RELIANCE: Reliable Ensemble Learning for Information and News Credibility Evaluation
Faculty of Computer Science and Information Technology, Institute for Advanced Studies in Basic Sciences (IASBS)(基础科学高级研究所(IASBS)计算机科学与信息技术学院)
本文提出集成学习系统RELIANCE,结合SVM、朴素贝叶斯、逻辑回归、随机森林和BiLSTMs五种模型评估新闻可信度,实验证明其优于单一模型和基线模型,能有效区分信息源可靠性。
2024-04-20 cs.CL cs.IR cs.LG
From Users to (Sense)Makers: On the Pivotal Role of Stigmergic Social Annotation in the Quest for Collective Sensemaking
网络已经成为一个占主导地位的认知环境,在全球范围内影响人们的信仰。然而,在线认知环境日益受到污染,损害了社会在全球危机面前进行有效协调的能力。我们认为,中心化平台是认知污染的主要来源,更健康的环境需要重新设计我们共同管理注意力的方式。受去中心化和开源软件运动的启发,我们提出了开源注意力,这是一个社会技术框架,通过去中心化的生态系统来创建,存储和查询耻辱标记,将人类注意力从平台控制中“解放”出来;人类注意力的数字痕迹。
2022-08-04 cs.HC cs.SI
Susceptibility to Unreliable Information Sources: Swift Adoption with Minimal Exposure
University of Southern California(南加州大学)
本研究通过分析用户对不同可信度信息源的暴露影响,揭示了低可信度信息源更容易被快速采纳,为减少虚假信息传播提供了理论框架。
2025-01-29 cs.CY cs.SI
Ontology-based Approach for Identifying the Credibility Domain in Social Big Data
从社交媒体数据源中管理和提取有用知识的挑战吸引了学术界和工业界的广泛关注。为了解决这一问题,本文重点研究文本数据的语义分析。我们提出了一种基于本体的方法来提取文本数据的语义和定义数据的域。换句话说,我们在两个层面上对社交数据进行语义分析,即实体层面和领域层面。我们选择Twitter作为社交渠道的挑战,是为了验证概念。领域知识被捕获在本体中,然后被用来丰富推文的语义,提供了出现在推文中的实体的特定语义概念表示。案例研究被用来证明这种方法。我们实验和评估我们提出的方法与公共数据集收集从Twitter和政治领域。基于本体的方法在概念识别的数量和准确性方面利用实体提取和概念映射。
2018-07-06 cs.IR cs.SI
Leveraging the Flow of Collective Attention for Computational Communication Research
在信息爆炸的时代,人类的注意力越来越成为人们理解或集体行为的重要资源。为了更好地理解集体注意力的流动,我们使用中国一个主要城市的10万名用户的匿名智能手机数据构建了注意力流动网络。在所构建的网络中,节点是用户访问的网站,链接表示用户在两个网站之间的切换。我们通过计算流网络统计数据(如流影响、流耗散和流距离)来量化集体注意力流。研究结果显示,智能手机用户的集体注意力高度集中和分散,而跨网站的注意力重复被证明是没有根据的移动使用。进一步证实了耗散律和流动冲击的容许尺度。令人惊讶的是,有一个集中的流量结构,这表明具有大流量的网站可以轻松控制循环的集体注意力。此外,我们发现,流量网络分析可以有效地解释网页浏览量和销售量的产品。最后,我们讨论了使用流网络分析计算通信研究的好处和局限性。
2017-10-21 cs.CY cs.SI
The Effect of Collective Attention on Controversial Debates on Social Media
我们研究了2011年至2016年Twitter上长期存在的争议性辩论的演变。具体来说,我们探讨了如何互动的结构和内容的讨论与集体关注的水平,证明了用户讨论的主题的数量。用户数量的激增通常与外部事件相对应,这些事件增加了公众对该主题的关注-例如,关于“枪支管制”的讨论往往在大规模枪击事件后爆发。这项工作是第一次研究这种规模的两极分化的在线辩论的动态演变。通过采用广泛的网络和内容分析措施,我们发现一致的证据表明,增加集体注意力与增加网络极化和网络集中在每一方的辩论;和整体更统一的词汇使用在所有用户。
2017-05-16 cs.SI physics.soc-ph
How Media Competition Fuels the Spread of Misinformation
本文将媒体竞争建模为零和序贯博弈,采用分位数响应均衡刻画有限理性决策,揭示了错误信息传播如何导致公众极化和竞争性扩散,并为缓解假新闻提供了策略建议。
2024-11-24 cs.SI
