Wisdom of Crowds Algorithm for Stock Market Predictions
在本文中，我们提出了一个数学模型，协同过滤实施股票市场预测。在流行的文献中，协同过滤，也被称为群体智慧，假设群体拥有比个体更多的知识，而每个个体可以通过其特定的信息输入来提高群体的性能。有商业上可用的工具，用于协作股票市场预测和专利保护的基于网络的软件解决方案。这些算法背后的数学没有在文献中公开，因此所提出的模型和算法实现是这项工作的主要贡献。
2013-06-21 cs.SI physics.soc-ph
Large-Scale Experiment on the Importance of Social Learning and Unimodality in the Wisdom of the Crowd
在这项研究中，我们建立在以前的研究，以了解在何种条件下，人群的智慧（WOC）提高或降低，作为一个结果，显示个人的预测，他们的同龄人。我们的主要创新贡献是：1）一个前所未有的规模和细节的数据集; 2）我们观察到了向个人展示的社会信息的单峰性的重要性的新效应：如果在人群预测的分布中没有看到只有一个明确的峰值，那么在社会暴露后，WOC会恶化;以及3）我们估计社会学习权重，我们使用该权重来表明存在更善于从人群中学习的个体，并且可以过滤以提高集体准确性。
2017-12-29 cs.SI physics.soc-ph stat.AP
Wisdom of Crowds cluster ensemble
Iran University of Science and Technology（伊朗科技大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
群体智慧是社会科学中描述的一种现象，它提出了适用于人群的四个标准。有人声称，如果这些标准得到满足，那么由一个群体做出的总体决策往往会比其单个成员做出的决策更好。受此概念的启发，我们提出了一种新的反馈框架的集群集成问题，我们称之为智慧的人群集群包围（WOCCE）。虽然许多传统的集群集成方法集中在多样性最近被提出，WOCCE分析了必要的条件，为一群人展示这种集体智慧。这些标准包括用于生成主要结果的分散化标准、用于基本算法的独立性标准和用于集成成员的多样性标准。我们建议适当的程序来评估这些措施，并提出了一个新的措施来评估的多样性。我们评估的性能WOCCE对其他一些传统的基础算法，以及国家的最先进的集成方法。实验结果表明，与其他算法相比，WOCCE的聚合决策的效率。
2016-05-13 cs.AI cs.SI stat.ML
(Failure of the) Wisdom of the crowds in an endogenous opinion dynamics model with multiply biased agents
我们研究了一个内生的意见（或信仰）动力学模型，我们内生化的社会网络模型的链接（“信任”）代理之间的权重。我们的网络调整机制是简单的：一个代理增加她的权重为另一个代理，如果该代理已接近真相（从那里，我们的调整标准是“过去的表现”）。此外，我们认为多偏代理，不学习完全理性的方式，但受到说服偏见-他们学习的DeGroot的方式，通过一个简单的“经验法则”-并有偏见的初始信念。此外，我们还研究了这种设置下的一致性，反对派和同质性-这是最近提出的变体DeGroot学习在社交网络-从而考虑到进一步的偏见代理容易受到影响。我们的主要重点是群体智慧，也就是说，在这个问题上，是否有偏见的代理人可以充分聚集分散的信息，从而了解他们沟通的主题的真实状态。特别是，我们提出了几个条件下，智慧失败。
2013-09-14 cs.MA cs.SI nlin.AO
Wisdom of the Crowd or Wisdom of a Few? An Analysis of Users' Content Generation
在本文中，我们分析了如何创建用户生成的内容（UGC），挑战众所周知的{ \it群众的智慧}的概念。虽然众所周知，在大多数情况下，用户活动遵循幂律，也就是说，很少有人做很多事情，而大多数人什么也不做，但很少有研究能够很好地描述这种活动。在我们对两个不同的社交网络，Facebook和Twitter的数据集的分析中，我们发现，一小部分活跃用户和更少的所有用户代表了50%的UGC。我们还分析了生成此内容的动态行为，发现最活跃用户的集合在时间上相当稳定。此外，我们研究了社交图谱，发现这些活跃用户之间的联系非常紧密。这意味着大多数智慧来自少数用户，挑战了群体智慧所需的独立性假设。我们还处理任何人从未见过的内容，我们称之为数字沙漠，这挑战了集体决策中应该考虑每个人的内容的假设。我们还将我们的结果与维基百科的数据进行了比较，并使用亚马逊数据集解决了UGC内容的质量问题。最后，我们的结果并不令人惊讶，因为网络是我们自己社会的反映，在这个社会中，经济或政治权力也掌握在少数人手中。
2016-04-11 cs.CY cs.SI physics.soc-ph
The Wisdom and Persuadability of Threads
在线讨论线索是个人决策和汇集集体判断的重要手段，例如“群体智慧”。对群体智慧的实证调查目前对社会信息所扮演的角色持矛盾态度。虽然一些研究结果表明，由于相关的判断错误，社交信息破坏了人群的准确性，但其他研究结果表明准确性有所提高。我们实验研究线程的准确性，参与者在看到不同数量的先前估计的同时，做出不同难度的幅度估计。我们证明，对于困难的任务，看到前面的估计艾滋病群体的智慧。然而，如果参与者只看到极端的估计，智慧很快就会变成愚蠢。使用高斯混合模型，我们分配给每个参与者的说服力得分，并表明，说服力增加任务难度和社会信息提供的量。在过滤后的帖子中，我们看到高度可说服的参与者和怀疑者之间的差距越来越大。
2021-03-12 cs.SI physics.soc-ph
Wisdom of Crowds Detects COVID-19 Severity Ahead of Officially Available Data
在危机发展过程中，确定其严重性至关重要，但获得可靠数据具有挑战性。我们调查了意大利、西班牙和美国地区疫情开始时，初始COVID-19相关推文的地理定位推文强度与一个月后该地区死亡率之间的关系。我们发现，早期社交媒体反应与近一个月后COVID-19死亡的累计人数之间存在显著的比例关系。我们的研究结果表明，“人群”正确地感知了风险。这是为数不多的“群众智慧”可以量化并应用于实践的例子之一。这可以用来建立实时警报系统，有助于危机管理和干预，特别是在发展中国家。这类系统可有助于在危机的早期阶段为快速反应决策提供信息。
2020-06-22 cs.SI physics.soc-ph
Sentiment Protocol: A Decentralized Protocol Leveraging Crowd Sourced Wisdom
群众的智慧是当今社会的宝贵财富。它不仅在预测选举中很重要，而且在市场营销和金融业中也起着至关重要的作用。拥有一个值得信赖的意见来源可以使预测更加准确，市场也更可预测。到目前为止，调查的一个根本问题是缺乏激励参与者提供准确信息的措施。传统的解决方案，如小额金钱奖励或赢得奖品的机会，往往不是很有吸引力的参与者。更有吸引力的解决方案，如预测市场，面临着非法性的问题，往往无法获得。在这项工作中，我们提出了一个解决方案，通过一个可定制的激励框架，从经典的轮询和预测市场的优势。除了预测事件，这个框架还可以用来管理分散的自治组织。
2018-05-05 cs.CY cs.HC cs.SI
Birdwatch: Crowd Wisdom and Bridging Algorithms can Inform Understanding and Reduce the Spread of Misinformation
我们提出了一种方法来选择客观信息和主观上有帮助的注释社交媒体帖子。我们从一个在线环境中获取数据，在这个环境中，贡献者对错误信息进行注释，同时对其他人的贡献进行评级。我们的算法使用矩阵分解（MF）为基础的方法来识别注释，呼吁广泛跨越异构用户组-有时被称为“基于桥接的排名。“我们将这些数据与一项调查实验进行了配对，在这项实验中，个人被随机分配查看帖子的注释。我们发现，与总体平均水平和人群生成的基线相比，该算法选择的注释改善了关键指标。此外，当部署在Twitter上时，看到通过这种基于桥接的方法选择的注释的人比那些没有看到注释的人更不可能重新发布社交媒体帖子。
2022-10-27 cs.SI
Wisdom of the Confident: Using Social Interactions to Eliminate the Bias in Wisdom of the Crowds
与个体相比，人类群体可以通过简单地使用个体估计的平均值、中位数或几何平均值来进行非常准确的估计[Galton 1907，Surowiecki 2005，第2008页]。然而，这只对某些任务是正确的，一般来说，这些集体估计显示出强烈的偏见。当考虑到社会互动时，该方法也失败了，这使得集体估计变得更糟，因为个体倾向于收敛到有偏差的结果[Lorenz等人，2011]。在这里，我们展示了社会互动对集体智慧的明显负面影响的光明面。我们发现，有些人抵制社会的影响，当使用这个小组的中位数，我们可以消除偏见的智慧的整个人群。为了找到这个对私人估计比对社会影响更有信心的个体亚组，我们将个体建模为将私人和社会信息与不同的相对权重相结合的估计量[Perez-Escudero & de Polavieja 2011，Arganda et al. 2012]。然后，我们通过排除那些在估计中使用较高社会影响力权重值的群体，计算了越来越小的群体的几何平均值。在这个过程中得到的趋势给出了无偏的结果，与计算整个组的中位数的简单方法相反。我们的研究结果表明，虽然一个简单的操作，如平均值，中位数或几何平均值的一组可能不允许群体作出良好的估计，一个更复杂的操作，考虑到个性的社会动态可以导致更好的集体智慧。
2014-06-30 cs.SI physics.soc-ph
Preserving Individuality while Following the Crowd: Understanding the Role of User Taste and Crowd Wisdom in Online Product Rating Prediction
本文提出持续更新的动态树表示以融合用户与商品历史评分，解决冷启动、跨类别利用及部署扩展问题，并发现个体品味在评分预测中稳定主导群体智慧。
2024-09-06 cs.IR cs.SI
The Wisdom of the Few? "Supertaggers" in Collaborative Tagging Systems
