論文の概要: Bots Don't Sit Still: A Longitudinal Study of Bot Behaviour Change, Temporal Drift, and Feature-Structure Evolution
- arxiv url: http://arxiv.org/abs/2512.17067v1
- Date: Thu, 18 Dec 2025 21:08:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-22 19:25:54.173294
- Title: Bots Don't Sit Still: A Longitudinal Study of Bot Behaviour Change, Temporal Drift, and Feature-Structure Evolution
- Title（参考訳）: ボットはいまだに座らない:ボットの行動変化、時間的ドリフト、特徴構造進化の縦断的研究
- Authors: Ohoud Alzahrani, Russell Beale, Bob Hendley,
- Abstract要約: プロモーション型ソーシャルボットは、個々のメタ機能レベルと機能相互依存性レベルの両方において、時間とともに適応することを示す。
これらの研究は、プロモーション型ソーシャルボットが、個々のメタ機能レベルと機能相互依存性レベルの両方で時間とともに適応する証拠を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Social bots are now deeply embedded in online platforms for promotion, persuasion, and manipulation. Most bot-detection systems still treat behavioural features as static, implicitly assuming bots behave stationarily over time. We test that assumption for promotional Twitter bots, analysing change in both individual behavioural signals and the relationships between them. Using 2,615 promotional bot accounts and 2.8M tweets, we build yearly time series for ten content-based meta-features. Augmented Dickey-Fuller and KPSS tests plus linear trends show all ten are non-stationary: nine increase over time, while language diversity declines slightly. Stratifying by activation generation and account age reveals systematic differences: second-generation bots are most active and link-heavy; short-lived bots show intense, repetitive activity with heavy hashtag/URL use; long-lived bots are less active but more linguistically diverse and use emojis more variably. We then analyse co-occurrence across generations using 18 interpretable binary features spanning actions, topic similarity, URLs, hashtags, sentiment, emojis, and media (153 pairs). Chi-square tests indicate almost all pairs are dependent. Spearman correlations shift in strength and sometimes polarity: many links (e.g. multiple hashtags with media; sentiment with URLs) strengthen, while others flip from weakly positive to weakly or moderately negative. Later generations show more structured combinations of cues. Taken together, these studies provide evidence that promotional social bots adapt over time at both the level of individual meta-features and the level of feature interdependencies, with direct implications for the design and evaluation of bot-detection systems trained on historical behavioural features.
- Abstract（参考訳）: ソーシャルボットは現在、プロモーション、説得、操作のためのオンラインプラットフォームに深く埋め込まれている。
ほとんどのボット検出システムは、動作の特徴を静的で暗黙的に、時間とともに静的に振る舞うと仮定している。
我々は、その仮定をTwitterボットのプロモーションに当てはめ、個々の行動信号の変化とそれらの関係を分析する。
2.615のプロモーションボットアカウントと280万のツイートを使って、10のコンテンツベースのメタ機能のための年次時系列を構築します。
拡張されたDickey-FullerとKPSSテストと線形トレンドは、すべての10が非定常的であることを示している。
第二世代のボットは最も活発でリンクが重く、短命のボットは重いハッシュタグ/URLの使用で活発で反復的な活動を示す。
次に、アクション、トピックの類似性、URL、ハッシュタグ、感情、絵文字、メディアにまたがる18の解釈可能なバイナリ機能を用いて、世代ごとの共起を分析する(153対)。