Hurricanes and hashtags: Characterizing online collective attention for natural disasters
我们通过Twitter上的$n$ -grams的镜头研究对飓风的集体关注,Twitter是一个具有全球影响力的社交媒体平台。使用飓风名称提及作为意识的代理,我们发现,外源的时间动态非常相似的风暴,但整体的集体注意力差异很大,即使在风暴造成可比的死亡和破坏。我们构建了“飓风注意力地图”,并观察到造成美国大陆死亡(或经济损失)的飓风在英语推文中比那些没有引起更多的关注。我们发现,一个飓风的萨菲尔-辛普森风尺度的类别分配是密切相关的注意,它收到的金额。与低级别风暴相比,高级别风暴的死亡人数或损失金额每增加一个比例,就会得到更高比例的关注。2010年代最具破坏性和致命性的飓风哈维和玛丽亚分别引起了最多的关注和最长的记忆。平均而言,5级风暴比1级风暴受到的关注多4.6倍,造成相同数量的死亡和经济损失。
2020-03-31 cs.SI physics.soc-ph
Local Variation of Collective Attention in Hashtag Spike Trains
在本文中,我们提出了一种方法,量化非线性标签时间序列的时间模式。我们的方法是基于神经元尖峰和标签扩散之间的类比。我们采用局部变分,最初开发的神经元尖峰序列的局部时间延迟分析。我们发现,局部变化成功地表征了标签尖峰列车的非线性特征,如突发性和规律性。我们将这种理解应用于一个极端的社会事件中,并能够观察到Twitter用户对该事件的在线集体关注的时间评估。
2015-04-07 cs.CY cs.SI
Timescale-agnostic characterisation for collective attention events
本文研究了集体注意力事件机制,引入新表示方法跨尺度比较事件,发现Twitter中四种hashtag特征行为,并开发基于智能体模型重现这些行为,揭示其中三种属参数决定的连续体,表明集体注意力遵循独立于系统规模的通用原则。
2024-11-18 cs.CY cs.SI
Dynamical Classes of Collective Attention in Twitter
微博客系统,如Twitter,揭露了社会话语的数字痕迹,对个人行为的分辨率达到了前所未有的程度。他们提供了一个机会,调查如何一个大规模的社会系统响应外源或内源性的刺激,并解开时间,空间和主题方面的用户的活动。在这里,我们重点关注Twitter中的集体关注峰值,特别是标签受欢迎程度的峰值。用户使用主题标签作为社交注释的一种形式,为特定的事件,主题或模因定义共享上下文。我们分析了一个大规模的Twitter活动记录,发现随着时间的推移hastag流行的演变定义离散类的标签。我们将这些动态类链接到主题标签所代表的事件,并使用文本挖掘技术来提供hastag类的语义特征。此外,我们跟踪了Twitter社交网络中hashtag的传播,发现流行病传播在hastag流行度中起着次要作用,这主要是由外源因素驱动的。
2012-03-01 cs.CY cs.HC cs.SI
The Decentralized Structure of Collective Attention on the Web
背景:用户的集体浏览行为产生了一个在网站之间传输注意力的流网络。通过分析这个网络的结构,我们发现了一个关于网站影响的非平凡的标度规律。研究方法:构建了三个以网站为节点,用户在网站间切换形成边的点击流网络。我们开发了一个指标Ci作为衡量网站i的影响,并研究了它与网站Ai在三个网络上和网络内语言社区的流量的相关性。结论:我们发现,网站的影响比其流量增长得慢。具体而言,Ci和Ai之间存在指数γ小于1的标度关系。我们认为,这种比例关系的特点是分散结构的点击流循环:万维网是一个系统,有利于小网站重新分配用户的集体注意力。
2012-11-06 cs.IR cs.SI physics.soc-ph
Unraveling the Origin of Social Bursts in Collective Attention
本研究分析了数百万用户在特殊事件期间的在线活动,发现集体注意力的极端波动可通过社会互动异质性与对有影响力用户的优先关注这两个因素的共现来解释。
2019-03-15 cond-mat.dis-nn cs.SI physics.soc-ph
Leveraging the Power of AI and Social Interactions to Restore Trust in Public Polls
针对众包民意调查数据可信度不足的问题,本文提出基于人工智能的社交互动图结构分析方法,通过模拟不同不诚实行为并在真实数据集实验,在检测不合格参与上取得部分配置准确率超90%的成果,助力恢复公众对民意调查的信任。
2025-11-10 cs.AI cs.CY cs.SI
Predictable Drifts in Collective Cultural Attention: Evidence from Nation-Level Library Takeout Data
