Inteligencia Artificial & Gobierno Electrónico Carlos Iván Chesñevar cic@cs.uns.edu.ar

Transcripción

1 Inteligencia Artificial & Gbiern Electrónic Carls Iván Chesñevar ICIC UNS Institut de Cs. e Ing. De la Cmputación Universidad Nacinal del Sur Bahía Blanca, Argentina JCC 2014 Rsari, Argentina, Octubre

2 Fundaments Gvernment 2.0 hace referencia a la adpción gubernamental de tecnlgías de la Web 2.0 para scializar servicis, prcess y dats de gbiern, prcess. Alguns beneficis: Nuevas frmas de cmunicación cn ls ciudadans pr ej. usand redes sciales Nuevas prtunidades para que las agencias de gbiern se infrmen sbre las necesidades y pinines ciudadanas a través de cntenids generads pr el usuari 2

3 Gvernment 2.0 : desafís La integración de flujs de dats en scial media plantea distints desafís en el cntext de gvernment 2.0 : Magnitud del fluj de infrmación ej. Twitter disemina 55 millnes de tweets diaris; bliga a cnfiar en técnicas de text mining (TM) y pinin mining (OM) para filtrar ruid y detectar tópics de discusión en una cmunidad. Ls flujs de dats prveen infrmación usualmente incmpleta ptencialmente incnsistente, dad que ls ciudadans pdrían tener distintas visines sbre una misma cuestión. 3

4 Gvernment 2.0 : desafís (cnt.) Ls arguments de ls ciudadans en redes sciales deben ser evaluads y cnfrntads pr ls funcinaris de gbiern a fin depder usarls cm input en prcess de tma de decisión gubernamental. Para cnstruir cnfianza, las decisines hechas pr el gbiern deben estar sustentadas en arguments cuand éstas sn infrmadas al ciudadan. Gran prblema: Falta de interacción entre cmunidades de investigación, cncretamente E-gv e IA. 4

5 Mtivación Big prblem: Lack f interactin between research cmmunities in e-gv and AI. E-gvernment Statistics Autmated reasning Sftware Engineering Scial Sciences Knwledge representatin Qualitative Reasning Machine learning 5

6 Sbre DECIDE 2.0 DECIDE 2.0: pryect LACCIR financiad pr Micrsft Research, BID y CONACyT (Mexic). Equip: Investigadres mexicans y argentins; Elsa Estevez (cnsultra externa UNU-IIST, China). C.Chesñevar (ARG) A. Maguitman (ARG) R.Brena (MEX) E. Estevez (UNU-IIST) Prblema : Cmbinar investigación basada en cntext y argumentacin en un sistema clabrativ para manejar infrmación de servicis y plíticas a partir de scial media usad pr ls gbierns. Objetiv: un framewrk para prcesamient inteligente de la pinión ciudadana en scial media, basad en un sistema clabrativ que pere encima de redes sciales preexistentes. 6

7 DECIDE 2.0: metas (1/2) Implementar mdels de cnfianza y prpagación de la reputación ls usuaris pstean infrmación en redes sciales cuya cnfiabilidad debe evaluarse a fin de utilizarla efectivamente para tmar decisines. Desarrllar algritms para integrar infrmación prveniente de distintas fuentes varis usuaris pueden pstear mensajes relacinads cn un mism tópic; hace falta mdelar agregación de infrmación de frma aprpiada. 7

8 DECIDE 2.0: metas (2/2) Diseñar cntexts de representación efectivs y algritms de identificación de cmunidades cuand se analizan pinines ciudadanas, deben identificarse cmunidades emergentes, bteniend infrmación cntextual asciada. Desarrllar mdels de infrmación a la carta para est, debe prveerse infrmación direccinada a distintas categrias de participantes, l que puede requerir distintas vistas de las cuestines baj análisis. 8

