Analytical reasoning task reveals limits of social learning in networks
社会学习--通过观察和模仿他人--是一种非常成功的文化适应机制，优于个人信息获取和经验。在这里，我们调查社会学习的背景下，独特的人类反思能力，分析推理。人类思维的一个标志是我们进行分析推理和抑制错误联想直觉的能力。通过一组基于实验室的网络实验，我们发现，社会学习未能传播这种认知策略。当人们做出错误的直觉结论，并接触到同龄人的分析输出时，他们会识别并采用这种正确的输出。但他们在随后的类似任务中无法进行分析推理。因此，人类表现出一种“不反思的复制偏见”，这将他们的社会学习限制在同伴推理的输出上，而不是过程中--即使这样做只需要最小的努力，也不需要任何技术技能。与最近许多基于观察的社会学习的研究相反，这些研究强调通过复制传播成功的行为，我们的研究发现在需要分析推理的情况下，社交网络的力量是有限的。
2014-06-29 cs.SI physics.soc-ph
The drivers of online polarization: fitting models to data
本研究提出一种数值比较方法，将观点动态模型模拟结果与社交媒体实测数据拟合，以系统验证模型，并开发考虑人类与算法因素互动的模型，旨在揭示极化驱动因素并改进信息流算法。
2023-05-12 cs.CY cs.SI
WarCov -- Large multilabel and multimodal dataset from social platform
Wroclaw University of Science and Technology（弗罗茨瓦夫理工大学）
本文构建了包含318万余条波兰语社交媒体帖子的WarCov多标签多模态数据集，覆盖疫情与乌克兰战争主题，并展示了从数据获取到模式识别实验的完整整理流程。
2024-06-10 cs.CL cs.SI
Scalable Privacy-Compliant Virality Prediction on Twitter
Twitter的数字市政厅成为全球个人和组织首选的通信媒介。其中一些达到数百万观众，而另一些则难以引起注意。考虑到社交媒体的影响力，这个问题比以往任何时候都更加重要：如何在Twitter中建模注意力的动态。世界各地的研究人员转向机器学习来预测最有影响力的推文和作者，导航社交大数据的数量，速度和种类，并做出许多妥协。在本文中，我们重新审视Twitter上的内容流行度预测。我们认为，严格对齐的数据采集，存储和分析算法是必要的，以避免可扩展性，准确性和隐私合规性之间的共同权衡。我们提出了一个新的框架，用于快速获取大规模数据集，高精度的监督信号和多语言情感预测，同时尊重每个适用的隐私请求。然后，我们应用一种新的梯度提升框架，以实现最先进的病毒式排名的结果，已经包括鸣叫的视觉或传播功能之前。我们的梯度提升回归树是第一个在基准数据集上提供可解释的强大排名性能的树。由于分析集中在早期可用的功能上，该模型立即适用于18种语言的传入推文。
2019-02-27 cs.SI
Beyond Single-Tokenomics: How Farcaster's Pluralistic Incentives Reshape Social Networking
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Lancaster University（兰卡斯特大学）；City St George’s, University of London（伦敦大学城市圣乔治学院）
本文基于Farcaster的大规模数据集，首次实证分析了多元代币激励机制对平台动态和用户行为的影响，揭示了其在提升参与度的同时，在内容质量、网络增长对称性及激励对齐方面存在的关键权衡。
2025-11-05 cs.SI
ALAAMEE: Open-source software for fitting autologistic actor attribute models
本文介绍开源Python软件ALAAMEE，支持ALAAM的参数估计、模拟与拟合优度检验，涵盖多种网络类型和滚雪球抽样，并通过模拟及大小网络实证验证其性能。
2024-09-23 cs.SI stat.CO stat.ME
Navigating Decentralized Online Social Networks: An Overview of Technical and Societal Challenges in Architectural Choices
本文全面综述去中心化在线社交网络格局，考察联邦式、对等式、区块链和混合式四种主要架构的演变及其对核心社交功能的支持，为理解架构选择对社会影响奠定基础。
