Joint Inference on Truth/Rumor and Their Sources in Social Networks
在信息爆炸的当代，我们经常面临着充斥于社交网络上的大量\emph{truth}信息和虚假信息的混合。在这种情况下，非常有必要推断每一项索赔（例如，新闻、消息）是真相还是谣言，并识别它们的\emph{sources}，即，最初传播这些主张的用户。虽然大多数现有技术已经分别致力于这两个任务，本文旨在提供关于真/谣言及其来源的联合推理。我们的见解是，联合推理可以提高双方的相互性能。为此，我们提出了一个名为SourceCR的框架，它在两个模块之间交替，即，\emph{credibility-reliability training}用于真理/谣言推断，\emph{division-querying}用于源检测。具体来说，前者以后者输出的信源可靠度为初始输入，采用期望最大化算法同时估计索赔可信度和用户可靠度。同时，后者模块将网络划分为两个不同的子网络标记的索赔的可信度，并在每个子网络中发起源检测通过应用查询的理论预算保证的用户通过估计的可靠性从前模块中选择。所提出的SourceCR是可证明收敛的，并且算法可实现，具有合理的计算复杂性。我们在合成和真实数据集上实证验证了所提出的框架的有效性，与单独的对应物相比，联合推断导致高达35%的可信度增益和29%的源检测率增益的准确性。
2020-01-23 cs.SI
Crowding out the truth? A simple model of misinformation, polarization and meaningful social interactions
本文提供了一个简单的理论框架来评估排名算法的关键参数，即流行度和个性化参数，对平台参与度，错误信息和两极分化的影响。结果表明，增加分配给在线社交互动的权重（例如，喜欢和分享）和个性化内容的用户可能会增加社交媒体平台上的参与度，同时增加错误信息和/或极化。通过利用Facebook 2018年的“有意义的社交互动”算法排名更新，我们还为模型的一些主要预测提供了直接的实证支持。
2022-10-05 cs.CY cs.SI
Truthy: Enabling the Study of Online Social Networks
在线社交网络平台的广泛采用使得以前所未有的规模研究通信网络成为可能。数字跟踪数据可以汇编成在线话语的大型数据集。然而，即使是计算科学的专家，收集、存储、过滤和分析大量数据也是一个挑战。在这里，我们描述了我们最近对Truthy的扩展，Truthy是一个收集Twitter数据以近实时分析话语的系统。我们介绍了几种交互式可视化和分析工具，使公民，记者和研究人员能够在多个尺度上理解和研究在线社交网络。
2012-12-20 cs.DL cs.SI physics.soc-ph
Incentivizing the Dissemination of Truth Versus Fake News in Social Networks
Stevens Institute of Tech.（史蒂文斯理工学院）
研究通过建模冲突为志愿者困境，探讨新闻订阅的公共贡献如何影响网络中真相对虚假新闻的主导地位。
2018-04-07 cs.SI cs.SY eess.SY
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University（南洋理工大学）
我们调查的问题，真理发现的基础上，从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下，代理人的可靠性或偏见是相关的，如果他们属于同一个社区，这定义了一组代理人有类似的意见，关于一个特定的事件。对于不同的事件，智能体可以属于不同的社区，而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性，社区和事件状态。我们还开发了一个随机变分推理方法，将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明，当观测稀疏时，我们提出的方法比其他几种推理方法，包括多数投票，Truthfall，AccuSim，置信度感知的真相发现方法，贝叶斯分类器组合（BCC）方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
Twitter Watch: Leveraging Social Media to Monitor and Predict Collective-Efficacy of Neighborhoods
社会学家将城市环境中犯罪的空间变化与集体效能的概念联系起来。邻里的集体效能被定义为邻里之间的社会凝聚力，以及他们代表共同利益进行干预的意愿。社会学家通过进行旨在衡量个人对其社区的看法的调查研究来衡量集体效能。在这项工作中，我们使用了来自调查研究的策划数据（地面实况），并检查了用社交媒体代理替代昂贵的调查问卷的有效性。我们丰富了一个语料库的推文提到一个当地的几个语言和拓扑特征的地点。然后，我们提出了一个成对的学习排序模型，其目标是确定一个排名的邻居，这是类似的排名从地面真相集体效能值。在我们的实验中，我们发现，我们生成的排名的邻居达到0.77肯德尔tau-x排名协议与地面真相排名。总体而言，我们的结果比传统基线高出37%。
2019-11-14 cs.SI
Beyond the "Truth": Investigating Election Rumors on Truth Social During the 2024 Election
California Institute of Technology（加利福尼亚理工学院）
