[论文解读] An Experimental Study of Structural Diversity in Social Networks

Jessica Lasky‐Su, Krishna Kamath+3 more|arXiv (Cornell University)|Sep 8, 2019

Social Media and Politics参考文献 27被引用 5

一句话总结

本研究通过在 Twitter 上开展的大规模随机对照实验，调查了结构性多样性——用户社交网络中的异质性——是否在因果上影响社交媒体上的用户留存率。尽管观察数据确认了结构性多样性与留存率之间的相关性，但实验结果表明，低、中、高多样性处理组之间的留存率或参与度均无显著差异，挑战了以往基于观察性研究的因果解释。

ABSTRACT

Several recent studies of online social networking platforms have found that adoption rates and engagement levels are positively correlated with structural diversity, the degree of heterogeneity among an individual's contacts as measured by network ties. One common theory for this observation is that structural diversity increases utility, in part because there is value to interacting with people from different network components on the same platform. While compelling, evidence for this causal theory comes from observational studies, making it difficult to rule out non-causal explanations. We investigate the role of structural diversity on retention by conducting a large-scale randomized controlled study on the Twitter platform. We first show that structural diversity correlates with user retention on Twitter, corroborating results from past observational studies. We then exogenously vary structural diversity by altering the set of network recommendations new users see when joining the platform; we confirm that this design induces the desired changes to network topology. We find, however, that low, medium, and high structural diversity treatment groups in our experiment have comparable retention rates. Thus, at least in this case, the observed correlation between structural diversity and retention does not appear to result from a causal relationship, challenging theories based on past observational studies.

研究动机与目标

• 测试结构性多样性是否在因果上提高社交媒体平台上的用户留存率与参与度。
• 解决观察性研究在社交网络行为研究中混淆相关性与因果关系的局限性。
• 设计并实施一项可扩展的随机实验，对外生地操纵新用户社交网络中的结构性多样性。
• 在真实平台环境中，隔离网络拓扑多样性对用户行为（尤其是留存率）的因果影响。
• 阐明测量网络结构对社交行为因果效应所面临的理论与方法论挑战。

提出的方法

• 在 Twitter 上开展大规模随机对照试验，通过在用户注册时改变其收到的网络推荐集合来操纵结构性多样性。
• 通过调整推荐关注对象的组成，创建低、中、高多样性网络拓扑。
• 使用用户采纳联系人之间的连通分量数量来衡量结构性多样性，这是结构性多样性理论中的标准指标。
• 使用统计推断方法，比较各处理组在 30 天内留存率、发推活动及点赞数的差异。
• 将分析范围限定于可被有意义地分配至不同结构性多样性条件的合格用户，以确保因果估计的有效性。
• 验证随机化确实引发了预期的网络拓扑变化，从而确认操纵的有效性。

实验结果

研究问题

• RQ1 增加用户社交网络的结构性多样性是否会导致 Twitter 上用户留存率提高？
• RQ2 观察数据中结构性多样性与留存率之间的相关性，是由因果关系还是选择偏差驱动的？
• RQ3 是否能在真实世界社交媒体平台中大规模有效地操纵结构性多样性？
• RQ4 结构性多样性如何影响用户参与度指标，如发推和点赞行为？
• RQ5 这些结果在多大程度上可推广至超出合格新用户子群体的更广泛人群？

主要发现

• 在观察性数据中，结构性多样性与更高的用户留存率相关，复现了先前研究的发现。
• 随机实验未发现低、中、高结构性多样性处理组之间留存率存在统计显著差异。
• 高多样性组与低多样性组之间留存率差异的 95% 置信区间为 (-0.04, 0.07)，表明无显著影响。
• 在各处理条件下，用户在前 30 天内发布的推文数量或点赞数量均无显著差异。
• 结构性多样性与留存率之间的相关性在很大程度上由选择效应驱动，而非本研究情境下的因果机制。
• 结果表明，自然形成多样化网络的用户与形成同质化网络的用户在影响行为的系统性差异方面存在显著不同，而这些差异与结构性多样性本身无关。