从表面上看，大众分类法是一种由“大众智慧”建立起来的信息结构，但“大众”真的在做这项工作吗？标记实际上是一个严重倾斜的过程，其中一小部分“超级标记者”用户生成绝大多数注释。使用来自三个大型社交标记平台的数据，我们探索（a）如何最好地量化标记行为的不平衡并正式定义超级标记者，（b）超级标记者在标记模式上与其他用户有何不同，以及（c）动机和专业知识的影响是否能告知我们对超级标记者的理解。我们的研究结果表明，这些多产的用户不仅标记比他们的同行，但在量化不同的方式。具体来说，我们发现，supertaggers更有可能标签内容的长尾不太受欢迎的项目，他们显示的内容标记和使用的术语的模式的差异，并可测量不同的标记专业知识和动机。这些研究结果表明，我们应该质疑大众分类通过“群众的智慧”实现众包分类的程度，特别是对于像Last.fm这样的广泛的大众分类，而不是像Flickr这样的狭隘的大众分类。
2015-03-17 cs.IR 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 wisdom_of_crowds: an efficient, philosophically-validated, social epistemological network profiling toolkit
一个代理人的认知位置往往取决于他们在一个更大的网络中的位置，这个网络由向他们提供信息的其他代理人组成。一般来说，如果代理商拥有多样化和独立的来源，他们的情况会更好。Sullivan et al. [2020]开发了一种方法，用于定量表征网络中个体的认知位置，该方法同时考虑了多样性和独立性;并在来自Twitter数据的小图上提出了一种概念验证，闭源实现[Sullivan et al. 2020]。本文报告了他们的算法在Python中的开源重新实现，优化后可用于更大的网络。除了算法和软件包，我们还展示了将我们的软件包扩展到大型合成社交网络图形分析的能力，并最终展示了其在分析在线社交媒体上“回声室”的真实经验证据以及学术通信网络中跨学科多样性的证据中的实用性。
2023-02-01 cs.SI
Social Bayesian Learning in the Wisdom of the Crowd
能够正确地将许多人的信念聚合成一个单一的信念是许多重要的社会，经济和政治过程，如政策制定，市场定价和投票的基本问题。虽然有许多模型和机制的聚合，有一个缺乏的方法和文献关于聚合的意见时，个人之间存在的影响和学习。这部分是因为没有太多的模型来描述人们在接触到其他人的信念时如何更新他们的信念，因此很难量化人们的心理模型之间的依赖关系，这对于最大限度地减少聚合中的冗余至关重要。在本文中，我们探索了许多用户如何相互影响和学习的模型，并将我们的模型与著名的DeGroot模型进行了基准测试。我们的主要贡献是：1）我们收集了一个前所未有的规模和细节的新数据集，并将其发布在网上; 2）我们开发了一个新的社会贝叶斯模型，用于研究人们如何更新他们的心理模型; 3）我们将我们的模型与其他知名的社会学习模型进行了比较。具体来说，我们表明，我们的新的社会贝叶斯模型优于其他模型测试。
2017-12-28 cs.SI physics.soc-ph
The Wisdom of Intellectually Humble Networks
本文通过基于智能体的建模与数据校准模拟，证明智识谦逊能促进更准确估计并缓解社交网络极化，为提升集体智慧的干预设计提供了指导。
2025-04-25 cs.SI
The impact of incorrect social information on collective wisdom in human groups
大规模使用社交媒体网络造成的一个主要问题是错误信息的传播。然而，很少有研究调查不正确的信息对个人和集体决策的影响。我们进行了实验，参与者在接受社会信息之前和之后必须估计一系列数量。在他们不知道的情况下，我们通过“虚拟影响者”控制了社交信息的不准确程度，他们提供了一些不正确的信息。我们发现，很大一部分人只是部分遵循社会信息，从而抵制不正确的信息。此外，我们发现，不正确的社会信息可以帮助一个群体在高估真实价值时表现得更好，部分补偿了人类的低估偏见。总的来说，我们的研究结果表明，不正确的信息不一定会损害群体的集体智慧，甚至可以用来抑制已知认知偏见的负面影响。
2020-03-13 cs.SI physics.soc-ph
The Quiet and the Compliant: How Regulation and Polarization Shape Conventional Wisdoms on Corporate Social Engagement in High-risk Settings
University of Oslo（奥斯陆大学）
研究通过合成调查探讨高风险环境下企业社会责任实践的常规智慧与最佳实践，揭示监管、政治极化等因素对企业社会责任活动的影响。
2026-08-27 cs.SI physics.soc-ph
The Wisdom of Polarized Crowds
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Harvard University（哈佛大学）；University of Chicago（芝加哥大学）
