[論文レビュー] Social Media as Windows on the Social Life of the Mind

Cosma Rohilla Shalizi|ArXiv.org|Oct 25, 2007

Opinion Dynamics and Social Influence参考文献 50被引用数 4

ひとこと要約

本稿は、ソーシャルメディアのデータを文化的進化と集団的認知の窓として用いることを提案し、ソーシャルメディアが人間のコミュニケーションの大型でリアルタイムな痕跡を提供することにより、認知的ツールの広がり方や構造的な相互作用から生じる集団的問題解決の仕組みを明らかにすると主張している。統計的学習理論とアンサンブル手法を適用して社会的情報処理をモデル化することを提唱し、協調的で相関のある集団的推論が、孤立した「強い」個々の個人を上回ることを示しており、より良い共同作業システムの設計に向けた示唆を示している。

ABSTRACT

This is a programmatic paper, marking out two directions in which the study of social media can contribute to broader problems of social science: understanding cultural evolution and understanding collective cognition. Under the first heading, I discuss some difficulties with the usual, adaptationist explanations of cultural phenomena, alternative explanations involving network diffusion effects, and some ways these could be tested using social-media data. Under the second I describe some of the ways in which social media could be used to study how the social organization of an epistemic community supports its collective cognitive performance.

研究の動機と目的

• ネットワーク化されたコミュニケーションを通じた文化的特徴の進化を理解すること。適応主義的説明に代わる、拡散のデータ駆動型モデルを提示すること。
• 知識的コミュニティの社会的構造が、その集団的認知的パフォーマンスにどのように影響するかを調査すること。
• 相関性や人間同士のコミュニケーションを考慮することで、「群衆の知恵」を超える社会的情報処理の定量的モデルを構築すること。
• 特にアンサンブル手法を含む機械学習分野の知見を社会科学者と結びつけ、集団的認知とイノベーションをモデル化すること。
• 分散システム、メカニズム設計、統計力学の原則を統合することで、より良い共同作業システムを設計すること。

提案手法

• ソーシャルメディアのデータを、文化的伝播と集団的推論のスケールでの実証的痕跡として用い、通信的相互作用の研究に活用すること。
• 集団的情報処理をアンサンブル学習問題としてモデル化し、『弱い』が多様なヒューリスティック問題解決者が、より強いが独立した個々の解決者よりも優れるという事実を扱うこと。
• 統計的学習理論からの数学的限界を用いて、社会的情報処理システムのパフォーマンス限界を評価すること。
• アンサンブル手法（例：ブースティング、バギング）と知識的コミュニティにおける社会的協調メカニズムとの類似性を抽出すること。
• 分散システムにおける協調不能性を、社会的学習の病理的状態（例：振動、局所最適解への固定）の比喩として分析すること。
• 分散アルゴリズム設計とメカニズム設計の知見を統合し、コンピュータ支援共同作業のアーキテクチャを改善すること。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク拡散効果と社会的構造は、単純な適応主義的説明を超えて、文化的特徴の進化にどのように影響を与えるか。
• RQ2 集団的問題解決における個々のヒューリスティックの多様性と相関性が、集団的認知的パフォーマンスをどの程度説明できるか。
• RQ3 通信と協調が可能になると、『弱い』問題解決者が『強い』ものよりも優れるようなメカニズムは何か。
• RQ4 分散システムにおける協調不能性は、社会的学習や集団的認知における病理的状態をどのように反映しているか。
• RQ5 統計的学習理論は、現実世界の社会的情報処理システムのパフォーマンスに予測可能な限界を提供できるか。

主な発見

• ソーシャルメディアは、文化的伝播と集団的認知のスケールでの実証的調査を可能にする、前例のないレベルの通信的相互作用のデータを提供している。
• 機械学習におけるアンサンブル手法は、相関的で多様な予測者の方が、独立した高容量の予測者を上回ることを示しており、協調的な人間の集団の成功と一致する。
• 通信可能で互いの解決策を補い合える『弱い』ヒューリスティック問題解決者の大規模なグループは、同規模の『強い』ヒューリスティックのグループを上回るパフォーマンスを示すことができる。
• 時間的な協調は集団的認知において重要な要因であり、その失敗は振動や局所最適解への収束を引き起こす可能性がある。これは分散システムの失敗と類似している。
• 社会的情報処理の成功は、相関のない推測の平均化では説明できない。むしろ、構造的で相関のある相互作用パターンに依存している。
• 統計的学習の視点から社会的認知をモデル化するには、理論的かつ実証的根拠が強く支持されており、現実世界の共同作業システムの改善に応用可能である。