通过 Twitter 网络一月的完整跟踪,研究了信息传播的两种方式以及外部事件和因素对信息传播的影响,发现只有约 71% 的信息量可以归因于网络弥散,其余 29% 是由网络外部的事件和因素引起的。
Jun, 2012
本文研究了信息传播的社会传染模型,并通过对两个不同的社交媒体网站 Twitter 和 Digg 的用户响应进行比较,证明了信息暴露的位置对社会传染的影响非常大。通过考虑信息在用户界面上的可见性,可以显著简化社会传染的动态模型,并且发现信息暴露次数和主动搜索信息的概率成正比。最后,本文将该模型应用于用户行为的实时预测。
Aug, 2013
通过大规模数据采集和分析,本文发现新冠疫情期间社交媒体的信息泛滥现象(infodemic)给医疗建议和经济造成了负面影响,因此应采取危机管理和社交网络管理策略,确保信息可靠和可信。
May, 2020
本文基于信息传播数据研究了推断动态网络的问题,提出一种基于随机凸优化的在线算法来高效解决,将其应用于 330 万个媒体和博客网站之间的信息传播,并实验了 179 亿不同信息在一年内的传播,发现了信息路径的演变和网络中心性等有趣发现。
Dec, 2012
本文研究在线社交网络中的信息传播,包括在一项大规模实地实验中,随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者,发现那些接受信号的人更有可能更快地传播信息。同时,研究了强弱关系在信息传播中的作用,发现尽管强联系人更有影响力,但更丰富的弱联系人负责传播新信息。这表明,弱联系人在网络信息传播中可能比当前认为的更占主导地位。
Jan, 2012
研究社交媒体信息扩散的速度和范围,认为信息的新奇性、用户活动水平、注意力集中和对好友推荐的反应等因素影响信息扩散,用户的所花的最小努力与有限的注意力是信息扩散中的支配性原则,高度连接的个体不太可能传播任意推文,高连接度并不一定导致信息有效传播。
May, 2012
研究 Twitter 中的社交互动,发现其驱动力源于较稀少且隐藏的连接网络,而非显性的朋友和关注者关系。
Dec, 2008
本研究探讨了社交网络在 Digg 上推广内容方面的作用,并发现了在 Digg 上的新闻散布方式会影响新闻的流行程度。
Jun, 2008
本研究通过分析 Twitter、Instagram、YouTube、Reddit、Gab 等社交媒体平台上信息扩散的情况,探讨了 COVID-19 话题的传播情况,并运用流行病学模型分析了每个社交媒体平台在信息传播方面的表现,发现每个平台都存在不同程度的虚假信息和谣言传播,但可靠和可疑来源的信息传播模式并无不同。最后,该研究提供了各社交媒体平台特定的谣言放大估计数值。
Mar, 2020
通过识别节点的信息传播时间和感染情况,我们开发了一种有效的方法来追踪信息在网络中的扩散路径和网络,可以近似地解决 NP 难问题并应用于 170 万个博客和新闻文章,发现信息传播网络具有核心 - 边际结构。
Jun, 2010