本文利用LLMs开发多阶段谣言检测代理，通过大规模数据集和自然环境实验，揭示谣言传播中的虚假真相效应及信念强化机制。
2026-01-08 cs.AI cs.SI
Who are Like-minded: Mining User Interest Similarity in Online Social Networks
在本文中，我们挖掘和学习预测一对用户对视频的兴趣是多么相似，基于这些用户的人口统计（年龄，性别和位置）和社会（友谊，互动和组成员）信息。我们使用活跃用户的视频访问模式作为基础事实（一种基准）。我们采用基于标签的用户分析来建立这个基础事实，并证明为什么它被用来代替基于视频的方法，或许多潜在的主题模型，如LDA和协同过滤方法。然后，我们展示了不同的人口统计和社会特征，以及它们的组合和衍生物，在预测用户兴趣相似性的有效性，基于不同的机器学习方法结合多种功能。我们提出了一个混合树编码的线性模型相结合的功能，并表明它优于其他线性和基于树的模型。我们的方法可以用来预测用户的兴趣相似性时，地面真相是不可用的，例如，对于新用户，或不活跃的用户的兴趣可能已经改变了从旧的访问数据，是有用的视频推荐。我们的研究基于腾讯的丰富数据集，腾讯是中国社交网络、视频服务和各种其他服务的热门服务提供商。
2016-03-07 cs.SI
When facts fail: Bias, polarisation and truth in social networks
在线社交网络为用户提供了前所未有的参与不同意见的机会。与此同时，它们通过授权个人自我选择他们想要接触的叙述，在大规模上实现了确认偏见。对这种权衡的准确理解在很大程度上仍然缺失。我们引入了一个社会学习模型，其中网络中的大多数参与者根据新信息无偏地更新他们的信念，而少数参与者拒绝与他们先前存在的信念不一致的信息。这个简单的机制产生永久的意见极化和级联动态，并通过分析结果解释了确认偏差和社会连接之间的权衡。我们调查模型的预测经验使用美国县级数据的影响，互联网接入对全球变暖的信念的形成。最后，我们讨论了我们的模型的政策含义，强调揭穿的缺点，并提出替代策略，以对比错误信息。
2020-01-21 cs.SI physics.soc-ph
Echo Chambers and Information Brokers on Truth Social: A Study of Network Dynamics and Political Discourse
University of Notre Dame（圣母大学）
本研究通过分析Truth Social上的用户互动数据，揭示了该平台在两大政治事件期间呈现碎片化、回音室式的网络结构，并指出以@realDonaldTrump为代表的少数核心影响者主导了话语可见性，强化了意识形态边界。
2026-09-14 cs.HC cs.SI
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
Can MLLMs Read the Room? A Multimodal Benchmark for Verifying Truthfulness in Multi-Party Social Interactions
The University of Tokyo（东京大学）
本文提出了多方社交互动真实性评估任务MIVA及基于《狼人杀》的多模态数据集，评估发现GPT-4o等先进模型难以可靠辨别真伪，且在视觉线索对齐上存在不足。
2025-11-04 cs.CL cs.CV cs.SI
Competitive Influence Propagation and Fake News Mitigation in the Presence of Strong User Bias
由于社交网络在社交媒体中的广泛作用，人们很容易分享新闻，而且它的传播速度比以往任何时候都快。这些平台也被利用来分享谣言或虚假信息，这对社会构成了威胁。减少虚假信息影响的一种方法是让人们意识到基于硬证明的正确信息。在这项工作中，首先，我们提出了一个传播模型，称为竞争独立级联模型与用户的偏见（CICMB），认为存在强烈的用户偏见，对不同的意见，相信，或政党。我们进一步提出了一种方法，称为$k-TruthScore$，从一组给定的潜在的真相运动者，以最大限度地减少谣言传播者对网络的影响，以确定一组最佳的真相运动者。我们将$k-TruthScore$与最先进的方法进行比较，并将其性能作为保存节点的百分比（在没有真相活动家的情况下会相信假新闻的节点）。我们在几个真实网络上展示了这些结果，结果表明$k-TruthScore$方法优于基线方法。
2020-11-10 cs.SI
Enabling Asymptotic Truth Learning in a Social Network
本文研究社交网络中的渐近真值学习问题，证明稀疏图随机顺序下无法实现该目标，提出充分条件并刻画两类网络模型的性质，验证了精心设计的决策顺序的有效性。
2024-10-06 cs.DS cs.SI
Defining and Evaluating Network Communities based on Ground-truth
