Impacts of complex behavioral responses on asymmetric interacting spreading dynamics in multiplex networks
传播-接触分层网络中的信息扩散和疾病传播是典型的非对称耦合关系，其中个体对疾病的感知和反应对疾病传播有重要影响。最近的许多研究表明，人类行为采用是一个复杂的非马尔科夫过程，其中采用一种行为的概率取决于接收信息的累积次数以及这些累积信息的社会强化效应。我们研究了这种非马尔可夫疫苗接种行为对流行动力学和控制效果的影响。我们发现，这种复杂的采用行为引起的通信层可以显着提高流行阈值，降低最终的感染率。通过将社会成本定义为疫苗接种成本和治疗成本之和，我们证明了存在一个最优的社会强化效应或最优的信息传递率，允许最小的社会成本。我们还发展了一个基于平均场的理论来验证模拟结果的正确性。
2016-06-17 cs.SI physics.soc-ph
Social Status and Communication Behavior in an Evolving Social Network
个人在多大程度上可以对在线社区中的信息传播和意见动态施加影响，这在很大程度上取决于他们的社会地位。因此，通过预测社区中有影响力的用户的社会地位来识别该社区中有影响力的用户的需求很高。此外，了解不同社会地位的人的行为，可以揭示社交网络中的互动动态。在本文中，我研究了一个不断发展的在线社交网络起源于一个在线社区的大学生和我解决的问题，预测用户的社会地位，表示为他们的PageRank，根据观察到的行为，即行为图案的重复出现的时间序列的频率。我表明，具有不同值的PageRank的个人表现出不同的行为，即使在最初的几周，因为在线社区的成立，它是可以预测未来的PageRank值的行为图案的频率与高精度。
2018-10-23 cs.SI physics.soc-ph
Interplay between exogenous triggers and endogenous behavioral changes in contagion processes on social networks
近年来，统计物理学的方法论已经证明非常成功地提供了对社会互动机制的见解。然而，这些模型是否能够捕捉到在现实世界的数据集中观察到的趋势的问题在目前的文献中几乎没有得到解决。通过这项工作，我们的目标是弥合理论建模和数据验证之间的差距。特别是，我们提出了一个观点动力学在社交网络上的外部触发器的存在下，框架的错误行为传播的背景下的模型的解释。我们把我们的人口分为有意识的、无意识的和狂热的/受过教育的代理人。个体根据两种相互竞争的动力学改变他们的状态，称为行为动力学和广播。前者是通过个人之间的接触传播信息，而广播则扮演着外部媒介的角色，模仿主流媒体的效果。通过模拟和分析计算，我们发现，不知情的代理在系统中的分数的平稳分布经历了相变时，考虑到所有的近似。令人惊讶的是，这样的相变消失在存在的最小分数的受过教育的代理。最后，我们使用从Twitter上收集的关于阿斯利康疫苗对COVID-19的潜在不利影响的公开讨论（包括数百万条帖子）的数据来验证我们的模型。我们表明，外部代理的干预，在我们的模型中占，是能够重现在这个现实世界的数据集中发现的一些关键功能。
2022-10-27 cs.SI physics.soc-ph
Reaching Consensus via non-Bayesian Asynchronous Learning in Social Networks
我们研究了在线社交网络中信息聚合的结果。我们的主要结果是，具有某些现实结构特性的网络避免了信息级联，并使人口能够有效地聚合信息。在我们的模型中，网络中的每个人都对产品或想法持有私人的独立意见，偏向于地面真相。个体异步地声明他们的观点，可以观察他们邻居的声明观点，并且可以随着时间的推移自由地更新他们的声明。假设个体与其邻居的大多数报告一致，我们要问的是，群体最终是否会就基本事实达成共识。我们表明，答案取决于网络结构：存在网络的共识是不可能的，或声明收敛于不正确的意见与积极的概率。另一方面，我们证明了对于稀疏和可扩展的网络，人口将以高概率收敛到正确的观点。
2014-08-22 cs.GT cs.SI
Cost Function Learning in Memorized Social Networks with Cognitive Behavioral Asymmetry
本文研究了社会信息网络中的代价函数学习问题，其中明确考虑了人类记忆对信息消费的影响。我们首先提出了一个社会信息扩散动力学模型，重点是系统建模的非对称认知偏差，代表确认偏差和新颖性偏差。在所提出的社会模型的基础上，我们提出了M $^{3}$ IRL：一个基于模型和最大熵的逆强化学习框架，用于学习记忆社交网络中目标个体的成本函数。与现有的贝叶斯IRL、最大熵IRL、相对熵IRL和最大因果熵IRL相比，M $^{3}$ IRL具有以下特点：不依赖于马尔可夫决策过程原理，只需要单个有限时间轨迹样本，决策变量有界。最后，通过在线社交媒体数据验证了所提出的社会信息扩散模型和M $^{3}$ IRL算法的有效性.
2022-10-28 cs.SI
Evaluating Cognitive-Behavioral Fixation via Multimodal User Viewing Patterns on Social Media
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院人工智能安全国家重点实验室，计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对社交媒体中认知-行为固着的计算检测方法不足的问题，提出含多模态主题提取与固着量化模块的评估框架，经基准与新数据集实验验证有效，为可扩展的认知固着分析奠基，代码已开源。
2025-09-05 cs.CL cs.SI
Behavior Change as a Signal for Identifying Social Media Manipulation
William & Mary（威廉与玛丽学院）；Indiana University（印第安纳大学）
本文提出利用行为变化特征识别社交媒体中的自动化和协调操纵行为，通过BLOC语言构建行为序列并分析变化分布，有效区分真实账号与操纵账号。
2026-03-03 cs.SI
BotShape: A Novel Social Bots Detection Approach via Behavioral Patterns
Georgia Institute of Technology（佐治亚理工学院）；Trine University（特莱恩大学）
BotShape 通过从真实事件日志中提取行为序列与特征，构建账户行为画像，以平均 98.52% 准确率和 96.65% F1 分数实现高效社交机器人检测，并为多数方法提供显著行为特征以提升性能。
2023-04-18 cs.AI cs.SI
Beyond network centrality: Individual-level behavioral traits for predicting information superspreaders in social media
本研究提出一种基于网络的非线性算法，结合影响力和易感性两个个体行为特征，超越网络中心性，有效预测社交媒体中的信息超级传播者，并在Twitter和微博数据上验证了其有效性。
2024-03-17 cs.SI
Social contagions on time-varying community networks
时变社团结构广泛存在于各种现实网络中。然而，这种网络上的传播动力学还没有得到充分的研究。为此，我们系统地研究了时变社区结构对社会传染的影响。本文首先基于活动驱动网络模型提出了一个时变社区网络上的非马尔可夫社会传染模型，其中个体采取一种行为的充要条件是它所获得的行为信息达到一个阈值。然后，我们发展了一个平均场论来描述所提出的模型。通过理论分析和数值模拟，我们发现社会传染中的行为采纳呈现出一种层级特征，即，这种行为首先在其中一个社区迅速传播，然后在另一个社区爆发。此外，在不同的行为信息传递速率下，整个网络的最终行为采纳比例随社区强度的变化呈现出单调递增、非单调变化和单调递减的三种模式。在适当的行为信息传输速率范围内，可以找到最大化最终行为采纳的最优社区强度。最后，对于给定的平均度，增加活跃节点生成的边的数量比增加平均活动潜力更有利于社会传染。
2016-05-15 cs.SI physics.soc-ph
Mapping Social Media User Behaviors in Reciprocity Space
Academic Center for Computing and Media Studies, Kyoto University（京都大学计算与媒体研究学术中心）；Department of Computer Science and Engineering, Toyohashi University of Technology（丰桥技术科学大学计算机科学与工程系）；Institute of Business Sciences, University of Tsukuba（筑波大学商业科学研究所）
本文提出一种基于互惠空间的框架，用于分析社交媒体用户行为，揭示连续行为梯度，并提供统一模型和可解释的影响力测量指标。
2026-01-22 cs.SI
Opinion Maximization in Social Networks by Modifying Internal Opinions
College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）；Fudan University（复旦大学）
本文提出通过修改关键节点内部意见来最大化社交网络整体意见，采用高效采样算法和确定性异步算法，实现高效率和精度的优化方案。
2025-10-20 cs.DS cs.SI
