Tharaphon Nitijiramon

Tharaphon Nitijiramon

Data Innovation Educator

บทความของผู้เขียน

Articles

Author Category Post Filter
AI ทำนายทายทัก: การประยุกต์ใช้ Big Data และปัญญาประดิษฐ์ (AI) ในการพยากรณ์อนาคต 
การพยากรณ์อนาคตหรือการดูดวง ถือเป็นกิจกรรมที่อยู่คู่กับมนุษยชาติมาอย่างยาวนาน ตั้งแต่ยุคโบราณที่มนุษย์เริ่มสังเกตดวงดาว การเคลื่อนที่ของดวงอาทิตย์ ดวงจันทร์ และดาวเคราะห์ เพื่อนำมาทำนายฤดูกาล การเกษตร ตลอดจนเหตุการณ์สำคัญในชีวิต เช่น การเกิด การแต่งงาน หรือการตัดสินใจทางการเมือง หลักฐานทางโบราณคดีในหลายอารยธรรม เช่น บาบิโลน อียิปต์ อินเดีย และจีน แสดงให้เห็นว่ามนุษย์มีความพยายามหาความหมายจากสิ่งเหนือธรรมชาติและปรากฏการณ์ทางจักรวาลมาโดยตลอด และในสังคมไทยเอง การดูดวงก็มีทั้งในรูปแบบโหราศาสตร์ไทย ไพ่ยิปซี พรหมญาณ ตลอดจนศาสตร์การทำนายที่ผสมผสานกับความเชื่อทางพุทธศาสนา การดูดวงจึงไม่เพียงเป็นกิจกรรมทางจิตวิทยาที่ช่วยสร้างความมั่นใจ แต่ยังเป็นส่วนหนึ่งของผู้คนที่สืบทอดกันมาหลายชั่วอายุคน  และในยุคดิจิทัลปัจจุบัน เทคโนโลยีได้เข้ามามีบทบาทในทุกมิติของชีวิตมนุษย์ แม้กระทั่งการดูดวงเองก็ไม่อาจแยกออกจากการพัฒนาของ ข้อมูลขนาดใหญ่ (Big Data) และ ปัญญาประดิษฐ์ (Artificial Intelligence: AI) การประมวลผลข้อมูลมหาศาลร่วมกับอัลกอริทึมการเรียนรู้ของเครื่อง (Machine Learning) ช่วยให้การทำนายดวงมีความหลากหลายและมีความเป็นส่วนตัวมากขึ้น ผู้ใช้สามารถเข้าถึงบริการได้ผ่านแอปพลิเคชัน เว็บไซต์ และแชตบอตตลอด 24 ชั่วโมง การผสมผสานศาสตร์โบราณกับเทคโนโลยีสมัยใหม่ จึงเป็นเรื่องที่น่าสนใจ เพราะนอกจากจะสะท้อนถึงพลวัตของสังคมมนุษย์แล้ว ยังชี้ให้เห็นถึงศักยภาพของ Big Data และ AI ในการนำมาใช้กับศาสตร์ที่เกี่ยวข้องกับความเชื่อส่วนบุคคล ซึ่งแต่เดิมอาจถูกมองว่าเป็นนามธรรมและยากต่อการพิสูจน์  ปัจจุบันมีหลายแพลตฟอร์มที่ให้การพยากรณ์ดูดวง เช่น เว็บไซต์ myhora.com หนึ่งในผู้ให้บริการดูดวงออนไลน์ที่ได้รับความนิยมในประเทศไทย โดยให้บริการโหราศาสตร์ไทย การคำนวณดวงชะตาจากวันเดือนปีเกิด การผูกดวง และการพยากรณ์เหตุการณ์สำคัญ ข้อได้เปรียบของแพลตฟอร์มนี้ คือ การนำ ฐานข้อมูลวันเกิด ดวงดาว และหลักโหราศาสตร์ไทย มาวิเคราะห์แบบอัตโนมัติ ทำให้ผู้ใช้ได้รับผลการทำนายที่เฉพาะเจาะจงตามข้อมูลส่วนบุคคล หรือแพลตฟอร์ม ChatGPT แม้ ChatGPT ไม่ได้ถูกออกแบบมาเพื่อการดูดวงโดยตรง แต่ผู้ใช้นิยมนำมาเป็น “ผู้ช่วยดูดวง” ด้วยการพิมพ์คำถาม เช่น การทำนายความรัก การงาน หรือโชคลาภ ด้วยเทคนิคการ ประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ทำให้ AI สามารถตอบสนองต่อคำถามในลักษณะการสนทนาได้อย่างสมจริง นอกจากนี้ ChatGPT ยังสามารถสร้างสรรค์คำทำนายใหม่ ๆ ที่ผสมผสานระหว่างข้อมูลดั้งเดิมกับการประยุกต์ในเชิงจินตนาการ สะท้อนถึงแนวโน้มของการใช้ AI เป็นเครื่องมือสนับสนุนด้านจิตวิทยาและความเชื่อ รวมไปถึงแอปพลิเคชันโหราศาสตร์ต่างประเทศ เช่น Co-Star และ The Pattern ซึ่งอาศัยฐานข้อมูลตำแหน่งดาวเคราะห์จากองค์การนาซา (NASA) และใช้ Machine Learning วิเคราะห์ความสัมพันธ์ของดวงดาวกับบุคลิกภาพผู้ใช้ แอปเหล่านี้ยังสามารถเชื่อมต่อกับโซเชียลมีเดียเพื่อทำนายความเข้ากันได้ระหว่างเพื่อนหรือคู่รัก แสดงให้เห็นถึงการผสมผสานระหว่าง Big Data และ AI กับศาสตร์ดั้งเดิมอย่างลึกซึ้ง  การนำ Big Data และ AI มาประยุกต์ใช้กับการดูดวง สามารถอธิบายได้เป็นลำดับขั้นโดยสังเขป ดังนี้  1. การเก็บรวบรวมข้อมูล (Data Collection) ได้ว่าจะเป็น ข้อมูลเชิงดาราศาสตร์ ตำแหน่งของดวงดาว ดาวเคราะห์ และปรากฏการณ์ทางจักรวาลจากฐานข้อมูลวิทยาศาสตร์ ข้อมูลผู้ใช้ วันเดือนปีเกิด เวลาเกิด สถานที่เกิด ตลอดจนข้อมูลส่วนบุคคล เช่น เพศ ความสนใจ หรือพฤติกรรมออนไลน์ และข้อมูลจากแหล่งสังคมออนไลน์ (Social Media Data) การโพสต์ ความรู้สึก หรือการแสดงความคิดเห็นของผู้ใช้ ซึ่งสามารถสะท้อนถึงอารมณ์และบุคลิกภาพ  2. การจัดเก็บและประมวลผลข้อมูล (Data Processing & Storage) เมื่อได้ข้อมูลจำนวนมหาศาลแล้ว จำเป็นต้องอาศัยเทคโนโลยี Big Data เช่น Hadoop, Spark หรือฐานข้อมูลเชิงสัมพันธ์และไม่เชิงสัมพันธ์ (SQL/NoSQL) เพื่อจัดเก็บข้อมูลและเตรียมพร้อมสำหรับการวิเคราะห์  3. การวิเคราะห์ข้อมูลด้วย AI ซึ่งมีตัวอย่างที่น่าสนใจมีการนำวิเคราะห์ข้อมูล เช่น  ที่มาภาพ: https://blogs.sas.com/content/subconsciousmusings/2020/12/09/machine-learning-algorithm-use/  ที่มาภาพ: https://www.datasciencecentral.com/top-nlp-algorithms-amp-concepts/  ที่มาภาพ: https://www.geeksforgeeks.org/artificial-intelligence/artificial-neural-networks-and-its-applications/  4. การนำเสนอผลลัพธ์ (Result Presentation) ผลการวิเคราะห์จะถูกนำเสนอผ่านแอป เว็บไซต์ หรือแชตบอต โดยมักปรับแต่งให้เหมาะสมกับผู้ใช้แต่ละราย เพื่อสร้างประสบการณ์ที่เป็นส่วนตัว (Personalized Experience)  5. การเรียนรู้และปรับปรุงต่อเนื่อง (Feedback & Continuous Learning) ระบบ AI จะเก็บข้อมูลปฏิกิริยาของผู้ใช้ เช่น ความพึงพอใจ การแชร์ หรือการใช้บริการซ้ำ นำไปปรับปรุงแบบจำลองการทำนายให้มีความแม่นยำและสอดคล้องกับพฤติกรรมมนุษย์มากขึ้น  การประยุกต์ใช้ Big Data และ AI ในการดูดวงเป็นปรากฏการณ์ที่สะท้อนให้เห็นถึงการผสมผสานระหว่างศาสตร์โบราณกับเทคโนโลยีสมัยใหม่อย่างลงตัว แม้คำทำนายจะยังไม่สามารถพิสูจน์ทางวิทยาศาสตร์ได้ แต่การนำ AI มาวิเคราะห์ข้อมูลจำนวนมหาศาลได้สร้างความน่าสนใจและเพิ่มคุณค่าเชิงประสบการณ์ให้แก่ผู้ใช้ในอนาคต ซึ่งมีผลกระทบต่อมนุษย์และสังคม ไม่ว่าจะเป็นการเข้าถึงที่ง่ายและรวดเร็ว ผู้ใช้สามารถดูดวงได้ทุกที่ทุกเวลา มีการปรับแต่งเฉพาะบุคคลโดย AI วิเคราะห์ข้อมูลเชิงลึก ทำให้คำทำนายมีความเฉพาะเจาะจงมากขึ้น อีกทั้งเป็นการผสมผสานความบันเทิงและจิตวิทยา บริการดูดวงช่วยบรรเทาความวิตกกังวล และสร้างความมั่นใจ ทำให้มีการพัฒนาเชิงเศรษฐกิจ อุตสาหกรรมดูดวงออนไลน์สร้างรายได้และเปิดโอกาสใหม่ในการพัฒนาธุรกิจดิจิทัล  แต่อย่างไรก็ตาม ผลกระทบที่ควรต้องพึงระวัง คือ ปัญหาความถูกต้อง เนื่องจากคำทำนายที่ได้จาก AI เป็นเพียงความน่าจะเป็นไปได้ตามฐานคำนายที่มี และความเป็นส่วนตัวของข้อมูล การเก็บข้อมูลส่วนบุคคลจำนวนมากอาจนำไปสู่ความเสี่ยงด้านการรั่วไหลได้ อีกทั้งการพึ่งพามากเกินไป ผู้ใช้บางรายอาจหลงเชื่อคำทำนายจนส่งผลต่อการตัดสินใจที่สำคัญในชีวิต รวมไปถึงข้อถกเถียงทางจริยธรรม การใช้ AI ในการเสริมสร้างความเชื่อที่ไม่สามารถพิสูจน์ได้  จึงทำให้เราควรตระหนักและให้ความสำคัญในการพัฒนามาตรฐานด้านความปลอดภัยข้อมูล เพื่อปกป้องความเป็นส่วนตัวของผู้ใช้ และการสร้างความรู้เท่าทันดิจิทัล (Digital Literacy) ให้ผู้ใช้เข้าใจว่าคำทำนายจาก AI มีข้อจำกัด รวมทั้งการวิจัยและพัฒนา ในการผสมผสานข้อมูลวิทยาศาสตร์จิตวิทยาเข้ากับการดูดวง เพื่อเพิ่มคุณค่าเชิงวิชาการ และการใช้ประโยชน์ทางเศรษฐกิจและสังคม เช่น การสร้างแพลตฟอร์มที่ผสมผสานความบันเทิง การศึกษา และการเสริมกำลังใจให้ผู้คน  เอกสารอ้างอิง  https://www.tandfonline.com/doi/full/10.1080/1369118X.2012.678878 https://bernardmarr.com/wp-content/uploads/2022/05/Big-Data-Esampler-1.pdf http://lib.ysu.am/disciplines_bk/efdd4d1d4c2087fe1cbe03d9ced67f34.pdf 
6 October 2025
Big Data และ AI พลิกโฉมความรักและความสัมพันธ์ในยุคดิจิทัล 
