Analyzing User Behavior in Social Networks Using Big Data: Opportunities, Challenges, and Future Directions
Notice bibliographique
Résumé
Due to the rapid growth of social networks and the development of big data technologies, the understanding and mining of users’ behavior has been greatly enhanced. Social media sites such as Facebook, Twitter, and LinkedIn produce huge amount of data on daily basis which are feature of high volume, velocity, variety, veracity and value. These datasets hold a huge value as they can be used to recognize trends, identify certain patterns, and help in decision making processes. This paper proposes a framework for analyzing user behavior on social networks with an emphasis on the relationship between big data features and social power dynamics. To deal with issues concerning data privacy, heterogeneity, and scalability the study applies such methods as machine learning, graph analytics, and natural language processing (NLP). In this section, we dive deeper into the examination of the concepts, and identify the potential applications of big data in areas such as marketing, opinion polling, and risk management, thus revealing the possibilities that big data holds. Also, the paper outlines some of the problems that include ethical issues and data consolidation problems while suggesting future researches. