論文の概要: Conductance and Social Capital: Modeling and Empirically Measuring Online Social Influence

• arxiv url: http://arxiv.org/abs/2110.12569v1
• Date: Mon, 25 Oct 2021 01:05:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 08:08:57.743773
• Title: Conductance and Social Capital: Modeling and Empirically Measuring Online Social Influence
• Title（参考訳）: コンダクタンスとソーシャルキャピタル:オンライン社会影響のモデル化と実証計測
• Authors: Rohit Ram and Marian-Andrei Rizoiu
• Abstract要約: 社会的影響は私たちの日常生活に浸透し、複雑な社会現象の基礎を築いた。 オンライン社会的影響を研究する既存の文献は、いくつかの欠点に悩まされている。 この研究はギャップを埋め、モデリングとオンライン影響の実証的な定量化に3つの貢献をする。
• 参考スコア（独自算出の注目度）: 9.556358888163983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social influence pervades our everyday lives and lays the foundation for complex social phenomena. In a crisis like the COVID-19 pandemic, social influence can determine whether life-saving information is adopted. Existing literature studying online social influence suffers from several drawbacks. First, a disconnect appears between psychology approaches, which are generally performed and tested in controlled lab experiments, and the quantitative methods, which are usually data-driven and rely on network and event analysis. The former are slow, expensive to deploy, and typically do not generalize well to topical issues (such as an ongoing pandemic); the latter often oversimplify the complexities of social influence and ignore psychosocial literature. This work bridges this gap and presents three contributions towards modeling and empirically quantifying online influence. The first contribution is a data-driven Generalized Influence Model that incorporates two novel psychosocial-inspired mechanisms: the conductance of the diffusion network and the social capital distribution. The second contribution is a framework to empirically rank users' social influence using a human-in-the-loop active learning method combined with crowdsourced pairwise influence comparisons. We build a human-labeled ground truth, calibrate our generalized influence model and perform a large-scale evaluation of influence. We find that our generalized model outperforms the current state-of-the-art approaches and corrects the inherent biases introduced by the widely used follower count. As the third contribution, we apply the influence model to discussions around COVID-19. We quantify users' influence, and we tabulate it against their professions. We find that the executives, media, and military are more influential than pandemic-related experts such as life scientists and healthcare professionals.
• Abstract（参考訳）: 社会的影響は私たちの日常生活に浸透し、複雑な社会現象の基盤となる。 新型コロナウイルス(covid-19)のパンデミックのような危機では、社会的な影響が救命情報を採用するかどうかを判断できる。 オンライン社会的影響を研究する既存の文献にはいくつかの欠点がある。 第一に、一般的に制御された実験室実験で実行され、テストされる心理学的アプローチと、通常データ駆動でネットワークとイベント分析に依存する量的手法の間の切り離しが現れる。 前者は遅くて展開に高価であり、通常は(パンデミックのような)話題の問題を一般化しないが、後者は社会的影響の複雑さを過度に単純化し、精神社会的文学を無視する。 この研究はこのギャップを埋め、モデリングとオンライン影響の実証的な定量化に3つの貢献をしている。 第一の貢献は、拡散ネットワークのコンダクタンスと社会資本の分配という、2つの新しい心理社会にインスパイアされたメカニズムを組み込んだ、データ駆動の一般化した影響モデルである。 第2の貢献は、クラウドソーシングによる対効果比較を組み合わせることで、ループ内アクティブラーニング手法を用いて、ユーザの社会的影響力を経験的にランク付けするフレームワークである。 我々は,人間ラベル付き接地真実を構築し,一般化された影響モデルを校正し,大規模な影響評価を行う。 一般化されたモデルは現在の最先端のアプローチよりも優れており、広く使われている従者数によってもたらされる固有のバイアスを補正する。 第3の貢献として,covid-19に関する議論に影響モデルを適用する。 我々はユーザの影響力を定量化し、それを専門職に対して集計する。 我々は、幹部、メディア、そして軍隊が、パンデミック関連の専門家、例えば生命科学者や医療専門家よりも影響力を持っていることを見出します。

関連論文リスト

• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• InfluencerRank: Discovering Effective Influencers via Graph Convolutional Attentive Recurrent Neural Networks [15.461845673443804]
  本研究では,その投稿行動と時間的社会的関係に基づいて,インフルエンサーをその効果でランク付けするインフルエンサーランクを提案する。 Instagramのデータセットは18,397人のインフルエンサーで構成され、12ヶ月以内に2,952,075件の投稿が公開された。
  論文  参考訳（メタデータ） (2023-04-04T15:48:08Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Estimating Social Influence from Observational Data [5.156484100374057]
  本研究では,社会的影響を推定する問題,個人の行動が将来の仲間の行動に与える影響を考察する。 鍵となる課題は、友人間の共有行動は、影響または他の2つの要因によって等しく説明できることである。 本稿では,3つの貢献によって社会的影響を推定する上での課題について論じる。
  論文  参考訳（メタデータ） (2022-03-24T20:21:24Z)
• Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia for Human Personality Profiling [74.83957286553924]
  我々は、"PERS"と呼ばれる新しい多視点融合フレームワークを適用して、マイアーズ・ブリッグス・パーソナリティ・タイプインジケータを推定する。 実験の結果,多視点データからパーソナリティ・プロファイリングを学習する能力は,多様なソーシャル・マルチメディア・ソースからやってくるデータを効率的に活用できることが示唆された。
  論文  参考訳（メタデータ） (2021-06-20T10:48:49Z)
• The Burden of Being a Bridge: Analysing Subjective Well-Being of Twitter Users during the COVID-19 Pandemic [4.178929174617172]
  本研究では,パンデミックが影響力のあるソーシャルメディア利用者のメンタルヘルスに与える影響について検討する。 SWBの変化が情報拡散におけるブリッジ性能と関係があるかどうかを解析する。 約2年間Twitterから収集されたデータから、新型コロナウイルス(COVID-19)パンデミックにおける影響力のあるユーザーの精神的苦痛が増していることが明らかになった。
  論文  参考訳（メタデータ） (2021-04-09T12:29:34Z)
• Expertise and confidence explain how social influence evolves along intellective tasks [10.525352489242396]
  本研究では,知的なタスクの連続を集団的に実行する個人集団における対人的影響について検討する。 本稿では, 過渡記憶系の理論, 社会的比較, 社会的影響の起源に関する信頼に関する実証的証拠を報告する。 これらの理論にインスパイアされた認知力学モデルを提案し、個人が時間とともに対人的影響を調整する過程を記述する。
  論文  参考訳（メタデータ） (2020-11-13T23:48:25Z)
• Interpretable Stochastic Block Influence Model: measuring social influence among homophilous communities [4.563449647618151]
  ネットワーク上の意思決定は、ホモフィリーと社会的影響の両方によって説明できる。 社会的影響は役割理論によって説明できるが、これは個人間の影響が役割や関心の行動に依存することを示している。 本稿では,ブロック影響モデル(Block Influence Model)という生成モデルを提案し,ネットワーク形成とコミュニティ間の行動の影響を共同で分析する。
  論文  参考訳（メタデータ） (2020-06-01T15:49:22Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。