هوش مصنوعی برای پیشگیری از تروریسم هوایی: شناسایی نیت، پروفایل‌سازی خودکار و درس‌های پرواز FZ1073 فلای‌دبی

نویسنده: شوال، شبتای

تاریخ انتشار: ۲۰ اکتبر ۲۰۲۶

دسته‌بندی: یادداشت‌ها و تحلیل‌ها

چکیده

در ۳۰ سپتامبر ۲۰۲۶، حمام الحَمّامی، کمک‌خلبان پرواز FZ1073 شرکت فلای‌دبی در مسیر دبی به تل‌آویو، پس از حمله به خلبان اصلی تلاش کرد کنترل هواپیما را به دست بگیرد. بنا بر اعلام مقام‌های امارات متحده عربی، او قصد داشت هواپیما را در فرودگاه بن‌گوریون به زمین بکوبد. این مقاله این رویداد را به‌عنوان مطالعه‌ای موردی برای بررسی پرسشی گسترده‌تر تحلیل می‌کند: فناوری‌های مبتنی بر هوش مصنوعی و مدل‌های زبانی بزرگ تا چه اندازه می‌توانند به تغییر رویکرد امنیتی، از شناسایی ابزارهای حمله مانند سلاح و مواد منفجره به شناسایی نیت خصمانه، کمک کنند؟ مقاله چهار دسته از قابلیت‌ها را بررسی می‌کند: اطلاعات‌گیری از طریق داده‌های تبلیغاتی (ADINT) بدون نفوذ به دستگاه‌ها، پشتیبانی بلادرنگ از مذاکرات گروگان‌گیری، پروفایل‌سازی خودکار در مقیاس گسترده و آزمون‌های غیرتماسی برای شناسایی نیت خصمانه در میان خدمه پرواز. در کنار ظرفیت‌های عملیاتی این فناوری‌ها، محدودیت‌های علمی آن‌ها، از جمله پایین بودن نرخ پایه وقوع تهدید، اعتبار محدود روش‌های تشخیص فریب و خطر مثبت کاذب، و نیز چارچوب حقوقی و اخلاقی حاکم بر استفاده از آن‌ها، از جمله ممنوعیت‌های مقرر در قانون هوش مصنوعی اتحادیه اروپا، بررسی می‌شود. استدلال اصلی مقاله این است که درس امنیتی حملات ۱۱ سپتامبر، یعنی تعیین‌کننده بودن نیت مخرب به‌جای ابزار در ارزیابی خطر، هنوز به‌طور کامل در امنیت هوانوردی نهادینه نشده است. ابزارهای مبتنی بر هوش مصنوعی می‌توانند این شکاف را کاهش دهند، مشروط بر آنکه کارآمدی آن‌ها با شواهد تجربی تأیید شود و استفاده از آن‌ها تحت نظارت قانونی مناسب قرار گیرد.

کلیدواژه‌ها: هوش مصنوعی؛ امنیت هوانوردی؛ تهدید داخلی؛ شناسایی نیت خصمانه؛ پروفایل‌سازی؛ اطلاعات‌گیری از داده‌های تبلیغاتی (ADINT)؛ حریم خصوصی

۱. مقدمه

از زمانی که مدل‌های زبانی بزرگ به‌طور گسترده مورد استفاده قرار گرفته‌اند، هنوز ابعاد کامل تأثیر هوش مصنوعی بر امنیت و اطلاعات به‌روشنی مشخص نشده است. ایده «پیشگیری از جرم پیش از وقوع» که فیلم گزارش اقلیت (Minority Report) [۱] آن را به شهرت رساند، در روش‌های پلیس‌گری پیش‌بینانه به شکلی عملی، هرچند محدود و مناقشه‌برانگیز، نمود یافته است [۲]. سازمان‌های اطلاعاتی دهه‌هاست که از تحلیل خودکار داده‌ها استفاده می‌کنند؛ بااین‌حال، مدل‌های زبانی بزرگ و سامانه‌های هوش مصنوعی امروزی حجم اطلاعات قابل پردازش، سرعت تحلیل و سطح انتزاعی را که می‌توان در آن استنباط انجام داد، به‌طور چشمگیری افزایش داده‌اند.

رویداد پرواز FZ1073 فلای‌دبی نمونه‌ای حاد و به‌روز از اهمیت چنین قابلیت‌هایی است. بر اساس گزارش‌ها، کمک‌خلبان با تبر اضطراری کابین خلبان به خلبان اصلی، سمیت ماچچار، حمله کرد و کوشید کنترل هواپیما را به دست بگیرد. مسافران و اعضای خدمه با ورود به کابین خلبان او را مهار کردند و دو خلبان جایگزین که در هواپیما حضور داشتند، آن را به سلامت در تبوک عربستان سعودی فرود آوردند [۳]. دادستان کل امارات متحده عربی اعلام کرد که کمک‌خلبان قصد داشته هواپیما را در فرودگاه بن‌گوریون به زمین بکوبد، پذیرفته است که از حملات ۱۱ سپتامبر الهام گرفته و حرفه هوانوردی غیرنظامی را با هدف اجرای حمله‌ای مشابه انتخاب کرده بود [۴]. گزارش‌های دیگری نیز حاکی از آن بودند که او قصد داشته پرواز را طبق برنامه ادامه دهد، مجوز تقرب به بن‌گوریون را دریافت کند و هواپیما را به یک ساختمان یا هواپیمای دیگر بکوبد [۵]. این مقاله بررسی می‌کند که آیا فناوری‌های مبتنی بر هوش مصنوعی می‌توانستند این طرح را در مراحل اولیه مختل کنند و اگر چنین است، تا چه اندازه.

