主题问题介绍：人工智能和广告的承诺与危险
雪莉·罗杰斯
引用本文：Shelly Rodgers（2021 年）主题问题介绍：人工智能和广告的承诺与危险，广告学杂志，50:1，1-10，DOI：
要链接到本文：https://doi.org/10.1080/00913367.2020.1868233
在线发布日期：2021 年 2 月 22 日。
提交您的文章到这个期刊
文章浏览次数：16322
查看相关文章
查看 Crossmark 数据
引用文章：28 查看引用文章
主题问题介绍：人工智能和广告的承诺与危险
在广告技术进步中，也许没有比人工智能（AI）更令人兴奋的了。然而，在这种兴奋之中，有许多问题：什么是 AI 广告，它的承诺和危险是什么？ AI 的承诺在于改变广告的本质，影响广告过程的所有方面（秦和江 2019 年）。一些批评者认为，危险对广告和社会构成真正的威胁，导致人们不愿拥抱 AI。对于消费者，AI 的威胁包括隐私和控制的丧失（Pega n.d.）。对于营销人员，对 AI 的恐惧源于陡峭的学习曲线，不知道投资回报率或者它是否有助于品牌形象（例如，Roe 2020）。然而，随着公司每年继续产生指数级别的数据，AI 正在变得不再是一个选择，而是更多地成为保持领先地位的必要条件。考虑以下统计数据：
-
消费者中已有使用了由人工智能驱动的服务或设备（Adobe 2018）。 -
预计 2021 年人工智能营销将增长 53％（Gingerich 2020）。 -
到 2023 年，全球数字广告预计将达到亿美元（Enberg 2019），其中 AI 将占据其中的 （Ad Exchanger 2019）。
事实上，正如这个主题问题所强调的，人工智能几乎触及社会的方方面面-从零售和娱乐到金融、政治和医疗保健。这个主题问题在 COVID19 大流行开始之前就已经在进行中，即使在那时，人工智能的重要性也是显而易见的；在这场危机期间同样必不可少。例如，在金融市场上，一项针对美国银行家的调查发现，
AI 对他们从大流行中恢复的能力“非常重要”（Neal 2020）。根据 IBM 的另一项调查，
鉴此，主题问题的作者们涉及了广泛的主题、理论、方法、工具和应用，以及一系列技术，回应了进一步探索人工智能广告的呼吁（例如，参见李氏 2019 年在《广告学杂志》第 48 卷第 4 期发表的“人工智能与广告”专栏）。涉及了广告管理过程的不同方面，如市场研究、定位和媒体选择、广告创意和设计、广告投放和执行以及广告绩效。例如，作者们探讨和讨论了当人工智能影响者取代人类名人代言人时会发生的“承诺和危险”（文章#1），教导人工智能在上下文中自动进行广告投放的选项（文章#2），以及一个显示出增加创意人工智能广告自主性和可扩展性前景的框架（文章#3）。作者们还研究了人工智能检测品牌视觉-文本不匹配的能力，作为减少错误和增加社交媒体用户生成内容中盈利能力的手段（文章#4）。 尽管人工智能是一个幕后过程，但主题问题研究表明企业如何使人工智能具体化，并向希望获得增强店内体验的消费者展示，这些体验与人工智能品牌沟通相互交织在一起（文章＃5）。最后，作者们审视了在人工智能广告研究中进行研究的承诺和危险，例如，通过比较人工智能执行“内容分析”的能力与人类相当（文章＃6）。
正如这个简要总结所显示的，这个主题问题包含许多见解，可以帮助我们了解广告理论和行业在 AI 在广告中的运作方式、时间、原因的效率、有效性和安全性。然而，在继续之前，我们首先需要探讨如何定义 AI 广告。
什么是广告？
表 1 显示了一些定义的列表。虽然不是详尽无遗，但这个列表对本讨论很有用。提出了几个广泛的观察，并对表 1 中用于个别文章的定义进行了一些简要评论，用星号标注。然后提出了一个工作框架。AI 广告的确切定义各不相同，定义的差异源于 AI 涵盖了很多领域。