2025-03-31 cs.CY cs.SI
From Known to Unknown: Quality-aware Self-improving Graph Neural Network for Open Set Social Event Detection
最先进的图神经网络（GNN）在社交事件检测任务中取得了巨大的成功，但仅限于封闭的事件集。然而，考虑到训练神经网络所需的大量数据以及神经网络在处理先前未知数据方面的有限能力，现有的基于GNN的方法在开集设置中操作仍然是一个挑战。为了解决这个问题，我们设计了一个质量感知的自我改进图神经网络（QSGNN），它通过利用已知样本中最好的样本和可靠的知识传递来扩展知识。具体来说，为了充分利用标记数据，我们提出了一种新的监督成对损失与额外的正交类间关系约束训练骨干GNN编码器。学习过的已知事件进一步为未知事件提供了强有力的参考基础，这极大地促进了知识获取和转移。当模型推广到未知数据时，为了保证有效性和可靠性，我们进一步利用参考相似性分布向量进行伪成对标签的生成、选择和质量评估。遵循主动学习的多样性原则，我们的方法选择不同的对样本与生成的伪标签微调GNN编码器。此外，我们提出了一种新的质量导向的优化，其中的贡献的伪标签加权一致性的基础上。我们在两个大型的现实社会事件数据集上彻底评估了我们的模型。实验表明，我们的模型达到了最先进的结果，并扩展到未知事件。
2022-08-15 cs.SI
Effects of Online Self-Disclosure on Social Feedback During the COVID-19 Pandemic
本文基于Reddit COVID-19支持社区数据，分析在线自我披露对社会反馈的影响，发现信息支持与情感支持寻求者的披露效果存在显著差异。
2023-09-21 cs.SI
Unsupervised detection of coordinated fake-follower campaigns on social media
本文提出一种无监督检测方法，通过识别社交媒体账户粉丝中的异常关注模式来发现协同虚假粉丝活动，并在Twitter数据上验证了其有效性和计算效率。
2023-10-31 cs.CY cs.SI
Evolution of Social Networks: A Microfounded Model
许多社会都是由人们在一段时间内相遇和互动而形成的网络组织起来的。在本文中，我们提出了第一个模型来捕捉微观基础的社交网络的演变，有限理性的代理人的不同类型的加入网络，满足其他代理随机随着时间的推移，并因此决定形成社会关系。我们的模型的一个基本前提是，在现实世界的网络中，代理人通过推理他们随着时间的推移遇到的代理人可以给予的好处来形成链接。我们研究了新兴网络的友谊和流行收购的演变，给出了以下外生参数：结构机会主义，类型分布，同质性，和社会合群。我们发现，一个代理找到“朋友”所需的时间是由外生参数的影响：代理谁是更合群，更同性恋，机会主义少，或属于一个类型的“少数民族”平均花费更长的时间寻找友谊。此外，我们表明，优先附件是一个新兴的双重优惠会议过程的结果：一个过程，引导代理的某种类型，以满足更受欢迎的相似类型的代理具有更高的概率，从而创建不同类型的代理的流行程度演变的不对称。
2015-08-14 cs.SI physics.soc-ph
Mapping the Landscape of AI-Driven Human Resource Management: A Social Network Analysis of Research Collaboration
本研究采用社会网络分析和TOPSIS方法，分析了AI驱动的人力资源管理领域的合著网络，揭示了核心研究主题、关键合作社群及区域与机构合作模式。
2024-12-27 cs.SI
Estimation of Graph Features Based on Random Walks Using Neighbors' Properties
针对社交网络采样中API调用成本高的问题，提出一种将邻居节点获取视为成本因素的随机游走图特征估计算法，实验验证其准确性优于现有方法。
2024-09-17 cs.SI
Uncovering the Skillsets Required in Computer Science Jobs Using Social Network Analysis
提出基于社会网络分析的招聘广告技能网络方法，分析7777条计算机科学岗位与5763项技能，识别四类技能社群及沟通、SQL、Git等核心技能。
2023-08-16 cs.SI