Why We Experience Society Differently: Intrinsic Dispositions as Drivers of Ideological Complexity in Adaptive Social Networks
Binghamton University, State University of New York（纽约州立大学宾汉姆顿分校）；Waseda University（早稻田大学）
本研究通过分析适应性社会网络模型，揭示了内在行为倾向如何驱动意识形态复杂性，发现不同认知倾向导致个体意见轨迹的非直观动态差异。
2026-02-07 cs.SI physics.soc-ph
How did the Suicide Act and Speak Differently Online? Behavioral and Linguistic Features of China's Suicide Microblog Users
背景：自杀问题在中国备受关注。社交媒体提供了一种积极的方法来了解自杀者的行为和语言使用。目的：本研究旨在调查中国自杀微博用户在社交媒体上的行为和言论与其他人的不同。研究方法：对33名自杀过的中国微博用户作为目标组和30名没有自杀念头的活跃用户作为对照组进行了行为和语言特征的假设检验。结果如下：自杀组在公开发表帖子和自我指涉的程度以及使用消极词/社会过程词/认知过程词/情绪过程词/消极情绪词/排斥词/生理过程词7个词类的强度上显著高于对照组。局限性：信息收集和确认自杀用户仍然很困难。结论：自杀者在社交媒体中的行为和语言特征与其他人不同。本研究填补了自杀研究的空白，通过观察中国人在线自杀意念的特定指标，为构建自杀个体的早期发现和干预的在线警报系统提供了见解。
2014-07-02 cs.SI
Comparing Social Network Dynamic Operators
本文提出一种含动态算子的逻辑以区分异步与同步网络变化，证明两类算子一般不可相互替代，并刻画了同步算子可归约为异步算子序列的模型类。
2023-07-11 cs.MA cs.SI
Composite Behavioral Modeling for Identity Theft Detection in Online Social Networks
在这项工作中，我们的目标是建立一座从不良行为数据到有效、快速响应且强大的在线身份盗窃检测行为模型的桥梁。我们专注于在线社交网络（OSN）中的这个问题，其中用户通常具有复合行为记录，由多维低质量数据组成，例如，离线签到和在线用户生成内容（UGC）。作为一个有见地的结果，我们发现，有一个互补的效果之间的不同维度的记录建模用户的行为模式。为了深入利用这种互补效应，我们提出了一个联合模型来捕捉用户的复合行为的在线和离线特征。我们通过在Foursquare和Yelp两个真实世界的数据集上与一些典型模型进行比较来评估所提出的联合模型。在广泛使用的盗窃模拟（通过行为替换模拟盗窃）的设置中，实验结果表明，我们的模型优于现有的模型，其AUC值分别为Foursquare中的$0.956$和Yelp中的$0.947$。特别地，召回率（真阳性率）可以在Foursquare中达到$65.3\%$，在Yelp中达到$72.2\%$，相应的干扰率（假阳性率）低于$1\%$。值得一提的是，这些性能可以通过每次身份验证只检查一个复合行为（访问一个地方并同时在线发布提示）来实现，这保证了我们方法的低响应延迟。这项研究将为网络安全社区提供新的见解，以了解是否以及如何通过建模用户的复合行为模式来改进实时在线身份认证。
2018-01-21 cs.CR cs.SI
Measuring and Modeling Behavioral Decision Dynamics in Collective Evacuation
识别和量化影响人类决策的因素仍然是一个突出的挑战，影响社会和技术系统的性能和可预测性。在许多情况下，系统故障可追溯到人为因素，包括拥塞、过载、错误通信和延迟。在这里，我们报告的行为网络科学实验的结果，针对决策在自然灾害。在每一种情况下，个人都面临着一个被迫的“去”与“不去”疏散决定，根据竞争的广播和对等来源提供的信息。在这种受控的环境中，所有的行动和观察结果都在决策之前被记录下来，从而能够开发出一个定量决策模型，该模型考虑了灾害的可能性、严重程度和时间紧迫性，以及网络个体之间对有限应急资源的竞争。在这种社会环境中的行为的个体差异与内在风险态度的个体差异相关，如标准心理评估所测量的。确定可靠的方法来量化人类在面对风险时的决策，对灾害和其他威胁情景中的政策具有影响。
2013-07-25 cs.SI physics.soc-ph
Efficient local behavioral change strategies to reduce the spread of epidemics in networks
