαφημίσεων στο Facebook.

5. Πειραματική επιστήμη σε περιβάλλοντα πραγματικού χρόνου

Ο online κόσμος άνοιξε τις πόρτες σε φθηνές, μεγάλης κλίμακας και σε πραγματικό χρόνο δοκιμές της αποτελεσματικότητας της πειθούς και της πολιτικής επικοινωνίας· μια σημαντική καινοτομία για τις πολιτικές καμπάνιες. Πολλές καμπάνιες στο παρελθόν κατευθύνονταν από τη «έμμεση γνώση», την «ενστικτώδη αίσθηση» και τον σεβασμό στην παραδοσιακή τεχνογνωσία. Οι εμπειρικές συζητήσεις για την πολιτική θα επικεντρώνονταν, το πολύ, στις έρευνες γνώμης όπου υπήρχε εκπληκτικά μικρός αριθμός δοκιμών ή πειραματισμών σε πολιτικές καμπάνιες.

Υπάρχουν πολλοί λόγοι για τις περιορισμένες δοκιμές, συμπεριλαμβανομένου του γεγονότος ότι οι πολιτικές καμπάνιες είναι στην ουσία επιχειρήσεις - και οι συμβούλοι που ζουν από αυτές, βασισμένοι στην «ενστικτώδη αίσθησή» τους, δεν ήταν ποτέ «θερμοί» για τους πειραματισμούς που θα μπορούσαν να αμφισβητήσουν τις στρατηγικές τους και να βλάψουν την αξιοπιστία τους. Αλλά το πιο σημαντικό, τα πειράματα πεδίου είναι δαπανηρά και χρονοβόρα, και τα χρήματα και ο χρόνος είναι οι πόροι στους οποίους οι πολιτικές καμπάνιες ήδη αποδίδουν την υψηλότερη σημασία.

Παρά τα εμπόδια αυτά, πραγματοποιήθηκαν ορισμένα πειράματα. Ωστόσο, τα αποτελέσματά τους δημοσιεύονταν συχνά πολύ αργά για τις εν λόγω εκλογές. Τα πειράματα πεδίου που διεξήχθησαν το 2001 και έδειχναν ότι η πρόσωπο-με-πρόσωπο «ψηφοθηρία» ήταν πιο αποτελεσματική για τη συμμετοχή, δημοσιεύθηκαν τρία χρόνια αργότερα. Αυτά τα πειράματα αύξησαν την επίγνωση ότι πολλές μέθοδοι για τις οποίες παραδοσιακά ξόδευαν χρήματα οι καμπάνιες (για παράδειγμα, οι ταχυδρομικές υπηρεσίες ή οι τηλεφωνικές κλήσεις) δεν ήταν πολύ αποτελεσματικές. Η πολιτιστική αλλαγή στην έμφαση στις μετρήσεις ήρθε σε πλήρη εφαρμογή με τις εκστρατείες του Ομπάμα το 2008 και το 2012, οι οποίες ήταν αξιοσημείωτες για την «κουλτούρα που βασίζεται στα δεδομένα». Ο διευθυντής καμπάνιας Jim Messina δήλωσε ήδη από το 2011 ότι η εκστρατεία του Ομπάμα το 2012 επρόκειτο να είναι «καθοδηγούμενη από τις μετρήσεις». Μια κουλτούρα πειραματισμού ενθαρρύνθηκε και αγκαλιάστηκε.

Αυτή η αλλαγή, ωστόσο, δεν ήταν απλώς μια αλλαγή προοπτικής, αλλά μια αλλαγή και στην τεχνική υποδομή. Η άνοδος των ψηφιακών πλατφορμών επέτρεψε την ενσωμάτωση του πειραματισμού σε πραγματικό χρόνο στην ίδια την παράδοση του πολιτικού μηνύματος. Η δοκιμή A/B, όπως ονομάζεται συχνά, περιλαμβάνει τη δημιουργία πολλαπλών εκδοχών μιας εικόνας ή ενός μηνύματος που θα παραδοθούν ξεχωριστά και σε τυχαία επιλεγμένες ομάδες ελέγχου. Τα αποτελέσματα μετρώνται σε πραγματικό χρόνο και ενσωματώνονται γρήγορα στην παράδοση, καθώς το «νικητήριο» μήνυμα γίνεται «το» μήνυμα. Μεθοδολογικά, φυσικά, αυτή είναι η παραδοσιακή πειραματική επιστήμη, αλλά έχει καταστεί δυνατή επειδή οι εκστρατείες γίνονται τώρα εν μέρει σε ένα μέσο που επιτρέπει αυτές τις πειραματικές δυνατότητες: φθηνή παράδοση μηνυμάτων, άμεση μέτρηση, δυνατότητα τυχαιοποίησης παραληπτών και γρήγορη ανατροφοδότηση των αποτελεσμάτων, που μπορούν στη συνέχεια να εφαρμοστούν στον επόμενο γύρο. Οι υπεύθυνοι που εμπλέκονται σε τέτοιες καμπάνιες, «κατευθυνόμενες από τη μέτρηση», αναφέρουν ότι η «ενστικτώδη αίσθησή» τους συχνά αποδείχθηκε λάθος από τα πειράματα.

