[论文解读] Twitter in Academic Conferences: Usage, Networking and Participation over Time

Xidao Wen, Yu‐Ru Lin+2 more|arXiv (Cornell University)|Mar 30, 2014

Wikis in Education and Collaboration参考文献 15被引用 4

一句话总结

本研究分析了2009年至2013年间16个计算机科学会议中Twitter的使用情况，揭示了信息分享（如转发、网址分享）趋势的上升，而对话互动（如回复、提及）则保持相对稳定。通过网络分析与机器学习方法，研究发现用户在信息网络中的中心性、时间线活动以及对话网络中的连通性，是预测其未来持续参与会议的最强指标。

ABSTRACT

Twitter is often referred to as a backchannel for conferences. While the main conference takes place in a physical setting, attendees and virtual attendees socialize, introduce new ideas or broadcast information by microblogging on Twitter. In this paper we analyze the scholars' Twitter use in 16 Computer Science conferences over a timespan of five years. Our primary finding is that over the years there are increasing differences with respect to conversation use and information use in Twitter. We studied the interaction network between users to understand whether assumptions about the structure of the conversations hold over time and between different types of interactions, such as retweets, replies, and mentions. While `people come and people go', we want to understand what keeps people stay with the conference on Twitter. By casting the problem to a classification task, we find different factors that contribute to the continuing participation of users to the online Twitter conference activity. These results have implications for research communities to implement strategies for continuous and active participation among members.

研究动机与目标

• 理解研究人员在学术会议期间如何使用Twitter，特别是社交互动与信息分享之间的平衡。
• 考察学术Twitter后通道中对话与信息共享网络结构随时间的演变。
• 识别能够预测用户未来是否继续参与会议相关Twitter活动的关键行为与网络特征。
• 为研究社区提供策略建议，以通过社交媒体维持在线参与与互动。

提出的方法

• 使用网络爬虫与数据提取技术，收集并分析2009年至2013年间16个计算机科学会议的推文。
• 构建两个网络：基于回复与提及的对话网络，以及基于转发的信息共享网络，以研究互动模式。
• 通过四项指标量化Twitter使用情况：两项用于信息使用（网址、转发），两项用于对话使用（回复、提及）。
• 从对话网络与转发网络中提取网络中心性度量（度中心性、特征向量中心性、介数中心性），以评估用户影响力与连通性。
• 构建二元分类任务，利用基线特征、对话网络特征与信息网络特征预测未来参与行为。
• 评估多种机器学习模型（随机森林、AdaBoost、Bagging、逻辑回归、SVM），并基于AUC得分选择性能最佳的组合。

实验结果

研究问题

• RQ1 用户在会议期间更多用于与同行社交，还是用于信息分享？此类使用方式随时间如何变化？
• RQ2 单个会议中对话网络与信息共享网络的结构特征是什么？这些结构随时间是否发生了演变？
• RQ3 用户是否会连续多年参与同一会议的Twitter互动？其未来参与行为在多大程度上可以被预测？

主要发现

• 在会议期间，Twitter的信息使用趋势显著且持续上升，尤其体现在转发与网址分享方面，而对话使用（回复与提及）则随时间保持相对稳定。
• 对话网络的碎片化程度高于转发网络（信息共享网络），且这种碎片化随时间加剧，表明对话集群更加孤立。
• 转发网络始终维持一个大型连通的巨型组件，表明信息在会议社群中持续且广泛传播。
• 预测未来参与行为的最重要特征是时间线推文数量、信息网络中的特征向量中心性，以及对话网络中的度中心性。
• 性能最佳的预测模型结合了基线、对话与信息网络特征，采用Bagging算法，AUC达到0.787。
• 信息网络中的特征向量中心性是第二重要的特征，表明与其它中心用户相连的用户更可能重返未来会议。