מערכות המלצה לעמיתים מבוססות AI יכולות לשפר יצירתיות ברשתות חברתיות

המחקר מציע דרך פרקטית לשפר יצירתיות בקבוצות עבודה, קהילות חדשנות, צוותי מוצר, פלטפורמות שיתוף ידע ורשתות חברתיות מקצועיות. במקום להמליץ לאנשים להתחבר לפי פופולריות, דמיון או קשרים קיימים בלבד, המערכת ממליצה על חיבורים שצפויים להוביל לרעיונות טובים ומגוונים יותר. עבור מנהלים, המשמעות היא שניתן לעצב מערכות שיתוף פעולה שמייצרות יותר חדשנות ופחות חזרתיות: למשל בחדרי רעיונות, האקתונים, ארגוני R&D, קהילות עובדים גלובליות או פלטפורמות ליוצרים. עבור משתמשים רגילים, זה אומר שהמערכת יכולה לעזור למצוא את האנשים שיתנו השראה אמיתית ולא רק את מי שכבר נמצא במרכז הרשת. אם גישה כזו תוטמע במוצרים דיגיטליים, היא עשויה לשפר איכות סיעור מוחות, להפיץ ידע בין יותר אנשים, ולהפוך קהילות אונליין למקור אפקטיבי יותר ליצירת רעיונות חדשים.

רקע ומטרת המחקר

המאמר עוסק בשאלה מרכזית: האם מנועי המלצה מבוססי בינה מלאכותית יכולים לשפר ביצועים יצירתיים של אנשים ברשתות חברתיות המתארגנות באופן עצמי. החוקרים מציינים כי למרות שפלטפורמות חברתיות מקשרות בין אנשים בקנה מידה גדול, לא ברור כיצד לעצב מנגנוני חיבור שבאמת מגדילים יצירתיות, ולא רק מחזקים דמיון, פופולריות או חזרתיות של רעיונות. האתגר כפול: ראשית, קשה לאסוף נתונים שמאפשרים לעקוב ישירות אחר זרימת ההשראה בין אנשים; שנית, קשה לבנות התערבות שתעודד חשיבה יצירתית בלי ליצור עודף דמיון וריכוזיות.

פיתוח מערכת SocialMuse

כדי להתמודד עם האתגר, החוקרים פיתחו מערכת בשם SocialMuse. מדובר במערכת המלצות לעמיתים שמבוססת על מודל למידת מכונה. המודל נועד לחזות את ביצועי האידאציה של אדם כתלות בשני סוגי מאפיינים עיקריים: מאפיינים סמנטיים של התוכן והרעיונות, ומאפיינים מבניים של הרשת החברתית שבה הוא פועל. כלומר, המערכת אינה מסתכלת רק על מי דומה למי, אלא על הקשר שבין תוכן, מיקום ברשת, ותרומתם האפשרית ליצירת רעיונות חדשים.

המטרה של SocialMuse הייתה להמליץ על קשרים חברתיים חדשים שימקסמו תוצאות יצירתיות צפויות. בכך היא שונה ממערכות המלצה רגילות שמתמקדות בשימור מעורבות, דמיון חברתי, או חיזוק קשרים פופולריים.

שאלת המחקר והיפותזה

ההשערה המרכזית הייתה שכאשר אנשים ברשת יצירתית יקבלו המלצות חכמות ומונחות-מטרה על עמיתים שכדאי להם להתחבר אליהם, איכות היצירתיות שלהם תשתפר. בנוסף, החוקרים שיערו שהמלצות כאלה לא רק ישפיעו על התוצרים היצירתיים עצמם, אלא גם ישנו את מבנה הרשת: פחות ריכוז של השראה סביב מספר קטן של צמתים דומיננטיים, ויותר פיזור של מקורות השראה בין משתתפים רבים.

שיטת המחקר

המחקר בוצע כניסוי אונליין מבוקר. גודל המדגם היה 420 משתתפים. המשתתפים שובצו לרשתות חברתיות מבוקרות שבהן יכלו ליצור קשרים, לקבל השראה מאחרים, ולבצע משימות אידאציה. החוקרים השוו בין רשתות שהופעל בהן מנגנון SocialMuse לבין קבוצות ביקורת שהיו "AI-agnostic", כלומר ללא המלצה חכמה ממוקדת יצירתיות.

מן האבסטרקט ברור שהניסוי התמקד במדידה של כמה תוצאות:

1. ביצועים יצירתיים במספר מדדי יצירתיות.
2. מאפייני מבנה רשת, ובפרט רמת הביזור או הריכוזיות.
3. דפוסי הפצת השראה בין משתתפים.

המודל החישובי אומן מראש על בסיס נתונים שכללו ייצוגים סמנטיים ומאפיינים רשתיים. לאחר מכן הוא שולב בפלטפורמה בזמן אמת כדי להשפיע על המלצות החיבור בין המשתתפים.

