RTs != Endorsements: Rethinking Exposure Fairness on Social Media Platforms
本文指出社交媒体推荐系统的曝光公平性需考虑用户所处的社会环境，提出曝光频率与曝光对象同等重要，应扩展公平性定义。
2024-09-20 cs.SI
An Anonymous Social Network of Opinions
在线社交网络（OSNs）的研究兴趣在过去十年中急剧增加，主要是因为在线网络提供了大量的社交信息源。图结构、用户连接、增长、信息暴露和扩散是一些最经常研究的主题。然而，这些网络的某些方面，如匿名性，平等和偏见被忽视，甚至不被考虑。在相关文献中，这些特征似乎对社会交往有影响。基于这些研究，我们的目标是确定如何普遍匿名影响偏见，用户平等，信息传播，共享和曝光，连接建立，以及网络结构。因此，我们提出了一个新的匿名在线社交网络，这将有利于各种监测和数据分析。
2015-06-04 cs.SI physics.soc-ph
Socio-spatial Self-organizing Maps: Using Social Media to Assess Relevant Geographies for Exposure to Social Processes
社交媒体为了解种族主义和同性恋恐惧症等态度提供了一个独特的窗口，接触这些态度很重要，难以衡量，也没有充分研究健康的社会决定因素。然而，来自社交媒体的个人地理定位观测是嘈杂的，并且在地理上不一致。现有的暴露测量区域，如邮政编码，平均超过不相关的管理定义的边界。因此，为了能够研究在线社会环境措施，如社交媒体上的态度及其与健康结果的可能关系，首先需要一种方法来定义集体的，潜在的社会媒体态度的程度。为了解决这个问题，我们创建了社会空间自组织地图，“SS-SOM”管道，以最好地识别区域的潜在社会态度从Twitter帖子。SS-SOM使用神经嵌入进行文本分类，并增强传统SOM以生成受控数量的非重叠，拓扑约束和主题相似的聚类。我们发现，SS-SOM不仅对缺失数据具有鲁棒性，而且与使用基于邮政编码的措施相比，使用SS-SOM措施时，易受多种种族主义和同性恋恐惧症相关健康结果影响的男性群体的暴露率变化高达42%。
2018-09-04 cs.CY cs.SI
Bots increase exposure to negative and inflammatory content in online social systems
社会是一个复杂系统，往往会分化成观点截然相反的个人小组。这种现象在在线社交网络中得到了反映--而且经常被放大--然而，在这些网络中，人类不再是唯一的参与者，而是与社交机器人共存，即，软件控制的账户。分析2017年10月1日加泰罗尼亚独立公投期间收集的大规模社交数据，包括近100万用户生成的近400万条Twitter帖子，我们确定了独立派和立宪派这两个两极分化的群体，并量化了社交机器人所扮演的结构和情感角色。我们发现，机器人从社会系统的外围区域采取行动，以两个群体中有影响力的人为目标，用暴力内容轰炸独立派，增加他们对负面和煽动性叙述的接触，并加剧网上的社会冲突。我们的研究结果强调了制定对策以揭露这些形式的自动化社会操纵的重要性。
2019-02-28 cs.CY cs.HC cs.MA
Selective Exposure shapes the Facebook News Diet
社会脑假说将我们能够维持的社会关系数量固定为150。类似的认知限制出现在我们日常生活的几个方面，从我们的移动性到我们的沟通方式，甚至可能影响我们在线消费信息的方式。事实上，尽管我们可以在网上获得前所未有的信息量，但我们的注意力范围仍然有限。此外，最近的研究表明，用户倾向于忽视不同的信息，但与信息坚持自己的观点。在本文中，我们通过分析1400万用户在6年的时间跨度内与Facebook上的583个新闻媒体（页面）进行交互，定量分析了用户在社交媒体上的新闻消费中的注意力经济。特别是，我们探索用户如何在新闻页面和主题中分布他们的活动。我们发现，独立于他们的活动，用户表现出的倾向，遵循数量非常有限的网页。另一方面，用户倾向于与他们喜欢的页面所呈现的几乎所有主题进行交互。最后，我们介绍了一个分类会计用户行为之间的选择性曝光和兴趣的模式进行区分。我们的研究结果表明，回声室中的用户隔离可能是用户在社交媒体上活动的一个新兴效应，而选择性曝光-即用户消费与其偏好一致的信息兴趣的倾向-可能是其消费模式的主要驱动力。
2019-03-02 cs.SI physics.soc-ph
Hazard Exposure Heterophily: A Latent Characteristic in Socio-Spatial Networks Influencing Community Resilience
本研究提出灾害暴露异质性作为社会-空间网络的潜在特征，通过休斯顿案例揭示其空间变化，并指出低收入地区因同质性高而韧性低，强调其重要性。
2023-06-22 cs.SI
Estimating Exposure to Information on Social Networks
本文研究了社会网络中信息暴露的估计问题。给定一条信息（例如，Facebook上一篇新闻文章的URL，Twitter上的一个标签），我们的目标是找到网络上接触过它的人的比例。接触一条信息的确切价值由两个特征决定：底层社交网络的结构和分享这条信息的人。通常，这两个特征都不是公开可用的（即，对这两个特征的访问仅限于平台的内部管理员），并且难以从数据中估计。作为一种解决方案，我们提出了两种方法来估计暴露在一条信息的无偏的方式：香草方法，这是基于均匀采样的网络和一种方法，非均匀采样的网络的友谊Partial动机。我们提供的理论结果，其特征的条件下（在网络和信息的属性），其中一种方法优于其他。此外，我们概述了所提出的方法扩展到动态信息级联（曝光需要实时跟踪）。我们通过在多个合成和真实世界数据集上的实验证明了所提出的方法的实际可行性。
2022-07-13 cs.IR cs.SI
Leveraging Motifs to Model the Temporal Dynamics of Diffusion Networks
