Algoritmo de aprendizaje automático extrae 16 mil millones de correos electrónicos

El correo electrónico juega un papel muy importante en la vida de una gran parte de la población mundial. Y, sin embargo, extrañamente, se sabe poco sobre la forma en que la gente usa el correo electrónico. ¿Cuántas conversaciones de correo electrónico tiene la gente? ¿Cuánto duran estas conversaciones y cómo terminan? ¿Y cómo afecta el volumen de correo entrante al comportamiento de las personas?

Hoy, recibimos una respuesta a una variedad de preguntas como estas gracias al trabajo de investigadores de Yahoo Labs en Barcelona y California y en la Universidad del Sur de California. Estos chicos han estudiado patrones de comportamiento en una base de datos de 16 mil millones de correos electrónicos intercambiados entre dos millones de personas durante varios meses. Creemos que el nuestro es el primer análisis a gran escala de conversaciones por correo electrónico, dicen.

Resulta que los patrones de correo electrónico son tan confiables que un algoritmo de aprendizaje automático puede predecir de antemano cuánto tiempo es probable que sea una respuesta y cuándo es probable que finalice una conversación por correo electrónico. Esa es información que podría desempeñar un papel importante en la próxima generación de sistemas de correo electrónico.

Es fácil imaginar que los antropólogos computacionales deben haber estado examinando vastas bases de datos de correo electrónico para determinar el impacto de esta forma relativamente nueva de mensajería en los estilos de vida ordinarios.

No tan. Los relativamente pocos estudios completados se han realizado en pequeñas muestras de correos electrónicos y dieron como resultado descubrimientos relativamente simples. Estos incluyen el hecho de que algunas personas responden a los correos electrónicos en la secuencia en que llegan, mientras que otros seleccionan y eligen los más importantes para responder primero.

Para remediar esta brecha en nuestro conocimiento, Farshad Kooti de la Universidad del Sur de California y sus amigos estudian una base de datos de 16 mil millones de correos electrónicos en Yahoo Mail de personas que aceptaron permitir que sus datos se usaran para investigación.

Debido a que gran parte del correo electrónico que recibe la gente es spam o se genera automáticamente, el equipo eligió solo aquellos correos electrónicos que se enviaron entre dos personas en una conversación que duró al menos cinco intercambios.

Estos 16 mil millones de correos electrónicos provenían de las cuentas de correo electrónico de dos millones de usuarios únicos e incluían solo correos electrónicos de dominios comerciales y de otros usuarios de Yahoo que habían optado por participar en la investigación. De estos 16 mil millones, 187 millones de correos electrónicos se intercambiaron entre pares de usuarios en el conjunto de datos. Estos eran esencialmente los de interés.

Luego, los investigadores pudieron estudiar la naturaleza estadística de esta forma de comunicación por pares utilizando información como la identificación del remitente, la identificación del receptor, la hora de envío, el asunto del correo electrónico, el cuerpo del correo electrónico y la cantidad de archivos adjuntos.

Para garantizar la privacidad, los investigadores anonimizaron a los remitentes y receptores y ningún ser humano analizó el contenido de los cuerpos de los correos electrónicos. En su lugar, los investigadores utilizaron algoritmos para extraer estadísticas de los cuerpos de los correos electrónicos, como su longitud, la cantidad de identificadores de correo electrónico en un hilo, etc.

El equipo agrupó los correos electrónicos entre individuos si compartían la misma línea de asunto (todos menos uno comenzarían con Re:) y ordenó los mensajes de acuerdo con su marca de tiempo.

Luego estudiaron varias características de estas cadenas de correo electrónico, como el tiempo que se tarda en responder a un correo electrónico, la duración de la respuesta y cómo estos factores varían según la edad y el sexo del remitente, etc. .

Los resultados hacen una lectura interesante. Resulta que las personas más jóvenes envían respuestas más rápidas y breves y que los hombres envían respuestas un poco más rápidas y breves que las mujeres.

El tiempo de escritura también es un factor. Descubrimos que los usuarios responden más rápido a los correos electrónicos recibidos durante los días de semana y las horas de trabajo, y que las respuestas tienden a acortarse más tarde durante el día y los fines de semana, dicen Kooti y compañía.

Y los dispositivos móviles también tienen un impacto. Las respuestas de los dispositivos móviles fueron más rápidas y breves que las de las computadoras de escritorio, y los correos electrónicos sin archivos adjuntos generalmente obtuvieron respuestas más rápidas, dicen.

Un fenómeno cada vez más importante es la sobrecarga de correo electrónico. Kooti y sus colegas descubrieron que a medida que las personas reciben más correos electrónicos, aumentan la velocidad a la que responden, pero no lo suficiente como para compensar la mayor carga.

En otras palabras, a medida que las personas se sobrecargan más, responden a una fracción más pequeña de los correos electrónicos entrantes con respuestas más cortas. Sin embargo, su capacidad de respuesta se mantuvo intacta e incluso puede ser más rápida, dicen los investigadores.

El equipo también analizó las diferencias entre un correo electrónico y su respuesta, como la cantidad de palabras utilizadas y el tiempo entre las respuestas. Curiosamente, durante la primera mitad de una conversación por correo electrónico, las respuestas se vuelven más similares, tanto en tiempo como en duración. Sin embargo, todo eso cambia después de la mitad de la amenaza cuando el comportamiento de respuesta se vuelve cada vez más diferente.

Estos patrones permitieron al equipo construir un algoritmo de aprendizaje automático para detectar las diversas etapas de las conversaciones por correo electrónico y predecir cuándo es probable que finalicen. Entrenaron este algoritmo para predecir el tiempo y la duración de las respuestas y si un correo electrónico era el último en el hilo.

Y aunque estas predicciones no son perfectas, son lo suficientemente buenas como para tener un impacto en la forma en que se diseñarán los sistemas de correo electrónico en el futuro. Los clientes de correo electrónico pueden utilizar la capacidad de predecir con precisión qué mensajes responderá un usuario para clasificar los correos electrónicos en la bandeja de entrada de los usuarios según su prioridad de respuesta, lo que ayuda a aliviar la carga de la sobrecarga de información, dice el equipo.

Es un trabajo interesante que podría ayudar a determinar la forma en que los algoritmos manejan nuestros correos electrónicos en el futuro. Cualquier cosa que ayude a aliviar la carga de la sobrecarga de correo electrónico podría convertirse en una parte importante de la burocracia oculta de la comunicación.

Yahoo tiene un claro interés en este tipo de trabajo, por lo que es sorprendente que este tipo de estudio se haya realizado por primera vez ahora. Con un poco de suerte, el proceso de incorporar estos hallazgos en futuros sistemas de correo electrónico no tomará tanto tiempo.

Ref: un rxiv.org/abs/1504.00704 : Evolución de las conversaciones en la era de la sobrecarga de correo electrónico

esconder