[논문 리뷰] Angry Birds Flock Together: Aggression Propagation on Social Media

Chrysoula Terizi, Despoina Chatzakou외 3명|arXiv (Cornell University)|2020. 02. 24.

Opinion Dynamics and Social Influence참고 문헌 49인용 수 6

한 줄 요약

이 논문은 전통적인 의견 동역학 프레임워크를 변형하여 공격적인 동료의 영향을 반영할 수 있도록, 사회적 미디어에서 공격성이 어떻게 퍼지는지를 연구하기 위한 새로운 네트워크 동역학 모델을 제안한다. 트위터 데이터와 커뮤니티 기반 애너테이션을 사용하여, 공격성이 사용자 간 연결 패턴을 통해 사회 네트워크를 통해 퍼짐을 입증하였으며, 시뮬레이션을 통해 모델이 실제 공격성 퍼짐과의 일치를 보였다.

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.

연구 동기 및 목표

• 의견 확산의 동역학을 영감으로 삼아 공격적 행동이 사회 네트워크를 통해 어떻게 퍼지는지 조사하기 위해.
• 이전 연구가 고립된 사용자 행동에만 초점을 맞춘 바에 비해, 네트워크 수준에서의 공격성 확산을 모델링하는 데 있어 빈도를 메우기 위해.
• 사용자가 공격적인 동료와의 연결에 따라 어떻게 더 공격적으로 변하는지를 포괄하는 네트워크 인식 모델을 개발하고 검증하기 위해.
• 모델 예측의 정확성과 현실성 검증을 위해 실제 트위터 데이터와 커뮤니티 기반 애너테이션을 활용하여 기반을 다지기 위해.

제안 방법

• 공격성 수준을 시간에 따라 변화하는 동적 상태로 포함시켜 전통적인 연속적 의견 동역학 모델을 변형하여 적용하기 위해.
• 사용자의 공격성 수준이 그들의 사회적 이웃 내 공격적 행동의 가중 평균에 기반해 업데이트되는 네트워크 기반의 영향 메커니즘을 도입하기 위해.
• 실제 트위터 팔로워 네트워크를 사용하여 현실적인 확산 경로를 시뮬레이션하기 위해.
• 크롤링한 트위터 데이터와 공격적 콘텐츠에 대한 커뮤니티 기반 애너테이션으로부터의 기반 사실을 사용하여 모델 캘리브레이션을 수행하기 위해.
• 다양한 네트워크 구조와 초깃값 분포가 확산 속도와 영향 범위에 어떤 영향을 미치는지 평가하기 위해 광범위한 시뮬레이션을 수행하기 위해.
• 모델 출력 결과를 크롤링한 데이터에서 관찰된 실제 공격성 패턴과 대조하여 예측 정확도를 평가하기 위해.

실험 결과

연구 질문

• RQ1 사회 네트워크의 구조가 공격적 행동의 확산에 어떤 영향을 미치는가?
• RQ2 전통적인 의견 동역학 모델이 의견뿐만 아니라 공격성의 확산을 포괄하도록 얼마나 잘 적응될 수 있는가?
• RQ3 공격적인 사용자와의 연결은 개인이 공격적으로 변할 가능성을 어떻게 영향을 미치는가?
• RQ4 시뮬레이션된 공격성 확산 패턴은 트위터 데이터와 커뮤니티 기반 레이블에서 관찰된 실제 관측 결과와 얼마나 일치하는가?

주요 결과

• 공격적인 사용자 간의 밀도와 군집도가 네트워크 내 공격성 확산에 크게 영향을 미치며, 높은 군집도는 확산 속도를 가속화한다.
• 여러 명의 공격적 동료와 연결된 사용자는 고립된 공격적 연결을 가진 사용자보다 공격성 증가 속도가 빠르다.
• 모델의 시뮬레이션된 공격성 패턴은 커뮤니티 기반 애너테이션으로부터의 기반 사실과 강한 일치를 보이며, 예측 타당성을 시사한다.
• 특히 높은 연결도를 가진 핵심 사용자(허브)의 존재가, 공동체 전반에 걸쳐 공격적 행동을 증폭하고 지속시키는 데 핵심적인 역할을 한다.