最近已经确定，传染病在人类之间的传播不仅受到病原体本身的影响，而且还受到人们意识到流行病时行为变化的影响;例如，社交距离。众所周知，接触网络中的社区结构（存在相对密集连接的顶点组）会影响疾病的传播。我们提出了一套当地的策略，社会距离，社区结构的基础上，可以在发生流行病，以减少流行病的规模。与大多数社交距离方法不同，我们不要求个人了解疾病状态（感染或易感等）。我们不做不切实际的假设，即整个接触网的结构是已知的。相反，建议的行为改变仅基于个人对网络的本地视图。每个人避免与他/她的一部分联系人接触，利用他/她的本地网络的知识来决定应该避免哪些联系人。如果行为改变只发生在一个人生病或意识到疾病的时候，这些策略可以以相对较小的成本（以避免接触的数量来衡量）大大减少流行病的规模。
2013-10-08 cs.SI physics.soc-ph
Automatically Infer Human Traits and Behavior from Social Media Data
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
鉴于人类思维的复杂性和行为的灵活性，它需要复杂的数据分析来筛选大量的人类行为证据，以模拟人类思维并预测人类行为。人们目前在Twitter和Facebook等社交媒体上花费大量时间。因此，他们生活和行为的许多方面都被数字化捕捉并持续存档在这些平台上。这使得社交媒体成为大量，丰富和多样化的人类行为证据的重要来源。在本文中，我们调查了最近的工作应用机器学习推断人类的特征和行为，从社会媒体数据。我们还将指出几个未来的研究方向。
2018-04-11 cs.CL cs.IR cs.SI
Quantifying agent impacts on contact sequences in social interactions
人类社会行为在SARS-CoV-2或假新闻等病原体如何在人群中传播方面发挥着至关重要的作用。社会互动决定了个体之间的联系网络，而传播，需要个人对个人的传播，发生在网络之上。因此，研究接触网络的拓扑结构，不仅有可能对个体行为如何影响传播现象产生有价值的见解，而且还可能为设计有效的行为干预提供可能性。由于交互的时间性质-由于网络的拓扑结构，包括谁与谁联系，何时，多长时间，以及精确的顺序，在时间上变化（快速）-分析它们需要开发尊重时间可变性的网络方法和度量，而不是针对静态（即，时不变）网络。在这里，通过事件映射，我们提出了一种方法来量化如何快速代理混合通过转换代理联系人的时间网络数据。我们定义了一个新的措施称为“接触序列中心”，它量化的影响，个人的接触序列，反映个人的行为潜力的传播。比较接触序列中心性跨代理允许排名代理的影响，并确定潜在的“行为超级传播者”。该方法被应用于在阿姆斯特丹的艺术博览会上收集的社交互动数据。我们与现有的网络指标，时间和静态的措施，并发现（主要是在较长的时间尺度）传统的指标失去了它们的相似之处接触序列中心。我们的工作强调了在分析社会互动时考虑接触的顺序性质的重要性。
2022-04-14 cs.SI physics.soc-ph
Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks
了解和预测在线项目的流行度是社会媒体分析中一个重要的开放性问题。最近在数据驱动的预测以及将受欢迎程度与外部促销联系起来方面取得了相当大的进展。然而，现有的方法通常专注于单一的外部影响源，而对于许多类型的在线内容，如YouTube视频或新闻文章，注意力是由多个异构源同时驱动的-例如微博或传统媒体报道。在这里，我们提出了RNN-MAS，一种用于异步流建模的递归神经网络。它是一个序列生成器，通过联合推理连接不同粒度的多个流。RNN-MAS不仅比目前最先进的Youtube流行度预测系统高出17%，而且还能捕捉复杂的动态，例如看不见的影响的季节性趋势。我们定义了两个新指标：推广分数量化了Youtube视频从一个推广单位中获得的受欢迎程度;响度级别捕捉了特定用户对视频的推文效果。我们使用响度水平来比较由一个高关注用户（在前1%的最关注用户中）推广的视频与由一组中等关注用户推广的视频的效果。我们发现，结果取决于推广的内容类型：超级用户在推广Howto和Gaming视频方面更成功，而普通用户群体对Activism视频更具影响力。这项工作提供了更准确和可解释的流行预测，以及计算工具，为内容生产者和营销人员分配资源的促销活动。
2018-04-10 cs.SI stat.ML
Behavioral alignment in social networks
Shanghai Jiao Tong University（上海交通大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本研究分析协调与反协调个体的网络化系统，发现均衡数量可随网络结构微调呈指数增长，且平均路径长度能统一刻画均衡时间等变化。