ในยุคดิจิทัล ปฏิสัมพันธ์ทางสังคมได้เปลี่ยนแปลงไปอย่างสิ้นเชิงจากเดิมที่มนุษย์ต้องอาศัยการพบปะกันโดยตรง สู่การใช้เทคโนโลยีเป็นสื่อกลาง โดยเฉพาะแอปพลิเคชันหาคู่ (Dating Applications) ที่ได้รับความนิยมทั่วโลก ไม่ว่าจะเป็น Tinder, Bumble, OKCupid หรือ Coffee Meets Bagel การแพร่หลายของแพลตฟอร์มเหล่านี้สะท้อนถึงความต้องการของมนุษย์ในการแสวงหาความสัมพันธ์และการเชื่อมต่อใหม่ ๆ อย่างไรก็ตาม การจับคู่ที่แม่นยำและประสบการณ์การใช้งานที่ดี จำเป็นต้องอาศัยการประมวลผลข้อมูลจำนวนมหาศาล (Big Data) และเทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence: AI) ซึ่งการใช้ Big Data และ AI ไม่ได้จำกัดอยู่เพียงแค่การคำนวณคะแนนความเข้ากันได้ระหว่างผู้ใช้ แต่ยังครอบคลุมถึงการวิเคราะห์พฤติกรรม การตรวจสอบความปลอดภัย การลดความเสี่ยงจากโปรไฟล์ปลอม ตลอดจนการสร้างบทสนทนาอัตโนมัติที่เอื้อต่อการเริ่มต้นความสัมพันธ์   Big Data และ AI ถือเป็นกลไกที่อยู่เบื้องหลังแอปหาคู่  การทำงานของแอปพลิเคชันหาคู่ มีการรวบรวมและประมวลผลข้อมูลในระดับที่กว้างและลึกกว่าที่ผู้ใช้ทั่วไปนึกถึง นั่นคือ Big Data หมายถึง ชุดข้อมูลขนาดใหญ่ที่มีปริมาณ (Volume) ความหลากหลาย (Variety) และความรวดเร็ว (Velocity) โดยในแอปหาคู่ ข้อมูลเหล่านี้ได้มาจาก ข้อมูลโปรไฟล์ เช่น อายุ เพศ สถานที่ทำงาน ความสนใจ พฤติกรรมการใช้งาน เวลาที่เปิดแอป ความถี่ในการปัดซ้าย/ขวา (swipe) ระยะเวลาที่ใช้ในการดูโปรไฟล์ ข้อมูลเชิงพื้นที่ (Location Data) ใช้เพื่อหาคู่ที่อยู่ใกล้เคียง รวมถึงการสื่อสาร ข้อความสนทนา คำที่ใช้บ่อย และโทนการสื่อสาร การเก็บข้อมูลเหล่านี้เปิดโอกาสให้ผู้พัฒนาแอปสามารถสร้างแบบจำลองพฤติกรรมและวิเคราะห์รูปแบบความชอบของผู้ใช้ได้อย่างละเอียด ส่วนปัญญาประดิษฐ์ หรือ AI ทำหน้าที่สำคัญในการประมวลผลข้อมูลขนาดใหญ่ (Big Data) เพื่อสร้างระบบการจับคู่ (Matching System) ที่มีความแม่นยำและมีประสิทธิภาพมากยิ่งขึ้น โดยการทำงานอาศัยเทคนิคและเครื่องมือเฉพาะทางหลายด้าน ได้แก่  Machine Learning (ML) เป็นหัวใจหลักในการเรียนรู้จากข้อมูลพฤติกรรมของผู้ใช้ เช่น ประวัติการกดถูกใจ (like) การปัดซ้ายหรือขวาในแอปพลิเคชันหาคู่ รวมไปถึงรูปแบบการสื่อสารกับคู่สนทนา ML จะสร้างแบบจำลอง (Model) ที่สามารถทำนายความเข้ากันได้ หรือ Compatibility Score ของผู้ใช้แต่ละคู่ โดยใช้ปัจจัยทั้งด้านบุคลิกภาพ ความสนใจ และรูปแบบการปฏิสัมพันธ์ ทำให้การแนะนำคู่มีโอกาสประสบความสำเร็จสูงกว่าเพียงการสุ่ม  Natural Language Processing (NLP) ใช้สำหรับวิเคราะห์ข้อมูลที่อยู่ในรูปแบบข้อความ เช่น ข้อมูลโปรไฟล์ คำบรรยายตัวตน ความสนใจ รวมถึงบทสนทนาที่เกิดขึ้นระหว่างผู้ใช้ ระบบสามารถตีความความหมายในเชิงลึก เช่น การตรวจจับโทนภาษา ความสนใจร่วมกัน หรือค่านิยมที่สอดคล้องกัน ซึ่งช่วยให้การจับคู่ไม่เพียงอิงจากข้อมูลพื้นฐาน