[論文レビュー] Dissecting the Meme Magic: Understanding Indicators of Virality in Image Memes

Chen Ling, Ihab AbuHilal+4 more|arXiv (Cornell University)|Jan 16, 2021

Humor Studies and Applications参考文献 82被引用数 9

ひとこと要約

本稿は、4chanの/pol/掲示板から抽出した100枚の画像ミームを対象に、混合手法を用いて構成、被写体、ターゲットオーディエンスの視覚的特徴を分析することで、ミームの拡散性（ウイルス性）の視覚的兆候を調査している。視覚的アノテーションのためのコードブックを構築し、機械学習モデルを訓練した結果、AUC 0.866の精度でウイルス性を予測することができ、その発見はTwitterやRedditのウイルス性ミームに対しても一般化可能である。

ABSTRACT

Despite the increasingly important role played by image memes, we do not yet have a solid understanding of the elements that might make a meme go viral on social media. In this paper, we investigate what visual elements distinguish image memes that are highly viral on social media from those that do not get re-shared, across three dimensions: composition, subjects, and target audience. Drawing from research in art theory, psychology, marketing, and neuroscience, we develop a codebook to characterize image memes, and use it to annotate a set of 100 image memes collected from 4chan's Politically Incorrect Board (/pol/). On the one hand, we find that highly viral memes are more likely to use a close-up scale, contain characters, and include positive or negative emotions. On the other hand, image memes that do not present a clear subject the viewer can focus attention on, or that include long text are not likely to be re-shared by users. We train machine learning models to distinguish between image memes that are likely to go viral and those that are unlikely to be re-shared, obtaining an AUC of 0.866 on our dataset. We also show that the indicators of virality identified by our model can help characterize the most viral memes posted on mainstream online social networks too, as our classifiers are able to predict 19 out of the 20 most popular image memes posted on Twitter and Reddit between 2016 and 2018. Overall, our analysis sheds light on what indicators characterize viral and non-viral visual content online, and set the basis for developing better techniques to create or moderate content that is more likely to catch the viewer's attention.

研究の動機と目的

• ソーシャルメディア上でのウイルス性の高い画像ミームとそうでないものとの間を区別する視覚的要素を理解すること。
• 構成、描写された被写体、ターゲットオーディエンスの特性が、ミームのウイルス性に与える影響を調査すること。
• 芸術理論、心理学、神経科学、マーケティングを統合した研究に基づき、画像ミームの視覚的特徴を体系的にアノテートするためのコードブックの開発。
• 視覚的ヒントを用いてウイルス性を予測する機械学習モデルを訓練し、主流のプラットフォームへの一般化を評価すること。
• コンテンツ作成、モデレーション、およびフェイクニュースキャンペーンにおけるウイルス性予測の誤用の可能性に関する知見を提供すること。

提案手法

• ウイルス性と非ウイルス性の極端を示すよう選別された、4chanの/pol/掲示板から100枚の画像ミームを収集した。
• 芸術理論、心理学、神経科学、マーケティングに基づいたコードブックを構築し、構成、被写体タイプ、感情的コンテンツなどの視覚的要素を特徴づけた。
• スケール（例：クローズアップ）、キャラクターの有無、テキスト長、感情的トーンを含む9つの視覚的特徴について、コードブックを用いてミームをアノテートした。
• 教師あり機械学習モデル（例：XGBoost）を用い、アノテートされた視覚的特徴に基づいてミームをウイルス性／非ウイルス性に分類するように訓練した。
• /pol/データセットにおけるモデルのパフォーマンスをAUCで評価し、2016年から2018年までのTwitterおよびRedditで最も人気のあった20個のミームを用いて、一般化性能をテストした。
• クロスプラットフォーム比較を用いて、識別された兆候がニッチなコミュニティにとどまらず、主流のソーシャルネットワークにも一般化可能であることを検証した。

実験結果

リサーチクエスチョン

• RQ1 フレーミング、コントラスト、テキスト配置などの視覚的構成特徴の中で、ミームのウイルス性を最もよく予測するのはどれか？
• RQ2 特に人間の顔やキャラクターの有無・種別が、ミームの再共有可能性にどのように影響するか？
• RQ3 文化的・文脈的参照にターゲットオーディエンスがどれほどなじみを持っているかが、ミームのウイルス性に与える影響はどの程度か？
• RQ4 /pol/のようなニッチプラットフォームで同定されたウイルス性の視覚的兆候は、Twitter や Reddit といった主流のプラットフォームにも一般化可能か？
• RQ5 これらの発見は、モデレーション、アクティビズム、フェイクニュースキャンペーンにおけるウイルス性予測の誤用の可能性にどのような意味を持つのか？

主な発見

• ウイルス性の高いミームは、クローズアップ構図を採用しやすく、明確なキャラクターを含み、強い肯定的または否定的感情を発信している傾向がある。
• 明確な焦点となる被写体がなく、長めのテキストを含むミームは、再共有されにくく、注目を引きにくい傾向にある。
• 機械学習モデルは、/pol/データセットにおいてウイルス性と非ウイルス性を区別する際、AUC 0.866の高い予測性能を示した。
• 2016年から2018年までのTwitterおよびRedditで最も人気のあった20枚の画像ミームのうち、19枚についてもモデルがウイルス性を正しく予測した。これは、優れた一般化性能を示している。
• 構成や感情の正負の傾向といった視覚的特徴は、コンテンツ固有の参照よりも予測能が高く、ウイルス性の安定した構成的要因であると考えられる。
• 発見は、ウイルス性がニッチな文化的知識に依存するよりも、視覚的目立たせやすさと感情的共鳴に強く影響を受けることを示唆しているが、オーディエンスのなじみ具合も依然として重要な役割を果たしている。