真实世界网络中的节点组织成紧密相连的社区，其中边缘在社区成员中高度集中。识别这样的节点社区已被证明是一项具有挑战性的任务，主要是由于社区的定义过多，算法难以处理，评估问题以及缺乏可靠的黄金标准真值。在本文中，我们研究了一组230个大型的现实世界的社会，协作和信息网络，其中节点显式地说明他们的组成员。例如，在社交网络中，节点明确地加入各种基于兴趣的社交群组。我们使用这样的群体来定义可靠和强大的真值社区概念。然后，我们提出了一种方法，使我们能够比较和定量评估如何不同的结构定义的网络社区对应于真值社区。我们选择了13种常用的网络社区结构定义，并研究了它们在识别真值方面的敏感性、鲁棒性和性能。我们发现，13个结构的定义是高度相关的，自然分为四类。我们发现，这些定义中的两个，电导和三合会参与比，始终给出最好的性能，在确定真值社区。我们还研究了一个任务，检测社区给定一个单一的种子节点。我们将局部谱聚类算法扩展为一种启发式的无参数社区发现方法，该方法可以轻松扩展到具有超过一亿个节点的网络。所提出的方法实现了30%的相对改善，目前的局部聚类方法。
2012-11-06 cs.SI physics.soc-ph
Robust Sequential Learning in Random Order Networks
University of Pennsylvania（宾夕法尼亚大学）；MIT（麻省理工学院）；Rutgers University（罗格斯大学）
本文研究了在随机顺序下实现鲁棒序列学习的网络结构，提出了一种算法将任意网络转化为具有随机顺序学习能力的网络。
2026-02-09 cs.SI
Moral Emotions Shape the Virality of COVID-19 Misinformation on Social Media
虽然虚假谣言对成功战胜COVID-19大流行构成威胁，但对谣言如何在在线社交网络中传播的理解-即使是在非危机情况下-仍处于起步阶段。在这里，我们分析了一个由来自Twitter的COVID-19谣言级联组成的大样本，这些谣言已经过第三方组织的事实核查。该数据包括N= 10，610个谣言级联，已被转发超过2400万次。我们调查了COVID-19错误信息是否比真相传播得更快，以及真假谣言传播的差异是否可以用它们所携带的道德情感来解释。我们观察到，平均而言，COVID-19错误信息比真实信息更容易传播。然而，真实性效应受到道德情感的调节：如果源推文嵌入大量谴责他人的情感词，则虚假谣言比真相更具病毒性，而更多的自我意识情感词则与较少的病毒性传播有关。这种影响对于健康错误信息和虚假政治谣言都很明显。这些发现提供了关于真实与虚假谣言如何传播的见解，并强调了在社交媒体内容中考虑道德情感家族情绪的重要性。
2022-02-08 cs.CY cs.SI
Instilling Doubts About Truth: Measuring the Impact of Tucker Carlson's Interview with Vladimir Putin Using Machine Learning and Natural Language Processing
该研究利用机器学习和自然语言处理框架，从受众、结构和内容三方面测量卡尔森采访普京对美国X平台舆论的影响，发现极右翼影响力上升、传播结构更易受虚假信息影响，且公共话语转向普京、俄罗斯及真相问题。
2025-03-10 cs.SI
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题，基于对社区特征的启发式假设，如边缘密度和节点同质性。在这项工作中，我们怀疑这些广泛采用的假设的普遍性，并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果，我们认为，社区是由各种社会模式和无监督学习的基础上，数学是无法捕捉所有这些。因此，我们建议通过面向社区的网络嵌入（CONE）将监督注入社区发现中，CONE利用有限的地面实况社区作为示例来学习嵌入模型，了解它们背后的社会模式。具体来说，通过将递归神经网络与图上的随机行走相结合，开发了一种深度架构，以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法，然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Who's in the Gang? Revealing Coordinating Communities in Social Media
政治占星术和有组织的拖钓是具有重大现实影响的在线恶意行为。研究这些现象的常见方法侧重于广泛的运动，而不是负责的小团体。为了揭示合作账户的潜在网络，我们提出了一种新的时间窗口方法，该方法仅依赖于账户交互和元数据。它检测参与行为的帐户组，这些行为一致地执行我们所描述的不同的基于目标的策略。我们的方法是验证对两个相关的数据集与地面实况数据。
2020-10-16 cs.SI
Social Media-based User Embedding: A Literature Review
自动化表示学习是机器学习中许多最近成功案例的背后。它通常用于传输从大型数据集（例如，原始文本）到只有少量训练样本可用的任务。在本文中，我们回顾了最近的进展，学习表示社会媒体用户在低维嵌入。该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要，因为用于评估潜在人类特征和行为的基础事实通常是大规模获取的昂贵。在本调查中，我们回顾了从异构用户数据（例如，将社交媒体文本与图像相结合以学习统一的用户表示）。最后，我们指出了一些当前的问题和未来的发展方向。
2019-06-26 cs.SI
Reaching Consensus via non-Bayesian Asynchronous Learning in Social Networks
我们研究了在线社交网络中信息聚合的结果。我们的主要结果是，具有某些现实结构特性的网络避免了信息级联，并使人口能够有效地聚合信息。在我们的模型中，网络中的每个人都对产品或想法持有私人的独立意见，偏向于地面真相。个体异步地声明他们的观点，可以观察他们邻居的声明观点，并且可以随着时间的推移自由地更新他们的声明。假设个体与其邻居的大多数报告一致，我们要问的是，群体最终是否会就基本事实达成共识。我们表明，答案取决于网络结构：存在网络的共识是不可能的，或声明收敛于不正确的意见与积极的概率。另一方面，我们证明了对于稀疏和可扩展的网络，人口将以高概率收敛到正确的观点。