基于社会影响力模型的信息扩散机制主要研究了当活跃邻居向用户暴露消息时采用的可能性。这个问题主要源于这样一个事实，即在大多数情况下，在易感节点被感染之前，社交网络中的一组活跃邻居中谁暴露了谁的明确信息是不可用的。在本文中，我们试图通过研究级联的时间网络结构来理解通过信息级联的扩散过程。在这样做的过程中，我们通过网络修剪技术，利用网络图案，以确定潜在的感染者负责从这些活跃的邻居之间的暴露，适应从一个节点的活跃邻居的曝光的影响。我们试图评估级联动力学建模中使用的组件的有效性，特别是暴露信息的附加效果是否有用。根据这个模型，我们开发了一种推理算法，即InferCut，它使用从模型和暴露信息中学习到的参数来预测给定级联中每个潜在易感用户的实际父结点。通过对真实世界微博社交网络数据集的实证分析，证明了在扩散过程的早期阶段，引入暴露信息对恢复暴露用户的确切父母的重要性。
2020-03-23 cs.SI physics.soc-ph
Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias
Jilin University（吉林大学）；The Hong Kong Polytechnic University（香港理工大学）；Griffith University（格里菲斯大学）
本文提出CGSoRec模型，通过去噪社交网络和调整用户偏好权重，缓解推荐中的流行偏见。模型包含条件引导的社交去噪和扩散推荐模块，在三个真实数据集上验证了有效性。
2026-04-10 cs.LG cs.SI
Interplay between social contact and media exposure in the overestimation of racial diversity in the U.S
Central European University（中欧大学）；Complexity Science Hub（复杂性科学中心）
研究探讨了社会接触和媒体暴露如何影响美国人口对少数族裔群体规模的高估，发现高估随地理尺度和种族群体变化，且媒体消费与社交互动影响不同。
2026-03-27 cs.CY cs.SI physics.soc-ph
Balancing spreads of influence in a social network
我们在社交媒体上的新闻消费的个性化倾向于加强我们先前存在的信念，而不是平衡我们的意见。这一发现是对我们民主国家健康的关注，因为民主国家依赖于获得提供不同观点的信息。为了从计算的角度解决这个问题，Garimella等人（NIPS'17）使用著名的独立级联模型对这些观点（也称为活动）的传播进行了建模，并研究了一个优化问题，该问题旨在当两个对立的活动在网络中传播时平衡社交网络中的信息暴露。他们的$NP$ -hard优化问题的目标是最大化暴露于两个视点或不暴露于任何视点的人数。对于两个不同的设置，一个对应于其中活动以相关方式传播的模型，第二个对应于其中两个活动以异质方式传播的模型，它们提供恒定比率近似算法。在本文中，我们研究了这个问题的一个更一般的提法。也就是说，我们假设$μ$不同的活动在社交网络中传播，我们的目标是最大化暴露于$ν$或没有活动的人数，其中$μ\geν\ge2$。我们为相关和异构设置提供专用的近似算法。有趣的是，对于异构设置与$ν\ge 3$，我们给出了一个减少导致几个近似硬度的结果。也许最重要的是，我们得到，对于任何假设Gap-ETH的$g(n)=o(1)$，该问题不能在$n^{-g(n)}$的因子内近似，$n$表示社交网络中的节点数量。对于$ν\ge 4$，如果存在某类单向函数，则不存在$n^{-ε}$近似算法，其中$ε> 0$是取决于$ν$的给定常数。
2019-05-31 cs.DS cs.SI
Re-ranking Using Large Language Models for Mitigating Exposure to Harmful Content on Social Media Platforms
University of California, Davis（加州大学戴维斯分校）；University of South Florida（佛罗里达州立大学）；Microsoft Corporation（微软公司）
针对社交媒体推荐算法导致有害内容曝光的问题，提出在零样本和少样本设置下利用大型语言模型动态评估并重新排序内容序列的方法，无需大量标注数据，且在多数据集和模型配置下显著优于现有专有审核方法。
2025-05-29 cs.AI cs.CL cs.CY
Audit of takedown delays across social media reveals failure to reduce exposure to illegal content
Observatory on Social Media, Indiana University（社交媒体观测站，印第安纳大学）；Center Synergy of Systems, Dresden University of Technology（系统协同中心，德累斯顿工业大学）；Dept. of Innovative Technologies, University of Applied Science and Arts, Switzerland（创新技术系，瑞士应用科学与艺术大学）；Dept. of Computer Science and Engineering, University of Bologna, Italy（计算机科学与工程系，博洛尼亚大学）；Media & Internet Governance Division, IKMZ, University of Zurich, Switzerland（媒体与互联网治理部门，IKMZ，苏黎世大学）；Information Sciences Institute, University of Southern California（信息科学研究所，南加州大学）
本研究通过分析社交媒体下架延迟，发现快速删除能显著减少非法内容的传播，而延迟删除效果有限，强调加快内容删除的重要性。
2026-02-02 cs.CY cs.SI
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
Are You Really Hidden? Predicting Current City from Profile and Social Relationship
