[论文解读] Behind the Mask: A Computational Study of Anonymous' Presence on Twitter

Keenan Jones, Jason R. C. Nurse+1 more|arXiv (Cornell University)|Jun 15, 2020

Misinformation and Its Impacts被引用 6

一句话总结

本计算研究利用机器学习、社会网络分析（SNA）和主题建模，对2008–2019年间超过20,000个自称为匿名者（Anonymous）的Twitter账户进行了分析。研究发现该网络并非无领袖结构，而是存在一个影响力极强的核心群体；2013年后网络活跃度持续下降；关键影响者之间的主题内容保持一致，挑战了匿名者宣称的去中心化特性，并以大规模实证数据支持了既有定性研究的发现。

ABSTRACT

The hacktivist group Anonymous is unusual in its public-facing nature. Unlike other cybercriminal groups, which rely on secrecy and privacy for protection, Anonymous is prevalent on the social media site, Twitter. In this paper we re-examine some key findings reported in previous small-scale qualitative studies of the group using a large-scale computational analysis of Anonymous' presence on Twitter. We specifically refer to reports which reject the group's claims of leaderlessness, and indicate a fracturing of the group after the arrests of prominent members in 2011-2013. In our research, we present the first attempts to use machine learning to identify and analyse the presence of a network of over 20,000 Anonymous accounts spanning from 2008-2019 on the Twitter platform. In turn, this research utilises social network analysis (SNA) and centrality measures to examine the distribution of influence within this large network, identifying the presence of a small number of highly influential accounts. Moreover, we present the first study of tweets from some of the identified key influencer accounts and, through the use of topic modelling, demonstrate a similarity in overarching subjects of discussion between these prominent accounts. These findings provide robust, quantitative evidence to support the claims of smaller-scale, qualitative studies of the Anonymous collective.

研究动机与目标

• 利用大规模计算方法，探究匿名者在Twitter上的结构与行为特征。
• 检验定性研究中关于匿名者并非真正无领袖，且在2011–2013年关键人物被捕后已出现碎片化的说法是否成立。
• 通过机器学习与社会网络分析，识别并分析一组自称为匿名者的Twitter账户网络。
• 考察内容与影响力随时间的演变，特别是与主要历史事件（如关键成员被捕）的相关性。
• 利用主题建模比较关键影响者账户的文本主题，评估该网络内部意识形态的一致性。

提出的方法

• 采用两阶段雪球抽样方法，识别并扩展自称为匿名者的Twitter账户网络。
• 应用机器学习分类器，基于个人资料内容、用户名和推文模式，识别与匿名者相关的账户。
• 对识别出的网络实施社会网络分析（SNA），通过中心性度量（如度中心性、介数中心性、特征向量中心性）绘制关系图谱并衡量影响力。
• 使用主题建模（LDA）分析并比较六名关键影响者账户的推文主题内容。
• 追踪2008至2019年间网络规模、账户停用率及新账户创建情况的时序变化，以评估网络演化趋势。
• 将计算结果与定性研究及公开报告进行对比，将计算发现置于既有匿名者社会学理解的语境中。

实验结果

研究问题

• RQ1 尽管匿名者宣称去中心化，但其Twitter网络是否如定性研究所示，呈现出非无领袖的结构？
• RQ2 在2011–2013年关键成员被捕后，匿名者Twitter网络内部的影响力分布如何随时间演变？
• RQ3 匿名者网络中的关键影响者账户在推文主题内容上有多大程度的相似性？
• RQ4 网络活跃度（如新账户创建、账户停用）与匿名者高调行动及逮捕事件的历史时间线之间存在何种关系？
• RQ5 计算发现与关于匿名者结构与凝聚力的定性描述相比，有何异同？

主要发现

• 本研究识别出2008至2019年间活跃的超过20,000个自称为匿名者的Twitter账户，揭示了该群体在线存在的规模。
• 少数高度中心化的账户（以度中心性、介数中心性和特征向量中心性衡量）主导了整个网络，表明其影响力结构并非扁平化，而是具有层级性。
• 2013年后，新匿名账户的年创建数量显著下降，与关键人物被捕时间点吻合，表明网络出现碎片化。
• 超过30%的账户显示出停用迹象，表明2013年后持续参与度明显下降。
• 主题建模显示，六名关键影响者账户的主题高度相似，主要集中在政治行动、信息共享及对机构的批判。
• 关键影响者推文中极少提及“Ops”（行动），表明其参与活跃行动的意愿下降，支持了网络凝聚力与活跃度减弱的判断。