Στην αυγή του 2026, το ψηφιακό οικοσύστημα βρίσκεται σε ένα κρίσιμο σταυροδρόμι. Η ρητορική μίσους, που κάποτε περιοριζόταν σε σκοτεινές γωνιές του διαδικτύου, έχει μετατραπεί σε μια πανταχού παρούσα απειλή για την κοινωνική συνοχή. Η απάντηση της τεχνολογικής βιομηχανίας δεν είναι άλλη από την Τεχνητή Νοημοσύνη (AI). Ωστόσο, το να διδάξεις σε μια μηχανή να αναγνωρίζει το «μίσος» αποδεικνύεται μια διαδικασία πολύ πιο περίπλοκη από την απλή αναγνώριση λέξεων-κλειδιών. Πρόκειται για μια βαθιά βουτιά στην ανθρώπινη ψυχολογία, τη γλωσσολογία και την πολιτική φιλοσοφία.
Η Πρόκληση του Πλαισίου και της Νουάνς
Το κύριο εμπόδιο στην αποτελεσματική εποπτεία περιεχομένου μέσω AI είναι η κατανόηση του πλαισίου (context). Μια λέξη που μπορεί να θεωρηθεί προσβλητική σε ένα πλαίσιο, μπορεί να αποτελεί μέρος μιας ενδυναμωτικής συζήτησης σε ένα άλλο. Για παράδειγμα, η οικειοποίηση υποτιμητικών όρων από περιθωριοποιημένες κοινότητες (reclaiming) είναι μια συνηθισμένη γλωσσική πρακτική που τα παραδοσιακά μοντέλα AI συχνά παρερμηνεύουν ως επιθετική συμπεριφορά.
Οι ερευνητές, όπως επισημαίνεται σε πρόσφατες αναλύσεις του The Tyee, εργάζονται πλέον πάνω σε μοντέλα «βαθιάς κατανόησης» που δεν εξετάζουν μόνο τις λέξεις, αλλά και την πρόθεση του χρήστη, το ιστορικό της συνομιλίας και το πολιτισμικό υπόβαθρο. Παρόλα αυτά, η ειρωνεία, ο σαρκασμός και οι έμμεσες αναφορές (dog whistles) παραμένουν το «ιερό δισκοπότηρο» της αποτυχίας των αλγορίθμων. Η ικανότητα της AI να «διαβάζει ανάμεσα στις γραμμές» είναι ακόμη περιορισμένη, οδηγώντας συχνά σε αδικαιολόγητη λογοκρισία ή, αντίθετα, σε επικίνδυνη αδράνεια.
Το Πρόβλημα των Δεδομένων και η Προκατάληψη
Μια AI είναι τόσο καλή όσο τα δεδομένα με τα οποία εκπαιδεύεται. Εδώ έγκειται ένα από τα μεγαλύτερα ηθικά παράδοξα: αν τα δεδομένα εκπαίδευσης προέρχονται από ένα διαδίκτυο γεμάτο προκαταλήψεις, η AI θα αναπαράγει και θα ενισχύσει αυτές τις προκαταλήψεις. Έχει παρατηρηθεί επανειλημμένα ότι οι αλγόριθμοι εποπτείας τείνουν να επισημαίνουν συχνότερα αναρτήσεις από μειονότητες, ακόμη και όταν αυτές δεν παραβιάζουν κανόνες, απλώς και μόνο επειδή η γλώσσα που χρησιμοποιούν παρεκκλίνει από τα «πρότυπα» των δεδομένων εκπαίδευσης.
- Η ανάγκη για ποικιλόμορφα σύνολα δεδομένων (diverse datasets) είναι επιτακτική.
- Η συμμετοχή κοινωνιολόγων και ανθρωπολόγων στη διαδικασία εκπαίδευσης κρίνεται απαραίτητη.
- Η διαφάνεια των αλγορίθμων παραμένει ζητούμενο για την οικοδόμηση εμπιστοσύνης.
Στην Ελλάδα, η πρόκληση είναι διπλή. Η ελληνική γλώσσα, με την πλούσια κλίση και τις σύνθετες εκφράσεις της, αποτελεί ένα δύσκολο πεδίο για τα μοντέλα που έχουν αναπτυχθεί κυρίως με βάση την αγγλική γλώσσα. Η «μετάφραση» των εννοιών του μίσους από τα αγγλικά στα ελληνικά συχνά χάνει το νόημά της, επιτρέποντας σε τοπικές μορφές τοξικότητας να ανθίζουν ανενόχλητες.
Ανθρώπινη Εποπτεία vs. Αλγοριθμική Ταχύτητα
Παρά την πρόοδο της τεχνολογίας, ο άνθρωπος παραμένει ο τελικός κριτής. Όμως, η εργασία των ανθρώπων-εποπτών είναι ψυχοφθόρα. Χιλιάδες εργαζόμενοι σε όλο τον κόσμο εκτίθενται καθημερινά σε φρικιαστικό περιεχόμενο για να «καθαρίσουν» τις πλατφόρμες. Η AI εδώ λειτουργεί ως ασπίδα, φιλτράροντας το μεγαλύτερο μέρος του περιεχομένου πριν φτάσει στα ανθρώπινα μάτια. Ωστόσο, η υπερβολική εξάρτηση από την αυτοματοποίηση ενέχει τον κίνδυνο της «σιωπηλής λογοκρισίας», όπου νόμιμες πολιτικές απόψεις φιμώνονται επειδή ένας αλγόριθμος τις θεώρησε οριακά ακατάλληλες.
«Η τεχνητή νοημοσύνη δεν μπορεί να λύσει ένα πρόβλημα που είναι βαθιά ανθρώπινο. Μπορεί μόνο να μας βοηθήσει να διαχειριστούμε την κλίμακα του προβλήματος», αναφέρουν ειδικοί της ψηφιακής ηθικής.
Συμπερασματικά, η διδασκαλία της AI να καταπολεμά τη ρητορική μίσους δεν είναι ένα τεχνικό πρόβλημα προς επίλυση, αλλά μια διαρκής διαπραγμάτευση. Καθώς οδεύουμε προς το δεύτερο μισό της δεκαετίας, η επιτυχία θα κριθεί όχι από το πόσο «έξυπνοι» είναι οι αλγόριθμοι, αλλά από το πόσο δίκαιοι και διαφανείς παραμένουν απέναντι στην ελευθερία του λόγου και την ανθρώπινη αξιοπρέπεια.