首先，关于“人工智能和广告”的定义在构成主题问题的六篇文章中有所不同。尽管存在这些变化，所有定义都共享一个共同的概念，即人工智能是基于数据驱动的，旨在做出智能决策（参见第 5 篇文章中的类似论点）。广义上，人工智能一词涵盖了一系列机器功能，这些功能在人类的帮助下学习，或完全独立学习（Kaput 2020）。至于广告一词，在我们的作者使用中，指的是（a）品牌传播（b）旨在说服（参见 Dahlen 和 Rosengren 2016；Thorson 和 Rodgers 2019）。因此，人工智能广告可以被视为特定类型的广告（例如，第 1 篇文章中的人工智能代言人），也可以被视为更大过程的一部分（例如，第 3 篇文章中的创意）。它可以在特定背景下体验（例如，第 4 篇文章中的社交媒体），也可以作为更大品牌体验的一部分（例如，第 5 篇文章中的实体店购物）。 它也可以是受监督的或无监督的，可以模仿人类或其他机器，并且可以接受所学到的知识并重新配置自己，就像 AI 影响者的情况一样，他们可以使自己看起来和行为像人类，甚至与其他机器进行战斗（文章＃1）。这个最后的例子有助于说明“AI 广告”并不总是属于人类类型，而也可以是机器类型或人类和机器的混合体。实际上，AI 广告已变得复杂（参见 Li 2019），并且已经意味着许多事情，正如本专题研究所代表的那样。
总的来说，就主题问题而言，
其次，理解研究领域是非常重要的，因为这决定了所涉及的问题类型和范围（Duff，Faber 和 Nan 2019）。回到表 1，人工智能（基本上是计算机科学领域）被应用于形成许多学术领域或领域内的独特子学科：商业、传播、心理学、语言学、哲学、数学、医学、法律和社会学。事实上，在本专题中发表的各种作者和项目关联证明了可以应用于研究人工智能广告的各种观点。您会注意到，他们大多数的定义都属于商业、营销和广告领域（请参见表 1）。从营销方面，作者引用了 Kumar 等人（2019）；从商业方面，使用了 Kaplan 和 Haenlein（2019）的定义；从广告方面，作者引用了 Qin 和 Jiang（2019）对人工智能以及 Li（2019）对智能广告的定义（请参见表 1 中的定义）。 这表明，目前主题问题研究所占据的知识空间主要来自广告和历史上与广告相关的领域，即商业和营销。其他领域的定义也被使用，表明在研究人工智能广告的理论方法和实践方面有多样性的空间。例如，作者引用了韦伯和舒特（2019 年）关于大数据和认知计算的定义，以及薛等人（2020 年）关于客户服务的定义（见表 1）。主题问题还促使出现了针对人工智能广告研究的新定义。例如，托马斯和福勒（文章＃1）对 AI 影响者的定义：“一个数字创建的人工虚拟人，与互联网名人有关，并使用软件和算法执行类似人类的任务”。"
从这次讨论中可以得出结论，这个主题所涉及的定义和问题
人工智能类型
图 1. 分类模式。
问题完全属于可以合法通过人工智能广告来解决的领域。表 1 中列出的领域中有一些定义并未应用于我们的主题问题，但可能对未来研究人工智能广告有用。例如，科学工程提供了伦理观点，法律和社会学提供了法律观点。鉴于各种定义，提出了一个框架。
朝着一个框架
图 1 显示了一个分类模式，可以用来进行人工智能广告研究。意图是
为了在专题问题文章中找到共同点。确定了三个维度：人工智能类型、人工智能功能和学习类型。简要解释了这些维度，并提供了一些示例。提出的框架旨在具有说明性，而非全面性。
