[论文解读] 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 9

一句话总结

本论文通过在 4chan 的 /pol/ 板上对 100 个图像表情包进行混合方法研究，分析其构图、主体和目标受众，探究了图像表情包病毒式传播的视觉指标。研究开发了一套用于视觉标注的编码手册，并训练了机器学习模型，其在预测病毒式传播方面的 AUC 达到 0.866，且研究发现可推广至 Twitter 和 Reddit 上的病毒式传播表情包。

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.

研究动机与目标

• 理解社交媒体上高度病毒式传播的图像表情包与非病毒式传播表情包之间的视觉元素差异。
• 探究构图、所描绘主体以及目标受众如何影响表情包的病毒式传播可能性。
• 基于跨学科研究，开发一套用于系统化标注图像表情包视觉特征的编码手册。
• 训练基于视觉线索预测病毒式传播的机器学习模型，并评估其在主流平台上的泛化能力。
• 为内容创作、内容审核以及潜在的虚假信息传播滥用行为提供参考。

提出的方法

• 从 4chan 的 /pol/ 板收集了 100 个图像表情包，依据转发频率选择，以代表病毒式传播和非病毒式传播的极端情况。
• 基于艺术理论、心理学、神经科学和市场营销，开发了一套编码手册，用于描述构图、主体类型和情感内容等视觉元素。
• 使用该编码手册对表情包进行九项视觉特征标注，包括尺度（如特写）、角色存在性、文本长度和情感基调。
• 训练监督式机器学习模型（如 XGBoost），基于标注的视觉特征将表情包分类为病毒式传播或非病毒式传播。
• 使用 AUC 在 /pol/ 数据集上评估模型性能，并在 Twitter 和 Reddit 上 2016–2018 年间最受欢迎的 20 个表情包上测试泛化能力。
• 通过跨平台对比，验证所识别的指标是否可超越小众社区，推广至主流社交网络。

实验结果

研究问题

• RQ1 哪些构图特征（如构图方式、对比度、文字位置）最能预测表情包的病毒式传播？
• RQ2 主体的存在及其类型（尤其是人脸或角色）如何影响表情包的转发潜力？
• RQ3 目标受众对文化或语境参考的熟悉程度在多大程度上影响表情包的病毒式传播可能性？
• RQ4 在 /pol/ 等小众平台识别出的病毒式传播视觉指标，能否推广至 Twitter 和 Reddit 等主流平台？
• RQ5 这些发现对内容审核、社会运动以及病毒式传播预测在虚假信息传播中的潜在滥用行为有何启示？

主要发现

• 高度病毒式传播的表情包显著更可能采用特写构图，突出明确的角色，并传达强烈正面或负面情绪。
• 缺乏明确焦点主体或包含长文本的表情包更难被转发，表明其吸引注意力的能力较弱。
• 机器学习模型在 /pol/ 数据集上区分病毒式传播与非病毒式传播表情包的 AUC 达到 0.866，表明预测性能出色。
• 该模型成功预测了 2016 至 2018 年间 Twitter 和 Reddit 上最受欢迎的 20 个图像表情包中的 19 个，证明了其强大的泛化能力。
• 构图和情感倾向等视觉特征比特定内容的引用更具预测性，表明病毒式传播存在稳定、基于构图的驱动因素。
• 研究结果表明，病毒式传播更多受视觉显著性和情感共鸣的影响，而不仅仅是小众文化知识；尽管如此，受众熟悉度仍具影响。