Challenges and Opportunities in Rapid Epidemic Information Propagation with Live Knowledge Aggregation from Social Media
Georgia Institute of Technology（佐治亚理工学院）
由于其不可预测性，快速变化的情况（如COVID-19大流行）对AI/ML模型来说是一个重大挑战。%大流行蔓延的最可靠指标是检测呈阳性的病例数。然而，这些测试既不完整（由于未经测试的无症状病例），也很晚（由于从最初的接触事件，症状恶化和测试结果的滞后）。社交媒体可以补充物理测试数据，因为它的覆盖范围更快、更广，但也带来了不同的挑战：大量的噪音、错误信息和虚假信息。我们认为，只要满足两个条件，社交媒体就可以成为大流行病的良好指标。第一个（真正的新颖性）是从不可预测的演变情况中捕捉新的、以前未知的信息。第二个（事实与虚构）是可核实的事实与错误信息和虚假信息的区别。满足这两个条件的社交媒体信息被称为实时知识。我们采用循证知识获取（EBKA）方法，通过整合社交媒体来源和权威来源来收集、过滤和更新实时知识。虽然数量有限，但来自权威来源的可靠训练数据能够过滤错误信息并捕获真正的新信息。我们描述了实施EBKA的EDNA/LITMUS工具，将Twitter和Facebook等社交媒体与世卫组织和CDC等权威来源整合在一起，创建和更新有关COVID-19大流行的实时知识。
2020-11-09 cs.LG cs.SI
Meta-control of social learning strategies
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Eindhoven University of Technology（埃因霍温理工大学）；DeepMind（深度思维）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
社会学习，即在没有实际经验的情况下模仿他人的行为，提供了一种成本效益高的知识获取方式。然而，它提出了一个基本问题，即哪些人拥有可靠的信息：成功的个人还是大多数人。前者和后者分别被称为基于成功的社会学习策略和顺从的社会学习策略。我们在这里表明，虽然成功为基础的战略充分利用低不确定性的良性环境，它失败的不确定性环境。另一方面，从众策略可以有效地缓解这种不利影响。基于这些发现，我们假设，元控制的个人和社会学习策略提供了有效的和样本效率的学习在动荡和不确定的环境。在一组具有不同波动性和不确定性的环境中进行的模拟证实了我们的假设。结果表明，社会学习的元控制提供代理的杠杆，以解决环境的不确定性，以最小的探索成本，通过利用他人的学习作为外部知识库。
2022-03-07 cs.AI cs.MA cs.NE
Modelling the transmission dynamics of online social contagion
在2014-15年期间，有几次基于提名的在线社交传染病爆发。这些感染是通过社交媒体上的帖子从一个人传播到另一个人的，包括“neknomination”，“冰桶挑战”，“不化妆自拍”等游戏，以及Facebook用户重新发布他们的第一张个人资料照片。拟合传染病传播的数学模型，以爆发这四场比赛在英国，我估计的基本繁殖数，$R_0$，每种感染的世代时间。在四次暴发中，$R_0$的中位数估计值为1.9-2.5，估计世代时间为1.0 - 2.0天。使用来自澳大利亚的样本外数据进行的测试表明，该模型具有合理的预测能力，在澳大利亚的四个数据集上，$R^2$值在0.52-0.70之间。此外，相对较低的感染基本繁殖数表明，在基于提名的游戏中，只有48-60%的指数病例可能随后产生重大爆发。
2016-01-31 cs.SI physics.soc-ph
Identifying exogenous and endogenous activity in social media
系统中新事件的发生通常由外部原因和系统内部发生的先前事件驱动。这是一个一般性的声明，适用于一系列情况，包括最近的在线社交网络（OSN）中的用户活动。在这里，我们开发了一种方法，用于从一系列的发布时间中提取外源性（例如新闻媒体）和内源性（例如信息级联）的相对贡献。该方法是基于广义线性模型（GLM）配备了自激机制的拟合。我们用非线性霍克斯过程生成的合成数据测试了该方法，并将其应用于具有给定主题标签的实时推文序列。在经验数据集中，估计的贡献外生和内生量分别接近原始推文和转推的数量。最后，我们讨论的方法，例如在网上营销的可能应用。
2018-08-02 cs.SI physics.soc-ph
Uncovering patterns of inter-urban trip and spatial interaction from social media check-in data
