Giant cluster formation and integrating role of bridges in social diffusion
Notice bibliographique
Résumé
Abstract Research Summary In social networks, isolated subgroups often aggregate into a massively connected subgroup, or a giant cluster, when bridges are built across subgroups. To understand the roles of bridges in integrating subgroups, we develop models focusing on the percentage of bridges among all ties. When it is below 1%, diffusion does not affect many individuals because the system is merely a collection of fragmented subgroups. Near 1%, however, we find that a slight increase in the percentage of bridges leads to sudden widespread diffusion across many subgroups. This dramatic change stems from a threshold‐like structural characteristic of the network whereby previously fragmented subgroups come together abruptly. Our findings suggest that this integrating role of bridges is an important piece missing from the literature on small‐world networks. Managerial Summary Our findings suggest that the formation of a giant cluster could be a structural precondition for large‐scale diffusion. Detection of such clusters may allow prognostication of the possibility of large‐scale diffusion. With the rise of social media and the availability of large amounts of social network data, the ability to detect giant clusters seems to be more attainable than in the past; such an ability would be a source of competitive advantage. We describe methods of detecting giant clusters and analyzing their structural properties using readily available social network data. With these methods, entrepreneurs and established firms can stimulate user adoption by targeting massive clusters of aggregated subgroups and spreading viral messages about their new products or services throughout the clusters.
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 | 0,000 | 0,000 |
| 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 ».