Using Gaussian Mixtures to Model Evolving Multi-Modal Beliefs Across Social Media
本文提出用高斯混合模型刻画社交媒体中多模态信念与不确定性的形成演化，结合贝叶斯更新与非贝叶斯混合动力学，并基于顽固影响者对信息流动的干扰难易程度定义新的中心性概念。
2025-09-01 cs.SI cs.SY eess.SY
The Impact Of Noise And Topology On Opinion Dynamics In Social Networks
我们研究了噪声和拓扑结构对社交网络中观点多样性的影响。我们这样做是通过扩展完善的意见动态模型的随机设置，代理人都受到同化的力量，他们当地的社会互动，以及特殊的因素，防止他们的人口达成共识。我们对后者进行建模，以考虑噪声完全是外生的情况下，同行的影响和情况下，它是内生的，所产生的代理人的愿望，以保持一些独特的意见。我们推导出一个一般的意见多样性的分析表达式，它适用于任何网络，并依赖于网络的拓扑结构，通过其频谱特性。使用这个表达式，我们发现，意见的多样性减少社区和集群被打破。我们对描述主要新闻媒体之间的经验影响网络的数据进行了测试，发现将我们的测量纳入线性模型中，用于这些来源在各种主题上表达的情绪，在解释力方面产生了显着的改善。
2020-10-23 cs.SI physics.soc-ph
UniGO: A Unified Graph Neural Network for Modeling Opinion Dynamics on Graphs
Wuhan University（武汉大学）；Electronic Information School（电子信息学院）
本文提出统一图神经网络框架 UniGO，通过粗化—细化机制整合多种观点融合规则并缓解过度平滑，结合合成数据预训练实现真实观点演化预测。
2025-02-17 cs.AI cs.SI
Model of Opinion Spreading in Social Networks
我们提出了一个新的模型，它捕捉信息和意见传播之间的主要区别。在信息传播中，额外接触某些信息的影响很小。相反，当一个行动者接触到两个有意见的行动者时，他接受这个意见的可能性要比接触一个这样的行动者时高得多（J. Kleinberg称之为“0-1-2效应”）。在每个时间步中，如果一个参与者没有意见，我们随机选择2个他的网络邻居。如果他们中的一个有一个意见，演员采用的意见与一些低概率，如果两个-与较高的概率。在不同的现实世界社交网络和相似的随机无标度网络上模拟了意见传播。结果表明，小世界结构对临界点时间有着至关重要的影响.“0-1-2”效应导致行动者启动舆论传播能力的显著差异。根据他在网络中的拓扑位置，演员是一个影响者。
2011-06-05 cs.SI physics.soc-ph
A Bounded-Confidence Model of Opinion Dynamics with Heterogeneous Node-Activity Levels
基于主体的观点动力学模型允许研究实体之间的观点传播，并研究共识、极化和分裂等现象。通过研究社会网络上的观点动力学模型，可以探索网络结构对这些现象的影响。在社交网络中，一些人比其他人更频繁地分享他们的想法和观点。这些差异可能来自不同的社交能力，不同的活动水平，参与社交媒体平台时分享意见的不同流行程度，或其他原因。为了研究这种异质性对观点动力学的影响，我们通过引入节点权重来推广观点动力学的Deffuant-Weisbuch（DW）有界置信度模型。节点权重允许我们对具有不同交互概率的代理进行建模。使用数值模拟，我们系统地调查（使用各种网络结构和节点权重分布）的节点权重，我们均匀随机分配给节点的影响。我们表明，引入异构节点权重的结果在更长的收敛时间和更多的意见碎片比在基线DW模型。在我们的网络中的节点权重允许一个考虑各种社会学的情况下，代理人与其他代理人交互的异构概率。
2023-03-21 cs.SI math.DS nlin.AO
Fairness in Opinion Dynamics
Wroclaw University of Science and Technology（弗罗茨瓦夫科技大学）；Aarhus University（奥胡斯大学）；Leiden University（莱顿大学）
本文研究了意见动态中算法对少数群体的歧视问题，通过分析NetSense数据集和CoDiNG模型，探讨了基于人口统计学、拓扑学和混合方法的分类器在预测算法不准确时的表现，并识别了四种算法偏见模式，强调了需要结合个体属性和网络结构的多维方法来促进公平的社会网络分析。
2026-05-20 cs.CY cs.SI
Synthetic Social Media Influence Experimentation via an Agentic Reinforcement Learning Large Language Model Bot
本研究提出一个结合智能体智能与大语言模型的模拟环境，通过强化学习设计意见领袖，以伦理方式测试特定话题影响机制，发现约束动作空间与自我观察是实现稳定意见领袖生成的关键。