Η καμπάνια του Ομπάμα είχε ενσωματώσει πειράματα στις μεθόδους της ήδη από το 2007. Για παράδειγμα, τον Δεκέμβριο του 2007, όταν η εκστρατεία Ομπάμα βρισκόταν ακόμα στα πρώτα της στάδια, η καμπάνια δημιούργησε 24 διαφορετικούς συνδυασμούς κουμπιών και πολυμέσων για τη αρχική σελίδα της. Κάθε παραλλαγή παρατηρήθηκε από 13.000 άτομα - ένας απίστευτα μεγάλος αριθμός για τη διεξαγωγή ενός πειράματος πεδίου με παλιά πρότυπα, αλλά μια σχετικά εύκολη και φθηνή προσπάθεια στην ψηφιακή εποχή. Στο τέλος, ο νικηφόρος συνδυασμός (που δείχνει μια φωτογραφία της οικογένειάς του και των παιδιών του) είχε 40% υψηλότερο «ποσοστό εγγραφής» - μεταφράζοντας το στον συνολικό αριθμό των ατόμων που εγγράφηκαν, ο αντίκτυπος μπορεί να ήταν τόσο υψηλός όσο 2.888.000 άτομα επιπλέον. Λαμβάνοντας υπόψη ότι η μέση συνεισφορά ήταν 21 δολάρια ΗΠΑ και ότι το 10 τοις εκατό των ατόμων που εγγράφηκαν προσφέρθηκαν εθελοντικά, η διαφορά θα ήταν επιπλέον 60 εκ. δολάρια και 288.000 περισσότεροι εθελοντές που ήρθαν μέσω ενός φθηνού, μαζικού και άμεσου πειράματος. Μέσα από τέτοιους πειραματισμούς, η εκστρατεία του Ομπάμα οδήγησε στο να παρουσιάσει κυρίως την οικογένειά του σε μεγάλο προεκλογικό υλικό.

Ένας τέτοιος επί τόπου, μεγάλος και περίπλοκος τυχαιοποιημένος πειραματισμός ήταν παραδοσιακά σπάνιος στις κοινωνικές επιστήμες, πόσο μάλλον στις πολιτικές καμπάνιες, λόγω κόστους, προσπαθειών και ηθικών κριτηρίων. Για να λάβετε υπόψη τις επιπλοκές τέτοιων μαζικών διαδικτυακών πειραμάτων δείτε την πρόσφατη οργή για το πείραμα συναισθηματικής μετάδοσης του Facebook και του Cornell, στο οποίο σχεδόν 700.000 ειδήσεις χρηστών του Facebook χειραγωγήθηκαν για να διαπιστωθεί εάν εκείνοι που βλέπουν πιο «θλιβερές» δημοσιεύσεις θα δημοσιεύσουν περισσότερες «θλιβερές» αναρτήσεις - και ομοίως για τις «ευχάριστες» δημοσιεύσεις. Η αυξανόμενη ψηφιοποίηση των πολιτικών εκστρατειών καθώς και των πολιτικών πράξεων των απλών ανθρώπών παρέχει ένα μέσο, μέσω του οποίου οι πολιτικές καμπάνιες μπορούν πλέον να διεξάγουν τέτοια πειράματα με ευκολία και αποτελεσματικότητα.

6. Η δύναμη των πλατφορμών και αλγοριθμική διακυβέρνηση

Μεγάλος όγκος πολιτικού λόγου εμφανίζεται στην «πέμπτη εξουσία», που αποτελείται από ιστολόγια, websites και πλατφόρμες κοινωνικής δικτύωσης, πολλές από τις οποίες είναι ιδιωτικές εταιρείες. Αυτές οι πλατφόρμες λειτουργούν μέσω αλγορίθμων, οι ιδιαιτερότητες των οποίων είναι ως επί το πλείστον αδιαφανείς σε άτομα εκτός του μικρού αριθμού τεχνικών επαγγελματιών εντός της εταιρείας, όσον αφορά την προβολή περιεχομένου, την κοινή χρήση των δεδομένων και πολλά άλλα χαρακτηριστικά πολιτικών συνεπειών.