2025-10-08 cs.MA cs.SI nlin.AO
Social Fingerprinting: detection of spambot groups through DNA-inspired behavioral modeling
Institute of Informatics and Telematics, IIT-CNR（意大利国家研究委员会信息学与远程通信研究所）；Nokia Bell Labs（诺基亚贝尔实验室）；University of Padua（帕多瓦大学）；Technical University of Denmark（丹麦技术大学）
在线社交网络中的垃圾邮件机器人检测是一个长期的挑战，涉及能够有效识别不断发展的垃圾邮件发送者的检测技术的研究和设计。最近，出现了一波新的社交垃圾邮件机器人，它们具有先进的类人特征，即使是当前最先进的算法也无法检测到它们。在本文中，我们表明，有效的垃圾邮件机器人检测可以通过深入分析他们的集体行为，利用数字DNA技术建模的社交网络用户的行为。受其生物对应物的启发，在数字DNA表示中，数字账户的行为寿命被编码在一系列字符中。然后，我们定义了这样的数字DNA序列的相似性度量。我们建立在数字DNA和用户群体之间的相似性的基础上，来描述真实账户和垃圾邮件机器人。利用这种特征，我们设计了社会指纹技术，它能够区分垃圾邮件机器人和真正的帐户在监督和无监督的方式。最后，我们评估社会指纹的有效性，并将其与三种最先进的检测算法进行比较。我们的方法的特点之一是可以应用现成的DNA分析技术来研究在线用户的行为，并有效地依赖于数量有限的轻量级帐户特征。
2017-03-13 cs.CR cs.LG cs.SI
Behavioral Forensics in Social Networks: Identifying Misinformation, Disinformation and Refutation Spreaders Using Machine Learning
针对现有社交网络传播者识别仅做二分类、未考虑接触辟谣后行为的不足，提出基于行为标注与图嵌入特征的五分类行为取证方法，在Twitter数据集上检测恶意虚假信息传播者取得77.45%精确率、75.80%召回率。
2023-05-01 cs.SI
A field experiment of social influence and behavioral contagion with bots on Reddit
London School of Economics and Political Science（伦敦政治经济学院）；New York University Abu Dhabi（纽约大学阿布扎比分校）；Centre for Sociology of Humans and Machines, Trinity College Dublin（都柏林三一学院人类与社会机器研究中心）；School of Mathematics and Statistics, University College Dublin（都柏林大学学院数学与统计学院）；Complexity Science Hub, Vienna（维也纳复杂性科学中心）
通过在Reddit进行实地实验，研究用户对他人及机器人奖励刺激的行为反应，发现奖励不增加活跃度，但促进直接交流，表明用户对简单行为操纵具有抵抗力。
2026-07-02 cs.CY cs.HC cs.SI
Behavioral Homophily in Social Media via Inverse Reinforcement Learning: A Reddit Case Study
University of Technology Sydney（悉尼科技大学）；EPFL（洛桑联邦理工学院）
本文提出用逆强化学习推断用户策略，并以策略相似度度量行为同质性，在 Reddit 六年 590 万次交互上验证了该方法能揭示传统内容方法无法捕捉的行为模式与用户角色。
2025-02-05 cs.LG cs.SI
Academic Performance and Behavioral Patterns
确定影响学业成绩的因素是教育研究的重要组成部分。以前的研究已经证明了人格特质，上课出勤率和社会网络结构的重要性。由于大多数这些分析是基于一个单一的行为方面和/或小样本量，目前还没有量化这些因素的相互作用。在这里，我们研究了一个由538名本科生组成的群体的学习成绩，他们形成了一个单一的、紧密相连的社交网络。我们的工作是基于使用智能手机收集的数据，学生们使用智能手机作为他们的主要手机两年。来自单一人群的多渠道数据的可用性使我们能够直接比较个人和社会特征的解释力。我们发现，最翔实的性能指标是基于社会关系和网络指标导致更好的模型性能比个人特征（包括个性和上课出勤率）。我们证实了早期的研究结果，上课出勤率是最重要的个人特征之间的预测。最后，我们的研究结果表明，大学生之间存在强烈的同质性和/或同伴效应。