由于广告垃圾、在线跟踪和身份盗窃等威胁，隐私已成为在线社交网络（OSN）中的主要问题。尽管许多用户在OSN中隐藏或不填写他们的私人属性，但先前的研究指出，隐藏的属性可以从其他一些公共信息中推断出来。因此，用户的私人信息仍然可能处于被暴露的危险之中。然而，很少有工作帮助用户评估隐藏属性可以正确预测的暴露概率/风险，更不用说为他们提供针对性的对策了。在这篇文章中，我们的研究重点是暴露风险评估的一个特定的隐私敏感属性-当前城市-在Facebook上。具体来说，我们首先设计了一种新的当前城市预测方法，揭示用户隐藏的“当前城市”，从他们的自我暴露的信息。基于371，913个Facebook用户的数据，我们验证了我们提出的预测方法可以比最先进的方法更准确地预测用户的当前城市。此外，我们检查的预测结果和模型的当前城市暴露概率通过一些可测量的特征的自我暴露的信息。最后，我们构建了一个暴露估计，以评估当前的城市暴露风险的个人用户，给他们的自我暴露的信息。几个案例研究来说明如何使用我们提出的估计隐私保护。
2015-08-04 cs.SI
Prediction of "Forwarding Whom" Behavior in Information Diffusion
用户之间的关注网络是在线社交网络上信息传播动态的基础。一般来说，底层社会网络的结构决定了消息的可见性和扩散过程。本文以新浪微博为例，研究个人转发行为。我们研究了信息扩散中的多重曝光以及与多重曝光相关的“转发谁”问题。最后，我们结合结构、时间、历史和内容特征，对个人的“转发谁”行为进行建模和预测。实验结果表明，我们的方法达到了较高的准确率91.3%。
2016-11-07 cs.SI physics.soc-ph
Evidence of Complex Contagion of Information in Social Media: An Experiment Using Twitter Bots
由于Twitter等拥有数百万用户的在线平台的出现，最近有可能大规模研究技术社会系统中的信息传播动态。一个经常出现的问题是，信息的传播是按照简单的还是复杂的动力学进行的：每次接触到一条信息，用户接受它的概率是独立的（简单传染），还是这种概率取决于接触源的数量，超过某个阈值后会增加（复杂传染）？到目前为止，大多数研究都是观察性的，因此，无法解开混淆因素，如社会强化，同质性，有限的注意力，或网络社区结构的影响。在这里，我们描述了一个新的控制实验，我们在Twitter上使用“社交机器人”部署进行协调尝试传播信息。我们提出了两个贝叶斯统计模型描述简单和复杂的传染动力学，并测试竞争的假设。我们提供的实验证据表明，复杂的传染模型比简单的传染更准确地描述了所观察到的信息扩散行为。我们的研究结果的未来应用包括更有效地防御社交媒体上的恶意宣传活动，改进营销和广告策略，以及设计有效的网络干预技术。
2017-03-17 cs.SI physics.soc-ph
Physical partisan proximity outweighs online ties in predicting US voting outcomes
University of Trento（特伦托大学）；Fondazione Bruno Kessler (FBK)（布鲁诺·孔塞基金会）
该研究结合美国个体调查、共位与在线网络数据，通过统计建模发现物理空间的党派接触比在线、居住接触更能准确预测选举结果，且线下党派隔离程度更高，凸显物理空间对理解社交网络与政治行为的重要性。
2025-10-03 cs.CY cs.SI physics.soc-ph
Quantifying Information Overload in Social Media and its Impact on Social Contagions
信息过载已成为现代社会普遍存在的问题。社交媒体用户和微博用户接收到源源不断的信息，其速度往往远远高于他们处理信息的认知能力。在本文中，我们进行了一个大规模的定量研究信息过载，并评估其对Twitter社交媒体网站的信息传播的影响。我们将社交媒体用户建模为信息处理系统，该系统根据某些策略对传入信息进行排队，以某些未知速率处理来自队列的信息，并决定将某些传入信息转发给其他用户。我们展示了如何通过用户接收和转发的带有时间戳的推文数据来揭示其发布策略的关键属性，并估计其信息处理速率和限制。对用户信息处理行为的理解使我们能够推断用户是否以及在多大程度上遭受信息过载。我们的分析为社交媒体用户的信息处理限制和信息过载的普遍性提供了经验证据。最活跃和最受欢迎的社交媒体用户往往是那些超载的人。此外，我们发现用户接收信息的速度会影响他们的处理行为，包括他们如何优先处理来自不同来源的信息，他们处理多少信息以及他们处理信息的速度。最后，社交媒体用户对社交传染的敏感性关键取决于她接收信息的速度。接触一条信息，无论是一个想法，一个惯例还是一个产品，对于接收信息频率较高的用户来说，效果要差得多，这意味着他们需要更多的接触才能接受特定的传染病。
2014-03-26 cs.SI physics.soc-ph
Modeling Node Exposure for Community Detection in Networks
在社区发现中，数据集经常遭受采样偏差，通常具有高亲和力的节点似乎具有零亲和力。例如，当社交网络的两个仿射用户彼此不接触时，就会发生这种情况。在这种数据上的社区发现则受到将仿射节点视为非仿射节点的影响。为了解决这个问题，我们明确的模型（非）暴露机制的贝叶斯社区发现框架，通过引入一组额外的隐藏变量。与不对暴露进行建模的方法相比，我们的方法能够更好地重建输入图，同时在恢复社区方面保持类似的性能。重要的是，它允许估计两个节点被暴露的概率，这是标准模型无法提供的可能性。
2022-07-06 cs.SI physics.soc-ph
Balancing Specialization and Adaptation in a Transforming Scientific Landscape
本文提出基于最优传输的贝叶斯方法，利用高能物理学家群体数据揭示专业化与适应性的权衡机制，发现社会资本的不同维度对研究转型具有相反影响。
2024-09-30 cs.SI physics.soc-ph stat.AP