۲. اطلاعات‌گیری از داده‌های تبلیغاتی (ADINT): ردیابی و شناسایی اهداف بدون نفوذ به دستگاه‌ها

نرم‌افزارهای جاسوسی که به رایانه‌ها و تلفن‌های همراه نفوذ می‌کنند و در آن‌ها باقی می‌مانند، به‌ویژه ابزارهای توسعه‌یافته توسط شرکت‌های فعال در حوزه عملیات سایبری تهاجمی، پس از افشای استفاده از آن‌ها علیه روزنامه‌نگاران و مدافعان حقوق بشر با انتقادهای شدید عمومی و حقوقی روبه‌رو شده‌اند [۶، ۷]. وزارت بازرگانی ایالات متحده در سال ۲۰۲۱ شرکت NSO Group را به فهرست نهادهای محدودشده خود اضافه کرد [۸]. در چنین شرایطی، سازمان‌های اطلاعاتی بیش از پیش به ابزارهای گردآوری اطلاعات علاقه‌مند شده‌اند که بدون نفوذ به دستگاه و بدون برجای گذاشتن اثری روی آن، امکان ردیابی هدف‌های اطلاعاتی را تا حدی فراهم می‌کنند.

یکی از راهکارهای اصلی برای پاسخ‌گویی به این نیاز، اطلاعات‌گیری از داده‌های تبلیغاتی یا ADINT است؛ یعنی استفاده اطلاعاتی از زیرساخت تبلیغات دیجیتال و داده‌هایی که در این بستر گردآوری و معامله می‌شوند. در اکوسیستم تبلیغات آنلاین، به‌ویژه در مزایده بلادرنگ تبلیغات (RTB)، هر بار نمایش یک آگهی با ارسال مجموعه‌ای از اطلاعات درباره دستگاه و کاربر آن برای شمار زیادی از طرف‌های دخیل در زنجیره تبلیغات همراه است. این اطلاعات می‌تواند شناسه تبلیغاتی دستگاه، موقعیت جغرافیایی، نشانی پروتکل اینترنت (IP)، برنامه مورد استفاده و ویژگی‌های رفتاری را در بر بگیرد. کارگزاران داده این اطلاعات را تجمیع و به فروش می‌رسانند؛ بنابراین، می‌توان آن‌ها را بدون دسترسی مستقیم به دستگاه خریداری یا تحلیل کرد. گزارشی که به مدیر اطلاعات ملی ایالات متحده ارائه شد، نتیجه گرفت که اطلاعات تجاریِ در دسترس عموم (CAI) از این نوع، اکنون امکان شناسایی افراد، ردیابی جابه‌جایی‌های آن‌ها و استنباط ویژگی‌هایشان را در مقیاسی بی‌سابقه و با جزئیاتی کم‌سابقه فراهم می‌کند [۹]. پژوهش دانشگاهی‌ای که اصطلاح ADINT را معرفی کرد، نشان داد که یک بازیگر با بودجه‌ای محدود می‌تواند از سامانه‌های تبلیغات هدفمند برای یافتن فردی مشخص و ردیابی برنامه‌های مورد استفاده او بهره ببرد، بی‌آنکه اثری روی دستگاهش بر جای بگذارد [۱۰]. برخلاف ابزارهای نفوذ، ADINT به بهره‌برداری از آسیب‌پذیری‌ها، نصب کد یا دسترسی فیزیکی نیاز ندارد؛ ازاین‌رو، بررسی جرم‌شناختی خود دستگاه نیز لزوماً آن را آشکار نمی‌کند.