2025-05-25 cs.CY cs.SI
Drift Behavior in a Bounded-Confidence Opinion Model with Media Influence
University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）；Santa Fe Institute（圣塔菲研究所）
通过扩展Deffuant-Weisbuch有界置信模型引入两个对立媒体源，研究极化媒体对观点漂移的影响，分析参数如何促进或抑制漂移。
2026-06-29 cs.SI math.DS math.PR
Optimal Multiphase Investment Strategies for Influencing Opinions in a Social Network
我们研究了在竞争环境中对社交网络节点进行最优投资的问题，其中两个阵营的目标是最大限度地通过人口来采纳他们的意见。特别是，我们认为在多个阶段的竞选活动的可能性，在一个阶段中的一个节点的最终意见作为其初始偏见的意见为下一阶段。使用流行的DeGroot-Friedkin模型的扩展，我们制定的营地的效用函数，并表明它们涉及什么可以被解释为多相卡茨中心。针对这两个阶段，我们分析得出纳什均衡的投资策略，以及一个阵营将招致的损失程度，如果它采取短视的行动。我们的模拟研究证实，节点赋予较高的权重，以初始偏见需要在第一阶段的投资，从而影响这些偏见的终端阶段。然后，我们研究的设置中，一个阵营的节点的影响取决于其初始偏差。对于单营地，我们提出了一个多项式时间算法，以确定一个最佳的方式来分割两个阶段之间的预算。对于竞争的阵营，我们证明了合理的假设下的纳什均衡的存在，并且它们可以在多项式时间内计算。
2018-04-17 cs.SI
An Investigation into the Causal Mechanism of Political Opinion Dynamics: A Model of Hierarchical Coarse-Graining with Community-Bounded Social Influence
本研究提出基于社区边界社会影响的分层粗粒化模型，利用CODA模型模拟政治舆论动态，发现高层次连通性通过向下因果驱动全局共识，为理解极化现象提供了新视角。
2025-04-03 cs.MA cs.SI
AI-Mediated Communication Reshapes Social Structure in Opinion-Diverse Groups
本研究探讨人工智能如何通过影响群体交流重塑意见多元群体的社会结构，发现个体与关系辅助AI对群体组成和互动模式有不同影响。
2025-11-25 cs.CL cs.SI
Opinion-aware Influence Maximization in Online Social Networks
本文研究意见感知的影响力最大化问题，提出基于反向可达集和夹逼近似的算法，在保证正面意见扩散的同时抑制负面意见传播，并在三个真实数据集上验证了其优越性。
2023-01-27 cs.SI
Loss of community identity in opinion dynamics models as a function of inter-group interaction strength
最近的技术变革增加了世界各地个人之间的联系，导致社区成员之间更频繁的互动，否则这些社区成员将是遥远和孤立的。本文探讨了互动社区的意见动态模型，并研究了互动频率的增加如何影响社区保持独特身份的能力，而不是陷入共识或两极分化的状态，社区身份丢失。我们还研究了意见噪音的影响（如果有的话），与个人在同质群体中主张自己个性的倾向有关。我们的工作建立在我们以前开发的模型上[11]，其中意见变化的动态是基于个体相互作用的，这些相互作用试图根据人口中意见之间的差异来最小化一些能量潜力。
2020-01-10 cs.SI physics.soc-ph q-bio.PE
A Bounded-Confidence Model of Opinion Dynamics with Adaptive Interaction Probabilities
University of California, Los Angeles（加州大学洛杉矶分校）；Santa Fe Institute（圣塔菲研究所）；University of Chicago（芝加哥大学）
本文扩展了Deffuant-Weisbuch有界置信模型，引入异质自适应边权重来调节交互概率，并证明了收敛性、边权重长期动力学及有效图的性质，数值模拟显示自适应边权重对不同网络类型的收敛时间有不同影响。
2026-05-22 cs.SI cs.SY eess.SY
Combining opinion and structural similarity in link recommendations to counter extreme polarization
