[論文レビュー] Flipping Stance: Social Influence on Bot's and Non Bot's COVID Vaccine Stance.

Ng Lhx, Kathleen M. Carley|arXiv (Cornell University)|Jun 21, 2021

Misinformation and Its Impacts参考文献 14被引用数 4

ひとこと要約

本稿では、2020年4月から2021年5月にかけてのTwitter上での新型コロナウイルスワクチンに関するスタンスの入れ替えを分析するための社会的影響モデルを提案する。このモデルは、エージェントの過去のツイート、ネットワーク構造、周囲の影響を統合している。モデルはスタンス変化予測において86%の正確性を達成し、ボット（入れ替え者の53.7%）は非ボットに比べてスタンスを変えるために必要な社会的影響が少ないことが明らかになった。

ABSTRACT

Social influence characterizes the change of opinions in a complex social environment, incorporating an individual's past stances and the impact of interpersonal influence through the social network influence. In this work, we observe stance changes towards the coronavirus vaccine on Twitter from April 2020 to May 2021, where 1\% of the agents exhibit the stance flipping behavior, of which 53.7\% are identified bots. We then propose a novel social influence model to characterize the change in stance of agents. This model considers an agent's and his neighbor's past tweets and the overall network structure towards a stance score. In our experiments, the model achieves 86\% accuracy. In our analysis, bot agents require lesser social influence to flip stances and a larger proportion of bots flip.

研究の動機と目的

• 新型コロナウイルスパンデミック期におけるSNS上での社会的影響がスタンス変化をどのように駆動するかを理解すること。
• ボットと非ボットが新型コロナウイルスワクチンに関するスタンスの入れ替え行動に果たす役割を特定・定量すること。
• 個々の履歴、ネットワーク構造、周囲の影響を統合する新しい社会的影響モデルを構築し、スタンスの変化を予測すること。
• ボットと非ボットがワクチン関連トピックについてスタンスを変えるために必要な社会的影響の閾値の違いを分析すること。

提案手法

• モデルは、エージェントの過去のツイートとその社会的ネットワークの周囲の影響の総合的要因に基づいてスタンススコアを計算する。
• 中心性や接続パターンを含む全体的なネットワーク構造を組み込み、社会的影響の重みを付与する。
• 2020年4月から2021年5月にかけての時間的ツイートシーケンスと感情傾向のトレンドを用いて、動的なスタンス表現を学習する。
• ツイート内容、ユーザーヒストリー、ネットワークトポロジーから特徴を抽出し、教師あり学習を用いてスタンスの入れ替えイベントを予測する。
• 自動検出手法を用いてエージェントをボットまたは非ボットに分類し、その入れ替え行動を比較する。
• モデルはTwitterデータセット上で学習・評価され、スタンスの入れ替え予測において86%の正確性を達成した。

実験結果

リサーチクエスチョン

• RQ1 Twitter上でのワクチン関連トピックに関するスタンスの入れ替え行動のうち、ボットと非ボットはそれぞれどの程度の割合を占めているか？
• RQ2 周囲の影響とネットワーク構造は、エージェントが新型コロナウイルスワクチンに関するスタンスを変える可能性にどのように影響するか？
• RQ3 ボットは非ボットに比べて、スタンスを変えるために必要な社会的影響が少ないか？
• RQ4 エージェントの過去のツイート履歴とネットワークレベルの影響が、スタンス変化の予測にどのように作用するか？
• RQ5 個々の行動とネットワーク構造を統合する社会的影響モデルの予測正確性はどの程度か？

主な発見

• 2020年4月から2021年5月の間、Twitter上での新型コロナウイルスワクチンに関するスタンスの入れ替え行動を示したエージェントは全員の1%であった。
• スタンスを変更したエージェントのうち53.7%がボットとして特定され、自動化されたアカウントが意見の変化に大きな役割を果たしていることが示された。
• ボットは非ボットに比べて、スタンスを変えるために必要な社会的影響が顕著に少ないことが判明し、ネットワークレベルの説得により感受性が高いことが示唆された。
• 提案された社会的影響モデルは、スタンスの入れ替えイベント予測において86%の正確性を達成した。
• モデルのパフォーマンスは、個々の履歴とネットワーク構造を統合することが、意見動態のモデリングにおいて重要であることを強調している。
• 研究結果は、ボットがスタンスの入れ替えにおいて単により多く存在するだけでなく、非ボットに比べて社会的影響に対してより感受性が強い可能性を示唆している。