کاربرد داده‌های تبلیغاتی به ردیابی موقعیت مکانی محدود نمی‌شود و از آن‌ها برای ترسیم ویژگی‌های روان‌شناختی افراد نیز استفاده می‌شود. مجموعه‌ای از پژوهش‌ها نشان داده‌اند که ردپای دیجیتال افراد، مانند پسندهای آن‌ها در فیس‌بوک، می‌تواند امکان پیش‌بینی دقیق ویژگی‌های شخصیتی و اطلاعات حساس را فراهم کند [۱۱]؛ گاهی دقت این پیش‌بینی‌ها از قضاوت آشنایان فرد نیز بیشتر است [۱۲]. همچنین، استفاده عملی از چنین اطلاعاتی برای تأثیرگذاری هدفمند بر رفتار مصرف‌کنندگان مستند شده است [۱۳]. بنابراین، همان قابلیت‌هایی که تبلیغ‌کنندگان برای شناخت مخاطبان و ردیابی آن‌ها به کار می‌گیرند، ممکن است در اختیار دولت‌ها نیز قرار گیرند تا اهداف اطلاعاتی را ردیابی و تهدیدهای بالقوه، از جمله نشانه‌های اولیه افراطی‌شدن، را شناسایی کنند؛ هرچند چنین کاربردهایی پرسش‌های حقوقی مهمی به همراه دارند که در بخش هفتم بررسی می‌شوند.

۳. پشتیبانی از مذاکرات گروگان‌گیری

مدیریت بحران و مذاکره برای آزادی گروگان‌ها بر الگوهای ساختاریافته ارتباطی، مانند «مدل پلکان تغییر رفتار» (BCSM) [۱۴]، و تحلیل روند تحول گفت‌وگو در طول زمان متکی است [۱۵]. ابزارهای تجاری مبتنی بر هوش مصنوعی اکنون می‌توانند در زمان واقعی از این فرایند پشتیبانی کنند. این قابلیت‌ها شامل پیاده‌سازی خودکار گفتار و ترجمه آن (تبدیل گفتار به متن) با دقت بالا، حتی در محیط‌های پر سروصدا و میان زبان‌های متعدد [۱۶]؛ تحلیل پروفایل طرف‌های مذاکره؛ ارزیابی وضعیت عملکردی گوینده؛ پایش مستمر روند گفت‌وگو، از جمله هشدار درباره تشدید تنش؛ و ارائه پیشنهادهایی برای تعدیل راهبرد و انتخاب مسیرهای جایگزین است. پژوهش‌های حوزه پردازش زبان طبیعی نشان داده‌اند که سامانه‌های یادگیرنده می‌توانند راهبردهای مذاکره را از طریق تحلیل گفت‌وگو بیاموزند [۱۷]. بااین‌حال، باید توجه داشت که پژوهش‌های موجود درباره اثربخشی این ابزارها در مواجهه با تروریست‌های واقعی همچنان محدود است.

۴. پروفایل‌سازی خودکار و شناسایی افراد مهاجمِ تنها

مدل‌های زبانی بزرگ امکان پروفایل‌سازی خودکار هزاران یا ده‌ها هزار نفر را فراهم می‌کنند. پژوهش‌های اخیر نشان داده‌اند که یک مدل زبانی بزرگ می‌تواند ویژگی‌های شخصیتی کاربران شبکه‌های اجتماعی را از متن‌هایی که منتشر کرده‌اند استنباط کند؛ آن هم بدون آموزش اختصاصی برای این وظیفه و با دقتی قابل مقایسه با مدل‌های یادگیری ماشین تخصصی [۱۸]. پژوهش‌های پیشین نیز نشانه‌های زبانی مرتبط با خشونت افراطی را در شبکه‌های اجتماعی شناسایی کرده‌اند [۱۹]. همچنین، مطالعات مربوط به تروریست‌هایی که به‌تنهایی اقدام می‌کنند نشان داده‌اند که در بسیاری از موارد، پیش از حمله اظهارات و رفتارهای قابل مشاهده‌ای وجود داشته است؛ از جمله افشای نیت حمله در گفت‌وگو با دیگران [۲۰]. این یافته‌ها مبنایی نظری برای تلاش در جهت شناسایی یک مهاجم بالقوه پیش از اقدام او فراهم می‌کنند و امکان ایجاد «پروفایل پرخطر» را حتی درباره گردشگران یا افرادی که در کشورهای دیگر زندگی می‌کنند، مطرح می‌سازند.

بااین‌حال، ارزیابی خطر تروریسم در سطح فردی با محدودیت‌های روش‌شناختی جدی روبه‌روست؛ زیرا نرخ پایه وقوع چنین رویدادهایی بسیار پایین است و همین امر باعث می‌شود حتی سامانه‌های طبقه‌بندی نسبتاً دقیق نیز هشدارهای اشتباه فراوانی تولید کنند [۲۱]. حریم خصوصی نیز مسئله‌ای اساسی است. بااین‌وجود، می‌توان استدلال کرد افرادی که اطلاعات مربوط به خود را در شبکه‌های اجتماعی منتشر می‌کنند، آگاهانه یا ناآگاهانه، آن اطلاعات را نه‌تنها در معرض تحلیل الگوریتم‌های تبلیغاتی، بلکه در دسترس سازمان‌های اطلاعاتی نیز قرار می‌دهند.