IT University of Copenhagen(哥本哈根信息技术大学);Pioneer Centre for Artificial Intelligence(人工智能先锋中心);Center for Social Data Science (SODAS), University of Copenhagen(哥本哈根大学社会数据科学中心(SODAS));Statistics Denmark(丹麦统计局)
研究通过分析五年的全国图书馆借阅数据,发现文化注意力随时间持续漂移,且不同书籍类型漂移差异显著,揭示了集体注意力变化的规律及影响因素。
2026-03-22 cs.CY cs.SI
Collective Link Prediction Oriented Network Embedding with Hierarchical Graph Attention
为了享受更多的社交网络服务,现在的用户通常同时参与多个在线网站。结盟的社交网络提供了更多的信息,以缓解数据不足的问题。在本文中,我们的目标是集体链接预测问题,旨在预测网络内的社会链接,以及跨多个对齐的社交网络的网络间的锚链接。这不是一件容易的事情,主要的挑战涉及网络特性差异问题以及要预测的社交链接和锚链接的不同方向性。为了解决这个问题,我们提出了一个面向应用的网络嵌入框架,层次图注意力为基础的网络嵌入(HGANE),集体链接预测定向对齐网络。与传统的一般网络嵌入模型不同,HGANE有效地将集体链接预测任务目标纳入考虑。它通过聚合来自网络内邻居(通过社交链接连接)和网络间合作伙伴(通过锚链接连接)的信息来学习节点的表示。此外,我们还分别为网络内邻居和网络间伙伴引入了层次图注意力机制,有效地解决了网络特性差异和链路方向性的挑战。在现实世界的对齐网络数据集上进行了大量的实验,以证明我们的模型在解决集体链接预测问题方面优于最先进的基线方法。
2019-10-13 cs.SI physics.soc-ph
Characterizing Collective Attention via Descriptor Context: A Case Study of Public Discussions of Crisis Events
Georgia Institute of Technology(佐治亚理工学院)
社交媒体数据集可以快速量化对新兴话题和突发新闻(如危机事件)的集体关注。集体关注度通常是通过聚合计数来衡量的,比如提到名字或标签的帖子数量。但根据自然语言交流的理性主义模型,每个实体的集体显著性不仅表现在它被提及的频率上,而且表现在这些提及所采取的形式上。这是因为自然语言交流是基于演讲者和作者对他们的信息将如何被目标受众解释的期望而进行的(并根据其定制)。我们通过对Facebook和Twitter上突发新闻事件的公众在线讨论进行大规模分析来测试这一想法,重点关注最近的五个危机事件。我们研究了人们如何指代地点,特别关注上下文描述符,如“圣胡安”与“波多黎各圣胡安”。“对自然语言交流的描述主义者的解释预测,当期望命名的实体对读者具有高的优先显着性时,这样的描述符将是不必要的(因此被省略)。我们发现,上下文描述符的使用确实与代理的社会和信息的期望,包括宏观层面的因素,如位置的全球显着性和微观层面的因素,如观众参与。我们还发现,在每个危机事件的生命周期中,描述符上下文的使用持续减少。这些发现提供了关于社交媒体用户如何与受众沟通的证据,并指向更细粒度的集体注意力模型,这些模型可能有助于研究人员和危机应对组织更好地了解公众对正在发生的危机事件的看法。
2020-03-31 cs.CL cs.SI
The Attention-Directing Ability of Teams
University of Sydney(悉尼大学);Sorbonne Université CNRS, ERL U1338 Inserm(索邦大学CNRS,ERL U1338 Inserm);Learning Transitions, Learning Planet Institute and CY Cergy Paris University(学习转型、学习星球研究所和CY塞尔吉巴黎大学);Northeastern University(东北大学)
本研究提出团队注意力引导能力(ADA)这一潜在团队能力,通过分析2233名参与者组成的79个自组织团队的协作数据,发现ADA可显著预测团队的集体工作参与度与绩效,推进了相关理论发展。
2026-07-30 cs.HC cs.SI econ.GN
Twitter-based analysis of the dynamics of collective attention to political parties
来自社会媒体的大规模数据在描述现实世界中的复杂现象和预测信息传播和社会趋势等集体行为方面具有巨大的潜力。一个具体的研究案例是对政党行动的集体关注。毫不奇怪,研究人员和利益相关者试图将政党在社交媒体上的存在与他们在选举中的表现联系起来。尽管做出了许多努力,但结果仍然是不确定的,因为这种数据通常非常嘈杂,并且重要的信号可能被(大部分未知的)统计波动所覆盖。在本文中,我们认为一个党的推文数量(推文量)作为集体关注的代理党,确定的动态量,并表明,这个数量有一些信息的选举结果。我们发现,每一方的鸣叫量的分布遵循对数正态分布的正自相关的量在短期内,这表明量有很大的波动对数正态分布,但短期的趋势。此外,通过测量连续两次每日推文量的比率,我们发现一个聚会每日推文量的演变可以借助于几何布朗运动来描述(即,体积的对数随趋势随机移动)。最后,我们确定平均鸣叫量的最佳时期,以减少波动和提取短期趋势。我们的结论是,推文量是一个很好的指标,政党在选举中的成功时,考虑在一个最佳的时间窗口。我们的研究确定了对政治问题的集体关注的统计性质,并揭示了如何在社交媒体中对集体关注的动态进行建模。