Illusory Truth or Mere Exposure? Model-Dependent Repetition Effects in LLM-Based Social Media Simulations
University of Zurich（苏黎世大学）
本研究在LLM社交媒体模拟中探究虚幻真实效应，发现不同模型表现各异，其中Gemma-3最接近人类行为，警示不可假设统一复现该效应。
2026-09-30 cs.AI cs.SI
Partisan Asymmetries in Exposure to Misinformation
据信，在新冠肺炎大流行期间，健康方面的错误信息导致了疫苗的犹豫，突显了人们对社交媒体在两极分化和社会稳定中所起作用的担忧。虽然先前的研究已经确定了政治党派和网上错误信息共享之间的联系，但党派和人们在社交网络中看到多少错误信息之间的相互作用还没有得到很好的研究。因此，我们不知道是党派之争导致了错误信息的曝光，还是人们在接触到事实内容的情况下选择性地分享错误信息。我们研究了Twitter上关于新冠肺炎疫情的讨论，按照政治和事实维度对用户进行了意识形态分类。我们发现，在分享行为和曝光方面存在党派不对称，保守派更有可能看到和分享错误信息，而温和的自由派看到的是最真实的内容。我们确定了多维的回音室，使用户接触到意识形态一致的内容;然而，政治和事实维度之间的相互作用为高度两极化的用户-强硬的保守派和自由派-放大错误信息创造了条件。尽管如此，错误信息受到的关注少于事实内容和政治温和派，他们代表了我们样本中的大部分用户，帮助过滤错误信息，减少信息生态系统中低真实性内容的数量。确定两极分化的程度以及政治意识形态如何加剧错误信息，可能有助于公共卫生专家和政策制定者改善他们的信息传递，以促进共识。
2022-03-02 cs.SI
Quantifying Biases in Online Information Exposure
我们对在线信息的消费是由过滤、排名和推荐算法介导的，这些算法在试图提供相关和吸引人的内容时引入了无意的偏见。有人认为，我们对搜索引擎和社交媒体等在线技术的依赖可能会限制我们接触不同的观点，并使我们容易受到虚假信息的操纵。在本文中，我们挖掘了大量的Web流量数据集来量化两种偏见：（i）同质性偏见，这是消费内容的倾向，从一个狭窄的信息源，和（ii）流行性偏见，这是选择性地暴露于顶级网站的内容。我们的分析揭示了几个广泛使用的Web平台的不同偏见水平。搜索使用户接触到各种各样的来源，而社交媒体流量往往表现出高流行度和同质性偏见。当我们把分析重点放在新闻网站的流量上时，我们发现受欢迎程度的偏差更高，不同应用程序之间的差异更小。总的来说，我们的研究结果量化了我们对在线系统的选择在多大程度上将我们限制在“社交泡沫”中。"
2018-07-18 cs.CY cs.SI
The Social Benefits of Balancing Creativity and Imitation: Evidence from an Agent-based Model
虽然抽象地鼓励创造性，但在教育和工作场所环境中往往不鼓励。使用基于代理的文化进化模型，我们研究了这样一种想法，即通过模仿的新颖性保留效应来调节创造力的新颖性产生效应对社会是有益的。在实验一中，我们系统地介绍了创造力的个体差异，并观察到创造者与模仿者的比例以及创造者的创造力之间的权衡。过度的创造力是有害的，因为创造者投资于未经证实的想法，而牺牲了传播已被证实的想法。实验二检验了这样一个假设：如果个人根据自己的创造性成功来调整自己的创造力，那么整个社会都会受益。当有效的创造者创造更多，无效的创造者创造更少（社会监管），代理人分离成创造者和模仿者，输出的平均适应度暂时更高。我们假设，这种效应的暂时性是由于输出适应性的上限。在实验三中，我们让智能体有能力将简单的输出链接成任意复杂的输出，从而使可能的输出空间是开放的，这样更合适的输出总是可能的。有了链式输出的能力，社会调节的效果确实可以无限期地维持下去。结果进行了讨论，根据经验数据。
2017-04-29 cs.MA cs.SI q-bio.NC
Multifaceted polarisation and information reliability in climate change discussions on social media platforms
该研究分析Twitter互动拓扑及跨平台分享，发现气候变化讨论存在意识形态、结构与情绪交织的多面极化，右倾社群更易传播低可靠性信息。
2025-08-29 cs.SI physics.soc-ph
Exposure Density and Neighborhood Disparities in COVID-19 Infection Risk: Using Large-scale Geolocation Data to Understand Burdens on Vulnerable Communities
这项研究开发了一种新的方法，以高空间和时间分辨率量化邻里活动水平，并测试是否以及在多大程度上，社会经济和人口特征的社会距离政策的行为反应不同。我们将暴露密度定义为一个特定区域的局部活动量和非住宅和户外土地使用中发生的活动比例的度量。我们利用此方法捕捉疫情导致的人员流入/流出情况，以及留下来的人员流动行为的变化。首先，我们开发了一种可推广的方法，用于使用智能手机地理定位数据在三个月的时间内，覆盖大纽约地区超过1200万独立用户，按土地利用类型评估社区活动水平。其次，我们测量和分析社区社会距离的差异，通过识别模式的邻里活动水平和特点之前和之后的留在家里的命令。最后，我们评估了社区社交距离对COVID-19感染率的影响，以及与当地人口统计学、社会经济学和基础设施特征相关的结果，以确定与暴露风险相关的健康结果差异。我们的研究结果为及时评估个别社区的社交距离的有效性提供了深入见解，并支持更公平地分配资源，以支持弱势和高危社区。我们的研究结果显示了不同社区在COVID前后的不同活动模式。暴露密度的变化对感染风险有直接和可衡量的影响。
2020-08-04 cs.CY cs.SI stat.AP
Graph cluster randomization: network exposure to multiple universes
