[论文解读] Opinion dynamics in social networks: From models to data

Antonio F. Peralta, János Kertész+1 more|arXiv (Cornell University)|Jan 4, 2022

Opinion Dynamics and Social Influence被引用 33

一句话总结

对离散与连续意见动态模型的综述，以及如何通过选举、民意调查和受控实验来将理论与社会网络中的数据联系起来。

ABSTRACT

Opinions are an integral part of how we perceive the world and each other. They shape collective action, playing a role in democratic processes, the evolution of norms, and cultural change. For decades, researchers in the social and natural sciences have tried to describe how shifting individual perspectives and social exchange lead to archetypal states of public opinion like consensus and polarization. Here we review some of the many contributions to the field, focusing both on idealized models of opinion dynamics, and attempts at validating them with observational data and controlled sociological experiments. By further closing the gap between models and data, these efforts may help us understand how to face current challenges that require the agreement of large groups of people in complex scenarios, such as economic inequality, climate change, and the ongoing fracture of the sociopolitical landscape.

研究动机与目标

• 研究为什么要研究意见动态以及意见如何通过社会互动而演化的动机。
• 对具有离散与连续意见的关键模型进行分类和描述。
• 讨论在网络上分析这些模型的解析和计算方法。
• 回顾用于验证模型的实证数据源和实验方法。

提出的方法

• 描述基于转移率的离散意见模型及感染/恢复类比的作用。
• 介绍包含有界置信度和 Deffuant 型更新的连续意见模型。
• 讨论平均场和高阶近似，以及与其他动力系统的联系。
• 回顾数据源包括选举、民调和计算机化社交网络实验。
• 强调模型验证如何帮助理解共识、两极化与碎片化。

实验结果

研究问题

• RQ1 在社会网络中，离散与连续意见的主要建模框架有哪些？
• RQ2 在与实证的选举/民调数据和受控实验相比对时，不同意见动态模型的表现有何差异？
• RQ3 在这些模型中，哪些机制导致共识、极化或碎片化？
• RQ4 网络结构和外部影响如何塑造意见动态的结果？
• RQ5 哪些实证证据最能约束或验证在这些模型中使用的感染/转移率形式？

主要发现

• 离散意见模型使用转移率来捕捉模仿行为，包含线性（类似选民）和非线性（q-voter、阈值）动力学。
• 连续意见模型根据有界置信度参数和初始条件，可能产生共识、极化或碎片化。
• 平均场与对近似方法可在复杂网络上再现定性行为，并与实证结构相关联。
• 来自选举、民调和实验的实证数据提供模式，帮助验证感染率形状与影响机制。
• 受控实验揭示多样的影响形状（倒S形、S形曲线）以及领袖或狂热者在塑造结果中的作用。
• 基于数据的比较表明模型能够捕捉到广泛的统计规律，但结果依赖于情境与实验设置。