DOI: https://doi.org/10.1007/s43621-025-01456-7
تاريخ النشر: 2025-07-01
المؤلف: Robin Kunju Mol Raj وآخرون
الموضوع الرئيسي: المعلومات المضللة وتأثيراتها
نظرة عامة
تستكشف هذه الدراسة دور الذكاء الاصطناعي (AI) في المناقشات الإعلامية حول الفقر، باستخدام تحليل المشاعر، ونمذجة الموضوعات، والنمذجة التنبؤية لتقييم التصورات العامة. تكشف النتائج أن الذكاء الاصطناعي يُصوَّر بشكل إيجابي في الغالب، خاصة في السياقات المتعلقة بالتنمية الاقتصادية وأتمتة العمالة. ومع ذلك، تُظهر المناقشات حول السياسة وآثار سوق العمل مشاعر أكثر انقسامًا، مما يبرز كل من الفوائد والعيوب المرتبطة بتبني الذكاء الاصطناعي. تحدد نمذجة الموضوعات خمسة مواضيع رئيسية في الخطاب الإعلامي، مع تركيز كبير على الأتمتة الصناعية وتحويل القوى العاملة، مع الاعتراف أيضًا بالمخاوف المستمرة بشأن فقدان الوظائف وعدم المساواة الرقمية.
تؤكد الأبحاث على ضرورة تمثيلات إعلامية عادلة وتدابير سياسية تأخذ في الاعتبار كل من مزايا الذكاء الاصطناعي وآثاره الاجتماعية والاقتصادية. تساهم في الخطاب حول الهدف 1 من أهداف التنمية المستدامة (SDG1) من خلال ربط اتجاهات المشاعر في الأخبار المتعلقة بالذكاء الاصطناعي بجهود تخفيف الفقر، مما يوفر رؤى لصانعي السياسات، ومحللي الإعلام، والباحثين. على الرغم من مساهماتها، تعترف الدراسة بالقيود، مثل التحيزات المحتملة في التمثيل الإعلامي والطبيعة البسيطة لنماذج المشاعر المستخدمة. يُشجع على إجراء أبحاث مستقبلية لاستكشاف نماذج تنبؤية هجينة ودمج عوامل اقتصادية خارجية لتعزيز الفهم السياقي ودقة التنبؤ. بشكل عام، توفر هذه العمل إطارًا تجريبيًا جديدًا لتحليل تقاطع الذكاء الاصطناعي، والخطاب الإعلامي، والتنمية المستدامة.
الطرق
في قسم الطرق، توضح الدراسة تطبيق تحليل المشاعر ضمن السياقات الاجتماعية والاقتصادية، مع التركيز بشكل خاص على روايات الذكاء الاصطناعي والفقر. تبرز تفوق نماذج المحولات وأطر التعلم العميق، مثل BERT وVADER وTextBlob، في اكتشاف المشاعر الدقيقة عبر مجموعات بيانات متنوعة ومتعددة اللغات. ومع ذلك، تشير إلى مشكلات محتملة في قابلية التفسير مع نماذج معينة، خاصة في المناقشات المتعلقة بالسياسة، كما اقترح هارتمان وآخرون. يسهل دمج تحليل المشاعر مع شبكات الذاكرة طويلة وقصيرة المدى (LSTM) التنبؤ باتجاهات المشاعر بمرور الوقت، مما يربط تحليل التصورات بالنمذجة التنبؤية.
تستخدم الدراسة منهجية كمية وحاسوبية شاملة، مستفيدة من تحليل المشاعر، ونمذجة الموضوعات، والنمذجة التنبؤية للتحقيق في الروايات الإعلامية المحيطة بالذكاء الاصطناعي والفقر. تعالج مقالات الأخبار على نطاق واسع من خلال تقنيات معالجة اللغة الطبيعية (NLP)، وتطبق تخصيص ديريشليت الكامن (LDA) لتحديد الموضوعات ونماذج تحليل المشاعر لتقييم التصورات الإعلامية. للتنبؤ بتغيرات المشاعر، يتم استخدام شبكة عصبية من نوع LSTM، مع مقاييس الأداء التي تقيم دقتها. تهدف الدراسة إلى توضيح أنماط المشاعر، وتحديد الموضوعات الرئيسية للنقاش، وتوقع تطور المشاعر، مدعومة بالتحليلات البصرية ونُهج التعلم الآلي.