מה נבדק בפועל

המחקר בדק האם בחירה אלגוריתמית של עמיתים לשיתוף או להשראה יכולה להביא תועלת ממשית בתהליך יצירתי קבוצתי. זהו היבט חשוב, משום שברשתות חברתיות רגילות אנשים נוטים להתחבר לאנשים בולטים או דומים להם, מה שעלול ליצור "תאי תהודה" או חזרתיות רעיונית. SocialMuse נבנתה כדי להציע חיבורים אשר יעלו את הסיכוי לרעיונות בולטים, מועילים או מקוריים יותר.

בנוסף, החוקרים בדקו האם השפעת המערכת היא מערכתית: לא רק שיפור של אדם בודד, אלא שינוי דפוסי האינטראקציה בכל הרשת.

ממצאים מרכזיים

הממצא המרכזי היה שרשתות שהשתמשו ב-SocialMuse עלו בביצועיהן על קבוצות הביקורת במספר מדדי יצירתיות. האבסטרקט אינו מפרט מספרים מדויקים לכל מדד, אך כן מדגיש שהיתרון הופיע על פני כמה מדדים שונים, מה שמרמז שלא מדובר באפקט נקודתי או במדידה יחידה.

ממצא חשוב נוסף היה מבני: הרשתות עם SocialMuse היו מבוזרות יותר. כלומר, ההשראה לא התנקזה למספר קטן של אנשים מרכזיים, אלא התפזרה על פני יותר מקורות. מבחינת תיאוריית רשתות, מדובר בשינוי משמעותי משום שרשת מבוזרת יותר עשויה לאפשר חשיפה למגוון רחב יותר של גירויים ורעיונות, ולהקטין שכפול ותלות בדמויות מרכזיות.

החוקרים מציעים שפיזור מקורות ההשראה סייע לרעיונות לבלוט יותר. במקום שכל המשתתפים ישאבו מאותו מקור דומיננטי וייצרו רעיונות דומים, המערכת אפשרה זרימת השראה מגוונת יותר. זהו הסבר אפשרי לכך שנמדדו תוצרים יצירתיים טובים יותר.

תרומה תיאורטית ומתודולוגית

למחקר יש תרומה כפולה. ברמה התיאורטית, הוא מחזק את הרעיון שיצירתיות אינה רק תכונה אישית, אלא תוצר של מבנה חברתי ושל עיצוב הממשקים שמתווכים בין אנשים. ברמה המתודולוגית, הוא מציע דרך למדל יצירתיות כבעיה חישובית המשלבת תוכן ורשת. השילוב בין מאפיינים סמנטיים לבין מאפייני מבנה רשת הוא נקודה חזקה, משום שיצירתיות בקבוצות תלויה הן במה שאנשים אומרים והן במי נחשף למי.

משמעות יישומית

המאמר מדגיש שמדובר בהוכחת היתכנות בעלת ערך מעשי לפלטפורמות חברתיות, קהילות שיתופיות, וכלים ארגוניים. אם מערכות המלצה יודעות לחבר אנשים על בסיס פוטנציאל יצירתי ולא רק על בסיס דמיון, מעורבות או פופולריות, ניתן לעצב סביבות דיגיטליות שטובות יותר לחדשנות. למשל, מערכות כאלה יכולות לתמוך בצוותי פיתוח, האקתונים, קהילות עובדים, פלטפורמות ליצירת תוכן, או מערכות חינוך שיתופיות.

מגבלות המחקר

החוקרים מבהירים שההתערבות נבדקה ברשתות מעבדתיות מבוקרות ולא בסביבות טבעיות רחבות היקף. לכן עדיין נדרשת זהירות בהכללה לרשתות חברתיות אמיתיות, שבהן יש תמריצים שונים, קשרים ארוכי טווח, עומסי מידע והתנהגות שאינה נשלטת. בנוסף, מאחר שהגרסה באתר מוצגת ככתב יד לא ערוך סופית, ייתכן שפרטים מסוימים יעודכנו בפרסום הסופי.

מסקנות

המסקנה המרכזית של המאמר היא שמערכות המלצות מבוססות AI יכולות לשמש לא רק להגדלת מעורבות או התאמה אישית, אלא גם ככלי אקטיבי לטיפוח יצירתיות קולקטיבית. באמצעות חיזוי של תוצאות יצירתיות עתידיות והמלצה על קשרים מתאימים, ניתן לשפר הן את איכות הרעיונות והן את מבנה הרשת שבתוכה הם נוצרים. המחקר מציג עדות ניסויית ראשונית לכך שעיצוב נכון של חיבורים חברתיים באמצעות AI יכול לשפר חדשנות ברשתות אנושיות.