随着美国政治两极分化的不断加剧，两极分化的个人是否能够有效合作的问题变得紧迫。虽然个人观点的多样性通常会导致团队在复杂任务中表现出色，但强烈的政治观点与冲突、错误信息以及不愿与人接触和超越自己的观点有关。目前还不清楚，由政治上不同的个人组成的自我选择的团队是否会创造更高或更低质量的结果。在本文中，我们通过对维基百科的政治，社会问题和科学文章的数百万次编辑的分析，探讨了团队政治组成对绩效的影响。我们通过编辑对保守派和自由派文章的贡献来衡量编辑的政治联盟。一项对编辑的调查证实，那些主要编辑自由派文章的人更强烈地认同民主党，而那些编辑保守派文章的人则认同共和党。然后，我们的分析表明，两极分化的团队-那些由一组政治上多样化的编辑组成的平衡的团队-比政治上同质的团队创造出更高质量的文章。这种效应在维基百科的政治文章中表现得最为明显，但在社会问题甚至科学文章中也可以观察到。文章“讨论页”的分析表明，政治两极化的团队从事更长的时间，更有建设性，竞争力，实质性的重点，但语言多样性的辩论比政治温和派。政治多元化的团队更频繁地使用维基百科的政策表明，制度设计原则有助于释放政治两极化团队的力量。
2017-11-29 cs.CL cs.CY cs.DL
Public Wisdom Matters! Discourse-Aware Hyperbolic Fourier Co-Attention for Social-Text Classification
IIIT Delhi（德里英迪拉·甘地信息技术研究所）；LinkedIn（领英）；IIT Delhi（印度理工学院德里分校）
社交媒体已经成为所有形式的沟通的支点。对假新闻、谣言、讽刺等社交文本进行分类已经引起了极大的关注。社交文本本身表达的表面信号可能不足以完成这些任务;因此，最近的方法试图结合其他内在信号，如用户行为和底层图形结构。通常情况下，通过对社交文本的评论/回复表达的“公共智慧”可以替代众包观点，并可能为我们提供补充信号。社会文本分类的最先进的方法往往会忽略这样一个丰富的层次信号。在这里，我们提出了Hyphen，一个话语感知的双曲谱共同注意力网络。连字符是双曲线图表示学习与新的傅立叶协同注意力机制的融合，试图通过纳入公共话语来概括社会文本分类任务。我们将公共话语解析为抽象意义表示（AMR）图，并使用强大的双曲几何表示来建模具有层次结构的图。最后，我们为它配备了一个新的傅立叶共注意力机制，以捕捉源帖子和公共话语之间的相关性。在四个不同的社交文本分类任务上进行的广泛实验，即检测假新闻，仇恨言论，谣言和讽刺，表明Hyphen具有良好的泛化能力，并在十个基准数据集上取得了最先进的结果。我们还使用了一个经过事实检查和注释的数据集来评估Hyphen如何能够产生解释作为最终预测的类似证据。
2022-10-11 cs.CL cs.LG cs.SI
CrowdSTAR: A Social Task Routing Framework for Online Communities
网络上的在线社区显示出很强的互动性，能够集体解决困难的任务。然而，由于社区的高度多样性及其成员的动态变化的专业知识和社会可用性，决定如何通过网络分派任务仍然是一个挑战。我们介绍CrowdSTAR，一个旨在在在线人群之间和内部路由任务的框架。CrowdSTAR将人群贡献者的特定主题专业知识和社交特征编入索引，然后使用路由算法，该算法根据知识与可用性的权衡建议最佳来源。我们通过使用两个流行的社交网络作为人群候选者：Twitter和Quora，对所提出的问答场景框架进行了实验。
2014-07-24 cs.SI
Wiser than the Wisest of Crowds: The Asch Effect Revisited under Friedkin-Johnsen Opinion Dynamics
本文研究在Friedkin-Johnsen观点动力学下通过雇佣少量托儿影响群体意见，证明选择托儿以最大化或最小化MSE是NP-hard的，并提出贪心启发式算法，在真实数据上验证了少量托儿即可显著影响群体智慧。
2024-06-12 cs.SI
Wisdom in Sum of Parts: Multi-Platform Activity Prediction in Social Collaborative Sites
在本文中，我们提出了一个新的框架，它使用从活动中推断的用户兴趣（也称为，活动兴趣）来预测用户的平台活动。框架中包括两种预测方法：（i）直接平台活动预测，其使用来自同一平台的用户的活动兴趣来预测用户在平台中的活动（例如，预测用户是否使用从他或她的先前答案和Stack Overflow中的最爱活动推断的用户兴趣来回答给定Stack Overflow问题），以及（ii）跨平台活动预测，其使用他或她来自另一平台的活动兴趣来预测用户在平台中的活动（例如，预测用户是否使用从他或她的fork中推断出的用户兴趣回答给定的Stack Overflow问题，并在GitHub中观察活动）。为了评估我们提出的方法，我们在软件开发社区中广泛使用的两个社交协作平台上进行了预测实验：GitHub和Stack Overflow。我们的实验表明，结合直接和跨平台的活动预测方法，在GitHub（AUC=0.75）和Stack Overflow（AUC=0.89）中预测用户活动的准确性最高。
2018-05-09 cs.DL cs.SE cs.SI
When Crowdsourcing Meets Mobile Sensing: A Social Network Perspective
移动传感是一种新兴的技术，它利用智能体参与的数据进行决策或状态估计，包括多媒体应用。本文研究了移动感知方案的结构，并介绍了移动感知的众包方法。受社交网络的启发，人们可以在参与式代理之间建立信任，以利用群体的智慧进行移动传感。一个原型的社会网络启发的移动多媒体和传感应用程序的说明目的。真实世界数据集上的数值实验表明，通过众包的移动传感性能的改善。移动传感与互联网层的挑战进行了讨论。
2015-08-03 cs.SI stat.ML
The wisdom of the few: Predicting collective success from individual behavior
