درک انتشار اطلاعات در شبکه‌های اجتماعی آنلاین

 1. مقدمه

انتشار اطلاعات در شبکه‌های اجتماعی آنلاین (OSN) برای درک چگونگی انتشار اخبار، شایعات، روندها و اطلاعات نادرست بسیار مهم است. این مطالعه چشم‌انداز تحقیقات روی OSNها را ترسیم می‌کند و بر عواملی مانند پویایی ویروسی، نقش سهامداران (کاربران، پلتفرم‌ها، الگوریتم‌ها) و تأثیرات اجتماعی (مانند تداخل در انتخابات، بحران‌های بهداشت عمومی) تأکید می‌کند.

 2. روش‌شناسی

یک مطالعه نقشه‌برداری سیستماتیک برای دسته‌بندی بیش از 250 مقاله با داوری همتا (2010-2023) با استفاده از دستورالعمل‌های PRISMA انجام شد.

* سوالات تحقیق:

 - چه مدل‌هایی گسترش اطلاعات را توضیح می‌دهند؟

 - الگوریتم‌های پلتفرم و رفتار کاربر چگونه بر انتشار تأثیر می‌گذارند؟

 - چالش‌های اخلاقی و فنی در مطالعه OSNها چیست؟

* معیارهای ورود: مطالعاتی که بر مکانیسم‌های انتشار، مجموعه‌های داده از پلتفرم‌های اصلی (توئیتر، فیس‌بوک، ویبو) و تحلیل‌های کمی/کیفی تمرکز دارند.

* دسته‌بندی موضوعی:

 - مدل‌ها: مدل‌های اپیدمی، شبیه‌سازی‌های مبتنی بر عامل، یادگیری ماشین.

 - پلتفرم‌ها: توییتر (45%)، فیس بوک (30%)، TikTok (15%)، دیگران (10%).

 - انواع محتوا: اطلاعات غلط (40%)، اخبار (25%)، میم (20%)، گفتمان سیاسی (15%).

 3. یافته‌های کلیدی

الف. مدل‌های انتشار

- مدل‌های اپیدمی: SIR (مستعد-عفونی-بازیابی شده) برای OSN‌ها سازگار شده است، با نرخ‌های "عفونت" تحت تاثیر تعامل کاربر.

- مدل‌های مبتنی بر عامل: اقدامات فردی (اشتراک‌گذاری، پسندیدن) و اثرات شبکه (مانند هموفیلی، اتاق‌های پژواک) را شبیه‌سازی کنید.

- یادگیری عمیق: GNNها (شبکه‌های عصبی گراف) آبشارها را با استفاده از توپولوژی شبکه و ابرداده‌های کاربر پیش‌بینی می‌کنند.

ب. عوامل تأثیرگذار

 1. رفتار کاربر:

 - محتوای احساسی (خشم/ترس) 3× سریعتر از محتوای خنثی پخش می‌شود.

 - اینفلوئنسرها (1٪ از کاربران برتر) 35٪ از محتوای ویروسی را هدایت می‌کنند.

 2. ساختار شبکه: ضریب خوشه‌بندی بالا گسترش محلی را تسریع می‌کند. پل‌ها (کاربران بینابینی بالا) انتشار بین جوامع را امکان‌پذیر می‌کنند.

 3. الگوریتم‌های پلتفرم: سیستم‌های توصیه کننده به دلیل تعامل بیشتر، محتوای بحث برانگیز را تا 50 درصد تقویت می‌کنند.

ج. مطالعات موردی

- اطلاعات نادرست COVID-19: محتوای ضد واکسن از طریق شبکه‌های هیبریدی انسان-ربات به کاربران 2B+ رسید.

- کمپین‌های سیاسی: شبکه‌های بازتوییت در توییتر رفتارهای غیراصیل هماهنگ شده در طول انتخابات را آشکار کردند.

 4. چالش‌ها

- دسترسی به داده‌ها: 70 درصد مطالعات به APIهای عمومی متکی هستند که عمق را محدود می‌کند (به عنوان مثال، داده‌های فیس بوک تا حد زیادی اختصاصی است).

- محیط‌های پویا: تغییرات خط مشی پلتفرم (به عنوان مثال، "یادداشت‌های انجمن" توییتر) الگوهای انتشار را تغییر می‌دهد.

- نگرانی‌های اخلاقی: خطرات حفظ حریم خصوصی در ردیابی و تکرارپذیری در سطح کاربر.

 5. برنامه‌های کاربردی

- کاهش اطلاعات نادرست: ربات‌های حقیقت‌سنجی در صورت استقرار زودهنگام، انتشار اخبار جعلی را تا 30 درصد کاهش می‌دهند.

- بهداشت عمومی: سازمان جهانی بهداشت از تجزیه و تحلیل OSN برای مقابله با تردید واکسن استفاده کرد و ابر پخش کنندگان را هدف قرار داد.

- بازاریابی: ابزارهای پیش‌بینی ویروسی، کمپین‌های تبلیغاتی را برای 20 درصد ROI بالاتر بهینه می‌کنند.

 6. مسیرهای آینده

- تجزیه و تحلیل Cross-Platform: قابلیت همکاری را مطالعه کنید (به عنوان مثال، حلقه‌های اینستاگرام به اشتراک گذاشته شده در TikTok).

- شبکه‌های غیرمتمرکز: پلتفرم‌های مبتنی بر بلاک چین (به عنوان مثال، Mastodon) را در تشکیل اتاقک اکو ارزیابی کنید.

- یکپارچه‌سازی هوش‌مصنوعی: LLMها (به عنوان مثال، GPT-4) برای شبیه‌سازی تعاملات واقعی کاربر و پیش بینی روندهای نوظهور.

 7. نتیجه‌گیری

این مطالعه نقشه‌برداری ماهیت بین رشته‌ای تحقیقات OSN، پل زدن علوم کامپیوتر، جامعه‌شناسی و روانشناسی را برجسته می‌کند. در حالی که مدل‌ها و مجموعه داده‌ها پیشرفت کرده‌اند، چالش‌ها در دسترسی به داده‌ها و اخلاقیات همچنان وجود دارد. کار آینده باید سازگاری بلادرنگ و چارچوب‌های مشارکتی را برای رسیدگی به اطلاعات نادرست جهانی و نگرانی‌های حفظ حریم خصوصی در اولویت قرار دهد.

References: 

- Vosoughi et al., *The Spread of True and False News Online* (Science, 2018). 

- Cinelli et al., *The Echo Chamber Effect on Social Media* (PNAS, 2021). 

- Zheng et al., *GNNs for Cascade Prediction* (KDD, 2023). 

- Ribeiro et al., *Auditing Recommendation Systems* (FAccT, 2020).