[论文解读] Predicting Online Protest Participation of Social Media Users

Suhas Ranganath, Fred Morstatter+3 more|arXiv (Cornell University)|Dec 9, 2015

Social Media and Politics参考文献 30被引用 8

一句话总结

本文提出了一种框架，通过运用社会学理论和布朗运动启发的动力学模型，对社交媒体用户下一条动态消息是否为抗议声明进行预测。该框架基于用户过往的状态消息和互动行为进行建模。在2015年尼日利亚选举期间的Twitter数据上进行评估，该模型即使在小规模训练集上也表现出高精度的抗议参与预测能力，展现出良好的鲁棒性和可扩展性。

ABSTRACT

Social media has emerged to be a popular platform for people to express their viewpoints on political protests like the Arab Spring. Millions of people use social media to communicate and mobilize their viewpoints on protests. Hence, it is a valuable tool for organizing social movements. However, the mechanisms by which protest affects the population is not known, making it difficult to estimate the number of protestors. In this paper, we are inspired by sociological theories of protest participation and propose a framework to predict from the user's past status messages and interactions whether the next post of the user will be a declaration of protest. Drawing concepts from these theories, we model the interplay between the user's status messages and messages interacting with him over time and predict whether the next post of the user will be a declaration of protest. We evaluate the framework using data from the social media platform Twitter on protests during the recent Nigerian elections and demonstrate that it can effectively predict whether the next post of a user is a declaration of protest.

研究动机与目标

• 为了解决在缺乏实时数据时估算抗议参与者数量的挑战。
• 建模用户过往互动和状态消息如何影响其未来发布抗议声明的可能性。
• 基于社会学原理和时间交互建模，开发一种可扩展且鲁棒的预测框架。
• 在2015年尼日利亚选举期间的Twitter真实抗议数据上评估该框架。

提出的方法

• 该框架使用过去状态消息和他人传入消息的潜在表征来建模用户行为，相关表征以矩阵 M、P 和 W 表示。
• 应用布朗运动理论中的概念，对互动对发布抗议帖子概率的累积影响进行建模。
• 该模型计算反映互动和内容随时间演变影响力的动态潜在维度。
• 使用这些潜在表征训练分类器，以预测下一条帖子是否为抗议声明。
• 用户之间的互动网络通过矩阵 N 建模，用于捕捉互动的频率和方向。
• 该框架使用2015年尼日利亚选举期间Twitter的真实世界数据集进行训练和评估。

实验结果

研究问题

• RQ1 社会学理论中的抗议参与理论是否可有效应用于预测社交媒体中的在线抗议行为？
• RQ2 过往互动和状态消息如何共同影响用户发布抗议消息的可能性？
• RQ3 基于用户历史和互动动态的模型在多大程度上能够预测未来的抗议声明？
• RQ4 在不同规模的训练数据下，预测性能的鲁棒性如何？
• RQ5 该框架能否有效建模抗议参与的时间和互动动态？

主要发现

• 所提出的框架即使在训练数据有限的情况下，也能实现高精度预测，准确识别用户下一条帖子是否为抗议声明。
• 该模型在不同比例的训练数据下均表现出一致的性能，显示出强大的鲁棒性。
• 将社会学理论与布朗运动启发的动力学模型相结合，显著提升了预测性能，优于基线模型。
• 该框架有效捕捉了互动和内容随时间的累积影响，从而实现对抗议行为的准确预测。
• 在2015年尼日利亚选举抗议期间的真实Twitter数据上的评估，证实了该模型的实际适用性和可扩展性。