2014-08-22 cs.GT cs.SI
De-anonymizing Social Networks with Overlapping Community Structure
社交网络的出现对用户隐私构成了严重威胁，因为对手可以通过将用户的身份映射到相关的跨域网络来对用户的身份进行去匿名化。在没有地面实况映射的情况下，现有文献提出了各种成本函数，希望测量映射的质量。然而，通常缺乏成本函数背后的基本原理，其最小值也仍然是算法未知的。我们在由重叠社区参数化的更实际的社交网络模型下共同解决上述问题，重叠社区被现有技术忽略，可以用作去匿名化的辅助信息。关于地面实况映射到对手的不可用性，凭借最小均方误差（MMSE），我们的第一个贡献是一个合理的成本函数，最大限度地减少所有可能的真实映射的不匹配用户的预期数量。在证明最小化MMSE的NP-困难性的同时，我们有效地将其转化为加权边匹配问题（Weighted-Edge Matching Problem，WEMP），从理论上解决了最优性和复杂性之间的矛盾：（i）在较大的网络规模下，在较高的重叠强度下，WEMP渐近返回可忽略的映射误差;（ii）WEMP可以通过基于凸-凹的去匿名化算法（CBDA）在算法上表征，完美地找到WEMP的最佳值。大量的实验进一步证实了CBDA在重叠社区下的有效性，当社区重叠密集时，在罕见的真正跨域合著者网络中平均90%的重新识别用户，与非重叠情况相比，大约70%的重新识别率提高。
2017-12-12 cs.SI
An ontological analysis of misinformation in online social networks
互联网、在线社交网络（OSN）和智能手机使用户能够创建大量的信息。搜索一般或特定知识的用户可能不会遇到信息稀缺的问题，而是错误信息。如今，错误信息可以指在可以被视为“事实”或“真相”（如果人类同意存在这种情况）与每个人都同意它是错误的错误信息之间的连续光谱。在本文中，我们将研究信息/错误信息的频谱，并比较一些主要的相关概念。虽然很少有事实核查网站存在，以评估新闻文章或一些流行的索赔人交换，但这可以被视为一个小的努力，在使命标记在线信息与他们的“适当”类别或标签。
2021-02-22 cs.SI
A Contribution to COVID-19 Prevention through Crowd Collaboration using Conversational AI & Social Platforms
COVID-19预防结合了公共卫生安全的软方法和最佳实践，是考虑到大流行时代，卫生科学和管理社会方面唯一推荐的解决方案。为了评估这种说法在阿富汗这样受冲突和COVID-19影响的国家的有效性，我们从信息流行病学和信息传播学的角度，使用对话式人工智能和社交平台进行了一项大规模的数字社会实验。这是一种发现潜在真相的手段，提供大规模的促进支持，将讨论的软影响扩展到多个地点，收集、分歧、汇集和评估来自卫生专家、患者和当地人民的大量意见和担忧，审议收集的数据，并探索COVID-19的集体预防方法。最后，本文表明，如果不利用支持人工智能的讨论系统的支持，决定一种最大限度地提高找到地面真相的概率的预防措施本质上是困难的。
2021-06-09 cs.CY cs.SI
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR，一个社区发现算法，推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络，地面真相社区的基础上，实验评估表明，NECTAR提供了优秀的结果相比，最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
Public and private beliefs under disinformation in social networks
本研究构建社交网络意见动力学模型，探究虚假信息下私人与公开信念的演化，发现少数共谋者会引发认知失调峰值，辟谣者可缓解该效应。
2023-07-25 cs.SI physics.soc-ph
A Kernel of Truth: Determining Rumor Veracity on Twitter by Diffusion Pattern Alone
Harvard University（哈佛大学）；Kensho Technologies（肯肖科技）；Harvard Data Science Initiative（哈佛数据科学倡议）
最近在错误信息检测领域的工作利用了与社交媒体上的内容相关联的文本和用户身份中的丰富信号。但文本可以被策略性地操纵，账户可以用不同的别名重新打开，这表明这些方法本质上是脆弱的。在这项工作中，我们研究了一种自然鲁棒的替代模态：信息传播的模式。一个未经证实的网上谣言的真实性是否可以仅仅根据它在社交网络中的传播模式来判断？使用图形内核从Twitter级联结构中提取复杂的拓扑信息，我们训练准确的预测模型，这些模型对语言，用户身份和时间都是盲目的，首次证明这种“净化”的扩散模式具有高度的准确性。我们的研究结果表明，通过适当的聚集，群体的集体共享模式可以揭示谣言真实或虚假的强大信号，即使在传播的早期阶段。
2020-02-06 cs.LG cs.SI stat.ML
When Can Liquid Democracy Unveil the Truth?
