Att förstå hur information flödar i sociala nätverk är avgörande för att motverka farlig desinformation, främja spridning av nyheter och utforma hälsosamma sociala miljöer online. Forskare har länge insett rollen som informationssuperspridare – nämligen användare med förmågan att snabbt sprida budskap och idéer till många andra.
En långvarig forskningstradition identifierar superspridarna genom deras position i det sociala nätverket. Ny forskning, publicerad i tidskriften National Science Review och leds av Prof. Linyuan Lü (Kinas universitet för elektronisk vetenskap och teknologi) och Dr. Manuel S. Mariani (Universitetet i Zürich), utmanar detta mångåriga paradigm. Det visar att användarnas beteendeegenskaper (d.v.s. hur de tenderar att bete sig) ger mer exakta tidiga indikatorer på deras spridningsförmåga än var de sitter i det sociala nätverket.
Författarna frångick traditionella nätverksansatser genom att börja med en modell för hur information flödar från individ till individ. Motiverad av tidigare empiriska fynd antar modellen att sannolikheten för att ett meddelande överförs från en källa till en målanvändare bestäms av både källans inflytande (nämligen en parameter som fångar hennes sannolikhet att överföra information till andra) och målets känslighet att påverka.
Användarnas inflytande och känslighetsparametrar är inte kända på förhand. Men författarna härledde ett par kopplade ekvationer som kopplar samman användarnas inflytande och mottaglighet med strukturen hos det underliggande spridningsnätverket, vilket möjliggör deras beräkning på massiva beteendedatauppsättningar.
Genom dessa ekvationer kunde författarna mäta inflytande och känslighetspoäng för miljontals användare i Weibo och Twitter, vilket förbättrar vår förståelse av informationssuperspridare på två sätt. För det första utmanar författarnas resultat paradigmet att nätverksnaven – dvs användarna med många följare – är de mest effektiva informationsspridarna.
De visar att användarnas inflytande och känslighetspoäng i stället ger mer exakta prediktorer för att vara en superspridare än användarnas antal följare. För det andra kännetecknas superspridare av mer högsmittande länkar (dvs. produkten mellan deras inflytande och deras publiks mottaglighet tenderar att vara stor), och de tenderar att påverka mer inflytelserika användare.
Detta tyder på att förklaringen av superspridarna kräver integration av nätverksstrukturer och beteendeegenskaper på individnivå.
Dessa fynd kan öppna nya riktningar inom forskning om sociala nätverk. Inom området för informationsspridning kan de förenklade antagandena för spridningsmodellen gradvis mildras. Mer förfinade modeller kan inkludera ämnesdiversitet, algoritmiska influenser, minneseffekter, som alla kan leda till olika ekvationer för användarnas inflytande och känslighetspoäng.
Poängen för inflytande och känslighet kan också variera beroende på ämne, vilket så småningom kan leda till en flerdimensionell karaktärisering av användarna och deras spridningsförmåga.
Mer generellt sett kan det paradigm som föreslås av denna studie också ha konsekvenser för interventioner som syftar till storskalig beteendeförändring. Traditionellt fokuserar dessa aktiviteter på att övertala de sociala naven att ta till sig en ny produkt eller ett nytt beteende tidigt. Författarnas resultat tyder på att ett mer effektivt tillvägagångssätt kan förlita sig på att identifiera högsmittande länkar som förbinder mycket inflytelserika och mycket mottagliga potentiella användare.
För detta krävs ytterligare forskning för att anpassa algoritmen till spridningen av beteenden, vilket sannolikt kommer att kräva olika uppsättningar av ekvationer jämfört med de som erhålls för informationsspridning. Fältexperiment kommer att behövas för att validera de resulterande insikterna. Så småningom kan dessa ansträngningar avslöja hur man bäst integrerar individers positioner i sina sociala nätverk med hur de vanligtvis beter sig för att utforma interventioner för beteendeförändring, vilket är nyckeln för organisationer och beslutsfattare.
Mer information: Fang Zhou et al, Beyond network centrality:Individual-level behavioral traits for predicting information superspreaders in social media, National Science Review (2024). DOI:10.1093/nsr/nwae073
Tillhandahålls av Science China Press