2018-04-09 cs.CY cs.SI
Behavior is Not Enough: A Mechanism-Based Evaluation of Social Norm Emergence in LLM Societies
本研究提出基于期望测量的评估框架，揭示LLM社会中合作涌现可由不同机制驱动，为多智能体系统设计提供原则性依据。
2026-09-23 cs.CL cs.CY cs.GT
Beyond Social Fragmentation: Coexistence of Cultural Diversity and Structural Connectivity Is Possible with Social Constituent Diversity
由选民之间日益扩大的差异所造成的社会分裂最近已成为我们现代社会的一个高度相关的问题。在早期的文献中，已经提出并研究了使用自适应网络框架的社会碎片化的理论模型，这些模型要么收敛到同质的、连接良好的网络，要么分裂成许多具有不同状态的断开的子网络。在这里，我们介绍了社会成员之间的行为属性的差异，并研究了它们对社会网络演化的影响。我们调查，使用基于网络代理的仿真模型，如何得到的网络状态和拓扑结构将受到影响时，个别成分的文化容忍度，文化状态的变化率，和边缘权重变化率系统多样化。结果表明，文化容忍度的多样性对保持社会内部的文化多样性具有最直接的作用，同时也降低了社会网络的平均最短路径长度，这在早期的文献中是没有报道的。其他行为属性的差异也对社会网络的最终状态产生影响，并存在一些非线性相互作用。我们的研究结果表明，在社会中广泛分布的文化宽容水平可以帮助促进文化多样性和结构连接的共存。
2019-11-11 cs.SI nlin.AO physics.soc-ph
Social Fragmentation Transitions in Large-Scale Parameter Sweep Simulations of Adaptive Social Networks
本文通过116,640次大规模参数扫描模拟并结合人工神经网络分析，发现社会碎片化除由同质性与新颖性关注竞争主导外，还可在强社会从众下形成新的转变面。
2022-10-31 cs.SI math.DS nlin.AO
Measuring bot and human behavioral dynamics
机器人，由软件而不是人类控制的社交媒体账户，最近因其与各种形式的在线操纵的联系而受到关注。迄今为止，许多工作都集中在社交机器人检测上，但很少关注机器人行为和活动的表征和测量，而不是人类的。多年来，机器人变得越来越复杂，能够反映一些短期行为，模仿人类用户的行为。本文的目标是研究机器人在一个活动会话过程中表现出的行为动力学，并强调这些行为是否以及如何与人类活动特征不同。通过使用与最近政治事件相关的大型Twitter数据集，我们首先将机器人和人类分开，然后隔离他们的活动会话。我们编制了一个要测量的数量列表，例如用户参与社交互动或制作内容的倾向。我们的分析强调了人类短期行为趋势的存在，这可能与认知起源有关，而机器人由于其自动化活动而直观地不存在。这些研究结果最终被编码以创建和评估一个机器学习算法来检测机器人和人类产生的活动会话，以允许更细致入微的机器人检测策略。
2018-02-14 cs.HC cs.SI
The Role of Gender in Social Network Organization
我们在与现代世界接触时留下的数字痕迹提供了一个有趣的镜头，通过它我们可以研究作为性别表达的行为模式。虽然在一些情况下观察到性别差异，但大多数研究都孤立地侧重于单一的数据流。在这里，我们使用一个使用手机收集的高分辨率数据集，以及详细的问卷调查，来研究一个大型队列中的性别差异。我们考虑了一组超过$800$大学生的流动行为和个人人格特质。我们还调查了他们之间的相互作用，通过人与人的接触，在网上社交网络，和电信的互动。因此，我们能够研究通过单一队列的多种渠道捕获的男性和女性行为之间的差异。我们发现，虽然两种性别在许多方面是相似的，但存在着强大的偏差，包括社会互动的多个方面，这表明存在固有的行为差异。最后，我们量化了一个人的特征和社会行为方面如何揭示他们的性别，把它作为一个分类问题。我们问：我们如何区分男性和女性的研究参与者的基础上单独的行为？哪些行为特征最具预测性？
2017-06-15 cs.CY cs.SI
Social Media Use is Predictable from App Sequences: Using LSTM and Transformer Neural Networks to Model Habitual Behavior
Columbia University（哥伦比亚大学）；Ohio State University（俄亥俄州立大学）；Stanford University（斯坦福大学）；Harvard University（哈佛大学）