Gran Sasso Science Institute（格兰萨索科学研究所）；Université Paris-Dauphine（巴黎第九大学）；Université PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；LAMSADE（LAMSADE实验室）
在本文中，我们研究了Caragiannis和Micha [10]提出的所谓ODP问题。在这里，我们处于一个有两个选举选项的环境中，其中一个被认为是正确的。在ODP中，目标是组织社交网络中的委托，以最大限度地提高正确的替代方案（称为地面真理）被选中的概率。虽然这个问题是已知的计算困难，我们加强现有的硬度结果提供了一个新的强近似硬度结果：对于任何正常数$C$，我们证明，除非$P=NP$，没有多项式时间的ODP算法，实现了近似保证$α\ge (\ln n)^{-C}$，其中$n$是选民的数量。为这一结果设计的减少使用了连接不良的社交网络，其中一些选民遭受错误信息。有趣的是，在某些假设下，无论是选民的准确性或网络的连通性，我们得到了多项式时间的$1/2$ -近似算法。这一观察正式证明，社会网络的连通性是流动民主范式效率的关键特征。最后，我们运行了大量的模拟，并观察到简单的算法（以集中或分散的方式工作）在一大类实例上优于直接民主。总的来说，我们的贡献产生了新的见解，在这种情况下，流动民主可以是有益的。
2021-04-05 cs.AI cs.GT cs.SI
Reputation Transfer in the Twitter Diaspora
本研究针对社交媒体用户跨平台迁移现象，基于X/Twitter大规模数据集分析用户离开规模与迁移去向，验证数字声誉可迁移性，发现高粉丝量用户更易迁移，且其X/Twitter声誉仅与Threads声誉高度相关。
2024-05-20 cs.HC cs.SI
Incentive Compatible Influence Maximization in Social Networks and Application to Viral Marketing
信息扩散和影响力最大化是社交网络中的重要问题，也是广泛研究的问题。在影响力最大化问题的背景下，文献中已经提出了各种模型和算法。所有这些研究中的一个关键假设是，社会规划者知道影响概率。这种假设是不现实的，因为影响概率通常是个体代理人的私人信息，战略代理人可能不会如实地透露它们。此外，影响概率可以随着网络中流动的信息的类型和信息在网络中传播的时间而显著变化。在本文中，我们使用一个机制设计的方法，从代理人真实地得出影响概率。我们首先使用一个简单的模型，即影响者模型，在这个模型中，我们假设每个用户都知道她对邻居的影响程度，但这是私人信息。在第二个模型中，影响者-受影响者模型，这是更现实的，我们通过结合影响者和受影响者报告的概率值来确定影响概率。在第一个模型的背景下，我们提出了如何VCG（Vickrey-Clarke-Groves）机制可以用来真实地引出的影响概率。我们的主要贡献是设计一个评分规则为基础的机制的影响者-受影响者模型的上下文中。特别是，我们的激励相容性的机制时，评分规则是适当的，并提出了一个反向加权评分规则为基础的机制作为一个适当的机制来使用。我们还简要讨论了这样一个机制在病毒式营销应用的实施。
2011-02-07 cs.GT cs.SI physics.soc-ph
Credibility Governance: A Social Mechanism for Collective Self-Correction under Weak Truth Signals
School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院）；Tsinghua University（清华大学）；University of California, Los Angeles（加州大学洛杉矶分校）；State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI）
可信治理通过动态可信度评分和可信度加权背书，提升集体自我校正能力，减少虚假信息影响。
2026-03-03 cs.AI cs.CL cs.CY
"Gettr-ing" Deep Insights from the Social Network Gettr
作为另一个替代性的社交网络，Gettr将自己定位为“思想市场”，用户应该期待真相在没有任何行政审查的情况下出现。我们通过分析平台的结构、680万个帖子的样本以及我们采访的124个Gettr用户的反馈来深入研究平台内部，看看情况是否属实。在管理上，Gettr故意试图扼杀对平台的任何外部评估，因为收集数据会受到API中不可预测和突然变化的影响。在内容方面，Gettr特别主持亲特朗普的内容，其中夹杂着阴谋论和对所谓“左派”的攻击。“它的社交网络结构是不对称的，以杰出的右翼思想领袖为中心，这是所有另类平台的特征。虽然右倾用户加入Gettr是因为主流平台侵犯了言论自由，但左倾用户也会大量关注他们，以“跟上错误信息”。“我们通过研究Gettr的用户界面设计来分析这些发现，以全面了解加入和竞争Gettr真相的激励结构。