۵. شناسایی نیت در برابر شناسایی ابزار حمله

یکی از درس‌های اصلی حملات ۱۱ سپتامبر این است که مسافر دارای نیت مخرب برای اجرای حمله‌ای مرگبار الزاماً به سلاح مهمی مانند سلاح گرم یا وسیله انفجاری دست‌ساز (IED) نیاز ندارد. هواپیماربایان از چاقوهای کوچک و خود هواپیماها برای اجرای حملات استفاده کردند [۲۲]. بااین‌حال، بیشتر فرودگاه‌ها و شرکت‌های هواپیمایی همچنان بر بازرسی مسافران و بارهای آن‌ها برای یافتن ابزارهای حمله تمرکز دارند، نه بر شناسایی نیت. حادثه پرواز FZ1073 این درس را حتی روشن‌تر می‌کند: مهاجم نیازی به قاچاق هیچ وسیله‌ای به داخل هواپیما نداشت و از تجهیزات اضطراری موجود در کابین خلبان استفاده کرد [۳، ۴].

این رویداد همچنین نشان می‌دهد که خدمه پرواز، به‌ویژه خلبانان، می‌توانند تهدیدی به همان اندازه جدی یا حتی جدی‌تر از مسافران باشند؛ زیرا مستقیماً به کنترل‌های هواپیما دسترسی دارند. مروری بر موارد خودکشی و قتل‌ـ‌خودکشی مرتبط با هواپیماها، ده‌ها مورد در هوانوردی عمومی و تجاری را مستند کرده است [۲۳]. از جمله نمونه‌های شناخته‌شده در هوانوردی تجاری می‌توان به سقوط پرواز ۹۵۲۵ جرمن‌وینگز در سال ۲۰۱۵ [۲۴] و پرواز ۹۹۰ هواپیمایی مصر در سال ۱۹۹۹ [۲۵] اشاره کرد. برخی هواپیماها نیز بدون برجای گذاشتن شواهد قابل توجه ناپدید شده‌اند؛ از جمله پرواز MH370. هرچند احتمال دخالت خلبان در این حادثه مطرح شده است، علت آن رسماً مشخص نشده است [۲۶].

افزون بر گردآوری اطلاعات درباره خدمه پرواز، فناوری‌های مبتنی بر هوش مصنوعی برای شناسایی نیت مخرب اعضای خدمه پیش از پرواز نیز وجود دارند. سامانه‌های قدیمی‌تر تحلیل رفتار و شناسایی نیت خصمانه عمدتاً به حسگرهای روان‌فیزیولوژیک تماسی، مانند سنجش پاسخ گالوانیکی پوست (GSR)، متکی بودند [۲۷، ۲۸]. در سال‌های اخیر، استفاده‌کنندگان نهایی از سامانه‌های غربالگری تهدیدهای داخلی [۲۹] علاقه فزاینده‌ای به آزمون‌های غیرتماسی نشان داده‌اند؛ آزمون‌هایی که از فناوری‌هایی مانند فوتوپلتیسموگرافی از راه دور (rPPG) [۳۰] و کیوسک‌های مصاحبه خودکار مجهز به حسگرهای رفتاری بهره می‌برند [۳۱]. تجربه صنعت نشان می‌دهد که طی سال‌های اخیر چندین درخواست برای دریافت اطلاعات (RFI) درباره فناوری‌های غیرتماسی شناسایی نیت صادر شده است. بااین‌حال، مانع اصلی نه فناوری، بلکه مسائل مربوط به حریم خصوصی و نگرانی از آن است که افکار عمومی و اتحادیه‌های کارگری صنعت هوانوردی این غربالگری را مداخله‌گرانه تلقی کنند؛ حتی اگر بدون تماس فیزیکی انجام شود. باید توجه داشت که پس از فاجعه جرمن‌وینگز، اتحادیه اروپا بهره‌برداران را ملزم کرد برنامه‌های حمایت همکاران و آزمایش‌های الکل و مواد مخدر را برای خدمه پرواز اجرا کنند [۳۲]. بنابراین، این حوزه فاقد مقررات نیست؛ بااین‌حال، مقررات موجود بیشتر بر سلامت روان تمرکز دارند تا شناسایی نیت خصمانه.

۶. مطالعه موردی: چگونه می‌شد حمله پرواز FZ1073 را مختل کرد؟

مدل مفهومی زیر، که قابلیت‌های مختلف هوش مصنوعی را با یکدیگر ترکیب می‌کند، امکان بررسی این پرسش را فراهم می‌سازد که آیا می‌شد از وقوع این حادثه جلوگیری کرد یا خیر.

گردآوری اطلاعات و ایجاد پروفایل خطر

• پایش جامعه جهانی خلبانان از طریق ADINT، یعنی داده‌های تبلیغاتی و اطلاعات تجاری در دسترس، و نیز منابع آشکار، از جمله شبکه‌های اجتماعی [۹، ۱۰].
• ایجاد پروفایل شخصیتی و پروفایل خطر پویا برای هر یک از اعضای خدمه پرواز، همراه با تعیین درجه خطر در مقایسه با الگوی تهدید مرجع [۱۱، ۱۸].
• به‌روزرسانی مستمر پروفایل‌ها در زمان واقعی.
• شناسایی نشانه‌های افراطی‌شدن، سفر به کشورهای متخاصم یا قرار گرفتن غیرعادی در برنامه پروازهای مقصد اسرائیل، بدون نفوذ به تلفن همراه عضو خدمه.