我们是否可以通过只监控一小部分人的行为来预测表现最好的产品、服务或企业？虽然大多数以前的研究都集中在具有许多社交联系的“枢纽”个人的预测能力上，但解决这个问题所需的客户行为数据来源仍然不清楚，主要是由于同时捕获个人购买模式和社交互动的可用数据集的稀缺性。在这里，我们在一个独特的大规模数据集中解决了这个问题，该数据集将个人的信用卡购买历史与整个国家的社会和移动特征相结合。令人惊讶的是，我们发现，仅购买历史就可以检测到一小群“发现者”，他们的早期购买为他们访问的实体店提供了可靠的成功预测。与大多数现有的口碑传播研究的假设相反，由社交网络中心性选择的枢纽并不能始终如一地预测成功。我们的研究结果表明，能够访问大规模采购数据的公司和组织可以检测发现者，并利用他们的行为来预测市场趋势，而不需要社交网络数据。
2020-06-09 cs.CY cs.SI physics.soc-ph
The Wisdom of the Network: How Adaptive Networks Promote Collective Intelligence
社交网络不断变化，新的关系被创建，现有的关系消失。人们普遍注意到，我们的社会嵌入对我们接收的信息以及我们如何形成信念和做出决定产生了强烈的影响。然而，大多数关于社交网络在集体智慧中作用的实证研究都忽视了社交网络的动态本质及其在培养适应性集体智慧中的作用。目前尚不清楚（1）网络结构如何适应个人的属性，以及（2）这种适应是否会提高个人和集体决策的准确性。在这里，我们通过一系列行为实验和支持模拟来回答这些问题。我们的研究结果表明，社会网络的可塑性存在的反馈，可以适应有偏见和不断变化的信息环境，并产生集体的估计，是更准确的比他们的最佳表现的成员。我们探索了两种机制来解释这些结果：（1）一种全局适应机制，其中网络本身的结构连接性发生变化，从而放大了群体中高绩效成员的估计;（2）一种局部适应机制，其中准确的个体更能抵抗社会影响，因此他们的初始信念在集体估计中的权重不成比例。因此，我们的研究结果证实了社会网络的可塑性和反馈的作用，完善个人和集体的判断自适应机制。
2020-05-29 cs.SI physics.soc-ph
LikeStarter: a Smart-contract based Social DAO for Crowdfunding
众筹已成为一种流行的集体筹资形式，在这种形式中，由一群人进行的小额捐款或投资支持新项目的开发，以换取免费产品或不同类型的认可。另一方面，社交网站促进用户合作，目前是任何个人网络互动的基础。在本文中，我们介绍了LikeStarter，这是一个基于区块链的去中心化平台，它将社交互动与众筹机制相结合，允许任何用户在社交网络中流行的同时筹集资金。LikeStarter建立在以太坊区块链上，是一个去中心化的自治组织（DAO），在没有任何中央机构干预的情况下促进众筹，并承认捐赠者的积极作用，使他们能够支持艺术家或项目，同时赚取利润。
2019-11-06 cs.CY cs.ET cs.SI
Data Leak Aware Crowdsourcing in Social Network
利用人类计算来解决复杂的问题，需要找到未知的竞争群体。在本文中，我们提出了一种方法，称为外包，建立从社交网络响应业务呼叫的团队，同时避免部分解决方案披露给竞争群体。本文的贡献包括：（i）一个基于聚类的方法发现协作和竞争的团队在社会网络中（ii）一个基于马尔可夫链的算法发现隐式的互动在社会网络中。
2013-05-28 cs.SI physics.soc-ph
Urban Crowdsensing using Social Media: An Empirical Study on Transformer and Recurrent Neural Networks
Singapore University of Technology and Design（新加坡科技设计大学）
城市规划的一个重要方面是了解不同位置的人群水平，这通常需要使用物理传感器。这样的传感器在大规模实施时可能是昂贵且耗时的。为了解决这个问题，我们利用公开的社交媒体数据集，并将其作为两个城市感知问题的基础，即事件检测和人群水平预测。这项工作的一个主要贡献是我们从Twitter和Flickr收集的数据集，以及地面实况事件。我们用两种初步的监督学习方法证明了这个数据集的有用性：首先，一系列神经网络模型来确定社交媒体帖子是否与事件相关，其次是一个回归模型，使用社交媒体帖子计数来预测实际人群水平。我们讨论这些任务的初步结果，并强调一些挑战。
2020-12-05 cs.AI cs.SI
Implicit Crowdsourcing for Identifying Abusive Behavior in Online Social Networks
越来越多地使用在线社交网络来传播信息，同时也出现了滥用互联网进行网络欺凌、网络犯罪、垃圾邮件、故意破坏等行为。为了主动识别网络中的滥用行为，我们提出了一个通过众包来识别滥用帖子的模型。检测机制的众包部分通过简单地观察遇到消息的用户之间的自然交互来隐式地实现。我们探讨了节点到节点的Twitter上的信息传播，并提出了一个模型，通过观察消息的属性，以及与之交互的用户的属性，预测与tweet相关的滥用级别（滥用，仇恨，垃圾邮件，正常），我们证明了用户与滥用帖子的交互的差异可以被利用来识别不同滥用级别的帖子。
2020-06-20 cs.SI
Can crowdsourcing rescue the social marketplace of ideas?
