Uppskattning av tweet -smittsamhet från de första 50 retweetsna är nyckeln till att förutsäga om en tweet kommer att bli viral, enligt en ny studie publicerad i PLOS ONE den 17 april, 2019 av Li Weihua från Beihang University, Kina och kollegor.

I takt med att sociala nätverk och media fortsätter att växa, så har vikten av att förstå hur de påverkar våra tankar och åsikter. Särskilt, att kunna förutsäga spridningen av sociala smittor anses vara ett viktigt mål för dessa sociala informationsnätverk. Även om modeller som utvecklats inom infektionssjukdomar har använts för att beskriva spridningen av idéer, studier har inte använt verkliga data för att uppskatta hur infektiös informationen är. Författarna till den aktuella studien använde ungefär en månad av Twitter -data - omfattande över 12 miljoner tweets och mer än 1,5 miljoner retweets - och uppskattade varje tweets infektivitet baserat på nätverksdynamiken för de första 50 retweetsna associerade med den. Sedan, de införlivade infektionsuppskattningarna i en modell med en sönderfallskonstant som fångar den gradvisa minskningen av intresset när online -information åldras.

Med hjälp av verkliga data och simuleringar, författarna testade förmågan hos den infektionsbaserade modellen att förutsäga viraliteten hos retweetkaskader, och jämförde dess prestanda med den för standardgemenskapsmodellen, som innehåller andra förutsägande faktorer - till exempel social förstärkning och infångningseffekter som fungerar för att hålla tweet -kaskader inom små grupper av anslutna användare. De fann att både riktiga Twitter -data och simulerade data, smittsamhetsmodellen presterade bättre än samhällsmodellen, vilket indikerar att smittsamhet är en större drivkraft för att avgöra om en tweet går viralt. Att kombinera de två modellerna till en hybrid community-infectivity-modell gav de mest exakta förutsägelserna, belyser komplexiteten hos de samverkande krafterna som bestämmer livet och döden för information om sociala nätverk.

Författarna tillägger:"Vi föreslår en simuleringsmodell som använder Twitter -data för att visa att smittsamhet, vilket återspeglar det intressanta i en informationskaskad, kan väsentligt förbättra förutsägbarheten för virala kaskader. "