信息串联中的信息扭曲
本文探讨了在社交网络的动态领域中信息传播的至关重要性,强调了信息传播模型在揭示数字时代数据传播复杂性方面的关键角色。通过阐明这些模型的深远影响,它不仅奠定了探索各种等级及其表现形式的基础,而且成为进一步研究该领域的催化剂。
Mar, 2024
针对 Facebook 上 98 个最大信息流推广进行的研究,探索信息扩散协议对于流行度的影响,发现具有不同信息扩散协议的信息流推广有不同的特征,影响了信息流的传播速度和申请率。
May, 2018
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
本文提出了一个信息级联的模型,它将观察到的文档作为有向跨度树。同时,我们还提出了一个对比训练程序,利用节点感染的部分时间顺序而不是标记的训练链接。这种模型和无监督训练的组合使得可以改进仅使用感染时间模型的模型,并利用信息级联消息的节点和文本内容的任意特征。基于先前模型类似的基本节点和时间延迟特征,DST 模型在博客网络推断任务上表现与强基线相当。使用其他内容特征的无监督训练可以实现更好的结果,达到完全监督模型精度的一半。
Dec, 2018
本文通过一项大规模定量研究,探究了信息过载在社交媒体以及特别是 Twitter 中的影响,并通过时间戳数据揭示了社交媒体用户信息处理的关键特性和信息处理速率,以此推断用户是否受到信息过载的影响。研究发现,最活跃和最受欢迎的社交媒体用户往往是过载的,而接收信息的速度也会影响用户的信息处理行为和社交散布的传播效果。
Mar, 2014
本研究探究了虚假信息在大语言模型中的传播机制及其对模型响应的影响,结果表明:虚假信息会通过语义扩散传播并污染相关记忆;大语言模型更容易受到权威偏见的影响;在上下文注入下,大语言模型对虚假信息更敏感。这些结果表明有必要研究新的抵御虚假信息的算法以应对其全局影响,并研究新的对齐算法以使大语言模型遵循内在的人类价值观而非表面模式。
May, 2023
在大数据时代,信息蔓延的预测在大规模信息、专家经验和高精度模型的帮助下带来了巨大机遇。然而,不同学科的专业知识参与导致信息蔓延预测主要专注于特定应用领域(如地震、洪水、传染病)。缺乏统一的预测框架为不同应用领域的交叉预测方法的分类带来了挑战。本文提供了信息蔓延建模、预测和应用的系统分类和总结。我们旨在帮助研究人员识别前沿研究,了解公共紧急情况下信息蔓延预测的模型和方法。通过总结目前存在的问题并概述未来研究方向,本文有潜力成为研究人员进一步研究信息蔓延预测的宝贵资源。
Mar, 2024