9 Redes sciales y Plicy Makers Quienes definen plíticas necesitan fundamentar sus decisines acuerds en raznes u pinines prvists pr la ciudadania. Nción tradicinal de pinión pública : prvista pr encuestas específicas, rating en TV, sndes, etc. Per hy en dia redes cm Twitter prveen una base de cncimient en tiemp real a partir de la cual sepuede clectar y analizar infrmación para ayudar a autmatizar la tma de decisines. Est incluye events sciales (ej. Ceremnia de entrega de ls Oscar), events plítics sbre temas cnflictivs (ej. Independencia de Esccia de Cataluña). Nuestr enfque se centró en Twitter primariamente, per el mdel frmal resultante es extensible a tras platafrmas. 9

10 Cntext C f e-gv related issues Argument Cmputatin frm Opinins n C DECIDE 2.0 Argument-based decisin making Opinin extractin n C using cntext-based infrmatin retrieval Prductin f glbal assessment f citizens pinin (identifying pr and cn arguments abut C) Citizens CITIZENS OPINION DATABASE Citizens pinin n C (structured as t imprve plicy-making decisins ) Gvernment Officials pst pinins Scial media tls pst plicy-related 10 issues

11 Cmpnentes clave Red scial (ej. Twitter): prvidee input crud a partir de ls ciudadans, prveyend su pinión sbre ciert tema. Usualmente hay metainfrmación (hashtags, user lcatin, number f retweets, etc.). Análisis de sentimients: estudi científic de las emcines sbre un determinad tópic. Prvee una frma de mapear un trz de text en un valr emcinal en particular. Argumentación: frmaliza la interrelación entre pinines (pr y cn) sbre un determinad tópic. Existen varis mdels frmales, cn disintas semánticas (ej. Dung s abstract argumentatin framewrk). 11

12 Sentiment analysis: algunas herramientas (1/2) Given a query, we btain an analysis f the sentiments in Twitter assciated with that query indicated in percentage values (psitive, negative, neutral). 12

13 Sentiment analysis: algunas herramientas (2/2) Visualizing Twitter Sentiment (Healey & Ramaswamy, NCSU, USA) This prject studies ways t estimate and visualize sentiment fr shrt, incmplete text snippets. Sentiment is defined as "an attitude, thught, r judgment prmpted by feeling." Specific gal: visualizatin that presents basic emtinal prperties embdied in the text, tgether with a measure f the cnfidence in ur estimates. Currently fcused n: visualizing the sentiment f tweets psted n Twitter. As f March 2011, Twitter was psting an estimated 200 millin tweets per day. Tweets are nw being archived at the U.S. Library f Cngress. Twitter has als shwn the ptential fr scietal impact, fr example, in its use as a cmmunicatin and rganizing tl fr activists during the 2011 "Arab Spring" prtests in varius Middle Eastern cuntries. 13

14 Visualizing Twitter Sentiment Query = Francis / Date: 29 March

15 Visualizing Twitter Sentiment Query = Vatican / Date: 29 March 2014 Prblema: evaluación cualitativa de la infrmación en cnflict. Aquí es dnde la argumentación puede frecer slucines. 15

16 Argumentación Un argument es una razón que sustenta una cnclusión. Ls arguments pueden ser refutads/atacads pr mejres cntraarguments (derrtadres). Ls framewrks argumentativs prveen frmas de definir argumetns y determinar cuáles sn aceptads según diferentes semánticas q 1 A q 2 q 3 B C Arguments q 4 D Nuestra meta: Caracterizar un Twitter-based argumentatin framewrk Attack relatinship 16

17 Alguns elements Tweet: un tweet T es un multiset de términs {t 1,t 2 t k }, dnde cada t i es una cadena. Una cnsulta Twitter Q = {d 1, d 2,.. d j } es un cnjunt de descriptres, dnde cada d i es una cadena. Una cnsulta Q es cualquier cnjunt de descriptres usad para filtrar tweets relevantes del cnjunt de tds ls tweets existentes (Tweets). Agg Tweets (Q,C) = agrega tweets según criteri C Ej. Sl tweets referids a query Q y psteads entre timestamps t1 & t2. 17