首先，研究可以分为三种主要类型的人工智能：狭窄或弱、通用或强、以及超级（请参见 2020 年 Ryan 在表 1 中），分别用小、中、大圆圈表示（请参见图 1）。圆圈的大小表示人工智能的强度。狭窄人工智能（NAI）或“弱人工智能”涉及一种基本水平的智能，类似于婴儿的智能，因为它只能执行特定任务或一次执行一个任务（就像婴儿在学步前会爬行一样）。通用人工智能（GAI）指的是成年人水平的机器智能，意味着机器可以接受更具认知要求和复杂任务的训练（例如，感知、学习、问题解决）。GAI 还可以具有人类的感知能力，如视觉、听觉和感觉，使其成为“强大”类型的人工智能。超级人工智能（SAI）指的是超越人类智能并独立于人类行动的技术。SAI 是所有智能类型中最强大的，目前尚不可能，但是是史蒂芬·霍金认为可能对人类构成威胁的未来类型（请参见文章＃5）。 尽管关于 AI 广告当前智能水平的辩论仍在继续——无论是 NAI 还是 GAI——可以说，本专题研究可以被归类为 GAI。两个例子是由 Thomas 和 Fowler（文章＃1）审查的完全自主的 AI 影响者，以及由 Vakratsas 和 Wang 提出的相对自主的 AI 启用创意广告系统（文章＃3）。
其次，研究也可以根据 AI 构建模块或功能进行分类，例如自然语言处理、图像和语音识别以及问题解决（有关定义，请参阅文章＃1）。专题问题的作者确定和/或使用图 1 中概述的所有构建模块。例如，Ha 等人（文章＃4）使用计算机视觉，依赖于图像识别，而 Hayes 等人（文章＃6）使用自然语言处理，依赖于文本（和语音）识别。这为什么重要？AI 构建模块构成理论的基础，并揭示可以分析的数据类型和可以解决的问题类型。
最后，定义可以按学习类型分类。图 1 显示了五种学习类型：机器学习、深度学习、监督学习、无监督学习和强化学习（有关定义，请参见 Panch、Szolovits 和 Atun 2018 年的表 1）。"学习"广义上指的是机器的认知能力。正如所述，认知水平从低（婴儿）到高（成人），学习可以来自人类、机器或两者的输入。Watts 和 Adriano 的研究（文章＃2）是监督机器学习的一个例子，其中算法被训练以根据人类提供的示例学习关联。监督深度学习可以通过 Ha 等人（文章＃4）采用的计算机视觉方法来说明，该方法学会根据文本、图像和元数据线索检测 Instagram 用户生成的帖子中的不匹配。无监督学习指的是识别以前未知的预测因素的能力，也许可以通过 Thomas 和 Fowler（文章＃1）研究的自主 AI 代言人来说明。 尽管最终类型——强化学习，并未被本专题研究中的任何研究所考察，但其实用性可能更适合未来的研究，其中机器的能力通过一组奖励最大化，就像在游戏中一样（见表 1 中的 Panch，Szolovits 和 Atun 2018）。
正如这个简化的练习所示，人工智能广告的许多理论在很大程度上是不同的，但可以沿着一些共同的维度进行分类。图 1 标识了三个维度-人工智能类型、人工智能功能和学习类型-如所述。当然，这并不是所有可能的维度，维度并不完美，因为它们重叠（例如，机器学习被认为既是人工智能功能，由 Kietzman、Paschen 和 Treen 2018 定义，也是一种学习类型，由 Panch、Szolovits 和 Atun 2018 定义）。由于技术不断发展，我们假设关于人工智能广告的框架也将不断发展。这意味着，专门与广告相关的人工智能研究面临着建立和测试能够容纳和思考所有这些复杂性的理论的挑战，正如本专题研究所反映的那样。由于需要专业知识，强调主题问题的作者来自不同的学科，其中三篇文章（即文章#2、#4 和#6）创造了他们自己原创的人工智能算法和/或词汇表，以使研究成为可能。 这些努力为未来跨学科研究团队提供了有希望的途径，他们致力于解决牢固根植于广告领域的人工智能广告问题。
承诺与危险
正如其名称所示，专题问题的主要目标是激发跨学科思维
AI 广告的承诺和危险。我们应该欢迎 AI 所承诺的一切吗？还是认为的危险太大了？以下是六篇被接受的文章（共 31 篇投稿）的作者对此的看法。
文章＃1。Thomas 和 Fowler 的第一篇文章通过使用