University of Amsterdam（阿姆斯特丹大学）
研究结合意见和结构相似性机制，探讨社交网络与意见的协同演化，揭示不同相似性对网络碎片化和意见多样性的影响，为设计更平衡的推荐算法提供依据。
2026-04-22 cs.SI
Rewiring the Majority: Structural Median Opinion Control in the Friedkin-Johnsen Model
IIT-CNR（意大利高等技术研究学院-国家研究委员会）
该研究针对Friedkin-Johnsen模型，提出通过修改交互网络的结构中位数控制方法，证明其NP难性，对比节点干预发现其在高成本场景下更具成本效益。
2026-10-16 cs.SI
A Unified View on Neural Message Passing with Opinion Dynamics for Social Networks
Institute of Natural Sciences（自然科学研究院）；Shanghai Jiao Tong University（上海交通大学）；School of Oceanography（海洋学院）；School of Life Sciences and Biotechnology（生命科学技术学院）
本研究融合社会计量学与神经消息传递概念，提出结合有限置信度的新型消息传递方案ODNet，提升多类图的预测性能、缓解过平滑，可用于真实代谢基因共现网络的社群与基因角色识别。
2023-10-03 cs.AI cs.SI q-bio.QM
Opinion Leader Detection in Online Social Networks Based on Output and Input Links
K. N. Toosi University of Technology（K. N. 托西理工大学）
网络中的用户如何根据邻居的意见更新自己的意见的理解在网络科学领域引起了极大的兴趣，越来越多的文献认识到这个问题的重要性。在这篇研究论文中，我们提出了一个新的动态模型的意见形成有向网络。在该模型中，每个节点的意见被更新为其邻居意见的加权平均值，其中权重代表社会影响力。我们定义了一个新的中心性措施作为一个社会影响力的影响力和一致性的基础上度量。我们使用两个意见形成模型来衡量这种新方法：（i）Degroot模型和（ii）我们自己提出的模型。以前发表的研究没有考虑从众性，在计算社会影响力时只考虑了节点的影响力。在我们的定义中，低入度和高出度的节点连接到高出度和低入度的节点具有更高的中心性。作为这项研究的主要贡献，我们提出了一个算法，在社交网络中找到一个小的节点子集，可以对其他节点的意见产生重大影响。在真实数据上的实验表明，该算法的性能明显优于先前发表的最先进的方法。
2022-08-28 cs.AI cs.SI
Polarization Dynamics under Algorithmic Recommendations in LLM-based Online Social Networks
本研究在基于LLM的在线社交网络模拟中对比边推荐与内容曝光推荐，发现两种推荐机制均会提升观点极化度与极端化程度，绝对差异最高达0.12。
2026-10-12 cs.SI
An Experimental Method to Study Opinion Diffusion in Human-AI Hybrid Societies
Arlequin AI；Max Planck Institute for Empirical Aesthetics（马克斯·普朗克实证美学研究所）；Princeton University（普林斯顿大学）；Saïd Business School, University of Oxford（牛津大学赛德商学院）；Cornell University（康奈尔大学）
本文提出一种实验方法研究混合人类-人工智能社会网络中的意见动态，通过比较人类-only、AI-only和混合网络三种条件，发现混合网络能降低最终极化程度，而人类-only网络则表现出更高的极化和较低的邻居共识。
2026-05-09 cs.SI
Beyond Binary Opinions: A Deep Reinforcement Learning-Based Approach to Uncertainty-Aware Competitive Influence Maximization
针对竞争性影响力最大化问题，提出一种基于深度强化学习的不确定性感知框架DRIM，利用主观逻辑建模用户不确定性，优化种子选择，显著提升真实信息传播并超越现有方法。
2025-04-21 cs.SI
Opinion disparity in hypergraphs with community structure
本文通过扩展植入分区模型并结合超图 SIS 传染过程，证明高阶三角形交互及社区规模差异会显著影响两个社区间意见分化的形成。
2023-08-24 cs.SI math.DS physics.soc-ph