Facebook和Twitter最近宣布了基于社区的审查平台，以解决错误信息。我们提供了一个概述的潜在的启示，这种基于社区的方法，内容审核的基础上，过去的研究和Twitter的观鸟数据的初步分析。虽然我们的分析通常支持基于社区的内容审核方法，但它也警告潜在的陷阱，特别是当新基础设施的实施侧重于基于人群的“验证”而不是“协作”时。“我们呼吁利用复杂系统研究、行为社会学和计算社会科学的方法进行多学科研究，以推进基于人群的内容审核研究。
2022-12-19 cs.CY cs.SI physics.soc-ph
Social influence makes self-interested crowds smarter: an optimal control perspective
人们经常会看到一群人用相似的信息以一种很大程度上独立的方式解决类似的问题。我们在这里认为，群体可以变得“更聪明”，即，通过部分地遵循平均意见，更有效和更强大。这一观察结果与人们普遍接受的观点背道而驰，即群体的智慧会随着社会影响力而退化。关键的区别在于，个人是自私的，因此会拒绝那些不能提高他们绩效的反馈。我们提出了一个控制理论的方法来计算社会影响的程度，即，一个人接受群体反馈的水平，这优化了性能。我们对人类受试者（$N = 194$）进行了一项实验，其中参与者首先被要求独立解决一个最优化问题，即，不受社会影响。我们的理论方法估计社会影响的$30\%$程度是最佳的，导致人群表现的$29\%$改善。然后，我们让同一批人解决一个新问题，并获得平均意见。令人惊讶的是，我们发现群体中社会影响力的平均程度是$32\%$，表现上有$29\%$的改善：换句话说，群体自组织成一个接近最佳的设置。我们相信，这种使人群“更聪明”的新模式有可能对包括人口健康和政府规划在内的各种领域产生重大影响。我们包括一个案例研究，以展示一群国家如何集体学习优化经济增长的税收和支出水平。
2016-11-04 cs.SI math.OC physics.soc-ph
Game Theoretic Analysis of Tree Based Referrals for Crowd Sensing Social Systems with Passive Rewards
群体感知社会系统依赖于大量个体的参与。由于人类天生具有战略性，因此需要有效的激励机制来鼓励参与。一种流行的招募机制是通过推荐和被动激励，如2009年DARPA网络挑战赛和多级营销计划中获胜团队使用的几何激励机制。这种招募计划对被招募的战略人员所付出的努力的影响尚不清楚。本文试图填补这一空白。给定一棵推荐树和直接和被动的奖励机制，我们制定了一个网络游戏，代理竞争完成人群感知任务。我们的特点的纳什均衡的努力，并得出封闭形式的表达式。我们发现搭便车行为的节点谁获得大量的被动奖励。这项工作对设计有效的众包任务招聘机制具有影响。例如，使用几何激励机制来招募大量个人可能不会导致相称的努力，因为搭便车。
2016-01-27 cs.GT cs.MA cs.SI
Collective social behavior in a crowd controlled game
尽管做了很多努力，但人们对群体的行为并没有完全理解。现代通信媒体的出现使其成为一个更具挑战性的问题，因为人群动态可以由人与人和人与技术的互动驱动。在这里，我们研究了一个人群控制的游戏（Twitch Plays Pokémon）的动态，在两周多的时间里，有近百万玩家参与其中。我们沿着两个不同的阶段，其特点是游戏的系统动力学的时间演变。我们发现，玩家谁不遵循人群的平均行为是在游戏中取得成功的关键。后一个发现可以很好地解释了n- $th$阶马尔可夫模型，再现所观察到的行为。其次，我们分析了游戏的一个阶段，在这个阶段中，玩家能够在两种不同的游戏模式之间做出决定，模仿投票系统。我们的研究结果表明，在某些条件下，集体动力学可以更好地被视为一个群体的行为，而不是一个群体。最后，我们讨论了我们的研究结果的社会认同理论，这似乎很好地描述了所观察到的动态。
2018-11-24 cs.SI physics.soc-ph
Crowd: A Social Network Simulation Framework
本文提出Crowd，一个基于Python的社交网络模拟框架，采用基于智能体建模方法，支持YAML配置、无代码模拟、生成式智能体及数据可视化，并通过三个案例研究验证其在流行病、影响力最大化和网络信任博弈中的应用。
2025-07-15 cs.SI
The wisdom of networks: A general adaptation and learning mechanism of complex systems: The network core triggers fast responses to known stimuli; innovations require the slow network periphery and are encoded by core-remodeling