18 Mapes: Sent & cnflict Sea T 2 Tweets un cnjunt de tweets. Definims: Mape Sentiment: sent: 2 Tweets Mape Cnflict: cnflict: 2 = cjt. De sentimients dispnibles (ej. ps, neg, neutral). sent(t) = sentimient prevaleciente en T cnflict(s) = retrna un subcnjunt de sentimients en que están en cnflict cn s (ej Cnflict(psitive)={neutral, negative} ). 18

19 Twitter-based argumentatin framewrk Criteri C Op de agregación Agg Cnjunt de sentimients Tds ls arguments psibles basads en Twitter Sent & cnflict sn mapes C Agg sent cnflict Agg C sent cnflict

20 Cóm evaluar sentimients en Twitter? Cjt de Tweets para una determinada Cnsulta Cntext (ejempl.: #abrtin ) Cada Tweet t cntiene un cnjunt de términs {t1, t2, tk} Un mape sent que mapea Tweets en un cnjunt de sentimients psibles Neutral tweet n C Psitive tweet n C Negative tweet n C 20

21 Un argument basad en Twitter (TB-argument) Cnsulta Q (cntext) Sentimient prevaleciente (ps,neg,neutral) Cjt. de Tweets tweets retrnadas pr Agg(Q,C) Univers de tds ls Tweets #abrtin Significad asciad: la pinin general de ls ciudadans sbre Q= #abrtin es negativa según criteri C

22 TB-Argument: Ejempl

23 Especificidad en cnsultas Dada una cnsulta Q {#abrtin} pdems derivar cnsultas más especificas, cm Q 1 ={#abrtin, wish} Q 2 ={#abrtin, murder}. Q subsume Q 1 y Q 2 Univers de tds ls Tweets #abrtin wish #abrtin murder

24 Especificidad de Arguments #abrtin wish #abrtin

25 Cóm analizar el espaci de arguments: Opinin Trees

26 Arbles de Opinión Opinión sbre Q (raíz) #abrtin Univers de tds ls Tweets Cntra-Opinión Cntra-Opinión #abrtin murder #abrtin wish.. Ls árbles de pinión pueden definirse recursivamente.

27 Algritm GetOpininTree Input: Query Q Agg Operatr Criterin C #abrtin Twitter API All tweets frm h 6h, GMT Output: Opinin Tree OT rted in Q with Agg under Cr

28 Algritm en alt nivel Algrithm GetOpininTree IF length(q ) <= 140 THEN Let Agg, Q, Sent be the rt nde where Arg = Agg(Q,C) and Sent is s(agg(q,c)) IF there are ther Hashtags in Agg(Q,C) that expand Q THEN Cmpute L = (h 1, h 2, ) List f Hashtags that expand Q in Agg(Q, C) accrding t sme threshld (fr example frequency) FOR EVERY h i L d Put GetOpininTree(Q h i, Agg, C) as subtree rted in Arg, Q, Sent Se desarrlló un prttip en Java. Se hiz un análisis empíric para dsitints cntexts

29

30 Ej.: Valerie Jarrett & Barack Obama jarret jarret bama When Barack Obama has an idea, he first bunces it ff f Valerie Jarrett. [She].. is an ld family friend, and after first lady Michelle Obama she's the president's clsest cnfidant. ( Der Spiegel, Sep. 2012, Berlin, Germany)

31 Ex.: independence Independence Independence crimea Independence #bitcin

32 Ataque entre arguments #abrtin attack #abrtin ptin 32

33 Cnsultas Sentiment-preserving y Sentiment-shifting {#abrtin,ptin} es sentiment-shifting respect a {#abrtin} {#abrtin,ptin} es una cnsulta sentimentshifting minimal #abrtin attack #abrtin ptin

34 Árbles de Cnflicts (Cnflict Trees) Ls árbles de cnflicts están embebids en ls árbles de pinión Un reticulad superir puede btenerse de cada árbl de pinin / cnflict. Llamams a est Reticulad de Opinin / Cnflict 34