2015-07-14 cs.SI physics.data-an physics.soc-ph
Collective attention under digital exposure: A dynamical systems approach
Universidade Federal Fluminense(弗鲁米嫩塞联邦大学)
本文提出一个动态系统框架,研究持续屏幕环境暴露对集体注意力的演变,通过分析线性与非线性机制,揭示注意力水平随暴露增加而单调下降的特性。
2026-07-29 cond-mat.stat-mech cs.SI physics.soc-ph
Divergent modes of online collective attention to the COVID-19 pandemic are associated with future caseload variance
使用从2019-09-01到2020-04-30创作的随机10%的推文样本,我们分析了Twitter上用于描述正在进行的COVID-19大流行的单词(1克)的动态行为。在24种语言中,我们发现了两种不同的动态机制:一种是对1月下旬最初的冠状病毒爆发的集体关注的上升和随后的崩溃,另一种是3月与COVID-19相关的话语。按主要语言使用汇总各国,我们发现第一个动态机制的波动性与大约三周后新冠肺炎病例的未来波动性有关(平均22.49 $\pm$ 3.26天)。我们的研究结果表明,对社交媒体上流行病学相关词汇使用变化的监测可能有助于预测疾病病例数的后期变化,但我们强调,我们目前的研究结果不是因果关系或必然预测。
2020-05-20 cs.SI physics.soc-ph
Logarithmic dispersion at marginal stability in collective attention
National Graduate Institute for Policy Studies(国立政策研究大学院大学)
研究揭示集体注意力的对数尺度与随机临界性,通过分数布朗运动模型解释其超慢增长特性。
2026-11-17 cond-mat.stat-mech cs.DL cs.SI
Collective Attention towards Scientists and Research Topics
对科学家及其研究的集体关注的新模式可以作为传统上通过向科学家颁奖的委员会评估的科学影响的代表。因此,了解科学影响力与网上对科学家及其工作信息的需求和供应之间的关系至关重要。在本文中,我们比较了两组科学家在维基百科上的信息供应(文章创作)和信息需求(文章浏览)的时间模式:科学家谁收到了最负盛名的奖项在他们的领域和有影响力的科学家从同一领域谁没有收到奖项。我们的研究表明,奖励的外部冲击,增加了科学家的信息供给和需求,但几乎没有影响他们的研究课题的信息供给和需求。此外,我们发现两组之间的信息供应的时间顺序的有趣的差异:(i)获奖者有更高的概率,他们的兴趣之前,在他们的工作的兴趣;(ii)获奖者的兴趣,在文章中关于他们和他们的工作是暂时的集群比非获奖的科学家。
2018-04-17 cs.CY cs.SI
Between News and History: Identifying Networked Topics of Collective Attention on Wikipedia
该研究提出时间社区检测方法,结合关注动态与网络结构,识别维基百科上反映当前事件与既有知识的主题,并揭示其与百科全书知识及新闻的双重关联。
2023-05-12 cs.CY cs.SI physics.soc-ph
Attentional DoS: Repeat Reposting, Collective Attention, and Information Diffusion on X
Institute of Science Tokyo(东京科学大学);Hirosaki University(弘前大学);University of Aizu(会津大学);Institute of Industrial Science, The University of Tokyo(东京大学工业研究所)
该研究定义了X平台上的重复转发行为(注意力拒绝服务),通过大规模日语帖子级联数据集分析其特征,发现重复转发多来自少数习惯性账号,后续受众增长更依赖账号覆盖范围,且多数分布式放大行为针对中文商业垃圾内容。
2026-09-28 cs.SI
Wikipedia and Digital Currencies: Interplay Between Collective Attention and Market Performance
