[论文解读] Angry Birds Flock Together: Aggression Propagation on Social Media

Chrysoula Terizi, Despoina Chatzakou+3 more|arXiv (Cornell University)|Feb 24, 2020

Opinion Dynamics and Social Influence参考文献 49被引用 6

一句话总结

本文提出了一种新颖的网络动态模型，通过将经典意见动态框架适配以捕捉具有攻击性的同伴影响，来研究社交媒体上攻击性行为的传播机制。基于推特数据和众包标注，研究发现攻击性行为通过用户连通性模式在社交网络中传播，模拟结果验证了该模型与现实世界攻击性传播的一致性。

ABSTRACT

Cyberaggression has been found in various contexts and online social platforms, and modeled on different data using state-of-the-art machine and deep learning algorithms to enable automatic detection and blocking of this behavior. Users can be influenced to act aggressively or even bully others because of elevated toxicity and aggression in their own (online) social circle. In effect, this behavior can propagate from one user and neighborhood to another, and therefore, spread in the network. Interestingly, to our knowledge, no work has modeled the network dynamics of aggressive behavior. In this paper, we take a first step towards this direction, by studying propagation of aggression on social media. We look into various opinion dynamics models widely used to model how opinions propagate through a network. We propose ways to enhance these classical models to accommodate how aggression may propagate from one user to another, depending on how each user is connected to other aggressive or regular users. Through extensive simulations on Twitter data, we study how aggressive behavior could propagate in the network, and validate our models with ground truth from crawled data and crowdsourced annotations. We discuss the results and implications of our work.

研究动机与目标

• 探究攻击性行为如何通过社交网络传播，灵感来源于意见传播的动力学机制。
• 填补现有研究中仅关注孤立用户行为而缺乏对网络层面攻击性传播建模的空白。
• 开发并验证一种具备网络感知能力的模型，以捕捉用户因与具有攻击性的同伴连接而变得更加攻击性的过程。
• 利用真实世界的推特数据和众包标注数据，为模型预测提供真实依据，以验证其现实合理性。

提出的方法

• 将经典连续意见动态模型进行改进，引入攻击性水平作为随时间演变的动态状态。
• 引入基于网络的影响机制，其中用户攻击性水平根据其社交邻域内攻击性行为的加权平均值进行更新。
• 使用真实的推特关注者网络来建模用户连通性，以模拟现实的传播路径。
• 利用爬取的推特数据和众包标注的攻击性内容真实标签对模型进行校准。
• 开展大量模拟实验，评估不同网络结构和初始攻击性分布对传播速度与影响范围的影响。
• 将模型输出与爬取数据集中观察到的真实攻击性模式进行对比，以评估其预测准确性。

实验结果

研究问题

• RQ1 社交网络的结构在多大程度上影响攻击性行为的传播？
• RQ2 经典意见动态模型在多大程度上可被适配以捕捉攻击性传播而非仅意见传播？
• RQ3 与具有攻击性的用户连接如何影响个体演变为攻击性行为的可能性？
• RQ4 模拟的攻击性传播模式能否与推特数据和众包标签所反映的真实世界观察相匹配？

主要发现

• 攻击性传播显著受网络中攻击性用户密度和聚类程度的影响，高聚类性会加速传播。
• 与多个攻击性同伴相连的用户，其攻击性升级速率高于仅与孤立攻击性用户相连的用户。
• 模型模拟出的攻击性模式与众包标注的真实数据高度一致，表明其具有良好的预测有效性。
• 网络拓扑结构，尤其是高度连接的枢纽节点，对放大和维持跨社区的攻击性行为起着关键作用。