[論文レビュー] Detecting and modelling real percolation and phase transitions of information on social media

Jiarong Xie, Fanhui Meng+4 more|arXiv (Cornell University)|Mar 4, 2021

Complex Network Analysis Techniques参考文献 64被引用数 4

ひとこと要約

本研究では、Weiboの1億人およびTwitterの4000万人のユーザーを対象に、ソーシャルメディアにおける情報拡散の実際のパーコレーションと相転移を特定する。理論的予測よりも低いパーコレーション閾値が判明し、これはネットワーク構造とユーザ行動の共進化に起因する正のフィードバックによって引き起こされ、極端な影響力の不均衡と想定よりも高い情報拡散能力をもたらす。

ABSTRACT

It is widely believed that information spread on social media is a percolation process, with parallels to phase transitions in theoretical physics. However, evidence for this hypothesis is limited, as phase transitions have not been directly observed in any social media. Here, through analysis of 100 million Weibo and 40 million Twitter users, we identify percolation-like spread, and find that it happens more readily than current theoretical models would predict. The lower percolation threshold can be explained by the existence of positive feedback in the coevolution between network structure and user activity level, such that more active users gain more followers. Moreover, this coevolution induces an extreme imbalance in users' influence. Our findings indicate that the ability of information to spread across social networks is higher than expected, with implications for many information spread problems.

研究の動機と目的

• ソーシャルメディアにおける情報拡散に、実際のパーコレーションと相転移が発生するかどうかを調査すること。
• 現実世界のソーシャルネットワークにおける予期せぬ低パーコレーション閾値の背後にあるメカニズムを特定すること。
• ユーザ行動レベルとネットワーク構造の共進化をモデル化し、情報拡散ダイナミクスに与える影響を明らかにすること。
• ソーシャルメディアネットワークにおけるフィードバックループが引き起こす影響力の不均衡を定量化すること。

提案手法

• Weibo（1億ユーザー）およびTwitter（4000万人ユーザー）からの大規模なソーシャルメディアデータを分析し、情報カスケードの追跡を行う。
• パーコレーション理論を応用して、ソーシャルネットワーク全体における情報拡散の相転移を検出する。
• ユーザ行動レベルとネットワーク構造の共進化を、動的フィードバックメカニズムを用いてモデル化する。
• 古典的パーコレーションモデルからの理論的予測と比較して、観測されたパーコレーション閾値を定量的に評価する。
• 統計物理学の枠組みを用いて、情報拡散を相転移プロセスとして解釈する。
• 活発なユーザーがより多くのフォロワーを獲得する正のフィードバックループを同定する。

実験結果

リサーチクエスチョン

• RQ1 Weibo や Twitter などのソーシャルメディアプラットフォームにおける情報拡散に、実際のパーコレーションと相転移が発生するか？
• RQ2 なぜ現実のソーシャルネットワークでは、古典的パーコレーション理論の予測よりも低いパーコレーション閾値が観測されるのか？
• RQ3 ユーザ行動とネットワーク構造の共進化が、情報拡散にどのように影響するか？
• RQ4 フィードバックメカニズムが、ソーシャルメディアにおける活発なユーザーの影響力をどの程度拡大させるか？
• RQ5 これらのダイナミクスは、ソーシャルネットワーク全体の情報伝達能力にどのような意味を持つのか？

主な発見

• 実際のソーシャルメディアネットワークにおけるパーコレーション閾値は、理論的予測よりも顕著に低いことが判明し、想定よりも容易に情報が拡散されていることを示している。
• ユーザ行動とネットワーク構造の共進化に起因する正のフィードバックが、低パーコレーション閾値を引き起こしている。
• 活発なユーザーは急速にフォロワーを獲得し、極端な影響力の不均衡を生み出し、情報拡散を拡大させる。
• 共進化メカニズムにより、ユーザの影響力が非線形的に増大し、カスケード形成が加速する。
• 動的構造フィードバックがあるため、静的またはランダムネットワークモデルと比較して、実際のネットワークでは情報がより容易に拡散される。
• 研究結果は、ソーシャルメディアネットワークが、従来のモデルが示唆するよりも、大規模な情報伝達に高い内蔵能力を有していることを示唆している。