关于比特币和其他数字或“加密”货币的信息的生产和消费与它们的市值一起增长。然而,目前仍缺乏对多种数字货币的在线关注度与市场动态之间关系的系统调查。在这里,我们量化了维基百科对数字货币的关注与其市场表现之间的相互作用。我们考虑了货币相关页面的整个编辑历史,以及自2015年7月以来的浏览历史。首先,我们通过分析编辑活动和共同编辑页面的网络来量化维基百科中加密货币存在的演变。我们发现,一个由紧密联系的编辑组成的小社区负责维基百科中有关加密货币的大部分信息。然后,我们表明,一个简单的交易策略,由维基百科的意见,执行更好的,在投资回报方面,比经典的基线策略的大部分覆盖期间。我们的研究结果有助于最近的文献在线信息和投资市场之间的相互作用,我们预计这将是研究人员和投资者的兴趣。
2019-03-06 cs.SI physics.soc-ph q-fin.GN
Collective attention in the age of (mis)information
在这项工作中,我们研究了230万人的样本,Facebook用户如何在最近一次意大利选举竞争中在政治讨论和新闻的边缘消费不同的信息。网页根据其主题和所涉及的利益群体进行分类,a)替代信息源(传播被科学和主流媒体忽视的主题); b)在线政治活动; c)主流媒体。我们发现,尽管信息的性质不同,但注意力模式是相似的,这意味着未经证实的主张(主要是阴谋论)与其他信息一样长时间地回响。最后,我们根据不同主题之间的交互模式对用户进行分类,并测量这个社交生态系统的样本(1279名用户)对注入2788个虚假信息帖子的反应。我们的分析表明,用户谁是突出与替代信息源(即更多地暴露于未经证实的索赔)更容易与虚假索赔互动。
2014-03-13 cs.CY cs.SI physics.soc-ph
Say Their Names: Resurgence in the collective attention toward Black victims of fatal police violence following the death of George Floyd
2020年5月,乔治·弗洛伊德被警方谋杀,引发了国际抗议活动,并重新引起了黑人生命问题运动的关注。在这里,我们描述了乔治·弗洛伊德去世后的在线活动在数量和强度上无与伦比的方式,包括在Twitter上创造活动记录,促使平台历史上最悲伤的一天,并使乔治·弗洛伊德的名字出现在一天中最常用的十大短语中,在那里,他是唯一一个在同一周早些时候没有被公众所知的人。此外,我们发现这种关注超出了乔治·弗洛伊德的范围,在他去世后,更多的致命警察暴力的黑人受害者受到了关注,而不是在黑人生命问题历史上的其他过去时刻。我们将这种关注放在之前的在线种族正义活动的背景下,通过展示过去12年来在Twitter上如何取消和纪念警察暴力的黑人受害者的名字。我们的研究结果表明,2020年对黑人生命问题运动的关注浪潮以前所未有的方式集中在过去的警察暴力事件中,这表明了该运动的修辞策略的影响“说出他们的名字。"
2021-06-18 cs.CY cs.SI physics.soc-ph
Filling holes in science draws collective attention, but most higher-order holes remain unexplored
University of Chicago(芝加哥大学);Santa Fe Institute(圣塔菲研究所)
该研究用持续同调检测高维知识嵌入中的不同阶空白,发现填补预期空白的研究者更易获关注,高阶空白随知识增长激增而科学填补比例下降,呼吁发展空白科学并探索AI填补高维间隙的前沿。
2026-10-15 cs.CY cs.DL cs.SI
Collective response to the media coverage of COVID-19 Pandemic on Reddit and Wikipedia
在流行病爆发期间,信息的暴露和消费可能会改变风险认知,引发行为变化,并最终影响疾病的演变。因此,至关重要的是,要了解主流媒体的信息传播情况和公众的反应。然而,我们对COVID-19大流行期间的这一应对动态的了解仍然有限。在本文中,我们提供了意大利、英国、美国和加拿大四个国家对COVID-19大流行的媒体报道和在线集体关注的特征。为此,我们收集了一个异构数据集,包括主流媒体发布的227,768篇在线新闻文章和13,448个Youtube视频,社交媒体平台Reddit上的107,898个用户帖子和3,829,309条评论,以及278,456,892次与COVID-19相关的维基百科页面浏览量。我们的研究结果显示,公众关注度(量化为Reddit上的用户活动和维基百科页面上的活跃搜索)主要由媒体报道驱动,并迅速下降,而新闻曝光率和COVID-19发病率仍然很高。此外,通过使用一个无监督的,动态的主题建模方法,我们表明,虽然专注于不同的主题的媒体和在线用户的注意是在良好的一致性,有趣的偏差出现在他们的时间模式。总的来说,我们的研究结果提供了一个额外的关键来解释公众的看法/对当前全球卫生紧急情况的反应,并提出了有关注意力饱和对集体意识,风险认知,从而对行为变化趋势的影响的问题。
2020-06-08 cs.SI physics.soc-ph