แต่ยังสะท้อนความเข้ากันได้ทางความคิดและการสื่อสารอีกด้วย  Computer Vision ประยุกต์ใช้อัลกอริทึมจดจำใบหน้า (Facial Recognition) และการประมวลผลภาพถ่าย เพื่อยืนยันความถูกต้องของโปรไฟล์ว่ามีตัวตนจริง ลดความเสี่ยงจากการปลอมแปลง (Catfishing) นอกจากนี้ยังสามารถวิเคราะห์สไตล์ภาพที่ผู้ใช้ชื่นชอบ เช่น โทนสี การจัดองค์ประกอบ หรือบรรยากาศของภาพ เพื่อใช้เป็นข้อมูลเพิ่มเติมในการแนะนำคู่ที่มีความใกล้เคียงกับรสนิยมด้านความสวยงามและภาพลักษณ์  Recommendation System ระบบแนะนำคู่ที่พัฒนาขึ้นจากการรวบรวมข้อมูลของผู้ใช้นับล้านคน แล้วนำมาวิเคราะห์ความสัมพันธ์ของข้อมูลในเชิงสถิติและเชิงพฤติกรรม อัลกอริทึมนี้จะค้นหารูปแบบที่ซ่อนอยู่ เช่น ผู้ที่มีคุณลักษณะหรือความสนใจแบบใดมักตอบรับหรือสานสัมพันธ์กับผู้ใช้ลักษณะใด จากนั้นจึงนำมาประมวลผลเป็นการแนะนำคู่ที่มีแนวโน้มสูงสุด ซึ่งไม่เพียงช่วยเพิ่มโอกาสในการจับคู่สำเร็จ แต่ยังทำให้ผู้ใช้ประหยัดเวลาและได้รับประสบการณ์ที่น่าพึงพอใจมากขึ้นตัวอย่างแอปพลิเคชันการหาคู่ OKCupid เคยเปิดเผยในบล็อกของตนว่า การใช้ ML ในการวิเคราะห์คำตอบแบบสอบถามช่วยเพิ่มโอกาสจับคู่ที่ประสบความสำเร็จได้สูงกว่า 30% ในขณะที่ Tinder ใช้การผสมผสาน Location Data และ AI เพื่อแนะนำคู่ที่อยู่ใกล้และตรงกับพฤติกรรมการปัด (swiping behavior)  จากการผสมผสาน Big Data เข้ากับ AI ผ่านเทคนิคเหล่านี้ ทำให้การหาคู่ในยุคดิจิทัลไม่ใช่เพียงการพึ่งพาโชคหรือความบังเอิญอีกต่อไป แต่เป็นกระบวนการที่มีการวิเคราะห์อย่างเป็นระบบ แม่นยำ ครอบคลุมมิติต่าง ๆ ดังนี้  การจับคู่เชิงลึกที่ปรับให้เหมาะกับผู้ใช้แต่ละคน (Personalized Matching) โดยพิจารณาจากพฤติกรรมจริงมากกว่าการตั้งค่าความสนใจเพียงอย่างเดียว เช่น ผู้ใช้ที่มักจะเลือกโปรไฟล์ที่มีภาพถ่ายกลางแจ้ง อาจได้รับการแนะนำคู่ที่ชอบกิจกรรมกลางแจ้งเช่นกัน  ผู้ช่วยหาคู่ AI (AI Dating Assistant) บางแพลตฟอร์มเริ่มทดลองใช้ Chatbot ที่ช่วยเสนอแนวทางการเปิดบทสนทนา เช่น แนะนำคำถามที่อาจทำให้คู่สนใจมากขึ้น ซึ่งช่วยลดความกดดันในการเริ่มต้นการพูดคุย  ความปลอดภัยและความน่าเชื่อถือ (Safety & Trust) AI ถูกใช้ในการตรวจจับโปรไฟล์ปลอม (fake profiles) การใช้ภาพซ้ำจากอินเทอร์เน็ต (reverse image search) หรือการใช้ NLP เพื่อตรวจหาคำพูดที่ไม่เหมาะสม เช่น การล่วงละเมิดหรือการหลอกลวง   การวิเคราะห์พฤติกรรม (Behavioral Analytics) แอปหาคู่สามารถเรียนรู้ได้ว่า ผู้ใช้จริง ๆ แล้วชอบคนแบบไหน โดยวิเคราะห์พฤติกรรมที่เกิดขึ้นจริง แทนที่จะอ้างอิงจากสิ่งที่ผู้ใช้กรอกไว้ในโปรไฟล์เพียงอย่างเดียว  