Αυτοί οι ιδιόκτητοι αλγόριθμοι καθορίζουν την ορατότητα του περιεχομένου και μπορούν να αλλάξουν κατά βούληση, με τεράστιες συνέπειες για τον πολιτικό λόγο. Για παράδειγμα, το Twitter, μια αναδυόμενη πλατφόρμα που διαδραματίζει σημαντικό ρόλο στην ανταλλαγή πληροφοριών μεταξύ πολιτικών, δημοσιογράφων και πολιτών, επιλέγει και επισημαίνει 10 «δημοφιλή θέματα» ανά περιοχή, τα οποία στη συνέχεια αποκτούν προβολή καθώς διαφημίζονται στην ίδια την πλατφόρμα. Ο αλγόριθμος που επιλέγει θέματα ωστόσο, είναι ιδιόκτητος, γεγονός που οδήγησε τους πολιτικούς παράγοντες να αναρωτιούνται εάν λογοκρίθηκαν, ενώ άλλοι προσπαθούν να το «προκαλέσουν» με αντίστροφη μηχανική. Ομοίως, οι μη κερδοσκοπικοί οργανισμοί που βασίζονταν στο Facebook για να προσεγγίσουν το κοινό τους αντιμετώπισαν μια έκπληξη το 2013-2014. Το Facebook άλλαξε τους αλγόριθμούς του, πράγμα που σήμαινε ότι όλο και λιγότεροι άνθρωποι που είχαν επιλέξει να κάνουν like στη σελίδα τους έβλεπαν τις ενημερώσεις τους, μειώνοντας από 20% το 2012 σε 1% με 2%, εισάγοντας μια νέα κατάσταση (pay-to-play) που προϋπέθετε πληρωμή για την προώθηση των αναρτήσεων.

Οι επιπτώσεις των αδιαφανών αλγορίθμων και του pay-to-play είναι πολλαπλές: πρώτον, οι ομάδες χωρίς χρήματα για την προώθηση του περιεχομένου τους θα αποκρύπτονται από το κοινό ή θα αντιμετωπίσουν αλλαγές στην εμβέλειά τους που είναι πέρα από την δυνατότητά τους να ελέγξουν. Δεύτερον, δεδομένου ότι οι ψηφιακές πλατφόρμες μπορούν να παραδίδουν μηνύματα μεμονωμένα - κάθε χρήστης του Facebook θα μπορούσε να δει ένα διαφορετικό μήνυμα προσαρμοσμένο σε αυτόν σε αντίθεση με μια τηλεοπτική διαφήμιση που κατ 'ανάγκη πηγαίνει σε μεγάλο κοινό - η αδιαφάνεια των αλγορίθμων και ο ιδιωτικός έλεγχος των πλατφορμών αλλάζει την ικανότητα του κοινού να κατανοήσει τί είναι φαινομενικά μέρος της δημόσιας σφαίρας, αλλά τώρα με έναν ιδιωτικοποιημένο/προσωποποιημένο τρόπο.

Αυτές οι πλατφόρμες διαθέτουν επίσης τα πιο πολύτιμα θησαυροφυλάκια big data που επιθυμούν περισσότερο οι πολιτικές καμπάνιες. Οι καμπάνιες θα μπορούσαν να έχουν πρόσβαση σε αυτά τα δεδομένα μέσω ευνοϊκών πολιτικών για τις πλατφόρμες που τους παρέχουν την πρόσβαση. Για παράδειγμα, εφαρμογές κινητών όπως αυτές των καμπανιών Romney και Obama μπορούν να αποκτήσουν πληροφορίες για τον χρήστη καθώς και πληροφορίες για τους χρήστες που είναι φίλοι του αρχικού ατόμου που αποδέχεται μια εφαρμογή καμπάνιας, το οποίο είναι μια παράκαμψη στα ζητήματα απορρήτου. Αυτές οι ιδιωτικές πλατφόρμες μπορούν να διευκολύνουν ή να δυσκολέψουν τις πολιτικές εκστρατείες να προσεγγίσουν αυτές τις πληροφορίες χρηστών ή μπορεί να αποφασίσουν να συσκευάσουν και να πουλήσουν δεδομένα σε καμπάνιες με τρόπους που ενισχύουν διαφορικά τις καμπάνιες, ωφελώντας έτσι ορισμένες έναντι άλλων.