本文基于一组经验数据，从人类移动模式和空间嵌入网络的角度重新审视了空间互动和距离衰减。我们从一个覆盖50万人和370个城市的签到数据集中提取了中国全国范围内的城市间移动，以分析出行和空间互动的潜在模式。通过拟合引力模型，我们发现观测到的空间相互作用是由幂律距离衰减效应。所得到的重力模型也很好地再现了指数行程位移分布。然而，由于生态谬误问题，个体的运动可能不服从相同的距离衰减效应。我们还构建了一个空间网络，边的权重表示的相互作用的强度。从网络中检测到的社区在空间上是相连的，大致与省界一致。我们将这种模式归因于省内和省际旅行之间不同的距离衰减参数。
2013-11-17 cs.SI physics.soc-ph
WhichTok? Comparing Three TikTok Data Acquisition Tools
University of Pennsylvania（宾夕法尼亚大学）；Northwestern University（西北大学）
本研究系统对比TikTok Research API、Pyktok和Apify三种数据采集工具，发现它们在话题标签等端点存在显著差异，仅用户端点结果一致，据此提出提升TikTok研究质量的相关建议。
2026-08-11 cs.HC cs.SI
Vaccines, Contagion, and Social Networks
考虑一个人的治疗可能对另一个人的结果的因果关系的影响，当结果是传染性的，具体应用于疫苗接种对传染病结果的影响。一个人接种疫苗对另一个人的结果的影响可以分解为两种不同的因果效应，称为“传染性”和“传染”效应。我们提出了识别假设和估计或测试程序的传染性和传染效应在两个不同的设置：（1）使用从独立的观察组采样的数据，（2）使用从一个单一的相互依赖的社会网络收集的数据。我们为社交网络数据提出的方法需要拟合广义线性模型（GLM）。GLM和其他要求受试者之间独立性的统计模型已被广泛用于估计社交网络数据中的因果效应，但是，由于网络中的受试者可能不是独立的，因此使用此类模型通常是无效的，从而导致预期是反保守的推断。我们介绍了一种方法，以确保GLM残差是不相关的科目，尽管事实上，结果是非独立的。这同时证明了使用GLM和网络数据的相关统计模型的可能性，并强调了它们的局限性。
2014-03-05 cs.SI physics.soc-ph stat.ME
Predicting human preferences using the block structure of complex social networks
随着可用数据的不断增加，预测个人的偏好并帮助他们找到最相关的信息已成为一种迫切的需求。从根本角度来看，理解和预测偏好也很重要，这是所谓的“新”计算社会科学的一部分。在这里，我们提出了一种新的方法，基于随机块模型，这已被社会学家开发的社会互动的复杂网络的合理模型。我们的模型是基于其他人的偏好来预测个人偏好的精神，但是，而不是拟合特定的模型，我们依赖于贝叶斯方法，该方法对所有可能的模型进行采样。我们表明，我们的方法比领先的推荐算法准确得多，比行业级算法有38%到99%的重大相对改进。此外，我们的方法揭示了决策过程中，通过识别群体的个人有一贯相似的偏好，并使这些群体的特征分析。
2012-10-03 cs.SI physics.data-an physics.soc-ph
Supervised centrality via sparse network influence regression: an application to the 2021 Henan floods' social network
本文针对2021年河南洪灾微博数据，提出监督中心性概念和稀疏网络影响回归方法，并开发前向添加算法以高效识别有影响力的用户。
2024-12-28 cs.SI physics.soc-ph stat.ME
Revealing social networks of spammers through spectral clustering
University of Michigan（密歇根大学）；Medasense Biometrics Ltd.（美达森生物识别有限公司）
到目前为止，大多数关于垃圾邮件的研究都只关注垃圾邮件周期的垃圾邮件阶段，而忽略了收获阶段，即大量获取电子邮件地址。据观察，垃圾邮件发送者在收集阶段隐藏他们的身份的程度较低，因此通过研究收集者的行为，可能会获得对垃圾邮件发送者行为的新见解，收集者是收集电子邮件地址的个人或机器人。在本文中，我们揭示了社交网络的垃圾邮件发送者识别社区的行为相似性高，使用谱聚类。分析的数据是通过蜜罐项目收集的，蜜罐项目是一个用于监控收获和垃圾邮件的分布式系统。我们的主要发现是（1）大多数垃圾邮件发送者要么只发送钓鱼电子邮件，要么根本不发送钓鱼电子邮件，（2）大多数垃圾邮件发送者社区也只发送钓鱼电子邮件，要么根本不发送钓鱼电子邮件，（3）社区内的几组垃圾邮件发送者表现出一致的时间行为，并具有相似的IP地址。我们的研究结果揭示了垃圾邮件发送者的一些以前未知的行为，并表明垃圾邮件发送者之间确实存在有待发现的社会结构。
2013-04-30 cs.LG cs.SI physics.soc-ph
Production and Network Formation Games with Content Heterogeneity
在线社交网络（例如Facebook、Twitter、Youtube）为共享用户生成的内容提供了流行的、具有成本效益的和可扩展的框架。本文讨论了内在的激励问题，居住在社交网络使用博弈论模型，个人用户自私的交易成本形成的链接（即他们互动）和生产的内容，个人对这样做的潜在回报。从不同用户产生的内容完全可替代的假设出发，我们明确考虑用户产生的内容的异质性，并研究它如何影响用户的行为和社交网络的结构。在给定内容异质性的情况下，我们严格证明了当社交网络的人口足够大时，每个（严格）非合作均衡应该由对称网络拓扑组成，其中每个用户产生相同数量的内容并具有相同的度，或者两级分层拓扑，所有用户属于两种类型之一：产生大量内容的影响者和产生少量内容并从影响者获得其大部分内容的订户。与此同时，少数法则在这样的网络中消失了。此外，我们证明了社会最优总是由对称拓扑的网络实现的，其中用户的效用之和最大化。为了给用户提供生产和相互分享社会最优数量的内容的激励，提出了一种定价方案，我们表明，社会最优可以实现作为一个非合作的均衡与内容获取和链接形成的定价。
2011-09-20 cs.GT cs.SI physics.soc-ph
Social Networks and Collective Intelligence: A Return to the Agora
如今，获取可信的信息在专业和私人环境中越来越重要。然而，确定哪些信息是可信的，哪些是不可信的，是一项非常具有挑战性的任务。例如，如何可靠地评估信息质量？如何才能来源？可信度是否得到了公正的评价？在过滤新闻和决定传统媒体的排名和优先事项时，如何才能发现守门程序是值得信赖的？目前正在研究一个以互联网为基础的解决办法，以解决一个以人为基础的古老问题，这个办法被称为Polidoxa，来自希腊语“poly”，意思是“许多”或“几个”，“doxa”，意思是“共同信仰”或“大众意见”。这个老问题将通过古老的哲学和真正现代的工具和技术来解决。这就是为什么这项工作需要来自不同背景的研究人员和具有显著不同议程的机构的协作和跨学科的共同努力。Polidoxa旨在提供：1）一个基于信任的搜索引擎算法，利用用户的污名行为？网络，2）基于信任的社交网络，其中信任的概念来自网络活动，以及3）自下而上的自我保护和社会隐私的子整体系统。通过提出Polidoxa解决方案，这项工作还描述了传统媒体以及较新媒体的现状，提供了对谷歌和社交网络等主要搜索引擎的准确分析（例如，Facebook）。与这些相比，Polidoxa提供的优势也明确详细和动机。最后，Twitter的应用程序（Polidoxa@twitter），使实验的基本Polidoxa原则。
2013-11-11 cs.CY cs.SI physics.soc-ph
Multilevel Structural Evaluation of Signed Directed Social Networks based on Balance Theory
平衡理论解释了社会系统结构背后的力量，这些力量通常被建模为静态无向签名网络。我们扩展这种建模方法，将方向性的边缘，并考虑三个层次的分析：三合会，子群，和整个网络。对于三能级平衡，我们利用满足传递性条件的半圈来实现一个新的测度。对于子组级别的平衡，我们提出了凝聚力（组内团结）和分裂（组间对抗）的措施，以捕捉平衡的网络使用最合适的节点划分成两个组的子组内和之间。对于网络级的平衡，我们重新使用了归一化的线索引，以纳入方向性，并提供其位置适合平衡的边缘的比例。通过广泛的计算分析，我们量化和分析了三合会、子群和整个网络中的社会结构模式，这些模式涵盖了从大学生和维基百科编辑到哲学家和比特币交易员的一系列社会环境。然后，我们应用我们的多层次分析框架来研究时间和多层网络中的平衡，这表明了我们评估平衡的方法的普遍性，并导致了关于时间和层维度的平衡的新观察。我们对各种社交网络的补充发现强调了在不同层面评估平衡的必要性。我们提出了一个全面而简约的方法来满足这一需求。
2020-07-20 cs.SI math.OC physics.soc-ph
Who Contributes to the Knowledge Sharing Economy?