النتائج
يكشف تحليل المشاعر لمقالات الأخبار المتعلقة بالذكاء الاصطناعي والفقر عن مشهد إعلامي متباين للغاية، يتميز بوجود مشاعر إيجابية بشكل كبير (9,577 مقالة) مقارنة بالمشاعر السلبية (1,397 مقالة) وتغطية محايدة ضئيلة (512 مقالة). يشير هذا إلى أن الذكاء الاصطناعي يُنظر إليه إلى حد كبير كأداة مفيدة لتخفيف الفقر، مما يعزز الوصول إلى الخدمات الأساسية. ومع ذلك، تبرز المشاعر السلبية الملحوظة المخاوف بشأن فقدان الوظائف، والمخاطر الأخلاقية، والتحيزات التي تؤثر بشكل غير متناسب على المجتمعات ذات الدخل المنخفض. تشير التحليلات إلى أن الروايات الإعلامية غالبًا ما تكون متحيزة، مما يشكل بشكل كبير التصور العام ويؤثر على القرارات السياسية.
تظهر اتجاهات المشاعر الزمنية من 2017 إلى 2025 تباينًا كبيرًا، مع تجمع درجات المشاعر الإيجابية بالقرب من 1، مما يشير إلى دعم قوي لدور الذكاء الاصطناعي في التنمية الاقتصادية. على العكس، ترتبط الارتفاعات في المشاعر السلبية بأحداث معينة، مثل مخاوف فقدان الوظائف والمآزق الأخلاقية. توضح سحب الكلمات المستمدة من المقالات ذات المشاعر الإيجابية والسلبية روايات متناقضة، حيث تبرز المقالات الإيجابية مصطلحات تتعلق بالفرص ودعم السياسات، بينما تركز المقالات السلبية على فقدان الوظائف وعدم المساواة الاقتصادية. بالإضافة إلى ذلك، يكشف مقارنة أدوات تحليل المشاعر، TextBlob وVADER، عن تفسيرات مختلفة للمشاعر، مما يبرز أهمية استخدام نماذج متعددة لفهم شامل لمشاعر الإعلام المحيطة بالذكاء الاصطناعي والفقر. بشكل عام، تعكس النتائج خطابًا معقدًا حيث يتم الاحتفاء بالذكاء الاصطناعي في الوقت نفسه لفوائده المحتملة ويتم انتقاده لآثاره الاجتماعية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الدور المتطور للذكاء الاصطناعي (AI) في التنبؤ بالفقر وقياسه، مع التأكيد على فعالية نماذج التعلم الآلي، وخاصة الغابة العشوائية، في تعزيز دقة تقدير الفقر عند دمجها مع مجموعات بيانات متنوعة. تشير الدراسات التي تمت مراجعتها إلى أن الأساليب الهجينة، مثل دمج الصور الفضائية مع بيانات المسح الأسري، قد خفضت بشكل كبير من أخطاء التقدير. ومع ذلك، يثير المؤلفون مخاوف بشأن التحيز الخوارزمي، وقابلية تعميم النماذج، والوصول العادل إلى أدوات الذكاء الاصطناعي، مشيرين إلى أنه على الرغم من التقدم التقني الواضح، إلا أن هناك نقصًا في استكشاف الآثار العملية لهذه النماذج على الفئات الضعيفة.