Naive Bayesian Learning in Social Networks
朴素社会学习的DeGroot模型假设代理人只交流标量意见。在实践中，代理人不仅传达他们的意见，而且传达他们对这些意见的信心。我们提出了一个模型，捕捉这方面的沟通，将信号的信息量到天真的社会学习的情况。我们提出的模型捕捉了贝叶斯学习和朴素学习的各个方面。在我们的模型中，代理使用贝叶斯规则组合他们邻居的信念，但代理天真地假设他们邻居的信念是独立的。根据初始信念，代理在我们的模型中可能不会达成共识，但我们表明，代理将达成共识下温和的连续性和有界性假设的初始信念。这种最终的共识可以根据每个代理的中心性和信号信息量来明确计算，从而可以精确地理解联合效应。我们将我们的理论应用于新技术的采用。与Banerjee et al. [2018]相反，我们表明，关于新技术的信息最初可以在一个紧密聚集的群体中播种，而不会丢失信息，但前提是代理人可以表达他们的信念。
2018-06-30 cs.SI
Collective Opinion Dynamics in Structured LLM Populations
Department of Computer Science, University of Pisa（比萨大学计算机科学系）；ISTI-CNR（意大利国家研究委员会ISTI研究所）
本文通过受控同质性和群体规模的网络生成模型，研究了LLM代理在多轮辩论中的集体行为，揭示了共识漂移现象，强调需区分结构效应与模型偏差以正确理解LLM群体的行为。
2026-09-30 cs.AI cs.CY cs.MA
A new adaptive two-layer model for opinion spread in hypergraphs: parameter sensitivity and estimation
本文提出了一种新型自适应双层超图模型，用于研究意见传播中的参数敏感性和估计，通过模拟分析不同方法在估计概率上的表现。
2025-12-29 cs.SI math.PR
A Distance Measure for the Analysis of Polar Opinion Dynamics in Social Networks
社交网络中的意见动态分析在当今的生活中起着重要的作用。对于预测用户的政治偏好等应用，能够分析竞争观点的动态是特别重要的。在观察社交网络用户的极端观点随时间的演变时，我们能否判断网络何时“表现”异常？此外，我们能否预测用户的意见在未来会如何变化？意见是否会根据现有的网络意见动态模型演变？要回答这些问题，研究单个用户的行为是不够的，因为意见可以远远超出用户的egonet。我们需要一种方法来同时分析所有网络用户的意见动态，并捕捉个人的行为对社会网络的全局演化模式的影响。在这项工作中，我们引入了社会网络距离（SND）-一个距离测量，量化的“成本”的演变的一个快照的社会网络到另一个快照下的各种模型的极性意见传播。SND具有丰富的语义的运输问题，然而，是可计算的时间线性的用户数量，这使得SND适用于大规模的在线社交网络的分析。在我们的实验与合成和真实世界的Twitter数据，我们证明了我们的异常事件检测的距离测量的效用。它达到了0.83的真阳性率，是替代品的两倍。当用于Twitter的意见预测，我们的方法的准确率为75.63%，这是7.5%，高于下一个最好的方法。源代码：https://cs.ucsb.edu/~victor/pub/ucsb/dbl/snd/
2015-10-17 cs.DM cs.DS cs.SI
A Two Phase Investment Game for Competitive Opinion Dynamics in Social Networks
我们提出了一个设置两个阶段的意见动态社交网络，其中一个节点的最终意见在第一阶段作为其初始偏见的意见在第二阶段。在这种情况下，我们研究了两个阵营的问题，旨在最大限度地采用各自的意见，通过战略投资节点在两个阶段。在第二阶段，节点的初始意见自然在确定该节点的最终意见中起关键作用，因此由于其对网络中其他节点的影响，也是网络中其他节点的最终意见。更重要的是，这种偏向性也决定了一个阵营在第二阶段对该节点的投资效果。为了形式化这种两阶段投资设置，我们提出了一个扩展的Friedkin-Johnsen模型，从而制定营地的效用函数。在这两个阶段之间分配预算时有一个折衷。第一阶段的投资越低，第二阶段的初始偏差越差，而投资越高，第二阶段的可用预算就越少。我们首先分析了非竞争性的情况下，只有一个阵营的投资，我们提出了一个多项式时间算法，以确定一个最佳的方式来划分阵营的预算之间的两个阶段。然后，我们分析的情况下，竞争的阵营，在那里我们展示了存在的纳什均衡，它可以计算在多项式时间在合理的假设。我们通过对真实网络数据集的模拟来结束我们的研究，以量化初始偏差和节点归因于其初始偏差的权重以及偏离其均衡策略的阵营的影响。我们的主要结论是，如果节点将高权重归因于它们的初始偏差，则在第一阶段具有高投资是有利的，从而有效地影响在第二阶段要利用的偏差。
2019-06-24 cs.SI