2022-04-08 cs.CY cs.HC cs.SI
Hidden Community Detection in Social Networks
我们引入了一个新的范式，这是重要的社区检测领域的网络分析。网络包含一组强大的、占主导地位的社区，这些社区会干扰对弱的、自然的社区结构的检测。当大多数弱势社群的成员也属于强势社群时，他们就很难被发现。我们把弱势群体称为隐性群体结构。我们提出了一种新的方法，称为HICODE（隐藏社区检测），确定隐藏的社区结构以及主导的社区结构。通过削弱主导结构的力量，人们可以发现隐藏在下面的结构。同样，通过降低隐藏结构的强度，可以更准确地识别主导结构。通过这种方式，HICODE同时处理这两项任务。在真实网络上的大量实验表明，HICODE在发现主导和隐藏结构方面优于几种最先进的社区检测方法。在Facebook大学社交网络中，我们发现多个非冗余的社区集合与院系或学生的宿舍、注册年份或职业位置密切相关，而最先进的算法主要定位占主导地位的地面真相类别。由于在现实世界的数据集中标记所有地面实况社区的困难，HICODE提供了一种很有前途的方法来查明现有的潜在社区并发现没有地面实况的社区。寻找这种未知结构是一个非常重要的社区检测问题。
2017-02-24 cs.SI physics.soc-ph stat.ML
Visualizing Communication on Social Media: Making Big Data Accessible
网络作为一种交流媒介的广泛采用使得在一个新的尺度上研究社会行为成为可能。借助Twitter等社交媒体网络，我们可以收集大量在线话语数据集。然而，社会科学研究人员和记者可能没有工具来理解大量数据或大型社交网络的结构。在本文中，我们描述了我们最近的扩展Truthy，一个收集和分析Twitter上的政治话语的系统。我们介绍了几个新的分析视角，在线话语的目标是促进个人之间的合作，在计算和社会科学。本文中描述的设计决策是由与印第安纳大学新闻学院的同事合作开发的真实用例激发的。
2012-02-07 cs.SI physics.soc-ph
Simulation and Augmentation of Social Networks for Building Deep Learning Models
Bournemouth University（伯恩茅斯大学）；University of Technology Sydney（悉尼科技大学）
图卷积网络（GCN）的局限性在于，它假设在神经网络模型的特定$l^{th}$层处，只有社交网络的$l^{th}$阶邻域节点是有影响的。此外，GCN已经在引用和知识图谱上进行了评估，但没有广泛地在基于友谊的社交图谱上进行评估。与GCN的层之间的依赖性和节点邻域的顺序相关联的缺点对于基于友谊的图可能更普遍。评估GCN在基于友谊的社交网络上的全部潜力需要大量公开可用的数据集。然而，大多数可用的社交网络数据集并不完整。此外，大多数可用的社交网络数据集不包含特征和地面实况标签。在这项工作中，首先，我们提供了一个指导方针，模拟动态社交网络，地面真相标签和功能，都与拓扑结构相结合。其次，我们介绍了一个开源的基于Python的仿真库。我们认为，网络的拓扑结构是由一组潜在的变量，被称为社会DNA（sDNA）。我们认为sDNA作为标签的节点。最后，通过对我们的模拟数据集进行评估，我们提出了四种新的GCN变体，主要是为了克服节点邻域的顺序与模型的特定层之间依赖性的限制。然后，我们评估了所有模型的性能，我们的结果表明，在30个模拟数据集中，我们提出的GCN变体有27个优于原始模型。
2019-08-30 cs.LG cs.SI stat.ML
How social influence affects the wisdom of crowds in influence networks
社会影响力是提高群体的集体智慧还是削弱群体的集体智慧是一个长期存在的争论，本文基于影响力系统理论中的一个朴素学习设置来解决这个问题：在我们的模型中，个体根据加权平均意见动态来进化他们对未知事实的估计。通过严格的理论分析，给出了一种形式化的证明。我们得到各种条件，提高，优化和破坏人群的准确性，分别。我们证明了，如果有限规模群体的智慧得到提高，那么集体估计随着群体规模的增加而收敛于真值，前提是个体的方差是有限的。我们发现，社会影响力是提高还是削弱智慧取决于影响力系统的社会权力分配：如果影响力系统将相对较大的社会权力分配给相对较准确的个体，则会提高智慧;相反，如果影响力系统将较少的社会权力分配给较准确的个体，则会削弱智慧。在人口水平上，个人对人际影响和网络中心的敏感性都至关重要。为了提高智慧，更准确的个人应该更不易受影响，并具有更大的网络中心。特别是，在民主影响网络中，如果相对更准确的个体相对不那么容易受到影响，那么智慧就会提高;如果更准确的个体更容易受到影响，那么智慧就会被破坏，这与报告的经验证据是一致的。我们的研究为理解社会影响力在集体智慧的形成中所起的作用提供了一个理论框架。
2023-03-04 cs.MA cs.SI cs.SY
Structure and Overlaps of Communities in Networks
