[論文レビュー] Angry Birds Flock Together: Aggression Propagation on Social Media

Chrysoula Terizi, Despoina Chatzakou+3 more|arXiv (Cornell University)|Feb 24, 2020

Opinion Dynamics and Social Influence参考文献 49被引用数 6

ひとこと要約

本稿では、攻撃的でない仲間の影響を捉えるために、古典的な意見動的枠組みを拡張して、SNS上での攻撃的行動の伝播を研究するための新しいネットワーク動的モデルを提案する。Twitterデータとクラウドソーシングによるアノテーションを用いて、攻撃的行動がユーザーの接続パターンを通じて社会的ネットワーク内で伝播することを示し、シミュレーションにより、モデルが現実の攻撃的行動伝播と整合していることを検証した。

ABSTRACT

Cyberaggression has been found in various contexts and online social platforms, and modeled on different data using state-of-the-art machine and deep learning algorithms to enable automatic detection and blocking of this behavior. Users can be influenced to act aggressively or even bully others because of elevated toxicity and aggression in their own (online) social circle. In effect, this behavior can propagate from one user and neighborhood to another, and therefore, spread in the network. Interestingly, to our knowledge, no work has modeled the network dynamics of aggressive behavior. In this paper, we take a first step towards this direction, by studying propagation of aggression on social media. We look into various opinion dynamics models widely used to model how opinions propagate through a network. We propose ways to enhance these classical models to accommodate how aggression may propagate from one user to another, depending on how each user is connected to other aggressive or regular users. Through extensive simulations on Twitter data, we study how aggressive behavior could propagate in the network, and validate our models with ground truth from crawled data and crowdsourced annotations. We discuss the results and implications of our work.

研究の動機と目的

• 攻撃的行動がどのように社会的ネットワークを通じて広がるかを、意見伝播のダイナミクスにインspiredして調査すること。
• 先行研究が孤立したユーザー行動にのみ焦点を当てていたのに対し、ネットワークレベルでの攻撃的行動伝播をモデル化するギャップを埋めること。
• 攻撃的仲間とのつながりに基づいてユーザーがどのように攻撃的になるかを捉える、ネットワークに配慮したモデルを構築・検証すること。
• 現実のTwitterデータとクラウドソーシングによるアノテーションを用いて、モデルの予測を事実と照合し、その現実性を検証すること。

提案手法

• 攻撃的レベルを時間とともに変化する動的状態として捉えるように、古典的な連続的意見動的モデルを拡張する。
• ユーザーの攻撃的レベルが、社会的周辺部における攻撃的行動の重み付き平均に基づいて更新される、ネットワークベースの影響メカニズムを導入する。
• 実際のTwitterフォロワーネットワークを用いてユーザーの接続性をモデル化し、現実的な伝播経路をシミュレートする。
• クロールしたTwitterデータと、攻撃的コンテンツのクラウドソーシングによるアノテーションから得た事実を用いて、モデルをキャリブレーションする。
• 異なるネットワーク構造と初期の攻撃的分布が伝播速度とカバー範囲に与える影響を評価するために、広範なシミュレーションを実施する。
• モデルの出力をクロールしたデータで観察された実際の攻撃的行動パターンと照合し、予測の正確性を評価する。

実験結果

リサーチクエスチョン

• RQ1 社会的ネットワークの構造は、攻撃的行動の広がりにどのように影響するか？
• RQ2 古典的な意見動的モデルは、意見の伝播だけでなく攻撃的行動の伝播を捉えるためにどの程度適応可能か？
• RQ3 攻撃的ユーザーとのつながりは、個人が攻撃的になる可能性にどの程度影響を与えるか？
• RQ4 シミュレートされた攻撃的行動伝播のパターンは、Twitterデータとクラウドソーシングによるラベルから得られる現実の観察と一致するか？

主な発見

• 攻撃的ユーザーの密度とクラスタリングは、攻撃的行動の伝播に顕著な影響を与え、特に高いクラスタリングが伝播を加速する。
• 複数の攻撃的仲間とつながっているユーザーは、孤立した攻撃的つながりを持つユーザーに比べ、攻撃的行動の増幅率が高い。
• モデルがシミュレートした攻撃的行動のパターンは、クラウドソーシングによるアノテーションからの事実と強く一致しており、予測の妥当性が示された。
• ネットワークトポロジー、特に高接続度のハブの存在が、コミュニティ全体にわたる攻撃的行動の増幅と持続に重要な役割を果たす。