承诺：AI 影响者在引发有利品牌反应（即态度、购买意向）方面与人类名人代言人一样有效，因此可能是人类代言人的一个可行替代选择。
危险：与名人代言人一样，由 AI 影响者犯下的任何过错都可能对消费者的品牌认知产生负面影响，甚至可能促使消费者否认所有 AI 代言人，这表明需要谨慎。
第二篇文章涉及如何利用机器学习算法改善广告投放效果的重要问题。在《揭示广告中机器学习错误的来源：语义相关性评估中的语境偏见》一文中，作者瓦茨和阿德里亚诺认为，机器在品牌投放方面会犯昂贵的错误，如果它们被教导有关语义相关性，这些错误是可以避免的，他们将语义相关性定义为“人类思维中单词之间的概念距离”。为了解决这些缺陷，创建了一个上下文感知的数据库，并将数据库的结果与当前的最佳实践进行比较。在教导机器如何在某些单词相关联时变得更加关注上下文的情况下，品牌投放的改进是显而易见的，这使得机器更接近理解上下文细微差别，就像人类理解一样。
承诺：人工智能可用于训练机器通过变得更加具有上下文意识来克服广告投放错误，从而提高广告效率和效果。
危险：上下文细微差别的训练取决于进行训练的人的假设；需要更广泛的词汇和更深入的理解上下文细微差别。
第三篇文章讨论了广告中的创意，作者是 Vakratsas 和 Wang，他们提出了一个创意广告系统（CAS）。题为“广告创意中的人工智能”，CAS 旨在利用基于数据和人类输入的人工智能广告系统生成和测试广告创意，建立一个“广告库”。为此，作者提供了创意的广泛定义：“作为一个搜索过程，其结果应根据一组规则进行评估。”概述了四个相关步骤：（1）知识开发和跟踪，以建立广告库；（2）将知识分类为风格；（3）使用遍历规则集进行创意生成；和（4）使用评估规则的组合进行创意测试。根据作者的说法，所提出的路线图足够灵活，可以与现有的广告概念一起使用，并且可以帮助解释为什么对于一些执行创意元素可能存在不一致性。 与“设置并忘记”不同，该框架提供了一种方式，可以根据任务和工作的强度，了解创意工作何时在机器和人类之间分配。
承诺：提出的 CAS 框架为重新思考和塑造广告创意提供了一条路线图，随着 AI 广告系统的发展。
危险：考虑到观察消费者行为矩阵中所感知的创造力的困难，完全基于计算广告系统评估新颖的变革性创意的价值是困难的。
第 4 篇文章。在他们的文章《利用深度学习在 Instagram 上自动检测图像文本不匹配》中，Ha 等人开发并测试了一种创新的机器学习方法，利用计算机视觉来检测 Instagram 中消费者生成的品牌内容中的图像文本不匹配。能够识别不匹配的广告编辑内容对于增强消费者搜索和品牌表现至关重要。他们提出的多模态方法。
结合从图像、文本和元数据中提取的特征，因此，可以利用多种感官模式获取消费者见解。在分析 452,616 个关于时尚品牌的 Instagram 帖子后，作者发现该方法可以高效准确地检测广告视觉文本不匹配，并且在适当训练时甚至可能胜过一般（非品牌）模型。
承诺：计算机视觉作为一种提出的方法可以帮助在广告领域开辟新的研究方向，特别是在概念上下文一致性可以进一步发展的地方。
危险：教导机器识别视觉不匹配需要大量的训练，还需要更广泛的视觉输入。
第 5 篇文章《激励还是恐吓：AI 在商店内通信对消费者光顾可能性的影响》，由范埃施、崔和詹撰写，探讨了“无需结账”的零售技术，如亚马逊 Go 等商店所展示的技术，让您可以走进商店，拿起想要的东西，然后离开而无需扫描任何东西，因为 AI 会自动知道您购买了什么并向您的卡收费。作者假设 AI 结账服务可能会激励或恐吓消费者光顾的情况。因此，该研究通过关注商店内 AI 广告，将基于技术的品牌传播研究扩展到离线环境中。尽管 AI 技术可以通过商店内通信感官刺激增加消费者对商店氛围的评价和购买意图，但研究发现，一旦消费者感知到 AI 的威胁，任何积极效果都可能受到破坏。尽管该研究是在 COVID-19 大流行之前进行的，但作者指出了这些结果对当前和后疫情世界的适用性和相关性，考虑到 AI 实现的“无人接触”购买体验的价值。
