論文の概要: Characterising Behavioural Families and Dynamics of Promotional Twitter Bots via Sequence-Based Modelling

• arxiv url: http://arxiv.org/abs/2512.18077v1
• Date: Fri, 19 Dec 2025 21:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.180095
• Title: Characterising Behavioural Families and Dynamics of Promotional Twitter Bots via Sequence-Based Modelling
• Title（参考訳）: 時系列モデルを用いたTwitterボットの行動特性とダイナミクス
• Authors: Ohoud Alzahrani, Russell Beale, Robert J. Hendley,
• Abstract要約: 我々は、2,798,672のツイートを、2,615の地道的プロモーションボットアカウントから分析する(2006年-2021年) 各ボットは、7つのカテゴリのポストレベル行動特徴からシンボルブロック(デジタルDNA'')のシーケンスとして符号化される。 各ファミリー内では、複数のシーケンスアライメント(MSA)とラベルイベントを挿入、削除、置換、変更、アイデンティティとしてアライメントします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper asks whether promotional Twitter/X bots form behavioural families and whether members evolve similarly. We analyse 2,798,672 tweets from 2,615 ground-truth promotional bot accounts (2006-2021), focusing on complete years 2009 to 2020. Each bot is encoded as a sequence of symbolic blocks (``digital DNA'') from seven categorical post-level behavioural features (posting action, URL, media, text duplication, hashtags, emojis, sentiment), preserving temporal order only. Using non-overlapping blocks (k=7), cosine similarity over block-frequency vectors, and hierarchical clustering, we obtain four coherent families: Unique Tweeters, Duplicators with URLs, Content Multipliers, and Informed Contributors. Families share behavioural cores but differ systematically in engagement strategies and life-cycle dynamics (beginning/middle/end). We then model behavioural change as mutations. Within each family we align sequences via multiple sequence alignment (MSA) and label events as insertions, deletions, substitutions, alterations, and identity. This quantifies mutation rates, change-prone blocks/features, and mutation hotspots. Deletions and substitutions dominate, insertions are rare, and mutation profiles differ by family, with hotspots early for some families and dispersed for others. Finally, we test predictive value: bots within the same family share mutations more often than bots across families; closer bots share and propagate mutations more than distant ones; and responses to external triggers (e.g., Christmas, Halloween) follow family-specific, partly predictable patterns. Overall, sequence-based family modelling plus mutation analysis provides a fine-grained account of how promotional bot behaviour adapts over time.
• Abstract（参考訳）: 本稿では、プロモーション用Twitter/Xボットが行動家族を形成し、メンバーが同様に進化するかどうかを問う。 2,798,672件のツイートを、2009年から2020年までの完全な年を対象とする、2,615件の地道的なプロモーションボットアカウント(2006-2021)から分析した。 各ボットは、ポストアクション、URL、メディア、テキスト複製、ハッシュタグ、絵文字、感情の7つのカテゴリの行動特徴(ポストアクション、テキスト複製、ハッシュタグ、感情)からシンボルブロック(`digital DNA''')のシーケンスとしてエンコードされる。 非重複ブロック(k=7)、ブロック周波数ベクトルに対するコサイン類似性、階層クラスタリングを用いて、4つのコヒーレントなファミリ(ユニークツイート、URL付き複製器、コンテンツ乗算器、インフォームドコントリビュータ)を得る。 家族は行動のコアを共有するが、エンゲージメント戦略やライフサイクルダイナミクス(begining/middle/end)では体系的に異なる。 次に、行動変化を突然変異としてモデル化する。 各ファミリー内では、複数のシーケンスアライメント(MSA)とラベルイベントを挿入、削除、置換、変更、アイデンティティとしてアライメントします。 これは突然変異率、変化を起こしやすいブロック/機能、および突然変異ホットスポットを定量化する。 欠失と置換が支配的であり、挿入は稀であり、突然変異プロファイルは家族によって異なる。 最後に、同じ家族内のボットは、家族間のボットよりも頻繁に突然変異を共有し、より近いボットは、遠くのボットよりも突然変異を共有し、伝播し、外部のトリガー(例えば、クリスマス、ハロウィーン)に対する反応は、家族固有の、部分的に予測可能なパターンに従う。 全体として、シーケンスベースのファミリーモデリングと突然変異解析は、プロモーションボットの振る舞いが時間とともにどのように変化するかの詳細な説明を提供する。

関連論文リスト

• Bots Don't Sit Still: A Longitudinal Study of Bot Behaviour Change, Temporal Drift, and Feature-Structure Evolution [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-18T21:08:34Z)
• Continuous Locomotive Crowd Behavior Generation [23.45902601618188]
  本研究では,不均一な行動や相互作用を伴う連続的,現実的な群集軌道を自動生成する新しい手法を提案する。 提案手法は, 多様な集団行動パターンを効果的にモデル化し, 地理的に異なる環境にまたがってよく一般化できることを実証する。
  論文  参考訳（メタデータ） (2025-04-07T06:08:59Z)
• Leveraging 2D Information for Long-term Time Series Forecasting with Vanilla Transformers [55.475142494272724]
  時系列予測は、様々な領域における複雑な力学の理解と予測に不可欠である。 GridTSTは、革新的な多方向性の注意を用いた2つのアプローチの利点を組み合わせたモデルである。 このモデルは、さまざまな現実世界のデータセットに対して、常に最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-05-22T16:41:21Z)
• Gramformer: Learning Crowd Counting via Graph-Modulated Transformer [68.26599222077466]
  Gramformerはグラフ変調変換器で、それぞれ注意点と入力ノードの特徴を調整してネットワークを強化する。 ノードの集中位置や重要性を発見するために,特徴に基づく符号化を提案する。 提案手法の競争性を検証した4つの挑戦的群集カウントデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-01-08T13:01:54Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)
• Solving stochastic weak Minty variational inequalities without increasing batch size [46.71914490521821]
  本稿では,非コンケーブ問題のクラスを対象とした,段階外型アルゴリズムのファミリを紹介する。 固定されたステップサイズを1つ維持することは可能であるが、減少していると考えられる2番目のステップサイズに過ぎず、単調な設定でも興味深いことが示される。
  論文  参考訳（メタデータ） (2023-02-17T17:56:26Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• 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)

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。