شناسایی نیت

• اجرای آزمون شناسایی نیت خصمانه پیش از پرواز از طریق یک برنامه تلفن همراه. آزمونی حدوداً سه‌دقیقه‌ای، فهرستی از اعضای خدمه را مشخص می‌کند که پیش از دریافت مجوز پرواز، به بررسی سوابق تکمیلی نیاز دارند.

به نظر می‌رسد احتمال آنکه الحَمّامی در شبکه‌ای از چنین سامانه‌هایی به‌عنوان فرد مشکوک شناسایی شود، بالا بوده است. طبق گزارش‌ها، تصاویر حاوی محتوای تروریستی در حساب‌های شبکه‌های اجتماعی او پیدا شده بود [۳۳]. مقام‌های عمانی پیش‌تر به دلیل نگرانی درباره دیدگاه‌های افراطی‌اش، او را از پرواز منع کرده بودند و به دلایل مشابه نیز از دوره آموزش پرواز کنار گذاشته شده بود [۳]. به گفته دادستان کل امارات متحده عربی، او از سال ۲۰۱۷ در معرض محتوای افراطی آنلاین قرار داشت و پیش‌تر دو پرواز به تل‌آویو انجام داده بود تا با مسیر و فرودگاه آشنا شود [۴]. این یافته‌ها نشان می‌دهند که علائم هشداردهنده وجود داشتند، اما میان نهادها به اشتراک گذاشته نشدند یا در قالب تصویری یکپارچه از خطر کنار هم قرار نگرفتند؛ دقیقاً همان شکافی که سامانه‌های هوش مصنوعی برای کاهش آن طراحی شده‌اند. افزون بر این، صرف آگاهی خلبانان و دیگر اعضای خدمه از اینکه تحت پایش چنین سامانه‌هایی قرار دارند، ممکن است احتمال وقوع حملات مشابه را کاهش دهد. این فرض با پژوهش‌های مربوط به بازدارندگی هم‌خوان است که بر تأثیر قطعی بودن شناسایی و کشف تخلف تأکید می‌کنند [۳۴].

۷. محدودیت‌ها و ملاحظات اخلاقی و حقوقی

بررسی متوازن این موضوع مستلزم توجه به چند محدودیت است. نخست، اعتبار علمی روش‌های شناسایی نیت و فریب را نمی‌توان بدیهی فرض کرد. گزارشی از اداره پاسخ‌گویی دولت ایالات متحده (GAO) نشان داد که اثربخشی برنامه تشخیص رفتار اداره امنیت حمل‌ونقل آمریکا (TSA) اثبات نشده است و کاهش بودجه آن را توصیه کرد [۳۵]. شورای ملی پژوهش آمریکا نیز محدودیت‌های قابل توجهی در اعتبار دستگاه دروغ‌سنج شناسایی کرده است [۲۷]. افزون بر این، مرورهای پژوهشی نشان داده‌اند که نشانه‌های غیرکلامی پیش‌بینی‌کننده‌های ضعیفی برای فریب هستند [۳۶، ۳۷]. بنابراین، هر سامانه مبتنی بر هوش مصنوعی در این حوزه باید به‌طور مستقل و تجربی اعتبارسنجی شود، نرخ خطاهای آن گزارش شود و قضاوت انسانی در فرایند تصمیم‌گیری باقی بماند. دوم، همان‌طور که گفته شد، پایین بودن نرخ پایه این تهدید به آن معناست که حتی سامانه‌ای دقیق نیز تعداد زیادی نتیجه مثبت کاذب تولید خواهد کرد [۲۱]؛ مسئله‌ای که می‌تواند پیامدهای شغلی و شخصی قابل توجهی برای افراد داشته باشد.

سوم، چارچوب حقوقی برخی از قابلیت‌های مطرح‌شده را محدود می‌کند. قانون هوش مصنوعی اتحادیه اروپا، با در نظر گرفتن استثناهایی، استفاده از سامانه‌های تشخیص هیجان در محیط کار و نیز ارزیابی خطر ارتکاب جرم توسط یک فرد صرفاً بر مبنای پروفایل‌سازی را ممنوع می‌کند [۳۸]. مقررات عمومی حفاظت از داده‌های اتحادیه اروپا (GDPR) نیز تصمیم‌هایی را محدود می‌کند که صرفاً بر پردازش خودکار داده‌ها متکی هستند و تأثیر قابل توجهی بر افراد می‌گذارند [۳۹]. ازاین‌رو، به‌کارگیری چنین ابزارهایی درباره خدمه پرواز به مبنای حقوقی مشخص، سازوکارهای نظارتی و تضمین این امر نیاز دارد که تصمیم نهایی را یک انسان اتخاذ کند.

۸. نتیجه‌گیری

حادثه پرواز FZ1073 شکاف میان الگوی امنیتی مبتنی بر شناسایی ابزارهای حمله و ماهیت واقعی تهدید، یعنی نیت مهاجم، را برجسته می‌کند. فناوری‌های مبتنی بر هوش مصنوعی، از جمله اطلاعات‌گیری از داده‌های تبلیغاتی (ADINT)، پروفایل‌سازی خودکار و آزمون‌های غیرتماسی شناسایی نیت خصمانه، ابزارهایی برای کاهش این شکاف فراهم می‌کنند؛ به‌ویژه در مورد خدمه پرواز که تاکنون در این زمینه توجه نسبتاً کمی به آن‌ها شده است. در عین حال، نگرانی‌های مربوط به حریم خصوصی، موضع اتحادیه‌های کارگری و محدودیت‌های قانونی ممکن است مانع استفاده از این ابزارها شوند یا آن را به تأخیر بیندازند. همچنین، اعتبار علمی این فناوری‌ها باید با شواهد تجربی اثبات شود. این موضوع یکی از تعارض‌های محوری دوران کنونی را برجسته می‌کند: تقابل میان حریم خصوصی و کنترل افراد بر اطلاعات شخصی خود از یک سو و امنیت از سوی دیگر.

منابع

[۱] اسپیلبرگ، استیون (کارگردان). (۲۰۰۲). گزارش اقلیت [فیلم]. فاکس قرن بیستم؛ دریم‌ورکس پیکچرز. (بر اساس داستان «گزارش اقلیت» نوشته فیلیپ کی. دیک، ۱۹۵۶.)

[۲] پری، دبلیو. ال.، مک‌اینیس، بی.، پرایس، سی. سی.، اسمیت، اس. سی. و هالیوود، جی. اس. (۲۰۱۳). پلیس‌گری پیش‌بینانه: نقش پیش‌بینی جرم در عملیات اجرای قانون (گزارش RR-233). مؤسسه رَند.

[۳] الجزیره. (۳ اکتبر ۲۰۲۶). «کمک‌خلبان مرموز پشت حمله فلای‌دبی کیست؟» مشاهده منبع.

[۴] اسرائیل نشنال نیوز. (۹ اکتبر ۲۰۲۶). «امارات متحده عربی: کمک‌خلبان فلای‌دبی برای حمله‌ای مشابه ۱۱ سپتامبر به فرودگاه بن‌گوریون برنامه‌ریزی کرده بود.» مشاهده منبع.

[۵] فاکس نیوز. (۵ اکتبر ۲۰۲۶). «کمک‌خلبان فلای‌دبی ظاهراً قصد داشت هواپیمای عازم اسرائیل را در فرودگاه بن‌گوریون به زمین بکوبد.» مشاهده منبع.

[۶] مارچاک، بی.، اسکات‌رِیلتون، جی.، مک‌کیون، اس.، عبدالرزاق، بی. و دیبرت، آر. (۲۰۱۸). موش و گربه‌بازی: ردیابی نرم‌افزار جاسوسی پگاسوس متعلق به گروه NSO در عملیات ۴۵ کشور (گزارش پژوهشی شماره ۱۱۳ آزمایشگاه سیتیزن). دانشگاه تورنتو.

[۷] عفو بین‌الملل. (۲۰۲۱). گزارش روش‌شناسی جرم‌شناختی: چگونه نرم‌افزار پگاسوس گروه NSO را شناسایی کنیم (DOC 10/4487/2021).

[۸] وزارت بازرگانی ایالات متحده، اداره صنعت و امنیت. (۳ نوامبر ۲۰۲۱). «افزودن برخی نهادها به فهرست نهادهای محدودشده.» فدرال رجیستر، جلد ۸۶، صفحه ۶۰۷۵۹.

[۹] دفتر مدیر اطلاعات ملی. (۲۰۲۲). گزارش هیئت گروه مشاوران ارشد درباره اطلاعات تجاری در دسترس عموم: گزارش به مدیر اطلاعات ملی (از حالت محرمانه خارج‌شده در ژوئن ۲۰۲۳).

[۱۰] واینز، پی.، روسنر، اف. و کوهنو، تی. (۲۰۱۷). «بررسی ADINT: استفاده از هدف‌گیری تبلیغاتی برای نظارت با بودجه محدود؛ یا چگونه آلیس می‌تواند با خرید آگهی، باب را ردیابی کند.» مجموعه مقالات کارگاه حریم خصوصی در جامعه الکترونیکی سال ۲۰۱۷ (WPES ’17)، صفحات ۱۵۳ تا ۱۶۴.