チ二乗検定は、ほぼ全てのペアが依存していることを示している。
多くのリンク(メディア付き複数のハッシュタグ、URL付き感情など)が強化され、他のリンクは弱陽性から弱陰性へと反転する。
後世の世代は、より構造化されたキューの組み合わせを示している。
これらの研究は、社会的ボットが個々のメタ機能レベルと特徴相互依存性レベルの両方で時間とともに適応することを示すとともに、歴史的行動特徴に基づいて訓練されたボット検出システムの設計と評価に直接的な意味を持つ。
関連論文リスト
- RoBCtrl: Attacking GNN-Based Social Bot Detectors via Reinforced Manipulation of Bots Control Interaction [51.46634975923564]
本稿では,ソーシャルボット制御攻撃(RoBCtrl)のための対向型マルチエージェント強化学習フレームワークを提案する。
具体的には、拡散モデルを用いて、既存のアカウントデータを小さな修正で再構築することで、高忠実度ボットアカウントを生成する。
次に,MARL(Multi-Agent Reinforcement Learning)法を用いて,ボットの逆動作をシミュレートする。
論文 参考訳（メタデータ） (2025-10-16T02:41:49Z) - On the efficacy of old features for the detection of new bots [0.4506099292980221]
我々は、Twitterをベンチマークとして、新しいボットを検出する4つの最先端機能セットのパフォーマンスを比較した。
この結果は、進化したボットを検知するために汎用分類器と低コストで計算可能な会計機能を使用できることを示唆している。
論文 参考訳（メタデータ） (2025-06-24T13:56:09Z) - What is a Social Media Bot? A Global Comparison of Bot and Human Characteristics [5.494111035517598]
ボットは、人間が対話理解を必要とするキューを使う間、簡単に自動化できる言語的手がかりを使用する傾向がある。
これらの結論は、7つのイベントにわたる200ミルユーザーにわたるソーシャルメディアのツイートの大規模な分析に基づいている。
論文 参考訳（メタデータ） (2025-01-01T14:45:43Z) - SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection [34.68635583099056]
マルチビューグラフに基づくコントラスト学習型ソーシャルボット検出器SEBotを提案する。
特に、構造エントロピーを不確実性計量として使用して、グラフ全体の構造を最適化する。
そして、ホモフィリーな仮定を超えたメッセージパッシングを可能にするエンコーダを設計する。
論文 参考訳（メタデータ） (2024-05-18T08:16:11Z) - Spot the bot: Coarse-Grained Partition of Semantic Paths for Bots and
Humans [55.2480439325792]
本稿では,人書きテキストとボット生成テキストのセマンティックパスの粗粒度分割構造の比較に焦点をあてる。
意味構造が言語によって異なる可能性があるため、ロシア語、英語、ドイツ語、ベトナム語を調査する。
論文 参考訳（メタデータ） (2024-02-27T10:38:37Z) - My Brother Helps Me: Node Injection Based Adversarial Attack on Social Bot Detection [69.99192868521564]
Twitterのようなソーシャルプラットフォームは、数多くの不正なユーザーから包囲されている。
ソーシャルネットワークの構造のため、ほとんどの手法は攻撃を受けやすいグラフニューラルネットワーク(GNN)に基づいている。
本稿では,ボット検出モデルを欺いたノードインジェクションに基づく逆攻撃手法を提案する。
論文 参考訳（メタデータ） (2023-10-11T03:09:48Z) - BotArtist: Generic approach for bot detection in Twitter via semi-automatic machine learning pipeline [47.61306219245444]
Twitterは、ボットや偽アカウントのターゲットとなり、偽情報や操作の拡散につながった。
本稿では,機械学習モデル開発に関わる課題に対処するために,セミオートマチック機械学習パイプライン(SAMLP)を提案する。
ユーザプロファイル機能に基づいたボット検出モデルBotArtistを開発した。
論文 参考訳（メタデータ） (2023-05-31T09:12:35Z) - Identification of Twitter Bots based on an Explainable ML Framework: the
US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。
Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。
また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文 参考訳（メタデータ） (2021-12-08T14:12:24Z) - Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。
異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。
本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-11T22:59:59Z) - Twitter Bot Detection Using Bidirectional Long Short-term Memory Neural
Networks and Word Embeddings [6.09170287691728]
本稿では,Twitterボットを人間アカウントと区別するために,単語埋め込みを用いたリカレントニューラルネットワークを開発した。
実験により,既存の最先端ボット検出システムと比較して,本手法が競争力を発揮することが示された。
論文 参考訳（メタデータ） (2020-02-03T17:07:03Z)
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。