社交网络的信息共享动态依赖于一小部分影响者来有效地接触大量受众。我们最近的结果和观察表明，这一精英的形状和身份，特别是那些贡献\emph{original}内容，是很难预测的。信息获取经常被引用为公益的一个例子。然而，这个新兴的和强大的理论还没有证明提供定性的见解如何专业化的用户到主动和被动的参与者发生。本文首次将公共产品理论与社会媒体传播分析相结合。我们引入了一个非线性模型的\emph{perishable}公共产品，利用新的观察共享媒体资源。这项工作的主要贡献是表明，\emph{shelf time}，它的特点是在内容得到更新的速度，是一个关键因素，在观众的参与。我们的模型证明了信息扩散中的一个基本\emph{dichotomy}：虽然短期内容具有简单和可预测的扩散，但长期内容具有复杂的专业化。即使所有信息搜索者都是相同的\emph{ex ante}，也会发生这种情况，这可能是预测社交网络参与和演变的困难的一个因素。
2015-08-27 cs.SI physics.soc-ph
Heterogeneous Update Processes Shape Information Cascades in Social Networks
该研究探讨社交网络中不同更新规则个体的分布对信息级联的影响，发现简单传播者仅在度异质网络中放大级联，而基于阈值的传播者的聚集分布可削弱传播，揭示了角色分布对信息扩散的调控作用。
2025-01-15 cs.MA cs.SI
Fitting In and Breaking Up: A Nonlinear Version of Coevolving Voter Models
我们研究了一个非线性版本的共同进化的选民模型，其中节点状态和网络结构更新作为一个耦合的随机动力学过程。大多数以前的工作共同进化的选民模型集中在线性更新规则与固定和同质重新布线和采用概率。相比之下，在我们的非线性版本中，节点重新连接或采用的概率是它在其邻域内“适应”程度的函数。为了探索这个想法，我们将一个参数$σ$，它代表了一个更新节点的邻居，分享其意见状态的分数。在一次更新中，以概率$σ^q$（对于某个非线性参数$q$），更新节点重新布线;以互补概率$1-σ^q$，更新节点采用新的意见状态。我们使用三种重新布线方案来研究这种机制：在更新节点删除不一致的边之后，它然后（1）通过在随机过程中选择新邻居来“重新布线到随机”;（2）通过在随机过程中从共享其状态的节点中选择新邻居来“重新布线到相同”;或者（3）通过根本不重新布线来“重新布线到无”（类似于社交媒体上的“取消好友”）。我们比较我们的非线性协同进化模型，现有的几个线性模型，我们发现在我们的模型中，初始网络拓扑结构起着更大的作用的动态和选择的重新布线机制起着较小的作用。我们的模型的一个特别有趣的特征是，在某些条件下，最初由少数节点持有的意见状态可以有效地传播到网络中的几乎所有节点，如果少数节点将自己视为多数。鉴于这一观察结果，我们将我们的结果与最近关于社交网络中多数错觉的工作联系起来。
2020-02-07 cond-mat.stat-mech cs.SI math.DS