[۱۱] کوسینسکی، ام.، استیل‌ول، دی. و گرپل، تی. (۲۰۱۳). «ویژگی‌ها و خصوصیات خصوصی افراد را می‌توان از سوابق دیجیتال رفتار انسانی پیش‌بینی کرد.» مجموعه مقالات آکادمی ملی علوم، جلد ۱۱۰، شماره ۱۵، صفحات ۵۸۰۲ تا ۵۸۰۵.

[۱۲] یو‌یو، دبلیو.، کوسینسکی، ام. و استیل‌ول، دی. (۲۰۱۵). «قضاوت‌های رایانه‌ای درباره شخصیت از قضاوت‌های انسانی دقیق‌ترند.» مجموعه مقالات آکادمی ملی علوم، جلد ۱۱۲، شماره ۴، صفحات ۱۰۳۶ تا ۱۰۴۰.

[۱۳] ماتز، اس. سی.، کوسینسکی، ام.، ناو، جی. و استیل‌ول، دی. جی. (۲۰۱۷). «هدف‌گیری روان‌شناختی به‌عنوان رویکردی مؤثر برای اقناع دیجیتال در مقیاس گسترده.» مجموعه مقالات آکادمی ملی علوم، جلد ۱۱۴، شماره ۴۸، صفحات ۱۲۷۱۴ تا ۱۲۷۱۹.

[۱۴] وکی، جی. ام.، ون هاسلت، وی. بی. و رومانو، اس. جی. (۲۰۰۵). «مذاکره در بحران و گروگان‌گیری: راهبردهای کنونی و مسائل حل تعارض‌های پرخطر.» پرخاشگری و رفتار خشونت‌آمیز، جلد ۱۰، شماره ۵، صفحات ۵۳۳ تا ۵۵۱.

[۱۵] تیلور، پی. جی. (۲۰۰۲). «مدل استوانه‌ای رفتار ارتباطی در مذاکرات بحرانی.» پژوهش ارتباطات انسانی، جلد ۲۸، شماره ۱، صفحات ۷ تا ۴۸.

[۱۶] ردفورد، ای.، کیم، جی. دبلیو.، شو، تی.، بروکمن، جی.، مک‌لیوی، سی. و سوتسکور، آی. (۲۰۲۳). «بازشناسی گفتار مقاوم با نظارت ضعیف در مقیاس بزرگ.» مجموعه مقالات چهلمین کنفرانس بین‌المللی یادگیری ماشین (ICML)، مجموعه مقالات یادگیری ماشین، جلد ۲۰۲، صفحات ۲۸۴۹۲ تا ۲۸۵۱۸.

[۱۷] لوئیس، ام.، یاراتس، دی.، دوفن، وای. ان.، پاریخ، دی. و باترا، دی. (۲۰۱۷). «معامله یا عدم معامله؟ یادگیری سرتاسری برای گفت‌وگوهای مذاکره.» مجموعه مقالات کنفرانس EMNLP سال ۲۰۱۷، صفحات ۲۴۴۳ تا ۲۴۵۳.

[۱۸] پیترز، اچ. و ماتز، اس. سی. (۲۰۲۴). «مدل‌های زبانی بزرگ می‌توانند گرایش‌های روان‌شناختی کاربران شبکه‌های اجتماعی را استنباط کنند.» PNAS Nexus، جلد ۳، شماره ۶، مقاله pgae231.

[۱۹] کوهن، کی.، یوهانسون، اف.، کاتی، ال. و مورک، جی. سی. (۲۰۱۴). «شناسایی نشانگرهای زبانی خشونت افراطی در شبکه‌های اجتماعی.» تروریسم و خشونت سیاسی، جلد ۲۶، شماره ۱، صفحات ۲۴۶ تا ۲۵۶.

[۲۰] گیل، پی.، هورگان، جی. و دکرت، پی. (۲۰۱۴). «بمب‌گذاری انفرادی: ردیابی انگیزه‌ها و رفتارهای پیشین تروریست‌های تک‌رو.» مجله علوم جرم‌شناختی، جلد ۵۹، شماره ۲، صفحات ۴۲۵ تا ۴۳۵.

[۲۱] موناهان، جی. (۲۰۱۲). «ارزیابی خطر تروریسم در سطح فردی.» روان‌شناسی، سیاست عمومی و حقوق، جلد ۱۸، شماره ۲، صفحات ۱۶۷ تا ۲۰۵.

[۲۲] کمیسیون ملی بررسی حملات تروریستی علیه ایالات متحده. (۲۰۰۴). گزارش کمیسیون ۱۱ سپتامبر. انتشارات دبلیو. دبلیو. نورتون.

[۲۳] کنِدی، سی.، فریدمن، اس. اچ.، واتسون، دی. و پرایتنر، سی. (۲۰۱۶). «خودکشی و قتل‌ـ‌خودکشی با استفاده از هواپیما.» پزشکی هوافضا و عملکرد انسانی، جلد ۸۷، شماره ۴، صفحات ۳۸۸ تا ۳۹۶.

