論文の概要: The Effect of Expertise Signaling when Sharing Medical Information in Opinion Dynamics
- arxiv url: http://arxiv.org/abs/2610.16623v2
- Date: Sat, 17 Oct 2026 07:11:36 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 11:47:25.822374
- Title: The Effect of Expertise Signaling when Sharing Medical Information in Opinion Dynamics
- Title（参考訳）: オピニオンダイナミクスにおける医療情報共有におけるエキスパートシグナリングの効果
- Abstract要約: この研究は、情報源の専門知識が信頼と長期的な意見の形成をいかに形作るかを研究する。
送信者の表示名にプロフェッショナルタイトルを追加することで,投稿の信頼性が著しく向上することがわかった。
- 参考スコア（独自算出の注目度）: 38.39128188605268
- License:
- Abstract: Social media heavily influences health decisions, yet few opinion dynamics models account for how information is delivered. This work investigates how signaling source expertise shapes trust and long-term opinion formation. Through an online experiment, we find that adding a professional title to the sender's display name significantly increases a post's perceived credibility. Incorporating these findings to create a data-driven opinion dynamics model, we prove that (1) connecting users through some paths to an expert guarantees consensus with experts' opinion, while (2) higher rates of expertise signaling accelerate reaching consensus. Simulations show that (3) convincing even 20% of users to signal their title reduces consensus time to nearly one-third in Erdos-Renyi networks and (4) higher title adoption brings average opinion much closer to that of experts in scale-free and real-world networks. Altogether, our work highlights expertise signaling as a viable intervention to promote validated medical information online.
- Abstract（参考訳）: ソーシャルメディアは健康決定に大きく影響するが、情報の提供方法を説明する意見力学モデルはほとんどない。
この研究は、情報源の専門知識が信頼と長期的な意見の形成をいかに形作るかを研究する。
オンライン実験により,送信者の表示名にプロフェッショナルタイトルを追加することで,投稿の信頼性が著しく向上することが確認された。
これらの知見をデータ駆動型意見力学モデルの構築に取り入れることで,(1)利用者と専門家の意見の一致を保証し,(2)専門家の意見の一致を加速させることが証明された。
シミュレーションでは、20%のユーザーがタイトルの表示を説得すると、コンセンサス時間がエルドス・レニーネットワークの3分の1近くに減少し、(4)より高いタイトルの採用により、スケールフリーや実世界のネットワークの専門家に平均的な意見がより近いことが示されている。
私たちの研究は、オンライン上で検証された医療情報を促進するための有効な介入として、専門知識の合理化を強調しています。
関連論文リスト
- Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。
本ベンチマークでは,3種類の医療データを統合し,診断を行う。
本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
論文 参考訳（メタデータ） (2026-01-22T04:51:39Z) - Towards Real-Time Fake News Detection under Evidence Scarcity [66.58597356379907]
本稿では,リアルタイムフェイクニュース検出のための新しいフレームワークである評価アウェア・セレクション・オブ・エキスパートズ(EASE)を提案する。
EASEは、利用可能な証拠の十分性を評価した意思決定プロセスに適合する。
本稿では,新興ニュースのモデル一般化を限られた証拠で評価するための新しいベンチマークであるRealTimeNews-25を紹介する。
論文 参考訳（メタデータ） (2025-10-13T11:11:46Z) - H-NeiFi: Non-Invasive and Consensus-Efficient Multi-Agent Opinion Guidance [26.3381245787395]
既存のメソッドは、しばしばユーザービューを直接変更したり、グループ間の接続を強制する。
我々は階層的で非侵襲的な意見誘導フレームワークH-NeiFiを提案する。
実験の結果、H-NeiFiは専門家がいない場合でもコンセンサス速度を22.0%から30.7%増加させ、世界的な収束を維持していることがわかった。
論文 参考訳（メタデータ） (2025-07-11T09:56:33Z) - Information Bargaining: Bilateral Commitment in Bayesian Persuasion [60.3761154043329]
長期的説得のための統一的なフレームワークとよく構造化されたソリューションの概念を導入する。
この視点はゲーム構造の共通知識を明確にし、レシーバに匹敵するコミットメント能力を与える。
このフレームワークは、2段階の検証と推論のパラダイムによって検証される。
論文 参考訳（メタデータ） (2025-06-06T08:42:34Z) - MisinfoEval: Generative AI in the Era of "Alternative Facts" [50.069577397751175]
本稿では,大規模言語モデル(LLM)に基づく誤情報介入の生成と評価を行うフレームワークを提案する。
本研究では,(1)誤情報介入の効果を測定するための模擬ソーシャルメディア環境の実験,(2)ユーザの人口動態や信念に合わせたパーソナライズされた説明を用いた第2の実験について述べる。
以上の結果から,LSMによる介入はユーザの行動の修正に極めて有効であることが確認された。
論文 参考訳（メタデータ） (2024-10-13T18:16:50Z) - Susceptibility to Unreliable Information Sources: Swift Adoption with Minimal Exposure [9.417811179236683]
ユーザは、高クレーディビリティソースよりも露出が少ない低クレーディビリティソースを採用する傾向があります。
情報ソースの採用は、しばしば、同等の信頼性レベルを持つソースへのユーザーの事前の露出を反映している。
論文 参考訳（メタデータ） (2023-11-09T20:16:06Z)
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。