[论文解读] Cultural Convergence: Insights into the behavior of misinformation networks on Twitter

Liz McQuillan, Erin McAweeney+2 more|arXiv (Cornell University)|Jul 7, 2020

Misinformation and Its Impacts参考文献 19被引用 8

一句话总结

本文提出了一种多模态框架，用于研究新冠疫情初期Twitter上虚假信息网络的演化，结合网络映射、主题建模（LDA）、桥接中心性以及Jensen-Shannon散度，追踪社区叙事随时间的汇聚过程。研究发现，虚假信息网络表现出日益增强的主题汇聚，尤其通过非主题桥梁实现，表明存在有组织的协同努力，将意识形态一致的内容在不同社区间传播。

ABSTRACT

How can the birth and evolution of ideas and communities in a network be studied over time? We use a multimodal pipeline, consisting of network mapping, topic modeling, bridging centrality, and divergence to analyze Twitter data surrounding the COVID-19 pandemic. We use network mapping to detect accounts creating content surrounding COVID-19, then Latent Dirichlet Allocation to extract topics, and bridging centrality to identify topical and non-topical bridges, before examining the distribution of each topic and bridge over time and applying Jensen-Shannon divergence of topic distributions to show communities that are converging in their topical narratives.

研究动机与目标

• 理解在新冠疫情等危机期间，线上网络中思想与社区如何形成并演化。
• 识别虚假信息在Twitter不同社交社区间传播的机制。
• 检测并分析主题桥梁与非主题桥梁在塑造叙事汇聚中的作用。
• 使用信息论度量方法量化不同社区间主题分布的汇聚程度。

提出的方法

• 通过网络映射识别在Twitter上积极发布与新冠疫情相关内容的账号。
• 应用潜在狄利克雷分布（LDA）从收集的推文提取潜在主题。
• 计算桥接中心性，以识别连接原本彼此隔离的社区的账号，涵盖主题性和非主题性连接。
• 使用Jensen-Shannon散度度量随时间推移不同社区间主题分布的相似性。
• 时间序列分析追踪整个疫情期间主题与桥梁的演化。
• 多模态流程整合网络结构、主题建模与差异度量，以评估叙事汇聚程度。

实验结果

研究问题

• RQ1 在新冠疫情初期，Twitter上的虚假信息网络在主题分布与社区结构方面如何演化？
• RQ2 非主题桥梁在连接叙事差异显著的社区中起到何种作用？
• RQ3 社区在叙事主题上的汇聚程度在多大程度上随时间增强，且汇聚何时达到峰值？
• RQ4 桥接账号与非桥接账号在结构属性与主题属性上存在哪些差异？
• RQ5 不同Twitter社区之间可观察到怎样的主题分布差异与汇聚模式？

主要发现

• 非主题桥梁——即连接不同主题社区的账号——在促进原本孤立社区之间的叙事汇聚方面发挥着关键作用。
• 不同社区间主题分布的相似性随时间增加，表现为Jensen-Shannon散度持续下降，表明叙事汇聚程度不断提高。
• 原本主题上截然不同的社区开始共享相似的叙事主题，尤其是在阴谋论与政治化叙事方面。
• 桥接账号在传播虚假信息方面占据显著比例，通常作为连接意识形态一致但原本彼此隔离群体的枢纽。
• 研究识别出叙事内容汇聚程度随时间明显上升的清晰趋势，尤其在政治极化社区之间更为显著。
• 汇聚并非仅由共享主题驱动，而是通过非主题桥梁实现的协同努力所致，暗示存在战略性网络操控。