Modeling information spread in polarized communities: Transitioning from legacy media to a Facebook world
Notice bibliographique
Résumé
Rumors have played an important role in social life for centuries, with early examples including their use to steer Roman politics. Today's world includes entire industries focused on digital misinformation, whose rumors can spread quickly via social networks such as Facebook not only because of their structure (e.g., clustering) but also because individuals can place an excessively high trust in information originating from their friends. Relaying information from our friends and ignoring or being unaware of other opinions leads to polarized groups, such as liberals or conservatives in a political context. While numerous models of rumor spreads have been proposed, their focus was more often on the conditions to stop/verify one rumor than in accounting for a polarized context. In this paper, we develop a new model of rumor spread with two different susceptibility rates, which can be used to investigate cases in which the population can be sub-divided with respect to one rumor (e.g. based on political opinions or socio-economic factors such as educational attainment). We describe the dynamics of the model using differential equations, and present numerical results regarding the model behavior with respect to key parameters such as the rate with which rumors are forgotten. While our work took into account network features (e.g., average degree), it is of particular interest for future work to examine the interplay between the network structure and the distribution of susceptibility rates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».