承诺：在店内购物环境中，人工智能广告可以通过店内品牌沟通感官体验，激发消费者的购买意愿。
危险：如果消费者认为
第 6 篇文章。在最后一篇文章中，Hayes 等人将人类内容分析的结果与使用语言查询和词数（LIWC）的机器分析进行了比较，这是一种文本分析程序。他们的文章《社交媒体听取平台的人工智能可信吗？检验的准确性。
Crimson Hexagon（现在是 Brandwatch Consumer Research）的 AI 驱动分析，“分析了来自 Nike“梦想疯狂”广告的 1 万条电子口碑（eWOM）评论的随机样本。结果表明，人类在编码某些品牌特定内容（如品牌识别和品牌情感）方面可能比机器表现更好。作者建议研究人员不要抛弃机器，而是应采取措施来减少检测错误，比如（1）检查算法文档，（2）训练数据集，以及（3）在将 AI 生成的数据用于研究模型和决策制定之前评估这些数据。
承诺：社交媒体监听平台（SMLPs）可以提高数据收集速度，增强行业和学术研究人员的研究韧性和效率。
危险：机器可能不如人类在检测某些特定品牌分类（例如品牌识别）方面那样细致入微。然而，这既是一个危险也是一个承诺，因为目前可用的工具相当有限且存在问题，但正在进行研究并有潜力开发更先进的深度学习人工智能工具，以增强和更准确地检测和分类不包含特定品牌名称的品牌特定文本。这意味着研究人员需要优先考虑获取最重要的数据以及适合工作的正确工具或方法。
结束语
这个主题问题汇集了探讨
还要注意到，许多社会科学学者，包括广告研究人员，似乎也认为人工智能算法是价值中立和无偏见的，这在许多方面都是非常危险的。因此，除了提出改进技术的建议以研究人工智能广告理论之外，主题问题研究还提供了解释和指导，帮助理解人工智能可能如何或为何在广告未来进展中发挥作用和/或阻碍进展。我们的目的是激发跨学科研究，这将对思维产生重大影响，并促使未来几年对人工智能广告进行更多研究。
致谢
编辑感谢所有《广告学杂志》忠实的投稿者和审稿人，他们的参与使这期专题问题成为可能；感谢 Hairong 博士和 Shyam Sundar 博士对论文征集的早期版本提出的评论；感谢 Huh Jisu 博士对本文介绍的宝贵反馈意见；感谢张伟璐在表格 1 方面的帮助；感谢 Evgeniia Belobrovkina 在担任编辑助理期间对《广告学杂志》前台运作的无私奉献。
参考资料
表 1 中使用的参考资料
广告交易者。2019 年。人工智能正在吞噬广告-2019 年将是关键时刻。1 月 3 日。https://bit.ly/37JYECm。
Adobe。2018 年。关于人工智能的十五个令人震惊的统计数据。3 月 9 日。https://adobe.ly/2LbQRWl。
巴拉诺夫，P. P.，马米切夫，A. Y.，普洛特尼科夫，A. A.，沃罗诺夫，D. Y.，沃罗诺娃，E. M. 2020 年。从心理学角度看机器人和人工智能的法律规范问题。Propósitos y Representaciones 8（2）：511。doi：10.20511/pyr2020.v8n2.511
达伦，M.，和 S.罗森格伦。2016 年。如果广告不会消失，那将是什么？朝着广告的工作定义。广告学杂志 45（3）：334-45。doi：10.1080/00913367.2016.1172387
de Miranda, L. 2020. 人工智能与哲学创造力：从分析到创造论。 人类事务 30（4）：597-607。 doi：10.1515/humaff-2020-0053
Dobrev, D. 2012. 人工智能的定义. arXiv 预印本 arXiv:1210.1568, 1-7.