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而，大多数研究都集中在提高协同过滤（CF）技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息，应该加以考虑和部署，以提高推荐的质量。本文基于社会传染和社会影响网络理论，提出了两种推荐模型，分别针对个人和群体。在个体推荐模型中，引入社会传染结果对协同过滤预测结果进行改进，模拟了决策过程中信息级联的结果。在群体推荐模型中，我们运用社会影响网络理论，将群体成员之间的人际影响纳入到推荐模型中，形成一个固定的意见分歧模式，然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念，使评分结果具有一定的灵活性，并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
The Degree-Dependent Threshold Model: Towards a Better Understanding of Opinion Dynamics on Online Social Networks
随着在线社交媒体的快速发展，人们越来越被环境中存在的信息的数量和内容所淹没。阈值模型是目前最常用的方法之一，以捕捉人们对他人的意见和情绪的影响。虽然许多研究采用并试图改进阈值模型，但寻找一个合适的阈值函数来定义人类行为是一个必不可少的，但尚未实现的追求。个体阈值的异质性的定义通常定义得很差，这导致了统一和二元函数的使用相当简单，尽管它们远远不能代表现实。在这项研究中，我们使用Twitter数据大小为30，704，025条推文来模拟新观点的采纳。我们的研究结果表明，阈值不仅与节点的出度相关，这与其他研究相反，还与节点的入度相关。因此，我们模拟了两种情况下，其中阈值是出度和入度依赖，分别。我们的结论是，当阈值依赖于度时，系统更有可能达成共识;然而，在这种情况下，直到所有节点修复其意见所花费的时间明显更高。此外，我们没有观察到一个显着的影响，平均度的平均意见或固定时间的意见，这两种情况下，增加种子大小有负面影响，达成共识。虽然阈值异质性对平均意见有轻微的影响，但当阈值依赖于程度时，异质性对达成共识的积极影响更为明显。
2020-03-25 cs.SI physics.soc-ph
Minimum Weight Dynamo and Fast Opinion Spreading
我们考虑了以下网络上的多层次意见传播模型。最初，每个节点从集合[0. k-1]，其中这样的权重代表个人对新想法或产品的信念。然后，通过进行轮，每个节点根据其邻居的权重更新其权重。我们感兴趣的是权重的初始分配，导致每个节点在给定的轮数内获得值k-1 -例如一致的最大水平接受。我们确定下界的不可逆简单多数规则下的节点的初始权重的总和，其中一个节点增加其权重，当且仅当大多数的邻居有一个权重高于自己的。此外，我们提供了建设性的紧上界的一些定期拓扑类：环，环面，和集团。
2012-09-26 cs.DM cs.SI math.CO
The Effects of Communication Burstiness on Consensus Formation and Tipping Points in Social Dynamics
当前的观点动力学模型通常利用泊松过程进行说话人选择，使得事件之间的等待时间呈指数分布。然而，人类的互动往往是突发性的，等待时间极短或沉默时间较长的可能性更高。为了量化突发性对社会模型动态的影响，我们将两组呈现不同发言者等待时间分布的群体置于竞争中。这些比赛中实施的二进制的等待时间的游戏，并表明，相关方面的等待时间分布是头部的密度，而不是尾部。我们发现，即使相同的平均等待时间，一组具有较高密度的短等待时间是有利于在竞争中超过其他组。这种效应仍然存在于持有一个永远不会改变的观点的节点中，因为当他们拥有比竞争观点持有者更高的头部密度时，实现共识所需的这种承诺的个体的比例急剧下降。最后，为了量化突发性的差异，我们引入了小时间激活的预期数量，并用它来表征系统的早期状态。
2017-07-26 cs.SI physics.soc-ph
Graph-based open-ended survey on concerns related to COVID-19
COVID-19疫情是一场前所未有的公共卫生危机，带来广泛的社会及经济后果。我们在2020年4月至8月期间使用基于图表的开放式调查（GOS）框架进行了四次调查，并调查了日本公众最迫切的担忧和问题。GOS框架是两种传统调查框架的混合体，允许受访者以自由格式发表意见，随后可以作为其他受访者的选择项之一，就像多项选择调查一样。因此，该框架生成了一个将意见和受访者联系起来的意见图。我们还可以构建带注释的意见图，以实现更高的分辨率。通过对注释的意见图进行聚类，我们揭示了响应模式的特征演变以及意见的相互关联性和多方面性。实质上，我们的显著发现是“社会压力”，而不是“感染风险”，是我们的受访者的主要关注点之一。社会压力指的是他们预计在感染COVID-19后会受到他人的批评和歧视。日本文化的集体主义性质，加上政府依靠个人责任来对抗COVID-19的政策，可能解释了上述一些研究结果，因为后者导致了自卫队的出现。相互监督的存在可能会导致对他人的怀疑和对排斥的恐惧，这可能会在社会和个人层面产生负面影响。