[۲۴] اداره بررسی و تحلیل ایمنی هوانوردی فرانسه (BEA). (۲۰۱۶). گزارش نهایی: سانحه ۲۴ مارس ۲۰۱۵ در پراد-اوت-بلئون، ایرباس A320-211، شماره ثبت D-AIPX، متعلق به جرمن‌وینگز.

[۲۵] هیئت ملی ایمنی حمل‌ونقل ایالات متحده. (۲۰۰۲). گزارش مختصر سانحه هواپیمایی: پرواز ۹۹۰ هواپیمایی مصر، بوئینگ 767-366ER، شماره ثبت SU-GAP (NTSB/AAB-02/01).

[۲۶] اداره ایمنی حمل‌ونقل استرالیا. (۲۰۱۷). عملیات جست‌وجوی پرواز MH370 (AE-2014-054).

[۲۷] شورای ملی پژوهش ایالات متحده. (۲۰۰۳). دستگاه دروغ‌سنج و تشخیص دروغ. انتشارات آکادمی‌های ملی.

[۲۸] بوساین، دبلیو. (۲۰۱۲). فعالیت الکتروپوستی (ویرایش دوم). اشپرینگر.

[۲۹] کاپلی، دی. ام.، مور، ای. پی. و تژاک، آر. اف. (۲۰۱۲). راهنمای CERT درباره تهدیدهای داخلی. ادیسون-وزلی.

[۳۰] ورکرایسه، دبلیو.، اسواساند، ال. او. و نلسون، جی. اس. (۲۰۰۸). «تصویربرداری فوتوپلتیسموگرافیک از راه دور با استفاده از نور محیط.» اپتیکس اکسپرس، جلد ۱۶، شماره ۲۶، صفحات ۲۱۴۳۴ تا ۲۱۴۴۵.

[۳۱] نونامیکر، جی. اف.، جونیور، دریک، دی. سی.، الکینز، ای. سی.، بورگون، جی. کی. و پاتن، ام. دبلیو. (۲۰۱۱). «کیوسک مبتنی بر عامل گفت‌وگویی مجسم برای مصاحبه خودکار.» مجله سیستم‌های اطلاعات مدیریت، جلد ۲۸، شماره ۱، صفحات ۱۷ تا ۴۸.

[۳۲] اتحادیه اروپا. (۲۰۱۸). «مقررات کمیسیون اتحادیه اروپا شماره ۲۰۱۸/۱۰۴۲ مورخ ۲۳ ژوئیه ۲۰۱۸، اصلاح‌کننده مقررات شماره ۹۶۵/۲۰۱۲؛ برنامه‌های حمایتی، ارزیابی روان‌شناختی خدمه پرواز و آزمایش مواد روان‌فعال.» روزنامه رسمی اتحادیه اروپا، شماره L 188.

[۳۳] سی‌ان‌ان. (۲ اکتبر ۲۰۲۶). «تصاویر تروریستی در حساب‌های شبکه‌های اجتماعی مظنون حمله فلای‌دبی پیدا شد.» مشاهده منبع.

[۳۴] ناگین، دی. اس. (۲۰۱۳). «بازدارندگی در قرن بیست‌ویکم.» جرم و عدالت، جلد ۴۲، شماره ۱، صفحات ۱۹۹ تا ۲۶۳.

[۳۵] اداره پاسخ‌گویی دولت ایالات متحده. (۲۰۱۳). امنیت هوانوردی: اداره امنیت حمل‌ونقل باید بودجه آتی فعالیت‌های تشخیص رفتار را محدود کند (GAO-14-159).

[۳۶] فرای، ای.، گرانهاگ، پی. ای. و پورتر، اس. (۲۰۱۰). «دام‌ها و فرصت‌های تشخیص دروغ کلامی و غیرکلامی.» علوم روان‌شناختی در خدمت منافع عمومی، جلد ۱۱، شماره ۳، صفحات ۸۹ تا ۱۲۱.

[۳۷] دنو، وی.، پلاسکلک، پی.، ژوپ، ال. ام.، سن‌ـ‌ایو، ام.، دانبار، ان. ای.، هارتویگ، ام. و همکاران. (۲۰۲۰). «تحلیل ارتباطات غیرکلامی: خطرات شبه‌علم در زمینه‌های امنیتی و عدالت.» سالنامه روان‌شناسی حقوقی، جلد ۳۰، صفحات ۱ تا ۱۲.

[۳۸] اتحادیه اروپا. (۲۰۲۴). «مقررات اتحادیه اروپا شماره ۲۰۲۴/۱۶۸۹، قانون هوش مصنوعی»، مواد ۵(۱)(د) و ۵(۱)(و). روزنامه رسمی اتحادیه اروپا، مجموعه L.

[۳۹] اتحادیه اروپا. (۲۰۱۶). «مقررات اتحادیه اروپا شماره ۲۰۱۶/۶۷۹، مقررات عمومی حفاظت از داده‌ها»، ماده ۲۲. روزنامه رسمی اتحادیه اروپا، شماره L 119.