我假设，复杂系统的重复发生的先前经验动员了快速响应，其吸引子由其强连接的网络核心编码。相比之下，对新刺激的反应往往很慢，需要弱连接的网络外围。在重复的刺激下，外围网络节点重塑网络核心，编码新响应的吸引子。这种“核心-外围学习”理论回顾并概括了迄今为止关于神经网络吸引子形成、外围驱动创新以及最近关于蛋白质、神经元和社交网络适应性的一些报道的零散知识。核心-外围学习理论可以增加我们对信号传导、记忆形成、信息编码和决策过程的理解。此外，网络周边相关的“群体智慧”发明创造性的力量，新颖的反应表明，协商民主是一个缓慢而有效的学习策略，作为十亿年进化的成功发展。
2018-02-23 cond-mat.dis-nn cs.SI nlin.AO
Crowdsensing in Opportunistic Mobile Social Networks: A Context-aware and Human-centric Approach
近年来，已经努力在社交事件期间收集人类接触痕迹（例如，会议）使用蓝牙设备（例如，移动电话、iMotes）。这些研究的结果使得能够从人群中进行众包任务，以回答问题，例如：人群的当前密度是多少，或者有多少人参加活动？然而，在这些研究中，传感设备通常以某种方式分布和配置。例如，设备的数量是固定的，人们在自愿的基础上注册设备。在本文中，我们把上述问题作为一个最优化问题，并提请连接到顶点覆盖问题的图论。由于求最小顶点覆盖问题的最优解是NP完全的，所以必须使用近似算法。然而，我们将证明，众所周知的近似算法不执行人群感知任务。在本文中，我们提出了节点的可观察性和覆盖效用得分的概念，并设计了一个新的上下文感知的近似算法来寻找顶点覆盖，是适合人群感知任务。此外，我们设计了以人为中心的自举策略，根据参与者的Meta信息（例如，兴趣，友谊）。其动机是将传感任务分配给更“社会化”的设备，以获得更好的传感覆盖。我们在会议和学术社会背景下从以前的实验研究中获得的真实世界的数据痕迹进行全面的实验。结果表明，我们提出的方法显着优于基线近似算法的感知覆盖范围。
2017-04-27 cs.SI
Who creates trends in online social media: The crowd or opinion leaders?
在线社交媒体的趋势总是反映了整个网络中大量个人的集体关注。例如，网络俚语可以在极短的时间内因社会模因和网络传播而无处不在。通过对中国微博的研究发现，网络流行语的使用在时间演变过程中经历了两个高峰，其中前者的使用率远低于后者。事实上，这一有趣的现象提供了一个体面的窗口，揭示了推动在线社交媒体大规模扩散趋势的基本因素。具体而言，通过对不同峰值所代表的传播效果进行深入比较，发现在传播初期，人群的关注度越高，传播效果越好;而在传播初期，意见领袖的主导参与度越高，传播效果越差。我们的研究结果在定量上挑战了传统的影响者假设。并讨论了这些新发现对营销实践和社交网络中影响力最大化的影响。
2014-09-05 cs.CY cs.SI physics.soc-ph
Image-based Social Sensing: Combining AI and the Crowd to Mine Policy-Adherence Indicators from Twitter
社交媒体提供了大量信息，如果加以适当的汇总和分析，可以为决策者提供重要的统计指标。在某些情况下，这些指标无法通过其他机制获得。例如，鉴于COVID-19疫情持续，政府必须获得有关口罩佩戴、社交距离和其他难以衡量的数量的政策遵守情况的可靠数据。在本文中，我们调查是否有可能通过聚合发布到社交媒体的图像信息来获得此类数据。本文介绍了VisualCit，一个基于图像的社会感知管道，结合了图像识别技术与地理编码和众包技术的最新进展。我们的目标是发现哪些国家的人们在多大程度上遵循COVID-19相关政策指令。我们将结果与CovidDataHub行为跟踪计划中产生的指标进行了比较。初步结果表明，社交媒体图像可以为政策制定者提供可靠的指标。
2021-03-05 cs.CY cs.SI
Social Turing Tests: Crowdsourcing Sybil Detection
作为传播垃圾邮件和恶意软件的流行工具，Sybils（或虚假帐户）对在线社交网络（OSN）等在线社区构成了严重威胁。今天，老练的攻击者正在创建逼真的Sybil，有效地与合法用户建立朋友关系，使大多数自动化的Sybil检测技术无效。在本文中，我们探讨了OSN的众包Sybil检测系统的可行性。我们使用Facebook和人人网的大量真实Sybil账户语料库，对人类检测当今Sybil账户的能力进行了大量用户研究。我们分析了在各种条件下“专家”和“turkers”的检测精度，发现虽然turkers的有效性差异很大，但专家始终能产生接近最佳的结果。我们使用这些结果来驱动多层众包Sybil检测系统的设计。使用我们的用户研究数据，我们表明，该系统是可扩展的，可以是非常有效的，无论是作为一个独立的系统或作为一个补充技术，目前的工具。
2012-12-07 cs.SI physics.soc-ph