Including Images into Message Veracity Assessment in Social Media
University of Lyon, Lyon 2(里昂第二大学)
社交媒体在信息传播中的广泛使用也为谣言的传播奠定了肥沃的土壤,这可能会严重影响社交媒体的可信度。越来越多的用户发布新闻,除了文本之外,还包括诸如图像和视频的多媒体数据。然而,由于简单且有效的图像和视频处理工具的广泛可用性,这样的多媒体内容是容易编辑的。近年来,社交网络帖子的真实性评估问题引起了研究者的广泛关注。然而,几乎所有以前的作品都集中在分析文本内容,以确定准确性,而视觉内容,特别是图像,仍然被忽视或很少利用的文献。在这份立场文件中,我们提出了一个框架,探讨了两种新的方法来评估发布在社交网络上的消息的真实性,通过分析其文本和视觉内容的可信度。
2020-07-20 cs.CV cs.IR cs.LG
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
Postmortem memory of public figures in news and social media
人们常说,已故的公众人物将永远活在集体的记忆中。我们通过跟踪2,362名公众人物在英语在线新闻和社交媒体(Twitter)上的死亡前后一年的提及来量化这一现象。我们测量了死亡后注意力的尖峰和快速衰减,并将集体记忆建模为交流记忆和文化记忆的组成部分。聚类分析揭示了死后记忆的四种模式,回归分析表明,媒体关注度的提升对于那些年轻非自然死亡的流行英语国家来说是最大的;长期的提升对于领导者来说是最小的,而对于艺术家来说是最大的;而且,虽然新闻和Twitter都是由年轻非自然死亡引发的,但当老年人或领导人去世时,新闻还会策划集体记忆。总的来说,我们阐明了谁被社会记住的古老问题,以及新闻和社交媒体在集体记忆形成中的独特作用。
2021-10-29 cs.SI
How the world's collective attention is being paid to a pandemic: COVID-19 related n-gram time series for 24 languages on Twitter
在应对全球蔓延的冠状病毒疾病COVID-19大流行时,我们必须协调医疗,运营和政治反应。在所有努力中,数据至关重要。从根本上说,在可能12至18个月没有疫苗的情况下,我们需要对疾病的存在以及通过抗体血清学测试确认的康复进行普遍的、有充分记录的测试,我们需要跟踪主要的社会经济指数。但我们也需要各种辅助数据,包括有关人们如何通过新闻和故事谈论正在发生的大流行病的数据。为了在一定程度上帮助社交媒体方面,我们在Twitter上策划了一组2000天规模的时间序列,包括24种语言的1-和2-克,这些语言对于2020年4月相对于2019年4月来说是最“重要的”。我们确定的重要性,通过我们的allotaxonometric仪器,秩湍流散度。我们对一些时间序列进行了一些基本观察,包括与一段时间内因COVID-19而确诊的死亡人数进行比较。我们广泛观察到,在所有语言中,特定语言的“病毒”一词在2020年1月达到峰值,随后在2月下降,然后在3月和4月激增。当病毒从中国传播出去时,世界的集体关注度下降了。我们将时间序列托管在Gitlab上,并在相关的情况下每天更新。我们的主要目的是让其他研究人员利用这些时间序列来加强在大流行期间可能有用的任何分析以及回顾性调查。
2021-01-06 cs.SI physics.soc-ph
Black Lives Matter in Wikipedia: Collaboration and Collective Memory around Online Social Movements
社会运动使用社会计算系统来补充离线动员,但以前的文献几乎只关注运动参与者对社会媒体的使用。在本文中,我们分析了2014年至2016年期间英语版维基百科中与黑人生命物质运动有关的主题的参与和关注。我们的研究结果表明,维基百科的使用(1)集中记录和连接历史和当代事件,(2)协作迁移活动以支持新事件的报道,以及(3)在新事件发生后动态地重新评估先前存在的知识。这些发现揭示了补充集体记忆和集体行动理论的行为模式,并有助于解释社会计算系统如何编码和检索有关社会运动的知识。
2016-11-04 cs.CY cs.HC cs.SI
Tweet, but Verify: Epistemic Study of Information Verification on Twitter
虽然Twitter提供了一个前所未有的机会来了解突发新闻和时事,但它经常在用户中产生怀疑,因为并非所有信息都是准确的,而且有时还会传播恶作剧。虽然在自然灾害等快节奏事件中,避免恶作剧的传播是一个主要问题,但到目前为止,关于用户如何信任和验证这些情况下推文中的信息的研究很少受到关注。我们调查了用户对发布在Twitter上与飓风桑迪有关的目击者照片的可信度看法。通过检查可信度的看法,建议在认识论领域的信息验证的功能,我们评估其准确性,以确定图片是真的还是假的相比,由专家进行的专业评估。我们的研究揭示了关于推文呈现的见解,以及用户在评估快节奏事件背景下推文的真实性时应该查看的功能。我们的一些主要发现包括,虽然应该强调Twitter提要上不容易获得的作者详细信息,以便于验证推文,但显示多个推文证实一个事实会误导用户相信实际上是一个骗局。我们将推特上发现的一些行为模式与心理学研究中的文献进行了对比。