杜夫，B. R. L.，法伯，R. J.，和南，X. 2019。超越界限：广告理论未来的建议，第 2 章。在广告理论中，编辑。罗杰斯和索恩，18-31。纽约：Routledge，泰勒和弗朗西斯。
恩伯格，J. 2019 年。数字广告支出。eMarketer，3 月 28 日。https://bit.ly/37HW9R5。
Gingerich, M. 2020. 迈克的科技谈话：2021 年数字营销趋势。《先驱报》，12 月 6 日。https://bit.ly/33MYQzJ。
Goel, A. K.，和 J. Davies。2020。人工智能。在《剑桥智力手册》，Robert J. Sternberg，第 2 版。602-25 页。纽约：剑桥大学出版社。
汉考克，J. T.，M. Naaman 和 K. Levy。2020。AI 中介通信：定义，研究议程和伦理考虑。计算机中介通信杂志 25（1）：89-100。doi:10.1093/jcmc/zmz022
Helberger, N., J. Huh, G. Milne, J. Strycharz, 和 H. Sundaram. 2020. 计算广告中的宏观和外部因素：关键问题和新的研究方向。《广告学杂志》49（4）：377-93。doi:10.1080/00913367.2020.1811179
胡，J.，和 E. C. Malthouse。2020。推进计算广告：领域概念化和未来方向。《广告学杂志》49（4）：367-76。doi：10.1080/00913367.2020.1795759
IBM。无日期。AI 的商业价值。https://ibm.co/
Kaplan, A., 和 M. Haenlein. 2019. Siri, Siri, 在我手中: 镜中最美的是谁？关于人工智能的解释、插图和影响。商业视野 62 (1):15-25. doi:10.1016/j.bushor. 2018.08.004
Kaput, M. 2020. 广告 AI：你需要了解的一切。1 月 8 日。https://bit.ly/2WlxBZ3。
Kok, J. N., E. J. Boers, W. A. Kosters, P. Van der Putten, and M. Poel. 2009. 人工智能：定义、趋势、技术和案例。 人工智能 1
Kumar, V., B. Rajan, R. Venkatesan, and J. Lecinski. 2019. 了解人工智能在个性化参与营销中的作用。加州管理评论 61（4）：135-55。doi:10.1177/0008125619859317
Lehman-Wilzig, S. N. 1981. 弗兰肯斯坦解放：走向人工智能的法律定义。未来 13 (6):442-57. doi:10.1016/0016-3287(81)90100-2
李，H. 2019. 特刊介绍：人工智能与广告。《广告学杂志》48（4）333-7。doi:10.1080/00913367.2019.1654947
McCarthy, J., 和 P. J. Hayes. 1981. 从人工智能的角度看一些哲学问题。在《人工智能读物》中，431-50。Burlington, MA：Morgan Kaufmann。
Meskó, B., 和 M. Görög. 2020. 人工智能时代医疗专业人员简短指南. NPJ 数字医学 3 (1):1-8. doi:10.1038/s41746-02000333-z
潘奇，T.，P. Szolovits 和 R. Atun。2018。人工智能，机器学习和卫生系统。全球健康杂志 8（2）：1-8。doi:10.7189/jogh.08.020303