A/B测试是评估在线实验效果的标准方法;其目标是通过将整个人群的样本暴露于新特征或条件来估计新特征或条件的“平均治疗效果”。A/B测试的缺点是它不太适合涉及社会干扰的实验，当个体的治疗沿着潜在的社会网络溢出到相邻个体时。在这项工作中，我们提出了一种新的方法，使用图聚类分析社会干扰下的平均治疗效果。首先，我们描述了图论的条件下，个人可以被认为是“网络暴露”的实验。然后，我们将展示如何图集群随机化承认一个有效的精确算法来计算网络暴露在这些暴露条件下的每个顶点的概率。使用这些概率作为反权重，Horvitz-Thompson估计器可以提供无偏的效应估计，前提是已经正确指定了暴露模型。给定一个无偏估计量，我们专注于最小化方差。首先，我们开发简单的充分条件的方差估计是渐近小的n，图的大小。然而，对于一般的随机化方案，该方差可以由图的度的指数函数下界。相比之下，我们表明，如果一个图满足限制增长条件的增长速度的邻域，那么存在一个自然的聚类算法，基于顶点邻域，估计的方差可以由一个线性函数的度上界。因此，我们表明，适当的集群随机化可以导致指数较低的估计方差时，实验测量平均处理效果的干扰。
2013-05-30 cs.SI physics.soc-ph stat.ME
Cumulative Effect in Information Diffusion: A Comprehensive Empirical Study on Microblogging Network
社会传染的累积效应是许多关于创新、行为和影响力传播的研究的基础。然而，很少有大规模的实证研究来验证社交网络上的信息扩散中存在的累积效应。本文利用中国最大的微博网站的人口规模数据，对信息扩散的累积效应进行了全面的研究。我们的研究基于每个消息的扩散网络，其中节点是所涉及的用户，链接是它们之间的以下关系。我们发现，对同一消息的多次曝光确实增加了转发的可能性，但是，当曝光次数超过峰值2次时，额外的曝光并不能进一步提高转发的机会。这一发现质疑了信息扩散的累积效应假说。此外，为了阐明用户之间的转发偏好，我们调查的结构模的扩散网络和时间模式的信息扩散过程中的用户。这些模式为理解消息流行度的变化提供了重要的见解，并解释了扩散网络的特征。
2013-06-02 cs.SI physics.soc-ph
An Empirical Evaluation Of Social Influence Metrics
预测个人何时会采取新的行为是营销和公共卫生等应用领域的一个重要问题。本文研究了各种各样的社会网络的测量文献中提出的性能-这是以前没有直接比较。我们研究了个体受影响的概率，这些概率是基于来自邻居（即影响者数量、个人网络暴露）、结构多样性、地点、时间测量、级联测量和元数据的测量。我们还研究了基于分类器的选择预测影响力的能力，以及训练和测试中阳性样本与阴性样本的比例如何影响预测结果-进一步使这些概念在社会影响力应用中的实际应用成为可能。
2016-07-23 cs.SI physics.soc-ph
Universality, criticality and complexity of information propagation in social media
社交媒体中的信息雪崩通常与大脑中神经元活动的雪崩类似。虽然大量的文献揭示了存在一个独特的过程，表征神经元活动在生物体之间的基本协议，在网上社交媒体的信息动态是远远不够理解。在以前的研究中发现，信息雪崩的统计规律在整个系统中并不稳健，并且使用完全不同的过程来表示信息传播的合理驱动机制。在这里，我们分析了从众多在线平台（包括Telegram，Twitter和微博）收集的近10亿个时间戳事件，观察时间超过10年，以表明社交媒体中的信息传播是一个普遍而关键的过程。普适性来自于对跨平台的相同宏观模式的观察，而不管手头特定系统的细节如何。从幂律分布和相应的超标度关系推导出临界行为，表征信息雪崩的大小和持续时间。神经元活动可以被建模为一个简单的传染过程，其中只有一个单一的暴露于活动可能足以使其扩散。相反，对我们数据的统计测试表明，简单和复杂的传染混合在一起，其中一个人的参与需要多个熟人的曝光，这是社交媒体中信息传播的特征。我们表明，该过程的复杂性与传播的信息的语义内容。关于音乐、电影和电视节目的对话话题往往以简单的传染过程传播，而关于政治/社会主题的有争议的讨论则遵循复杂传染的规则。
2021-10-06 cs.SI physics.soc-ph
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
Use of a controlled experiment and computational models to measure the impact of sequential peer exposures on decision making
人们普遍认为，一个人的同龄人影响产品采用行为。这种关系与决策者在社交网络中收到的信号数量有关。但目前还不清楚，当它接收这些信号的模式发生变化时，以及当同伴影响指向非最佳选择时，这些原则是否成立。为了调查这一点，我们在一个在线控制实验中使用与人类参与者的游戏来操纵社交信号暴露。游戏中的每个参与者在具有不同效用的选择中做出决定。我们注意到以下情况：（1）即使存在货币风险和先前获得的选择知识，决策者也倾向于偏离明显的最优决策，当他们的同伴做出类似的决策时，我们称之为影响决策，（2）当社会信号的数量随时间变化时，影响决策的转发概率以及因此对社会影响的响应不一定与信号的绝对数量。为了更好地理解这些规则的同行影响力可以用于建模应用程序的现实世界中的扩散和网络环境中，我们用我们的行为研究结果来模拟传播动态在现实世界中的案例研究。我们特别试图看看累积的影响如何发挥在用户的不确定性和测量其结果的谣言扩散，我们作为一个例子，次优选择扩散模型。总之，我们的模拟结果表明，从影响决策的顺序同行效应克服了个人的不确定性，引导更快的谣言随着时间的推移扩散。然而，当扩散的速度是缓慢的，在开始时，用户的不确定性可以有相当大的作用相比，同行的影响，在决定采用轨迹的一块有问题的信息。
2020-06-05 cs.SI
Modeling the amplification of epidemic spread by individuals exposed to misinformation on social media
Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学卢迪信息、计算与工程学院）；Department of Electronics, Information and Bioengineering, Politecnico di Milano（米兰理工大学电子、信息与生物工程系）
本文通过构建传染病模型，研究社交媒体上的虚假信息如何放大传染病传播，评估不同场景下疫苗接种率和感染人数的影响。
2025-01-29 cs.CY cs.SI physics.soc-ph
Socio-Spatial Patterns of Suicide Mortality in the United States
University of Pittsburgh（匹兹堡大学）；Old Dominion University（老道明大学）；Kaiser Permanente Northern California（凯撒永久北加州医疗中心）；University of California Berkeley（加州大学伯克利分校）；Boston Children’s Hospital（波士顿儿童医院）；Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）
研究通过整合社会连通性指数与自杀死亡数据，揭示了社会网络对自杀风险及保护性政策传播的影响。
2026-09-25 cs.SI physics.soc-ph stat.AP
Socially Fair Mitigation of Misinformation on Social Networks via Constraint Stochastic Optimization
University of Agder（阿格德尔大学）
目前社交网络的错误信息缓解方法倾向于研究如何通过考虑整个网络的统计尺度来减少错误信息。然而，不平衡的个人之间的错误信息曝光敦促研究缓解资源的公平分配。此外，网络具有随时间变化的随机动态。因此，我们引入了一个随机和非平稳的背包问题，我们将其解决方案，以减轻社会网络活动中的错误信息。我们进一步提出了一种通用的错误信息缓解算法，该算法对不同的社交网络的错误信息统计具有鲁棒性，在现实世界的场景中具有良好的影响。一种新的损失函数，确保公平减轻用户之间。我们通过智能地将缓解激励预算分配给背包并优化损失函数来实现公平性。为此，一个学习自动机（LA）团队负责预算分配。每个LA与用户相关联，并通过在其状态空间上执行非平稳和随机游走来学习最小化其对错误信息的暴露。我们的研究结果表明，我们的基于LA的方法是强大的，优于类似的错误信息缓解方法的缓解是如何公平地影响网络用户。
2022-03-23 cs.AI cs.SI
Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement
University of Technology Sydney（悉尼科技大学）
本文提出联合处理-结果框架，将医疗因果推断应用于社交媒体序列交互，估计平均处理效应，在错误信息数据集上预测参与度优于基准15-22%，并与专家经验影响力高度一致。
2025-05-25 cs.CL cs.SI
Measuring Emotional Contagion in Social Media
School of Informatics and Computing, Indiana University（印第安纳大学信息学与计算学院）；Indiana University Network Science Institute（印第安纳大学网络科学研究所）
社交媒体每天被数百万人用作主要的讨论渠道。个人在日常基于社交媒体的微通信中产生的内容以及其中表达的情绪可能会影响他人的情绪状态。最近在Facebook上进行的一项实验假设，即使没有面对面互动中典型的非语言线索，情绪也会在网上传播，如果这些情绪在社交网络中过度表达，个体更有可能接受积极或消极的情绪。然而，这种类型的实验引起了伦理问题，因为它们需要大规模的内容操纵，对参与其中的个人产生未知的后果。在这里，我们使用Twitter研究情绪传染的动态。我们没有操纵内容，而是设计了一个零模型，它忽略了一些混淆因素（包括情绪传染的影响）。我们测量用户在发布自己的推文之前所接触到的内容的情感效价。我们确定，平均而言，一个负面的帖子会比基线多暴露4.34%的负面内容，而积极的帖子会在平均多暴露4.50%的积极内容之后出现。我们强调存在的线性关系的平均情绪效价的刺激用户接触到的，他们产生的反应。我们还确定了两类不同的个体：高度和几乎不受情绪传染的影响。高度敏感的用户比几乎不敏感的用户更不倾向于接受消极情绪，但同样可能接受积极情绪。一般来说，接受积极情绪的可能性要比接受消极情绪的可能性大得多。
2015-06-19 cs.LG cs.SI physics.soc-ph
Modest Algorithmic Mediation can Maximize Topical Diversity in Hybrid Human-AI Systems
Dartmouth College（达特茅斯学院）
研究社交网络与算法架构对信息共享多样性的影响，引入混合人机信息传播模型，发现适度算法调解可提升平均多样性、减少不平等，强调解则相反，还确定了推荐扩大曝光的条件并提供统一框架。
2026-07-28 cs.SI
MoltGraph: A Longitudinal Temporal Graph Dataset of Moltbook for Coordinated-Agent Detection
Virginia Tech（弗吉尼亚理工大学）；University of Central Florida（中佛罗里达大学）
MoltGraph通过长周期时间图数据集研究代理行为、协调和演化，揭示了动态网络中的连接性、枢纽形成、协调事件爆发及曝光效应。
2026-04-29 cs.CR cs.SI
Social bots weaken activist cohesion
London School of Economics（伦敦政治经济学院）；Corvinus University（科尔维努斯大学）；Central European University（中欧大学）；University of Oxford（牛津大学）