يتناول القسم أيضًا تأثير تأطير الإعلام على التصور العام لدور الذكاء الاصطناعي في تخفيف الفقر. تشير الأبحاث إلى أن تصوير الذكاء الاصطناعي كفرصة أو كتهديد يمكن أن يؤثر بشكل كبير على ثقة الجمهور ودعم السياسات. يجادل المؤلفون من أجل فهم أكثر دقة لتأثير الذكاء الاصطناعي على المجتمع، حيث غالبًا ما تتجاهل الدراسات الحالية العلاقة بين الروايات الإعلامية والتغيرات الفعلية في السياسات. تقترح الدراسة إطارًا متكاملًا يجمع بين تحليل المشاعر وتحليل الخطاب الذي يركز على الهدف 1 من أهداف التنمية المستدامة (SDG1)، بهدف توفير فهم شامل لكيفية تمثيل الذكاء الاصطناعي في المناقشات الإعلامية حول الفقر. يستخدم هذا النهج تقنيات تحليل المشاعر المتقدمة والنمذجة التنبؤية لتحليل أكثر من 11,000 مقالة إخبارية، كاشفًا عن مشاعر إيجابية بشكل كبير تجاه الذكاء الاصطناعي، بينما يبرز أيضًا التعقيدات والتحديات المرتبطة بتنفيذه في جهود الحد من الفقر.
القيود
يسلط قسم القيود الضوء على الفجوات والتحيزات الكبيرة في الأدبيات الحالية بشأن دمج العدالة والاعتبارات الأخلاقية في أنظمة الذكاء الاصطناعي. يؤكد كورتو وآخرون على ضرورة مساهمة علماء الاجتماع في هذا الدمج، حيث أظهرت النماذج الحالية مثل Word2vec ميولًا تمييزية ضد الفئات الاجتماعية والاقتصادية الأدنى، مما يكشف عن مشكلات متأصلة في بيانات التدريب وافتراضات النموذج.
بالإضافة إلى ذلك، يشير موسيدا وسكيولي، جنبًا إلى جنب مع نهر، إلى أنه بينما من المتوقع أن يؤثر الذكاء الاصطناعي على الإنتاجية والشمولية، هناك نقص في التحليلات الزمنية الشاملة عبر البلدان حول تأثيراته على أهداف التنمية المستدامة (SDGs). تميل الأدبيات إلى إعطاء الأولوية لمقاييس الأداء التقنية على الآثار الاجتماعية والسياسية، مما يتجاهل العواقب النظامية الأوسع التي قد يعززها أو يخففها الذكاء الاصطناعي. علاوة على ذلك، هناك انفصال منهجي بين تحليل المشاعر والتوقعات طويلة الأجل المتعلقة بأهداف التنمية المستدامة، مما يؤدي إلى قاعدة أدلة مجزأة تحد من فهم التأثير الكامل للذكاء الاصطناعي.
DOI: https://doi.org/10.1007/s43621-025-01456-7
Publication Date: 2025-07-01
Author(s): Robin Kunju Mol Raj et al.
Primary Topic: Misinformation and Its Impacts
Overview
This study investigates the role of Artificial Intelligence (AI) in media discussions surrounding poverty, utilizing sentiment analysis, topic modeling, and predictive modeling to assess public perceptions. The findings reveal that AI is predominantly portrayed positively, particularly in contexts related to economic development and worker automation. However, discussions about policy and labor market implications exhibit a more polarized sentiment, highlighting both the benefits and drawbacks of AI adoption. Topic modeling identifies five key themes in media discourse, with a significant focus on industrial automation and workforce transformation, while also acknowledging ongoing concerns regarding job displacement and digital inequality.
The research emphasizes the necessity for equitable media representations and policy measures that consider both the advantages of AI and its socioeconomic impacts. It contributes to the discourse on Sustainable Development Goal 1 (SDG1) by linking sentiment trends in AI-related news to poverty alleviation efforts, thereby offering insights for policymakers, media analysts, and scholars. Despite its contributions, the study acknowledges limitations, such as potential biases in media representation and the simplistic nature of sentiment models used. Future research is encouraged to explore hybrid predictive models and incorporate external economic factors to enhance contextual understanding and predictive accuracy. Overall, this work provides a novel empirical framework for analyzing the intersection of AI, media discourse, and sustainable development.
Methods
In the section on methods, the research outlines the application of sentiment analysis within socioeconomic contexts, particularly focusing on AI and poverty narratives. It highlights the superiority of transformer models and deep learning frameworks, such as BERT, VADER, and TextBlob, in detecting nuanced sentiments across diverse and multilingual datasets. However, it notes potential interpretability issues with specific models, particularly in policy-related discussions, as suggested by Hartmann et al. The integration of sentiment analysis with Long Short-Term Memory (LSTM) networks facilitates the prediction of sentiment trends over time, linking perception analysis with predictive modeling.