แม้ว่า Big Data และ AI จะเพิ่มประสิทธิภาพของการจับคู่ แต่ก็มีประเด็นทางสังคมและจริยธรรมที่ควรพิจารณาทั้งเชิงบวก เช่น เพิ่มโอกาสการพบคู่แท้ ผู้ใช้สามารถเจอคนที่มีความสนใจใกล้เคียงได้ง่ายขึ้น ลดอคติในการเลือกคู่ ระบบสามารถช่วยให้ผู้ใช้เปิดกว้างต่อความสัมพันธ์ที่อาจไม่เคยนึกถึง และความสะดวก ไม่ต้องเสียเวลาพบปะจำนวนมากเพื่อหาคนที่เหมาะสม และเชิงลบ ในแง่อคติจากอัลกอริทึม (Algorithmic Bias AI) อาจสร้างอคติจากข้อมูลที่ไม่สมดุล เช่น ให้ความสำคัญกับรูปลักษณ์มากเกินไป ความเป็นส่วนตัว การเก็บข้อมูลพฤติกรรมอย่างละเอียดอาจนำไปสู่การละเมิดความเป็นส่วนตัว หรือความสัมพันธ์ผิวเผิน บางครั้งระบบแนะนำอาจเน้น การจับคู่ที่รวดเร็ว มากกว่าความเข้ากันได้เชิงลึก รวมถึงประเด็นด้านจริยธรรม การใช้ข้อมูลส่วนบุคคล เช่น ข้อมูลตำแหน่งและประวัติการสนทนา จำเป็นต้องมีกฎหมายและมาตรการคุ้มครอง เช่น GDPR ของสหภาพยุโรป และ PDPA ของประเทศไทย หากไม่มีการจัดการที่เหมาะสม อาจนำไปสู่การรั่วไหลของข้อมูลที่ส่งผลกระทบต่อผู้ใช้โดยตรง  ดังนั้น การประยุกต์ใช้ Big Data และ AI ในแอปพลิเคชันหาคู่ มีบทบาทสำคัญต่อการพัฒนาแพลตฟอร์มให้ตอบสนองความต้องการของผู้ใช้ได้ดียิ่งขึ้น ตั้งแต่การจับคู่ที่มีประสิทธิภาพ การสร้างความปลอดภัย ไปจนถึงการสนับสนุนการสื่อสาร อย่างไรก็ตาม ความท้าทายด้านความเป็นส่วนตัว อคติของอัลกอริทึม และจริยธรรมทางข้อมูลเป็นประเด็นที่ต้องได้รับความใส่ใจอย่างจริงจัง จึงทำให้ผู้พัฒนาแอปพลิเคชันควรตระหนักจริยธรรมปัญญาประดิษฐ์ (Ethical AI) และธรรมาภิบาลข้อมูล (Data Governance) ที่โปร่งใส รวมถึงการให้ผู้ใช้สามารถควบคุมข้อมูลของตนเองได้มากขึ้น นอกจากนี้ ควรมีการวิจัยเชิงลึกเกี่ยวกับผลกระทบระยะยาวของการใช้เทคโนโลยีเหล่านี้ต่อความสัมพันธ์ เพื่อพัฒนาแนวทางที่สมดุลระหว่างประสิทธิภาพทางเทคโนโลยีและคุณค่าทางมนุษย์  เอกสารอ้างอิง (References) https://dl.acm.org/doi/10.1145/1864708.1864770 https://cacm.acm.org/research/a-snapshot-of-the-frontiers-of-fairness-in-machine-learning https://gwern.net/doc/psychology/okcupid/weexperimentonhumanbeings.html https://www.researchgate.net/publication/349327291_Online_Dating_Meets_Artificial_Intelligence_How_the_Perception_of_Algorithmically_Generated_Profile_Text_Impacts_Attractiveness_and_Trust https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/2741
29 August 2025
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings