Forudsigelse af smitsomme ideer:Infektionsmodeller forudsiger nøjagtigt tweetens levetid

Estimering af tweet -infektivitet fra de første 50 retweets er nøglen til at forudsige, om et tweet vil blive viralt, ifølge en ny undersøgelse offentliggjort i PLOS ONE den 17. april, 2019 af Li Weihua fra Beihang University, Kina og kolleger.

Efterhånden som online sociale netværk og medier fortsætter med at vokse, så har vigtigheden af ​​at forstå, hvordan de påvirker vores tanker og meninger. I særdeleshed, at være i stand til at forudsige spredningen af ​​sociale smitsom betragtes som et centralt mål for disse sociale informationsnetværk. Selvom modeller udviklet inden for infektionssygdomme er blevet brugt til at beskrive spredningen af ​​ideer, undersøgelser har ikke brugt reelle data til at estimere, hvor infektiøs informationen er. Forfatterne til denne undersøgelse brugte omkring en måneds Twitter -data - omfattende over 12 millioner tweets og mere end 1,5 millioner retweets - og estimerede hver tweets infektiøsitet baseret på netværksdynamikken for de første 50 retweets, der er forbundet med det. Derefter, de indarbejdede infektionsestimaterne i en model med en henfaldskonstant, der indfanger det gradvise fald i interessen, efterhånden som online information ældes.

Ved hjælp af rigtige data og simuleringer, forfatterne testede evnen af ​​den infektivitetsbaserede model til at forudsige viraliteten af ​​retweet-kaskader, og sammenlignede dens ydeevne med standardfællesskabsmodellen, som inkorporerer andre forudsigelsesfaktorer - såsom social forstærkning og indfangningseffekter, der virker for at holde tweet -kaskader inden for små fællesskaber af forbundne brugere. De fandt ud af, at både rigtige Twitter -data og simulerede data, infektivitetsmodellen klarede sig bedre end samfundsmodellen, hvilket indikerer, at infektivitet er en større drivkraft til at afgøre, om et tweet går viralt. Ved at kombinere de to modeller til en hybrid community-infectivity-model gav de mest præcise forudsigelser, fremhæver kompleksiteten af ​​de vekselvirkende kræfter, der bestemmer liv og død af oplysninger om sociale netværk.

Forfatterne tilføjer:"Vi foreslår en simuleringsmodel, der bruger Twitter -data til at vise, at infektivitet, hvilket afspejler den iboende interessante i en informationskaskade, kan forbedre forudsigeligheden af ​​virale kaskader væsentligt. "