The study employs a comprehensive quantitative and computational methodology, utilizing sentiment analysis, topic modeling, and predictive modeling to investigate media narratives surrounding AI and poverty. It processes large-scale news articles through Natural Language Processing (NLP) techniques, applying Latent Dirichlet Allocation (LDA) for topic identification and sentiment analysis models for media perception evaluation. To forecast sentiment changes, an LSTM neural network is employed, with performance metrics assessing its accuracy. The research aims to elucidate sentiment patterns, identify key discussion topics, and predict sentiment evolution, supported by visual analytics and machine learning approaches.
Results
The sentiment analysis of news articles regarding AI and poverty reveals a highly polarized media landscape, characterized by a predominance of positive sentiment (9,577 articles) compared to negative sentiment (1,397 articles) and minimal neutral coverage (512 articles). This suggests that AI is largely viewed as a beneficial tool for poverty alleviation, enhancing access to essential services. However, the notable negative sentiment highlights concerns about job displacement, ethical risks, and biases that disproportionately affect low-income communities. The analysis indicates that media narratives are often opinionated, significantly shaping public perception and influencing policy decisions.
Temporal sentiment trends from 2017 to 2025 demonstrate considerable variability, with a clustering of positive sentiment scores near 1, indicating strong support for AI’s role in economic development. Conversely, spikes in negative sentiment correlate with specific events, such as fears of job loss and ethical dilemmas. The word clouds derived from positive and negative sentiment articles illustrate contrasting narratives, with positive articles emphasizing terms related to opportunity and policy support, while negative articles focus on job displacement and economic inequality. Additionally, the comparison of sentiment analysis tools, TextBlob and VADER, reveals differing interpretations of sentiment, underscoring the importance of employing multiple models for a comprehensive understanding of media sentiment surrounding AI and poverty. Overall, the findings reflect a complex discourse where AI is simultaneously celebrated for its potential benefits and critiqued for its societal implications.
Discussion
The discussion section of the research paper highlights the evolving role of Artificial Intelligence (AI) in poverty prediction and measurement, emphasizing the effectiveness of machine learning models, particularly Random Forest, in enhancing poverty estimation accuracy when combined with diverse datasets. Studies reviewed indicate that hybrid approaches, such as integrating satellite imagery with household survey data, have significantly reduced estimation errors. However, the authors raise concerns regarding algorithmic bias, model generalizability, and equitable access to AI tools, noting that while technical advancements are evident, there is a lack of exploration into the practical implications of these models for vulnerable populations.
The section also addresses the influence of media framing on public perception of AI’s role in poverty alleviation. Research indicates that the portrayal of AI as either an opportunity or a threat can significantly affect public trust and policy support. The authors argue for a more nuanced understanding of AI’s societal impact, as current studies often overlook the connection between media narratives and actual policy changes. The study proposes an integrated framework that combines sentiment analysis and discourse analysis focused on Sustainable Development Goal 1 (SDG1), aiming to provide a comprehensive understanding of how AI is represented in media discussions about poverty. This approach utilizes advanced sentiment analysis techniques and predictive modeling to analyze over 11,000 news articles, revealing a predominantly positive sentiment towards AI, while also highlighting the complexities and challenges associated with its implementation in poverty reduction efforts.
Limitations
The section on limitations highlights significant gaps and biases in the current literature regarding the integration of fairness and ethical considerations in AI systems. Curto et al. emphasize the necessity for social scientists to contribute to this integration, as existing models like Word2vec have demonstrated discriminatory tendencies against lower socioeconomic classes, revealing inherent issues in the training data and model assumptions.
Additionally, Mussida and Sciulli, along with Nahar, point out that while AI is poised to impact productivity and inclusion, there is a lack of comprehensive, cross-country temporal analyses of its effects on Sustainable Development Goals (SDGs). The literature tends to prioritize technical performance metrics over socio-political implications, thereby neglecting the broader systemic consequences that AI may either exacerbate or mitigate. Furthermore, there is a methodological disconnect between sentiment analysis and long-term projections related to SDGs, leading to a fragmented evidence base that limits understanding of AI’s full impact.