Επιπλέον, μια «μεροληπτική» πλατφόρμα θα μπορούσε να αποφασίσει να χρησιμοποιήσει έναν ιδιωτικό χώρο αποθήκευσης για big data, ώστε να μοντελοποιήσει ψηφοφόρους και να στοχεύσει ψηφοφόρους ενός υποψηφίου που ευνοούν τα οικονομικά ή άλλα συμφέροντα των κατόχων της πλατφόρμας. Για παράδειγμα, μια μελέτη που δημοσιεύτηκε στο Nature διαπίστωσε ότι τα μηνύματα «go vote» που προωθούνταν σε χρήστες του Facebook μέσω των επαφών τους (χάρη σε μια εφαρμογή ενθάρρυνσης της ψηφοφορίας που ανέπτυξε το Facebook) είχαν ως αποτέλεσμα μια στατιστικά σημαντική αύξηση της προσέλευσης των ψηφοφόρων, σε αντίθεση με ένα παρόμοιο μήνυμα «go vote» που εμφανιζόταν τυχαία. Μια πλατφόρμα που θα ήθελε να χειραγωγήσει τα αποτελέσματα των εκλογών θα μπορούσε, για παράδειγμα, να «μοντελοποιήσει» τους ψηφοφόρους που θα ήταν πιο πιθανό να υποστηρίξουν έναν υποψήφιο που η ίδια θα προτιμούσε και στη συνέχεια να προωθήσει στην πλειοψηφία τέτοιων ψηφοφόρων ένα στοχευμένο «πολιτικό» μήνυμα, έτσι ώστε οι περισσότεροι από τους παραλήπτες να ήταν στους επιθυμητούς «στόχους», ενώ και μερικοί από άλλες ομάδες ώστε να γίνει η στόχευση λιγότερο προφανής. Μια τέτοια πλατφόρμα θα μπορούσε να επηρρεάσει τη διεξαγωγή εκλογών χωρίς να ρωτήσει ποτέ τους ψηφοφόρους ποιον προτιμούν (συλλέγοντας αυτές τις πληροφορίες μέσω μοντελοποίησης, κάτι που η έρευνα δείχνει ότι είναι αρκετά εφικτό) και χωρίς να υποστηρίξει ανοιχτά κανέναν υποψήφιο. Ένα τέτοιο πρόγραμμα θα ήταν εύκολο να εφαρμοστεί, θα ήταν πρακτικά μη ανιχνεύσιμο από παρατηρητές (καθώς κάθε άτομο βλέπει μόνο ένα μέρος της ροής των μέσων κοινωνικής δικτύωσης και κανείς δεν βλέπει το σύνολο των μηνυμάτων σε ολόκληρη την πλατφόρμα, εκτός από τους κατόχους της πλατφόρμας), εύκολα αμφισβητήσιμο (αφού οι αλγόριθμοι που περιλαμβάνονται σε πράγματα όπως η ροή ειδήσεων του Facebook είναι ιδιόκτητα και καλά φυλαγμένα μυστικά) και πρακτικά αδύνατο να αποδειχθεί.
Μια παρόμοια τεχνική θα μπορούσε να είναι δυνατή και για τα αποτελέσματα αναζήτησης. Οι απλοί χρήστες συχνά δεν επισκέπτονται σελίδες που δεν επισημαίνονται στην πρώτη σελίδα των αποτελεσμάτων της Google και οι ερευνητές έχουν ήδη διαπιστώσει ότι μια ελαφρά αλλαγή της κατάταξης θα μπορούσε να επηρεάσει τις εκλογές, χωρίς την ευαισθητοποίηση των ψηφοφόρων. Πράγματι, με βάση τυχαιοποιημένα πειράματα, οι Epstein και Robertson (2013) κατέληξαν στο συμπέρασμα ότι «με επαρκή μελέτη, θα μπορούσαν να αναπτυχθούν βέλτιστες στρατηγικές κατάταξης που θα άλλαζαν τις προτιμήσεις των ψηφοφόρων ενώ θα καθιστούσαν τους χειρισμούς κατάταξης μη ανιχνεύσιμους». Διατηρώντας τις πολύτιμες αποθήκες big data και ελέγχοντας τους αλγόριθμους που καθορίζουν την ορατότητα, την κοινή χρήση και τη ροή των πολιτικών πληροφοριών, οι βασικές εταιρείες και κοινωνικές πλατφόρμες του Διαδικτύου έχουν αναδειχθεί ως ακατανόητοι, αλλά σημαντικοί, «μεσίτες δύναμης» της «διαδικτυωμένης πολιτικής».

Wintermute

Σημειώσεις

1 - https://www.ftc.gov/system/files/ftc_gov/pdf/1.%20Complaint.pdf
[ επιστροφή]

2 - Why we're concerned about profiling and micro-targeting in elections – 30/4/2020 - privacyinternational.org
[ επιστροφή]

3 - Engineering the public: Big data, surveillance and computational politics - https://firstmonday.org/ojs/index.php/fm/article/view/4901
[ επιστροφή]

4 - Υπάρχει και σχετική αναφορά στο Metadata: Τα data στο μικροσκόπιο, Cyborg #19
[ επιστροφή]

5 - Σχετική αναφορά στο Semantic technology: η αναδιάρθρωση του νοήματος, Cyborg #21
[ επιστροφή]