[论文解读] Commenter Behavior Characterization on YouTube Channels
本论文提出基于社交网络分析的方法来检测 YouTube 的评论者 mob，通过可疑评论行为来表征频道，并识别跨频道的协调，在一个大规模 YouTube 数据集上得到验证。
YouTube is the second most visited website in the world and receives comments from millions of commenters daily. The comments section acts as a space for discussions among commenters, but it could also be a breeding ground for problematic behavior. In particular, the presence of suspicious commenters who engage in activities that deviate from the norms of constructive and respectful discourse can negatively impact the community and the quality of the online experience. This paper presents a social network analysis-based methodology for detecting commenter mobs on YouTube. These mobs of commenters collaborate to boost engagement on certain videos. The method provides a way to characterize channels based on the level of suspicious commenter behavior and detect coordination among channels. To evaluate our model, we analyzed 20 YouTube channels, 7,782 videos, 294,199 commenters, and 596,982 comments that propagated false views about the U.S. Military. The analysis concluded with evidence of commenter mob activities, possible coordinated suspicious behavior on the channels, and an explanation of the behavior of co-commenter communities.
研究动机与目标
- 通过 YouTube 评论中可疑评论的普遍存在及其对话语质量的影响来推动本研究。
- 开发一个方法框架，用于检测评论者 mob 并在频道层面量化可疑行为。
- 基于可疑评论者活动水平来对频道进行特征化。
- 通过共评论者网络检测频道之间的协调。
- 在一个大规模的 YouTube 数据集上提供 mob 活动和共评论者社区的实证证据。
提出的方法
- 提出基于社交网络分析的方法来识别 commenter mobs。
- 按可疑评论者行为水平对频道进行特征化。
- 通过分析评论者互动来检测频道之间的协调。
- 将模型应用于包含 20 个频道、7,782 个视频、294,199 条评论者和 596,982 条评论的数据集。
- 评估 mob 是否传播关于 U.S. Military 的错误观点，并分析共评论者社区。
实验结果
研究问题
- RQ1是否可以利用社交网络分析在 YouTube 频道中检测 commenter mobs？
- RQ2如何通过可疑评论者活动水平来对频道进行特征化？
- RQ3是否存在通过共评论者互动实现的频道协调证据？
- RQ4关于特定话题的错误观点传播中，共评论者社区的模式与动态为何？
主要发现
- 在所分析的频道中存在 commenter mob 活动的证据。
- 存在可能的协调性可疑行为的迹象。
- 关于讨论主题周围的共评论者社区行为的洞见。
- 大规模数据集分析支持用于检测 mobs 和协调的理论框架。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。