在现实世界的社会，信息和技术网络的主要组织原则之一是网络社区，其中节点组组织成密集连接的集群。尽管检测这样的社区是非常感兴趣的，了解大型网络中的结构社区仍然相对有限。由于没有标记的地面实况数据，实际上不可能大规模地评估和比较不同的模型和社区概念。在本文中，我们确定了6个大型的社会，协作和信息网络，其中节点显式地说明他们的社区成员。我们通过使用这些明确的成员资格来定义地面实况社区。然后，我们实证研究如何在网络中出现这样的地面真相社区，以及它们如何重叠。我们观察到一些令人惊讶的现象。首先，地面实况社区包含高度的枢纽节点，这些节点位于社区重叠中，并链接到社区的大多数成员。第二，社区的重叠部分比社区的非重叠部分连接得更紧密，这与社区重叠部分比社区本身连接得更稀疏的传统智慧形成对比。现有的网络社区模型不能捕捉到密集的社区重叠。我们提出了社区关联图模型（AGM），网络社区结构的概念模型，它可靠地捕捉网络的整体结构以及网络社区的重叠性质。
2012-09-25 cs.SI physics.soc-ph
Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法，其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外，外围的连接组件提供了有关网络社区结构的信息，有助于社区发现。一些明确的结果，得出有关的核心和外围网络流，社区结构和全球网络结构，这是由观测结果证实。该方法说明了使用现实世界的网络（DBLP合著网络），与地面真理社区。
2015-09-24 cs.SI physics.soc-ph
Optimizing Edge Sets in Networks to Produce Ground Truth Communities Based on Modularity
我们考虑两个新的问题，边添加或删除的模块化的分区（或社区结构）在网络中的影响。第一个问题寻求添加边以强制所需的分区是最大化模块性的分区。第二个问题寻求找到一个网络的稀疏表示，该网络具有与原始网络相同的具有最大模块度的划分。我们提出了整数规划公式、行生成算法和启发式算法来解决这些问题。此外，我们还展示了模块化的反直觉行为，这使得一般网络的开发变得困难。然后，我们提出了从文献中选择的社会和非法网络的结果。
2022-03-03 cs.SI math.OC
Optimizing Ad Allocation in Social Advertising
社交广告（或社交推广）是一种有效的方法，通过在线社交网络中的影响力产生大量的采用。这项工作的目标是从平台的角度优化广告分配。一方面，平台希望通过向尽可能多的人展示广告来最大限度地提高每个广告主的收入，另一方面，平台希望减少搭便车，以确保广告主的真实性。为了获得这种折衷，我们采用\emph{regret} \citep{viral2015social}的概念来测量广告分配方案的性能。特别是，我们研究了两个社会广告问题：\emph{budgeted social advertising problem}和\emph{unconstrained social advertising problem}。在第一个问题中，我们的目标是为每个广告客户选择一组种子，最大限度地减少遗憾，同时设置预算约束的注意力成本;在第二个问题中，我们建议优化的遗憾和注意力成本的线性组合。我们证明了这两个问题都是NP-困难的，然后对每个问题提出了一个常数因子近似算法。
2015-05-13 cs.GT cs.SI
The Truth Becomes Clearer Through Debate! Multi-Agent Systems with Large Language Models Unmask Fake News
Gaoling School of Artificial Intelligence, Renmin University of China（仁爱大学人工智能学院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对假新闻检测可解释性与推理利用不足的问题，本文提出TruEDebate多智能体框架，通过正反方辩论及综合、分析智能体生成可解释的最终判断。
2025-05-13 cs.AI cs.SI
Adversarial Creation and Detection of AI-Generated Social Bot Content
Universitat Pompeu Fabra（庞培法拉大学）；Observatory on Social Media, Indiana University（社交媒体观测站，印第安纳大学）；KTH Royal Institute of Technology（皇家理工学院）
提出对抗性方法模拟恶意用户冒充真人，构建多语言跨平台配对数据集，训练检测模型显著优于现有方法。
2026-06-05 cs.CL cs.SI
How many others have shared this? Experimentally investigating the effects of social cues on engagement, misinformation, and unpredictability on social media