2021-12-22 cs.SI physics.soc-ph
Opinion Dynamic with agents immigration
我们提出了一个策略，实现最大限度的合作，在复杂网络上的进化游戏。每个个体都被分配了一个与其度的幂成比例的权重，其中指数alpha是一个可调节的参数，用于控制网络中个体之间的多样性水平。在进化过程中，每个个体选择一个邻居作为参考，其概率与邻居的权重成正比，并根据他们的收益差异更新其策略。研究发现，存在一个最优的α值，此时合作水平达到最大。这一现象表明，虽然高学历的个人在维持合作中发挥了突出的作用，太强的影响力，从枢纽可能会违反直觉抑制合作的扩散。我们提供了一个物理理论，辅助数值计算，来解释最佳合作的出现。其他相关的数量，如支付，合作者的密度作为一个函数的程度，和支付分布，也进行了研究。我们的研究结果表明，为了在复杂的网络中实现强有力的合作，个体应该更频繁地向具有更高学位的邻居学习，但只能在一定程度上。
2013-10-18 cs.SI physics.soc-ph
Incorporating Higher-order Structural Information for Graph Clustering
Ocean University of China（中国海洋大学）
针对现有图深度聚类忽略高阶结构、自监督偏重节点属性的问题，提出结合图互信息最大与模块度约束三元自监督的图聚类网络，提升聚类性能。
2024-03-19 cs.LG cs.SI
Detecting Bots and Assessing Their Impact in Social Networks
在线社交网络经常受到恶意行为者通过使用被称为机器人的自动账户进行的影响活动。我们考虑的问题，检测机器人在线社交网络和评估其对个人的意见的影响。我们首先分析机器人在社交网络中的行为，并确定它们表现出异质性，这意味着它们与人类的互动比其他机器人更多。我们使用这个属性来开发一个检测算法的基础上伊辛模型从统计物理。机器人通过解决最小割问题来识别。我们表明，这种伊辛模型算法可以识别机器人具有更高的准确性，同时利用更少的数据比其他国家的最先进的方法。然后，我们开发了一个函数，我们称之为广义谐波影响中心性，以估计机器人对社交网络中用户意见的影响。该函数基于广义意见动力学模型，并捕捉机器人的活动水平和网络连接如何改变平衡意见。为了将广义调和影响中心性应用于真实的社交网络，我们开发了一个深度神经网络来基于用户的社交网络帖子来测量用户的意见。使用这个神经网络，我们然后计算机器人在多个真实的社交网络的广义谐波影响中心。对于一些网络，我们发现有限数量的机器人可以导致人口观点的重大变化。在其他网络中，我们发现机器人几乎没有影响。总的来说，我们发现广义谐波影响中心是一个有用的操作工具来衡量机器人在社交网络的影响。
2020-12-16 cs.SI physics.soc-ph stat.AP
Beyond Interaction Patterns: Assessing Claims of Coordinated Inter-State Information Operations on Twitter/X
本研究利用先进协调检测模型和控制数据集分析多行为痕迹，发现无国家间协调证据，挑战先前声明并强调稳健方法的重要性。
2025-02-24 cs.SI
Do zealots increase or decrease the polarization in social networks?
狂热者是社会网络中的顶点，他们在社会压力下不会改变自己的观点，对于复杂网络上的观点动力学研究至关重要。在本文中，我们研究了一个确定性的多数规则模型的极化动力学的结构模型作为基板的狂热者的影响。为此，我们提出了一种新的量化器，称为“相关极化”，用于测量网络中的极化量时，顶点可以存在于两个相反的状态。量词不仅考虑每个观点的顶点的分数，而且考虑它们如何相互连接。然后，我们表明，狂热者的存在并没有一个固定的影响极化，并可以改变它在积极的，消极的或中性的方式取决于他们的拓扑特征，如度，他们在网络中的总分数，密度和度的网络的异质性，以及类型的初始条件的动力学。我们的研究结果特别强调了初始条件在使极化向更低或更高的值漂移时所起的作用的重要性，因为狂热者的总数增加了。
2019-08-29 cs.SI physics.soc-ph
Recommendation Algorithms on Social Media: Unseen Drivers of Political Opinion
本研究基于 3,300 余名参与者的数据，分析 Facebook 和 X 等平台及其推荐算法对用户政治兴趣的差异化影响，并揭示人口统计学差异，为理解数字政治动员提供实证依据。
2025-06-25 cs.SI
