Forskere knuser data på sociale medier for at forklare, hvordan fællesskaber påvirker venskaber

Dine chancer for at danne online venskaber afhænger hovedsageligt af antallet af grupper og organisationer, du tilslutter dig, ikke deres typer, ifølge en analyse af seks online sociale netværk foretaget af dataforskere fra Rice University.

"Hvis en person leder efter venner, de skal grundlæggende være aktive i så mange lokalsamfund som muligt, " sagde Anshumali Shrivastava, assisterende professor i datalogi på Rice og medforfatter til en peer-reviewed undersøgelse præsenteret i sidste måned på 2018 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining i Barcelona, Spanien. "Og hvis de ønsker at blive venner med en bestemt person, de bør prøve at være en del af alle de grupper, den person er en del af."

Fundet er baseret på en analyse af seks online sociale netværk med millioner af medlemmer, og Shrivastava sagde, at dens enkelhed kan komme som en overraskelse for dem, der studerer venskabsdannelse og den rolle, fællesskaber spiller for at skabe venskaber.

"Der er et gammelt ordsprog, der siger, at 'fugle af en fjer flokkes sammen' "" sagde Shrivastava. "Og den idé - at mennesker, der ligner mere, er mere tilbøjelige til at blive venner - er inkorporeret i en principiel kaldet homofili, som er et bredt undersøgt koncept i venskabsdannelse."

En tankegang mener, at på grund af homofili, chancerne for at folk bliver venner stiger i nogle grupper. For at tage højde for dette i beregningsmodeller af venskabsnetværk, forskere tildeler ofte hver gruppe en "affinitets"-score; jo mere ens gruppemedlemmer er, jo højere deres affinitet og jo større er deres chancer for at danne venskaber.

Før sociale medier, der var få detaljerede optegnelser om venskaber mellem individer i store organisationer. Det ændrede sig med fremkomsten af ​​sociale netværk, der har millioner af individuelle medlemmer, som ofte er tilknyttet mange fællesskaber og undersamfund i netværket.

"Et fællesskab, til vores formål, er enhver tilknyttet gruppe af personer i netværket, " sagde Shrivastava. "Fællesskaber kan være meget store, ligesom alle, der identificerer sig med et bestemt land eller stat, og de kan være meget små, som en håndfuld gamle venner, der mødes en gang om året."

Det har været en udfordring for analytikere og modelbyggere at finde meningsfulde affinitetsscore for hundredtusindvis af fællesskaber i sociale online netværk. At beregne oddsene for venskabsdannelse kompliceres yderligere af overlapningen mellem fællesskaber og underudvalg. For eksempel, hvis de gamle venner i ovenstående eksempel bor i tre forskellige stater, deres lille undersamfund overlapper med de store samfund af mennesker fra disse stater. Fordi mange individer i sociale netværk tilhører snesevis af fællesskaber og undersamfund, overlappende forbindelser kan blive tætte.

I 2016 Shrivastava og studiemedforfatter Chen Luo, en kandidatstuderende i sin forskningsgruppe, indså, at nogle velkendte analyser af online venskabsdannelse ikke formåede at tage højde for nogen faktorer, der opstod som følge af overlapning.

"Lad os sige Adam, Bob og Charlie er medlemmer af de samme fire fællesskaber, men derudover Adam er medlem af 16 andre fællesskaber, " sagde Shrivastava. "Den eksisterende tilknytningsmodel siger, at sandsynligheden for, at Adam og Charlie bliver venner, kun afhænger af affinitetsmålene for de fire samfund, de har til fælles. Det er lige meget, at hver af dem er venner med Bob, eller at Adam bliver trukket i 16 andre retninger."

Det virkede som en åbenlys forglemmelse for Luo og Shrivastava, men de havde en idé om, hvordan man kunne redegøre for det baseret på en analogi, de så mellem de overlappende undersamfund og de overlappende ligheder mellem websider, som internetsøgemaskiner skal tage højde for. En af de mest populære foranstaltninger til internetsøgning er Jaccard-overlapningen, som blev udviklet af Google-forskere og andre i slutningen af ​​1990'erne.

"Vi brugte dette til at måle overlap mellem fællesskaber og tjekkede derefter for at se, om der var en sammenhæng mellem overlap og venskabssandsynlighed, eller venskabstilknytning, på seks velundersøgte sociale netværk, " sagde Shrivastava. "Vi fandt ud af, at på alle seks, forholdet lignede mere eller mindre en lige linje."

"Det indebærer, at venskabsdannelse kan forklares blot ved at se på overlap mellem samfund, " sagde Luo. "Med andre ord, du behøver ikke at redegøre for affinitetsmål for specifikke fællesskaber. Alt det ekstra arbejde er unødvendigt."

Da Luo og Shrivastava så det lineære forhold mellem Jaccards overlapning af fællesskaber og venskabsdannelse, de så også en mulighed for at bruge en dataindekseringsmetode kaldet "hashing, " som bruges til at organisere webdokumenter til effektiv søgning. Shrivastava og hans kolleger har anvendt hashing til at løse beregningsproblemer så forskellige som indendørs lokaliseringsdetektion, træning af deep learning-netværk og nøjagtig estimering af antallet af identificerede ofre, der blev dræbt i den syriske borgerkrig.

Shrivastava sagde, at han og Luo udviklede en model for venskabsdannelse, der "efterlignede den måde, matematikken bag hashing fungerer på."

Modellen giver en enkel forklaring på, hvordan venskaber dannes.

"Fællesskaber har begivenheder og aktiviteter hele tiden, men nogle af disse er et større trækplaster, og præferencen for at deltage i disse er højere, " sagde Shrivastava. "Baseret på denne præference, individer bliver aktive i de mest foretrukne samfund, som de tilhører. Hvis to personer er aktive i det samme samfund på samme tid, de har en konstant, normalt små, sandsynlighed for at danne et venskab. Det er det. Dette genopretter matematisk vores observerede empiriske model."

Han sagde, at resultaterne kunne være nyttige for alle, der ønsker at bringe samfund sammen og forbedre processen med venskabsdannelse.

"Det ser ud til, at den mest effektive måde er at tilskynde folk til at danne flere undersamfund, " sagde Shrivastava. "Jo flere undersamfund du har, jo mere de overlapper hinanden, og jo mere sandsynligt er det, at individuelle medlemmer vil have tættere venskaber i hele organisationen. Folk har længe troet, at dette ville være en faktor, men det, vi har vist, er, at dette sandsynligvis er den eneste, du skal være opmærksom på."