En ny algoritme til at forudsige informations-superspredere på sociale medier

At forstå, hvordan information flyder i sociale netværk er afgørende for at modvirke farlig misinformation, fremme spredning af nyheder og designe sunde online sociale miljøer. Forskere har længe indset rollen som informationssuperspredere – nemlig brugere med evnen til hurtigt at sprede budskaber og ideer til mange andre.

En langvarig forskningstradition identificerer superspreaderne gennem deres position i det sociale netværk. Nyere forskning, offentliggjort i tidsskriftet National Science Review og ledet af prof. Linyuan Lü (Universitetet for Elektronisk Videnskab og Teknologi i Kina) og Dr. Manuel S. Mariani (Universitetet i Zürich), udfordrer dette langvarige paradigme. Det viser, at brugernes adfærdstræk (dvs. hvordan de har tendens til at opføre sig) giver mere præcise tidlige indikatorer for deres spredningsevne, end hvor de sidder i det sociale netværk.

Forfatterne tog afstand fra traditionelle netværkstilgange ved at starte med en model for, hvordan information flyder fra individ til individ. Motiveret af tidligere empiriske fund antager modellen, at sandsynligheden for, at en besked overføres fra en kilde til en målbruger, er bestemt af både kildens indflydelse (nemlig en parameter, der fanger hendes sandsynlighed for at overføre information til andre) og målets modtagelighed at påvirke.

Brugernes indflydelses- og modtagelighedsparametre kendes ikke på forhånd. Forfatterne udledte dog et par koblede ligninger, der forbinder brugernes indflydelse og modtagelighed med strukturen af ​​det underliggende udbredelsesnetværk, hvilket muliggør deres beregning på massive adfærdsdatasæt.

Gennem disse ligninger kunne forfatterne måle indflydelsen og modtagelighedsscorerne for millioner af brugere i Weibo og Twitter, hvilket forbedrer vores forståelse af informations-superspreaders på to måder. For det første udfordrer forfatternes resultater paradigmet om, at netværkets hubs – dvs. brugerne med mange følgere – er de mest effektive informationsspredere.

De viser, at brugernes indflydelse og modtagelighed i stedet giver mere præcise forudsigelser om at være en superspreader end brugernes antal følgere. For det andet er superspreaders karakteriseret ved mere højsmittende links (dvs. produktet mellem deres indflydelse og deres publikums modtagelighed har en tendens til at være stort), og de har en tendens til at påvirke mere indflydelsesrige brugere.

Dette tyder på, at forklaringen af ​​superspreaderne kræver integration af netværksstrukturer og adfærdskarakteristika på individuelt niveau.

Disse resultater kunne åbne nye retninger inden for forskning i sociale netværk. Inden for informationsspredningsområdet kan de forenklede antagelser i formeringsmodellen gradvist lempes. Mere raffinerede modeller kan omfatte emnediversitet, algoritmiske påvirkninger, hukommelseseffekter, som alle kan føre til forskellige ligninger for brugernes indflydelse og modtagelighedsscore.

Påvirknings- og modtagelighedsscorerne kan også variere efter emne, hvilket i sidste ende kan føre til en multidimensionel karakterisering af brugerne og deres spredningsevner.

Mere generelt kan det paradigme, som denne undersøgelse foreslår, også have konsekvenser for interventioner rettet mod storstilet adfærdsændring. Traditionelt fokuserer disse aktiviteter på at overtale de sociale knudepunkter til at tage et nyt produkt eller en ny adfærd tidligt i brug. Forfatternes resultater tyder på, at en mere effektiv tilgang kan være afhængig af at identificere links med høj smitte, der forbinder meget indflydelsesrige og meget modtagelige potentielle brugere.

Til dette formål er der behov for yderligere forskning for at tilpasse algoritmen til spredningen af ​​adfærd, hvilket sandsynligvis vil kræve forskellige sæt ligninger sammenlignet med dem, der opnås til informationsspredning. Felteksperimenter vil være nødvendige for at validere den resulterende indsigt. Til sidst kunne disse bestræbelser afsløre, hvordan man bedst integrerer individers positioner i deres sociale netværk med, hvordan de typisk opfører sig for at designe interventioner til adfærdsændringer, hvilket er nøglen til organisationer og politiske beslutningstagere.

Flere oplysninger: Fang Zhou et al., Beyond network centrality:Individual-level behavioral traits for predicting information superspreaders in social media, National Science Review (2024). DOI:10.1093/nsr/nwae073

Leveret af Science China Press