35 Arbles de Opinin tweets frm equivalent queries = = - - -

36 Reticulad de Opinón = =

37

38 Reticulad de Opinión = =

39 Pasand de un Reticulad de Opinión a un Reticulad de Cnflict = - - OL Q = Un Reticulad de Cnflict es el reticulad superir minimal tal que es psible definir un jin-hmmrfism h desde el Reticulad de Opinión (OL Q ) al Reticulad de Cnflict (CL Q ). h = CL Q

40 Discusión Ls reticulads de cnflict sn estructuras minimales que representan psicines clectivas cn respect a un tópic de interés. Ls reticulads de cnflict facilitan la identificación de relacines de especificidad, así cm elements relevantes/irrelevantes en el espaci de arguments (sentiment-shifting arguments). 40

41 Publicacines recientes Integrating Argumentatin and Sentiment Analysis fr Mining Opinins frm Twitter" (K. Grsse, M. Gnzález, C. Chesñevar, A. Maguitman). In AI Cmm, IOS Press, 2014, in press "Electrnically Empwering Citizens fr Scial Innvatin thrugh Agreement Technlgies" (C Chesñevar, A. Maguitman, E. Estévez, N.Osman, C.Sierra). In Prc. 14th Annual Intl. Cnf. n Digital Gvernment Research (D.GO 2013), pp , Quebec, Canada, June 17-20, 2013 DECIDE 2.0 A Framewrk fr Intelligent Prcessing f Citizens Opinin in Scial Media (E.Estévez, C. Chesñevar, A.Maguitman, R. Brena). In Prc. 13th Annual Internatinal Cnference n Digital Gvernment Research (D.GO 2012), pp Maryland, USA, ACM Press. "Integrating Argumentatin Technlgies and Cntext-Based Search fr Intelligent Prcessing f Citizens Opinin in Scial Media" (C. Chesñevar, A. Maguitman, E. Estévez and R. Brena). In Prc. Intl. Cnf. On E-Gvernment (CEGOV 2012), Albany, NY, USA, Oct ACM Press. 41

42 Trabaj relacinad Bttm-up Argumentatin (Trrni & Tni) Fcused n prviding an argumentatin language fr scial netwrks, thrugh specific keywrds t engage in dialgues. Scial Abstract Argumentatin (J. Leite et al) Fcused n characterizing scial vting; based n Dung s abstract argumentatin framewrk. Argument Schemes fr Reasning abut Trust (S. Parsns et al), COMMA Prvide a set f argument schemes (abstract patterns f reasning) geared tward trust. 42

43 Alguns Esquemas de Argumentación para Cnfianza Trust frm Direct Experience (DE): if A has persnal experience f B, and fund B t be reliable, then A may decide that B is trustwrthy. Trust frm Indirect Experience (IE): If A des nt have direct experience f B, but has bserved evidence that leads it t believe that B has been reliable, then A may develp trust in B. Trust frm Expert Opinin (EO): If B is an expert in sme dmain f cmpetence, then A may trust B. Trust frm Authrity (Au): If B is in a psitin f authrity, then A may trust B. Trust frm Majrity Behavir (M): If A has fund mst peple in the set frm which B is drawn t be trustwrthy, then A may chse t trust B. Trust frm Scial Standing (SS): if A judges that B wuld have t much t lse by being untrustwrthy, then A may trust B. 43

44 Cnclusines. Trabaj Futur Prpnems un acercamient que lleva a mejr cubrimient, escalabilidad y cntext-awareness cn respect a ls mdels tradicinales usads en redes sciales. Ls gbierns pdrían beneficiarse de esta prpuesta a través de a) técnicas adecuadas de minería para recuperar infrmación valisa prvista pr ls ciudadans en redes sciales, y b) direccinand diferentes anuncis a un grup aprpiad de funcinaris de gbiern / públic. Ls resultads btenids usand Twitter muestran que la maquinaria subyacente para DECIDE 2.0 es factible, y psibilita el desarrll de sftware específic, aprvechand las prpiedades frmales del mdel (tería reticulads). 44

45 Gracias pr su atención! Preguntas? 45