本研究通过LSTM和Transformer神经网络建模智能手机应用使用序列，证明社交媒体使用可在个体内和个体间层面预测，且全局模型可表征多样个体行为模式，捕捉到有别于行为频率的习惯新维度。
2024-06-23 cs.HC cs.LG cs.SI
Cooperative Phoneotypes: Exploring Phone-based Behavioral Markers of Cooperation
合作是人类的一个基本概念，在多个社会和生物学科中进行了研究。传统的方法，引发一个人的合作倾向，包括调查和实验室实验和多个这样的研究已经连接一个人的合作水平与她的社会行为。我们描述了一种新的方法来模拟一个人的合作水平，她的phonetype的基础上，即通过手机观察到的个人的特征的复合材料。这种基于电话感知的方法可以潜在地补充调查，从而提供一种更便宜，更快，自动化的方法来生成对用户合作水平的见解。基于一项为期10周的现场研究，涉及54名参与者，我们报告说：（1）多个基于电话的信号与参与者的合作态度显着相关;（2）结合基于电话的信号产生了一个预测模型，AUCROC为0.945，在预测个人合作倾向方面，该模型的表现明显优于基于人口统计学的模型。研究结果为个人和组织在个人、社会和商业相关环境中识别更多合作伙伴铺平了道路。
2016-09-12 cs.CY cs.SI
On the dynamics emerging from pandemics and infodemics
这份立场文件讨论了与COVID-19大流行相关的新兴行为、社会和经济动态，并特别强调了两个新兴问题：第一，延迟效应（或二次打击）的流行病引起的恐惧风险效应进行了讨论，其中两个因素可能会影响这种影响的存在被确定，即信息的可获得性和政策决定对适应行为的影响。其次，讨论了个人对危险事件的准备问题。由于COVID-19大流行等事件展现出难以预测的复杂行为模式，因此需要考虑行为、社会和经济动态的复杂模型来评估决策的有效性和效率。
2020-04-19 cs.SI econ.GN math.DS
Fairness and Consensus in an Asynchronous Opinion Model for Social Networks (Technical Report)
本文提出基于 DeGroot 的异步观点转移系统模型，分析强连通社交网络中的共识收敛条件，证明标准强公平性不足以保证共识，引入更弱的 m-有界公平性概念并证明其可保证共识，同时将该结果推广到动态影响场景。
2024-09-06 cs.SI
How social networks influence human behavior: An integrated latent space approach for differential social influence
本文提出整合社交网络与题项层面行为数据的潜在空间模型，通过交互图识别差异化社会影响，并经模拟与学生友谊网络实证验证。
2023-02-28 cs.SI stat.AP
Multiplex Networks Provide Structural Pathways for Social Contagion in Rural Social Networks
University of Arizona（亚利桑那大学）；Temple University（天普大学）；Yale University（耶鲁大学）
研究基于洪都拉斯110个乡村社区的多层关系与干预实验，提出network torque指标和统计框架，量化不同网络层对健康行为传染路径的贡献。
2025-10-21 cs.SI
Learning to Simulate Individuals from Macro Social Signals
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出macro2mind，利用预测市场价格信号通过GRPO训练语言模型进行显式行为推理，实现零样本用户模拟，并在多个基准上达到最先进性能。
2026-11-09 cs.AI cs.CL cs.LG
Estimating Topic Exposure for Under-Represented Users on Social Media
Arizona State University（亚利桑那州立大学）