该研究针对2020年BLM抗议核心参与者的转发网络，发现抗议高峰期接触社交机器人会导致人类网络凝聚力下降，且损失集中在运动支持者中，机器人主要通过破坏集体行动纽带而非改变信念削弱激进主义。
2026-09-02 cs.CY cs.SI
Beautiful and damned. Combined effect of content quality and social ties on user engagement
Nokia Bell Labs（诺基亚贝尔实验室）；University of Turin（都灵大学）；Flickr
用户参与在线社区是由社交网络结构与沿其链接流动的群体生成内容的交织驱动的。很少对这些方面进行联合和大规模的探讨。通过观察用户如何在Flickr上生成和访问各种美丽的图片，我们研究了质量的生产如何影响在线社交系统的动态。我们开发了一个深度学习的计算机视觉模型，根据图像的美学价值对其进行评分，并通过众包验证其输出。通过将其应用于超过150亿张Flickr照片，我们首次研究了图像美如何在大规模社会系统中分布。美丽的图像在网络中均匀分布，尽管只有一小部分核心人群因它们而获得社会认可。为了研究质量暴露对用户参与度的影响，我们设置了匹配实验，旨在从观察数据中检测因果关系。接触美丽是双刃剑：跟随那些制作高质量内容的人增加了一个人上传更好照片的可能性;然而，用户和用户邻居之间的质量过度不平衡导致参与度下降。我们的分析具有实际意义，提高链接推荐系统。
2017-11-01 cs.AI cs.CV cs.MM
A Privacy-Preserving Architecture for the Protection of Adolescents in Online Social Networks
在线社交网络（OSN）构成了人们日常社交活动的组成部分。具体而言，Twitter、YouTube和Facebook等主流OSN在青少年的生活中尤为突出，用于在线与他人交流、表达和娱乐自己以及查找信息。然而，青少年在使用在线平台时面临大量威胁。其中一些威胁包括攻击性行为和网络欺凌、性行为、虚假新闻和虚假活动、激进化以及个人信息和敏感内容的曝光。迫切需要家长控制工具和互联网内容过滤技术，以保护使用在线平台的弱势群体。现有的家长控制工具偶尔会侵犯青少年的隐私，导致他们使用其他沟通渠道，以避免节制。在这项工作中，我们设计和实施了一个以用户为中心的家庭咨询套件，旨在保护个人对其监护人和咨询工具本身的隐私。此外，我们提出了一个系统的过程，用于设计和开发最先进的技术和系统架构，以防止未成年人在浏览器上使用Facebook，Twitter和YouTube时暴露于众多风险和危险。
2020-09-18 cs.SI
The Role of Follow Networks and Twitter's Content Recommender on Partisan Skew and Rumor Exposure during the 2022 U.S. Midterm Election
本研究利用自动化账户分析Twitter算法推荐与关注网络在2022年美国中期选举中对党派偏差和谣言暴露的影响，发现算法信息流减少左倾账户的选举内容并偏向右倾来源，且社交网络党派构成比算法影响更大。
2025-09-11 cs.CY cs.SI
The Academic Social Network
通过学术出版物，这些出版物的作者形成了一个社会网络。与分享随意的想法和照片（如在Facebook上）不同，作者选择共同作者和参考其他作者撰写的论文。由于各种努力（如Microsoft Libra和DBLP），分析学术社交网络所需的数据在互联网上变得越来越可用。除了Google Scholar等服务提供的搜索查询之外，用户还需要查找哪些类型的信息和查询？在本文中，我们通过定义不同实体（作者、出版场所和机构）的各种排名指标来探索这个问题。我们超越了论文数量、引文和h指数等传统指标。具体来说，我们定义了作者的影响力、联系和曝光度等指标。一个作者通过接受更多的引用来获得影响力，但也包括来自有影响力的作者的引用。作者通过与其他作者共同创作来增加他/她的联系，特别是与其他有高联系的作者。作者通过在过去出版物获得高引用的选择性场所出版而获得曝光，这些场所的选择性也取决于在那里出版的作者的影响力。我们讨论这些指标的计算方面，不同的指标之间的相似性。有了作者-机构关系的额外信息，我们能够根据相应作者对每种度量以及不同领域的排名来研究机构排名。我们准备通过一个由数百万出版物和作者建立的网站（http：//www.example.com）来展示这些想法。pubstat.org
2014-02-17 cs.DL cs.SI physics.soc-ph
Communication Network Design: Balancing Modularity and Mixing via Optimal Graph Spectra
通过利用信息技术，组织现在有能力设计他们的通信网络和众包平台，以追求各种绩效目标，但现有的网络设计研究没有考虑到社交网络的具体特征，如团队的概念。我们填补了这一空白，展示了如何可取的方面，组织结构可以映射到频谱的图形Laplacian允许规范的结构目标，并建立在非凸规划的最新进展，以优化它们。这个设计框架是通用的，但我们在这里集中在创建平衡高模块化和低混合时间的图的问题，并显示如何“联络人”，而不是经纪人最大限度地提高这一目标。
2013-08-14 cs.GT cs.MA cs.SI
Content Fuzzing for Escaping Information Cocoons on Digital Social Media
University of California, Davis（加州大学戴维斯分校）；University of Hong Kong（香港大学）
研究通过ContentFuzz框架，从创作者角度出发，利用模糊化技术改变内容的机器推断立场标签，以突破信息茧房限制，促进多元观点的传播。
2026-04-07 cs.CL cs.SI
Reranking partisan animosity in algorithmic social media feeds alters affective polarization
