[论文解读] Analysis and Predictions of Social Phenomena via social media using Social Physics method

Akira Ishii|arXiv (Cornell University)|Jun 18, 2017

Complex Network Analysis Techniques参考文献 9被引用 4

一句话总结

本文提出了一种基于社会物理学的数学模型，用于分析和预测电影、电视剧、音乐会及社会事件等文化现象在社交媒体上的参与度。通过建模广告效应、直接/间接沟通以及指数衰减所引发的个体兴趣动态，该模型以高精度准确预测并解释了现实世界中的社交媒体活动，展现出强大的病毒式传播趋势预测能力。

ABSTRACT

As a method of analyzing and predicting social phenomena using social media as data, we propose a method using a mathematical model of hit phenomenon which is the theory of social physics. I could explain the transition of the number of social media written in movies, TV dramas, Music Concerts, Pokemon GO and proposed a method that can be used for analysis and prediction of social phenomena.

研究动机与目标

• 开发一种基于社会物理学的数学模型，利用社交媒体数据分析和预测社会现象。
• 通过社交媒体参与度，解释电影、电视剧和音乐会等文化事件公众兴趣的上升与下降。
• 通过早期数据校准模型参数，实现在社交媒体趋势上的精确预测。
• 量化直接沟通与间接沟通在推动病毒式传播和广泛社会关注中的作用。
• 将‘爆款现象’模型的应用范围从娱乐扩展至社会事件和公共事件。

提出的方法

• 模型使用微分方程描述个体兴趣 I_i(t)，整合广告效应 A_ξ(t)、直接沟通 (d_ij)、间接沟通 (p_ijk) 和衰减 (a)。
• 通过平均场近似，将个体方程转化为描述社会平均兴趣 I(t) 的宏观方程，包含外力、衰减和非线性相互作用项。
• 宏观方程为 dI(t)/dt = Σc_ξA_ξ(t) + (D - a)I(t) + P I²(t)，用于建模兴趣随时间的演变。
• 通过令 dI(t)/dt = 0 推导平衡解，识别稳定与不稳定状态，以理解兴趣的收敛与饱和。
• 利用 M Data 和 Hottolink 平台的早期社交媒体数据（如博客和 Twitter 帖文）校准模型参数 (C, D, P)。
• 通过将模型输出与实际社交媒体活动随时间的变化进行对比，验证预测结果，且不针对后期时段重新校准参数。

实验结果

研究问题

• RQ1 如何基于社会物理学原理，对文化现象的社交媒体参与度进行建模与预测？
• RQ2 直接沟通与间接沟通在社会兴趣传播与病毒式传播中分别发挥何种作用？
• RQ3 ‘爆款现象’的数学模型在多大程度上能准确再现并预测电影与电视剧的真实社交媒体活动？
• RQ4 在初始校准后，该模型是否能无需重新校准即预测发布后的社交媒体趋势？
• RQ5 广告、口碑传播与衰减机制如何共同塑造社会现象中公众兴趣生命周期？

主要发现

• 该模型无需在两部分之间调整参数，即准确解释了电影《Always》在两个部分中的博客与 Twitter 帖文数量。
• 对于《Kamisama no Karte》，利用前4天数据校准的参数，成功准确预测了第5天及以后的社交媒体活动，展现出强大的预测能力。
• 模型揭示，间接沟通是大规模病毒式爆款的关键驱动力，而直接沟通则主导于如《宝可梦GO》等小众或局部现象。
• 平衡解分析表明，仅当初始条件超过临界阈值 I_c 时，兴趣才会收敛至稳定水平，表明病毒式传播存在一个临界点。
• 该模型的预测结果在时间分布上与日本电影的实际数据高度吻合，证实其在现实应用中的有效性。
• 该理论成功拓展至娱乐之外，用于预测社会事件（如 STAP 细胞丑闻）的社交媒体趋势，表明其具有广泛适用性。