2013-12-30 cs.CY cs.SI
The production of information in the attention economy
人类活动的在线痕迹为研究复杂的知识交换网络的动态提供了新的机会,特别是信息需求和供应之间的关系是如何通过对我们有限的个人注意力的竞争来调节的。集体注意力的涌现模式决定了什么样的新信息被产生和消费。我们能否衡量一个主题的新信息的供求关系?在这里,我们提出了一个规范化的方法来比较注意力爆发统计数据的主题,有一个异构的注意力分布。通过对维基百科流量的大量数据集的分析,我们发现新知识的产生与集体注意力的重大转移有关,我们将其作为其需求的代理。我们所观察到的情况与这样一种情景是一致的,即对一个主题的注意力分配刺激了对有关该主题的信息的需求,反过来又刺激了进一步的新信息的供应。我们试图量化信息的需求和供给,以及我们对它们的时间顺序的发现,可能会导致注意力经济基本规律的发展,以及更好地理解在线和离线信息网络中的社会知识交换。
2014-09-15 cs.SI physics.soc-ph
When the Filter Bubble Bursts: Collective Evaluation Dynamics in Online Communities
我们通过各种社交媒体上的正面和负面投票来分析在线集体评价过程。我们发现两种模式的集体评价,源于过滤泡沫的存在。在集体注意力的阈值之上,消极情绪随着积极情绪的增长而增长得更快,这是当信息超出用户的本地社会背景时过滤泡沫破裂的标志。我们分析了集体评价的内容如何能够达到大的社会背景,并创造两极分化,表明通过文本表达的情感在集体评价过程中发挥着关键作用。
2016-02-18 cs.SI physics.data-an physics.soc-ph
Modeling Collective Anticipation and Response on Wikipedia
网络媒体的流行动力是由内生传播机制和对包括新闻和事件在内的外生冲击的反应共同驱动的。然而,很少有人知道的事件相关的信息,例如,哪些类型的事件触发持久的活动的流行时间模式的依赖。在这里,我们提出了一个简单的模型,通过结合关键特征,即,集体注意力的预期增长和衰减以及昼夜节律。该模型使我们能够开发一种新的方法来预测未来的页面浏览活动和聚类时间序列。为了验证我们的方法,我们从维基百科收集了与一系列计划中的事件相关的页面浏览量数据,这些事件是我们事先知道的未来将有一个固定日期的事件,例如选举和体育赛事。我们的方法是优于现有的模型在预测和聚类任务。此外,仅限于与足球相关的维基百科页面,我们观察到事件的具体实现,在我们的情况下,哪支球队赢得比赛或比赛类型,对事件后的响应动态有显着影响。我们的工作表明,适当地建模集体注意力的所有阶段,以及注意力的时间模式和它们所代表的事件的特征基础信息之间的连接的重要性。
2021-05-23 cs.CY cs.SI physics.soc-ph
Cross-Language Evolution of Divergent Collective Memory Around the Arab Spring
通过分析2011-2024年间阿拉伯语和英语维基百科中阿拉伯之春相关文章的存档内容,定义了多语言的事件显著性、商议、语境化和集体记忆巩固度量,揭示了跨语言内容相似性的时间演化规律。
2024-04-16 cs.CL cs.CY cs.HC
Rising tides or rising stars?: Dynamics of shared attention on Twitter during media events
政治辩论等“媒体事件”产生了共同关注的条件,因为许多用户同时通过广播和社交媒体的双重屏幕进行观看和参与。在共享注意力的条件下,用户行为的集体模式与其他活动的“突发”(如突发新闻事件)不同吗?使用来自大约20万政治活跃Twitter用户的数据,我们比较了他们在2012年美国总统大选期间八个主要事件中的行为特征,以研究(1)与“典型”时间相比,“媒体事件”对社交媒体使用模式的影响,以及(2)媒体事件期间的变化是否可归因于整个人群的行为变化或精英用户行为变化的人为因素。我们的研究结果表明,虽然这一人群在媒体活动期间变得更加活跃,但这种额外的活动反映了对少数用户,标签和推文的集中关注。我们的工作是第一个研究区分模式的大规模社会行为的条件下的不确定性和共享的注意力,提出了新的方法,从社会媒体挖掘信息,以支持集体意义重大事件后。
2013-07-10 cs.SI physics.soc-ph
Memory Remains: Understanding Collective Memory in the Digital Age