Pega。n.d. 消费者对人工智能的真实看法：全球研究。1-14。https://bit.ly/3qBJLe4。
秦，X.，和 Z. 江。2019 年。人工智能对广告过程的影响：中国经验。《广告学杂志》48（4）：338-46。doi：10.1080/00913367.2019.1652122
兰斯博瑟姆（Ransbotham，S.），基龙（D. Kiron），格伯特（P. Gerbert）和里夫斯（M. Reeves）。2017 年。用人工智能重塑业务：
缩小雄心与行动之间的差距。麻省理工学院斯隆管理评论 59 (1):1-17。
Roe, D. 2020. 营销人员成功实施人工智能需要考虑的 6 个问题. CMSWire, 4 月 2 日. https://bit.ly/3mVdqg7.
Russell, S. J.，和 P. Norvig。2010。人工智能：一种现代方法。第 3 版。德里：Pearson。
Ryan, M. 2020. 在 AI 我们信任：伦理、人工智能和可靠性。科学与工程伦理学 26 (5) 2749-67. doi:10.1007/s11948-020-00228-y
Schmidt, A. 2020 年 9 月。交互式以人为中心的人工智能：定义和研究挑战。在高级视觉界面国际会议论文集中，第 1-4 页。纽约：ACM。
*Shankar, V. 2018. 人工智能如何重塑零售业。《零售学杂志》94（4）：vi-xi。doi：10.1016/S0022-4359（18）30076-9
Shymko, V. 2018. 追求心灵功能定义的必然性：语言本体论的必然性。心理语言学 23 (1):327-46.
Stephan, K. D., 和 G. Klima. 2020. 人工智能及其自然限制. AI & Society. doi:10.1007/s00146020-00995-z
孙，Z.，M. Anbarasan 和 D. Praveen Kumar。2020。基于人工智能技术的在线智能英语教学平台设计。计算智能 1-15 doi:10.1111/coin. 12351
索尔森，E.，和 S.罗杰斯。2019 年。数字时代的广告理论。在广告理论中，编辑。雪莉·罗杰斯和埃斯特·索尔森，第二版，3-17 页。纽约：Routledge，泰勒和弗朗西斯集团。
Toivonen, H., 和 O. Gross. 2015. 数据挖掘和机器学习在计算创造力中的应用. Wiley 跨学科评论：数据挖掘与知识发现 5 (6):265-75.
Wahl, B., A. Cossy-Gantner, S. Germann, and N. R. Schwalbe. 2018. 人工智能（AI）和全球卫生：AI 如何在资源匮乏的环境中促进健康？BMJ 全球健康 3（4）：e000798。doi：10 1136/bmjgh-2018-000798
韦伯（Weber，F.）和舒特（Schütte，R.）（2019 年）对机器学习影响的领域分析——以零售为例。《大数据与认知计算》3（1）：11-4。doi：10.3390/bdcc3010011
Yanke, G. 2020. 与机器人结婚：人工智能与人类婚姻的法律和哲学基础。《AI 与社会》。doi:10.1007/s00146-02000973-5
联系人：Shelly Rodgers srodgers@missouri.edu 密苏里大学新闻学院，沃尔特·威廉斯大厅 140A，哥伦比亚，密苏里州 65211，美国。
Shelly Rodgers（密苏里大学博士）是密苏里大学哥伦比亚分校新闻学院战略传播教授和莫莉·菲尔普斯·比恩教职教授。
版权所有 (C) 2021，美国广告学院