Johns Hopkins University（约翰霍普金斯大学）；University of Washington（华盛顿大学）；Northeastern University（东北大学）；Stanford University（斯坦福大学）
通过实时重新排序信息流，研究暴露于反民主内容如何影响情感极化，提供因果证据并建立独立评估方法。
2025-11-28 cs.AI cs.CY cs.HC
Private Date Exposure in Facebook and the Impact of Comprehensible Audience Selection Controls
在线社交网络（OSNs）中的隐私从一个小众话题演变为各种媒体广泛讨论的问题。然而，OSN大大增加了可以在网络上找到的关于个人的信息量。为了估计OSN中数据泄露的规模，我们测量了来自102个国家的4，182名Facebook用户在最受欢迎的OSN Facebook中的用户内容的真实暴露。我们进一步量化的影响，一个可理解的隐私控制界面，已被证明可以极大地减少配置的努力，以及在观众选择的错误配置。我们的研究强调了可用安全性的重要性。(i)通过简化受众选择界面，Facebook用户可见的内容总量并没有大幅减少，但可见内容的组成发生了变化。(ii)哪些信息上传到Facebook以及哪些信息与谁共享在很大程度上取决于用户的原籍国。
2015-05-22 cs.SI
Complex contagion features without social reinforcement in a model of social information flow
传染模型是我们理解信息在社交网络上传播的主要视角。然而，简单的传染模型不能再现在真实世界数据中观察到的复杂特征，导致对更复杂的传染模型的研究。复杂传染的一个显著特征是社会强化，即个人在开始传播信息之前需要多次接触信息。在这里，我们表明，报价模型，一个模型的书面信息在网络上的社会流动，显示复杂的传染病的功能，包括长期关系的弱点，增加密度抑制，而不是促进信息流。有趣的是，引用者模型表现出这些特征，尽管没有明确的社会强化机制，不像复杂的传染模型。我们的研究结果强调，需要用信息传播的信息理论观点来补充传染模型，以更好地理解网络属性如何影响信息流，以及在建模社会行为时最必要的成分是什么。
2020-02-26 cs.IT cs.SI math.IT
Defining and Detecting Toxicity on Social Media: Context and Knowledge are Key
本文借鉴心理学与社会理论定义社交媒体毒性，提出一种结合显式知识与统计算法的方法，识别毒性多维特征并解决上下文歧义，以实现可靠检测。
2021-10-03 cs.SI
Automatically applying a credibility appraisal tool to track vaccination-related communications shared on social media
背景资料：用于评估卫生信息可信度的工具应用起来很耗时，而且需要针对具体情况的专门知识，这限制了它们在错误信息出现时迅速查明和减缓其传播的用途。我们的目标是估计Twitter上与疫苗接种相关的帖子可能是错误信息的比例，以及Twitter用户中错误信息的不均匀分布。研究方法：从2017年1月至2018年3月期间在Twitter上分享的144，878个疫苗接种相关网页中取样，我们使用了一个七点清单，该清单改编自两个经过验证的工具，以评估474个小子集的可信度。这些被用来训练几个分类器（随机森林，支持向量机，和一个带有迁移学习的递归神经网络），使用来自网页的文本来预测信息是否满足七个标准中的每一个。结果如下：将表现最好的分类器应用于144，878个网页，我们发现14.4%的基于文本的通信相关帖子与可信度低的网页相关联，占所有潜在疫苗相关暴露的9.2%。然而，200万至8000万Twitter用户可能看到了100个最受欢迎的错误信息链接，对于参与疫苗接种相关信息的大量Twitter用户而言，错误信息的链接似乎主导了他们接触到的疫苗接种相关信息。结论：我们提出了一种新的方法来自动评估的基础上，有效的检查表工具相结合的网页的可信度。结果表明，自动可信度评估工具可用于发现暴露于错误信息的风险较高的人群，或主动应用于增加摩擦，以共享低可信度的疫苗接种信息。
2021-02-18 cs.SI
On Quantifying Knowledge Segregation in Society
随着在线信息消费的快速增长，特别是通过社交媒体网站，人们一直担心人们是否会选择性地暴露于信息空间的有偏见的子集，其中用户正在接收更多她已经知道的内容，从而可能陷入回音室或过滤气泡。尽管这些问题已经讨论了一段时间，但尚不清楚如何量化这种回音室效应。在这份立场文件中，我们介绍了信息隔离（或信息隔离）措施，这些措施遵循了居住隔离方面的长期工作。我们认为，信息隔离很好地捕捉了社会中不同人群接触不同信息的概念，并有助于量化社交媒体网站向用户提供选择性（或多样化）信息的程度。
2017-08-02 cs.SI
Characterizing networks of propaganda on Twitter: a case study
社交媒体用户每天都接触到宣传和虚假信息活动，这再次激发了调查社交媒体上不同（错误）信息内容的本地和全球传播模式的必要性。回音室和影响者通常被认为对在线社交网络用户的两极分化以及宣传和虚假信息活动的成功负有责任。本文采用数据驱动的方法来调查Twitter上的社区和宣传网络的结构，以评估这些指责的正确性。特别是，这项工作旨在通过结合三种不同分类方法获得的信息来表征从Twitter数据集中提取的宣传网络，分别侧重于（i）使用推文内容来推断用户围绕特定主题的“极化”，（ii）识别在不同宣传和虚假信息项目的传播中发挥积极作用的用户，以及（iii）分析社会联系以识别拓扑簇和在网络中扮演“中心”角色的用户。这项工作确定了高度党派社区结构沿政治联盟，此外，中心性指标被证明是非常翔实的检测最活跃的用户在网络中，并区分用户扮演不同的角色，最后，极化和聚类结构的转推图提供了有用的见解用户曝光，互动和参与不同的宣传项目的相关属性。
2020-09-23 cs.SI