与传统媒体不同，社交媒体通常提供量化指标，衡量有多少用户参与了每一项内容。有些人认为，这些线索的存在促进了错误信息的传播。在这里，我们调查的因果关系的社会线索对用户的参与与社会媒体的帖子。我们在一个定制的新闻推送界面上对N=628名美国人进行了一项实验，在这个界面上，我们系统地改变了社交线索的存在和强度。我们发现，当提示显示时，表明有更多的其他人参与了帖子，用户更有可能分享和喜欢该帖子。此外，相对于没有社会线索的对照组，社会线索的存在增加了真实新闻相对于虚假新闻的分享。社交线索的存在也使得精确预测任何给定帖子的受欢迎程度变得更加困难。总之，我们的研究结果表明，在某些情况下，社交线索可能会提高真相的识别力，减少错误信息的分享，而不是分散用户的注意力或导致他们分享低质量的新闻。我们的工作表明，社交线索在塑造用户在社交媒体上的注意力和参与度方面发挥着重要作用，平台应该在改变显示哪些线索以及如何显示之前了解不同线索的影响。
2022-07-15 cs.HC cs.SI
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
A General Method to Find Highly Coordinating Communities in Social Media through Inferred Interaction Links
政治错误信息，astroturfing和有组织的拖钓是具有重大现实世界影响的在线恶意行为。许多以前研究这些现象的方法都侧重于广泛的运动，而不是负责煽动或维持这些运动的小团体。为了揭示潜在的（即，隐藏）网络的合作帐户，我们提出了一种新的时间窗口的方法，依赖于帐户的交互和元数据单独。它检测参与各种行为的帐户组，这些行为一致地执行不同的基于目标的策略，其中一些我们描述。该方法依赖于从社交媒体帖子中提取相关元素的管道，基于与协调策略匹配的标准推断帐户之间的连接，以构建无向加权帐户网络，然后使用新的社区提取方法挖掘具有高水平协调证据的社区。我们解决的时间方面的数据，通过使用窗口机制，这可能是适合于近实时应用。我们进一步强调了跨多个窗口的滑动框架的一致协调以及衰减因子的应用。我们的方法与其他最近类似的处理方法和社区发现方法进行了比较，并验证了对两个相关的数据集与地面真相数据，使用内容，时间，和网络分析，以及与设计，训练和应用的三个一类分类器建立使用地面真相，其效用进一步证明在两个案例研究有争议的在线讨论。
2021-03-05 cs.CY cs.SI
Social Media-based Substance Use Prediction
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）；Virginia Tech Carilion Research Institute（弗吉尼亚理工卡里永研究所）
在本文中，我们演示了如何使用最先进的机器学习和文本挖掘技术来构建有效的基于社交媒体的物质使用检测系统。由于物质使用地面真相很难大规模获得，为了最大限度地提高系统性能，我们探索了不同的特征学习方法，以利用大量无监督的社交媒体数据。我们还展示了使用多视图无监督特征学习来结合异构用户信息（如Facebook的“喜欢”和“状态更新”）以提高系统性能的好处。根据我们的评估，我们最好的模型预测烟草使用的AUC达到86%，酒精使用的AUC达到81%，药物使用的AUC达到84%，所有这些都明显优于现有的方法。我们的调查还发现了用户的社交媒体行为（例如，（二）使用物质。
2017-05-31 cs.CL cs.LG cs.SI
Prevalence and Propagation of Fake News
本文构建区分文章偏见性与真实性的传播模型，分析其与读者信念的关系，并面向平台和用户提出降低假新闻传播率的干预建议。
2021-06-17 cs.SI math.OC stat.AP
Characterizing Datasets for Social Visual Question Answering, and the New TinySocial Dataset
Department of English, Creative Writing Program, Vanderbilt University（范德堡大学英语与创意写作系）；Vanderbilt University（范德堡大学）
现代社交智能包括观看视频和回答有关社交和心理理论相关内容的问题的能力，例如，哈利·波特中的一个场景，“父亲真的对孩子们驾驶汽车感到不安吗？“社会视觉问答（社会VQA）正在成为研究人类社会推理的一种有价值的方法（例如，自闭症儿童）和人工智能智能体。然而，这个问题空间在视频和问题中都存在巨大的差异。我们讨论了创建和表征社交VQA数据集的方法，包括1）众包与内部创作，包括我们创建的两个新数据集（TinySocial-Crowd和TinySocial-InHouse）和先前存在的Social-IQ数据集的样本比较; 2）用于表征给定视频的难度和内容的新规则;以及3）用于表征问题类型的新规则。最后，我们描述了具有良好特征的社交VQA数据集将如何增强人工智能智能体的可解释性，并为人们的评估和教育干预提供信息。
2020-10-08 cs.CL cs.CV cs.HC
