Modelagem de dinâmicas sociais interagentes em redes complexas
Notice bibliographique
Résumé
Nesta tese, investigamos dinâmicas sociais complexas e sua relação com a difusão de informações e a polarização. No primeiro estudo, aplicamos algoritmos de aprendizado de máquina para prever o tempo de consenso (Yi) e a frequência de mudanças de opinião (Ci) em redes complexas utilizando o modelo Q-votantes. Identificamos que o coeficiente de agrupamento (C) e a centralidade da informação (IC) são medidas topológicas cruciais para essas previsões, destacando a importância da estrutura da rede na dinâmica de polarização e outros padrões em sistemas sociais. No segundo estudo, exploramos como a heterogeneidade cultural afeta a propagação de rumores em sociedades de agentes interativos. Descobrimos que a heterogeneidade cultural pode limitar a difusão de informações em sociedades maiores, resultando em uma limitação natural na propagação de notícias verdadeiras ou falsas. Em ambos os estudos, a compreensão da complexa interação entre a estrutura da rede e a dinâmica social é fundamental, revelando como a heterogeneidade cultural e a topologia da rede desempenham papéis críticos na disseminação de informações e na formação de opiniões. Essas pesquisas contribuem para uma compreensão mais profunda dos mecanismos subjacentes à polarização e à dinâmica em sociedades contemporâneas. É relevante salientar que, nesta tese, em consequência dos nossos resultados, que foram relacionados à teoria de Everett Rogers sobre inovações, os vocábulos inovações, informações, rumores e boatos são utilizados como sinônimos.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».