Leading the Collective: Social Capital and the Development of Leaders in Core-Periphery Organizations
维基百科和开源软件项目被引用为集体智能组织的典型例子。这两个组织都依赖于大量的贡献者来创造知识产品。在这两种情况下出现的群体都不是扁平的，而是形成了一个核心-外围网络，其中少数领导者贡献了大部分的生产和协调工作。本文探讨了社会网络的过程中，领导人出现的人群为基础的组织。
2012-04-17 cs.SI physics.soc-ph
Parameter Estimation of Social Forces in Crowd Dynamics Models via a Probabilistic Method
针对特定的人群动力学情况，包括真实生活中的实验和测量，我们的论文有两个目标：（1）我们提出了一种贝叶斯概率方法来估计值和不确定性（以概率密度函数的形式）从实验数据的人群动态模型中的参数;以及（2）我们引入了模型的适应度度量，根据模型结构（力）对实验数据的适应度对它们进行分类，为受概率数据分析启发的更一般的模型选择和验证策略准备阶段。最后，我们回顾了我们的实验装置和测量技术的基本方面。
2014-03-21 cs.SI math.PR math.ST
Long-Term Profit-Maximizing Incentive for Crowd Sensing in Mobile Social Networks
人群感知是一种新的模式，它利用配备传感器的移动设备提供感知服务，如法医分析，记录公共空间，以及协作构建统计模型。要达致良好的服务质素，用户的广泛参与是不可或缺的。目前，大多数现有的机制集中在保证良好的服务质量的基础上瞬时广泛的用户参与的人群感知应用。很少有人关注一直致力于最大限度地提高长期服务质量的人群传感应用，由于他们的不对称的利益，偏好，自私的行为，等，为了填补这些空白，在本文中，我们推导出封闭的表达的基础上，在经济学的垄断聚集的边际感知数据质量。此外，我们还设计了基于边际质量的长期人群感知应用激励机制，不仅通过最大化移动用户的预期总利润来提高用户的广泛参与，而且通过应用边际质量来激励移动用户生产高质量的内容。最后，仿真结果表明，我们的机制优于现有的解决方案。
2015-05-25 cs.GT cs.NI cs.SI
Understanding Crowd Behaviors in a Social Event by Passive WiFi Sensing and Data Mining
Singapore University of Technology and Design（新加坡科技设计大学）
了解大型社会活动中的人群行为对活动管理至关重要。被动式WiFi传感通过收集移动设备发送的WiFi探测请求，与人员计数器和摄像头相比，在无干扰、覆盖范围更大、成本更低以及更多关于人员移动的信息方面，提供了更好的监测人群的方式。然而，在现有的研究中，没有足够的重视对收集到的数据进行深入的分析和挖掘。特别是，机器学习的力量还没有得到充分利用。因此，在本文中，我们提出了一个全面的数据分析框架，充分分析收集的探测请求，以提取三种类型的模式相关的人群行为在一个大型的社会事件，统计，可视化和无监督机器学习的帮助下。首先，从探测请求中提取移动设备的轨迹并进行分析，以揭示人群运动的空间模式。采用层次凝聚聚类来寻找不同位置之间的相互联系。其次，k-均值和k-形聚类算法被应用于提取时间访问模式的人群的天和地点，分别。最后，通过与时间相结合，将轨迹转化为时空模式，揭示轨迹持续时间如何随长度变化以及人群运动的总体趋势如何随时间变化。所提出的数据分析框架，充分展示了使用在一个大型的社会活动中收集的真实世界的数据。结果表明，可以从被动WiFi传感器网络收集的数据中提取全面的模式。
2020-02-05 cs.LG cs.SI stat.AP
Social-Network-Assisted Worker Recruitment in Mobile Crowd Sensing
工人招募是移动人群感知中的一个关键研究问题。虽然以前的研究依赖于一个特定的平台与预先假设的大用户池，本文利用影响传播的社会网络，以协助MCS工人招聘。我们首先在社交网络上选择一个用户子集作为初始种子，并向他们推送MCS任务。然后，接受任务的受影响用户被招募为工作者，最终目标是最大化覆盖率。具体来说，选择一个接近最优的种子集，我们提出了两个算法，分别命名为基本的搜索和快速搜索。Basic-Ranking算法采用了基于预测移动性的迭代贪婪算法，具有良好的性能，但存在效率低下的问题。为了加速选择，快速搜索被提出，这是基于地理位置的相互依赖性的朋友。在两个真实数据集上的实证研究表明，在各种环境下，Fast-Rank方法都比Basic-Rank方法获得了更高的覆盖率，同时，它比Basic-Rank方法效率更高，而仅牺牲了很小一部分覆盖率。
2018-05-22 cs.HC cs.SI