最近发展的信息通信技术,特别是互联网,已经影响了我们作为个人和社会创造,存储和回忆信息的方式。互联网也为我们提供了一个很好的机会来研究记忆使用事务大规模数据,在一个定量的框架类似于统计物理学的做法。在这个项目中,我们通过分析维基百科上关于飞机失事的文章的收视率统计数据来利用在线数据。我们研究最近的事件和过去的事件之间的关系,特别是专注于理解记忆触发模式。我们设计了一个定量模型,解释了从当前事件到过去事件的收视率流动,基于时间,地理,主题和维基百科文章的超链接结构的相似性。我们发现,平均而言,由这种记忆过程产生的对过去事件的二次注意流大于对当前事件的主要注意流。我们是第一个报告这些级联效应的人。
2016-09-08 cs.CY cs.SI physics.data-an
Competition Dynamics in the Meme Ecosystem
模因的创造和分享是在线社交互动的一种常见模式。目前的工作的目标是更好地了解在这个加速和竞争的环境模因的集体动态。通过从生态学的角度出发,跟踪整个Reddit上352个流行模因的模因文本,我们能够表明,模因的频率几乎与过去十年创建的内容总量完全一致。这意味着随着更多的数据被发布,相同比例的模因被发布。面对越来越多的迷因,人类注意力有限的一个后果是,在同一时期,这些迷因的多样性在社区层面上有所减少,尽管幅度很小。另一个结果是,模因的平均寿命急剧下降,这进一步证明了竞争的增加和集体注意力持续时间的减少。
2021-02-08 cs.SI
Timescales of Massive Human Entrainment
在过去的二十年里,人们对由多个相互关联的主体和外部事件组成的复杂系统的集体行为的兴趣高涨。在本文中,我们扩展的概念,夹带人类集体注意力的动态。我们对2012年美国总统大选辩论期间Twitter上数十万条信息的内容和模式所表达的人类夹带的展开进行了详细的调查。通过锁定这些数据源的时间,我们量化了正在展开的辩论对人类注意力的影响。我们发现,集体的社会行为covaries秒到秒的辩论的互动动态:一个候选人发言诱导快速增加在社交媒体上提到他的名字,并减少提到其他候选人。此外,对话者的打断会增加人们的注意力。我们还强调了辩论中突出时刻的影响的独特时间尺度:社交媒体中的提及在该时刻之后的5-10秒内开始;在大约一分钟时达到峰值;并在辩论期间以一致的方式缓慢衰减。最后,我们表明,公众的注意力在最初的爆发后慢慢衰减的过程中的辩论。因此,我们表明,大规模的人类夹带可能会持有跨越一些不同的尺度,在一个精致的时间锁定的方式。方法和结果铺平了道路,仔细研究的动力学和机制的大规模人类夹带。
2015-01-11 cs.SI physics.soc-ph
Interactional and Informational Attention on Twitter
Twitter可以被认为是一个去中心化的社交信息处理平台,其用户不断接收其关注者的信息源,然后他们可以将这些信息发送给他们的关注者。这种权力下放在活动和注意力方面并不缺乏等级和异质性。特别是,我们评估的注意分配在集体和个人的水平,这表明存在的注意力的限制和焦点效应。我们观察到,大多数用户通常集中他们的注意力在一个有限的核心同行和主题,并讨论interceptibility和信息注意过程之间的关系-所有这些,我们建议,可能是有用的细化影响力模型,使考虑不同的注意力可能性取决于用户,他们的活动水平和同行的位置。
2019-07-18 cs.CY cs.SI physics.data-an
LLM Agents Make Collective Belief Dynamics Programmable: Challenges and Research Directions
Centre for Frontier AI Research, Agency for Science, Technology and Research (A*STAR), Singapore(前沿人工智能研究中心,新加坡科技研究局);Institute of High Performance Computing, Agency for Science, Technology and Research (A*STAR), Singapore(高性能计算研究所,新加坡科技研究局);College of Design and Engineering, National University of Singapore, Singapore(新加坡国立大学设计工程学院);College of Computing and Data Science, Nanyang Technological University, Singapore(南洋理工大学计算与数据科学学院)
本文研究了LLM代理如何使集体信念动态变得可编程,探讨了挑战和研究方向,通过多智能体模拟证明协调AI代理可以诱导可测量的信念变化,并识别了使检测和防御困难的四个结构性质。
2026-05-19 cs.MA cs.SI
CoBAD: Modeling Collective Behaviors for Human Mobility Anomaly Detection
Carnegie Mellon University(卡内基梅隆大学)
针对集体移动异常检测未被充分探索的问题,提出CoBAD模型,通过两阶段注意力机制建模个体时空依赖与交互,检测意外共现和缺席异常,在大规模数据集上AUCROC和AUCPR显著优于基线。
2025-08-13 cs.AI cs.LG cs.SI