[논문 리뷰] Flipping Stance: Social Influence on Bot's and Non Bot's COVID Vaccine Stance.

Ng Lhx, Kathleen M. Carley|arXiv (Cornell University)|2021. 06. 21.

Misinformation and Its Impacts참고 문헌 14인용 수 4

한 줄 요약

이 논문은 2020년 4월에서 2021년 5월 사이에 트위터에서 코로나19 백신에 대한 입장을 뒤바꾸는 현상을 분석하기 위해 사회적 영향 모델을 제안한다. 이 모델은 에이전트의 과거 트윗, 네트워크 구조, 이웃의 영향을 통합한다. 모델은 입지 변화 예측에 86%의 정확도를 달성했으며, 봇(뒤바뀐 입장을 가진 자들 중 53.7%)는 비봇보다 더 적은 사회적 영향을 받더라도 입장을 바꾸는 것으로 나타났다.

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.

연구 동기 및 목표

• 코로나19 패안드믹 기간 동안 소셜 미디어에서 사회적 영향이 입지 변화를 어떻게 이끄는지 이해하기 위해.
• 코로나19 백신에 대한 입지 뒤집기 행동에서 봇과 비봇의 역할을 식별하고 정량화하기 위해.
• 개인의 역사, 네트워크 구조, 이웃의 영향을 통합하는 새로운 사회적 영향 모델을 개발하기 위해.
• 백신 관련 주제에서 봇과 비봇이 입지를 바꾸는 데 필요한 사회적 영향의 임계값의 차이를 분석하기 위해.

제안 방법

• 모델은 에이전트의 과거 트윗과 그 사회적 네트워크 이웃들의 집합적 영향을 기반으로 입지 점수를 계산한다.
• 중앙성과 연결 패턴을 포함한 전체 네트워크 구조를 통합하여 사회적 영향 효과를 가중치화한다.
• 2020년 4월에서 2021년 5월까지의 시간적 트윗 시퀀스와 감성 추세를 사용하여 동적 입지 표현을 학습한다.
• 트윗 내용, 사용자 역사, 네트워크 토폴로지에서 유도된 특징을 사용하여 지도 학습을 통해 입지 뒤집기 사건을 예측한다.
• 자동화된 탐지 방법을 사용해 에이전트를 봇 또는 비봇으로 분류하고, 그들의 뒤집기 행동을 비교한다.
• 모델은 트위터 데이터셋에서 학습 및 평가되었으며, 입지 뒤집기 예측에 86%의 정확도를 달성했다.

실험 결과

연구 질문

• RQ1 트위터에서 코로나19 백신 관련 주제에 대한 입지 뒤집기 행동 중 봇과 비봇이 각각 차지하는 비율은 얼마인가?
• RQ2 이웃의 사회적 영향과 네트워크 구조는 코로나19 백신에 대한 입지를 바꾸려는 에이전트의 가능성에 어떻게 영향을 미치는가?
• RQ3 비봇에 비해 봇은 입지를 바꾸기 위해 더 적은 사회적 영향을 필요로 하는가?
• RQ4 에이전트의 과거 트윗 역사와 네트워크 수준의 영향이 입지 변화를 예측하는 데 어떻게 상호작용하는가?
• RQ5 개인 행동과 네트워크 구조를 통합한 사회적 영향 모델의 예측 정확도는 얼마인가?

주요 결과

• 2020년 4월에서 2021년 5월 사이에 트위터에서 코로나19 백신에 대한 입지 뒤집기 행동을 보인 에이전트는 총 1%였다.
• 입지가 뒤집힌 에이전트 중 53.7%가 봇으로 확인되어 자동화된 계정이 의견 변화에 중요한 역할을 했다는 것을 시사한다.
• 비봇에 비해 봇은 입지를 바꾸기 위해 훨씬 더 적은 사회적 영향을 필요로 하며, 네트워크 수준의 설득에 더 민감한 것으로 나타났다.
• 제안된 사회적 영향 모델은 입지 뒤집기 사건 예측에 86%의 정확도를 달성했다.
• 모델의 성능은 개인의 역사와 네트워크 구조를 통합하는 것이 의견 동역학 모델링에서 중요하다는 것을 강조한다.
• 연구 결과는 봇이 입지 뒤집기에서 더 흔할 뿐 아니라 비봇보다 사회적 영향에 더 민감하게 반응한다는 것을 시사한다.