在线社交网络（OSN）方便了对各种数据的访问，使研究人员能够分析用户的行为并开发用户行为分析模型。这些模型在很大程度上依赖于观测数据，而观测数据通常由于参与不平等而存在偏差。这种不平等包括三组在线用户：潜伏者-只消费内容的用户，发布者-对内容创作贡献很少的用户，以及贡献者-负责创建大部分在线内容的用户。在解释人口层面的利益或情绪时，如果不考虑所有群体的贡献，可能会产生有偏见的结果。为了减少贡献者引起的偏差，在这项工作中，我们专注于突出观察数据中的贡献者，因为与潜伏者相比，他们更有可能做出贡献，并且与贡献者相比，他们构成了更大的群体。对这些用户进行行为分析的第一步是找到他们接触过但没有参与的主题。要做到这一点，我们提出了一个新的框架，帮助识别这些用户，并估计他们的主题曝光。暴露估计机制通过合并来自类似贡献者的行为模式以及用户的人口统计和简档信息来建模。
2022-08-07 cs.LG cs.SI
Community-based Behavioral Understanding of Crisis Activity Concerns using Social Media Data: A Study on the 2023 Canadian Wildfires in New York City
University of Oklahoma（俄克拉荷马大学）；Howard University（霍华德大学）
本研究利用纽约市2023年6月加拿大野火烟雾事件期间的带地理标签Twitter数据，通过文本分类和社区推断模型，揭示不同性别、种族及收入群体在疏散、通勤等危机活动关注度上的差异，为应急沟通和响应提供参考。
2024-01-22 cs.CL cs.CY cs.SI
On Detecting Messaging Abuse in Short Text Messages using Linguistic and Behavioral patterns
Symantec Ltd.（赛门铁克公司）
在过去几年中，在社交媒体和即时消息中使用短文本消息已经成为流行的通信渠道。这种日益流行的趋势导致了邮件威胁的增加，如垃圾邮件、网络钓鱼或恶意软件以及其他威胁。这些短文本消息威胁的处理可能会带来额外的挑战，例如词汇变体的存在，SMS类缩写或高级混淆，这些都会降低传统过滤解决方案的性能。通过使用来自美国的大型电信运营商和社交媒体语料库的真实短信数据集，本文分析了基于语言和行为模式的机器学习过滤器的有效性，以检测短文本垃圾邮件和网络中的滥用用户。我们还探索了不同的方法来处理短文本消息的挑战，如令牌化和实体检测使用文本规范化和子串聚类技术。结果表明，所提出的解决方案的有效性，通过增强基线的方法。
2014-08-18 cs.AI cs.CL cs.SI
Proposing a conceptual framework: social media listening for public health behavior
University of Waterloo（滑铁卢大学）；School of Public Health Sciences, Faculty of Health（健康学院公共卫生科学学院）
针对公共卫生错误信息研究缺乏专用框架的问题，本研究综合现有传播与行为理论，提出了基于社交媒体倾听的概念框架，并演示了其在理解公共话语中的应用。
2023-07-30 cs.CL cs.CY cs.SI
Replication Markets: Results, Lessons, Challenges and Opportunities in AI Replication
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Massey University（梅西大学）；Harvard University（哈佛大学）；KeyW Research Lab（KeyW研究实验室）；George Mason University（乔治梅森大学）
在过去的十年中，社会和行为科学中出现了系统的大规模复制项目（Camerer等人，2016，2018; Ebersole等人，2016; Klein等人，2014，2018;协作，2015）。这些项目是由对科学出版物中高比例的“假阳性”（Ioannovich，2005）以及“可疑研究实践”（Simmons，Nelson和Simonsohn，2011）的高流行率的理论和概念担忧驱动的。对研究结果可信度的担忧并不是行为科学和社会科学所独有的;在计算机科学中，人工智能（AI）和机器学习（ML）是特别值得关注的领域（Lucic et al.，2018; Freire，Bonnet和Shasha，2012; Gundersen和Kjensmo，2018; Henderson等人，2018年）。鉴于行为和社会科学在促进新方法以提高研究可信度方面的先锋作用，分析从这一领域吸取的经验教训并调整计算机科学，AI和ML的策略是一种很有前途的方法。本文中，我们回顾了行为和社会科学以及DARPA SCORE项目中使用的方法。我们特别关注人类预测复制结果的作用，以及预测如何利用从相对劳动和资源密集型复制中获得的信息。我们将讨论使用这些方法来监控和提高计算机科学，AI和ML研究领域的可信度的机会和挑战。
2020-05-10 cs.AI cs.CY cs.SI
