論文の概要: Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement

• arxiv url: http://arxiv.org/abs/2505.19355v1
• Date: Sun, 25 May 2025 23:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.069551
• Title: Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement
• Title（参考訳）: オンライン影響評価における因果モデリングの必要性
• Authors: Lin Tian, Marian-Andrei Rizoiu,
• Abstract要約: 政策タイミングとエンゲージメント効果の両方に適応する新しい共同治療・アウトカムフレームワークを導入する。 本手法は,医療の因果推論手法に適応し,ソーシャルメディアの相互作用の逐次的性質に平均治療効果(ATE)を推定する。
• 参考スコア（独自算出の注目度）: 6.979194533898427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding true influence in social media requires distinguishing correlation from causation--particularly when analyzing misinformation spread. While existing approaches focus on exposure metrics and network structures, they often fail to capture the causal mechanisms by which external temporal signals trigger engagement. We introduce a novel joint treatment-outcome framework that leverages existing sequential models to simultaneously adapt to both policy timing and engagement effects. Our approach adapts causal inference techniques from healthcare to estimate Average Treatment Effects (ATE) within the sequential nature of social media interactions, tackling challenges from external confounding signals. Through our experiments on real-world misinformation and disinformation datasets, we show that our models outperform existing benchmarks by 15--22% in predicting engagement across diverse counterfactual scenarios, including exposure adjustment, timing shifts, and varied intervention durations. Case studies on 492 social media users show our causal effect measure aligns strongly with the gold standard in influence estimation, the expert-based empirical influence.
• Abstract（参考訳）: ソーシャルメディアにおける真の影響力を理解するには、因果関係と相関関係を区別する必要がある。 既存のアプローチでは、露光メトリクスとネットワーク構造に重点を置いているが、外部の時間信号がエンゲージメントを引き起こす因果メカニズムを捉えていない場合が多い。 政策タイミングとエンゲージメント効果の両方に同時に適応するために、既存のシーケンシャルモデルを活用する新しい共同治療・アウトカムフレームワークを導入する。 当社のアプローチでは,医療の因果推論手法を応用し,ソーシャルメディアインタラクションの逐次的な性質において平均治療効果(ATE)を推定し,外部のコンバウンド信号からの課題に対処する。 実世界の誤情報と偽情報のデータセットに関する実験を通して、我々のモデルは、露光調整、タイミングシフト、様々な介入期間を含む様々なカウンターファクトのシナリオにおけるエンゲージメントの予測において、既存のベンチマークを15～22%上回っていることを示す。 492人のソーシャルメディア利用者を対象としたケーススタディでは、我々の因果効果尺度は、専門家による経験的影響である影響評価における金基準と強く一致している。

関連論文リスト

• A Practical Approach to Causal Inference over Time [17.660953125689105]
  我々は因果介入とその時間的影響を離散時間プロセス(DSP)に定義する。 因果介入前後のDSPの平衡状態が構造因果モデル(SCM)によって把握できる条件を示す。 得られた因果VARフレームワークにより、観測時系列データから経時的に因果推論を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T13:45:20Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Causal Influence in Federated Edge Inference [34.487472866247586]
  本稿では、未ラベルのストリーミングデータを用いて、接続性のある異種エージェントが推論を行う環境について考察する。 不確実性を克服するために、エージェントは、融合センターを通じてローカルな推論を交換することで互いに協力する。 エージェントの関与パターンや核融合センターの方針を反映した様々なシナリオを考察した。
  論文  参考訳（メタデータ） (2024-05-02T13:06:50Z)
• 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)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• The Local Approach to Causal Inference under Network Interference [0.0]
  エージェントが社会的・経済的ネットワークにどのようにリンクされているかに依存する場合の因果推論のための新しい非パラメトリックモデリングフレームワークを提案する。 提案手法は, エージェントがネットワーク上でどのようにリンクされているかを, 経路距離によって測定された他のエージェントと接続の設定を用いて特徴付ける。 ポリシーや治療課題の影響は、同様に構成されたエージェントにまたがって結果データをプールすることで学習される。
  論文  参考訳（メタデータ） (2021-05-09T01:27:05Z)

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。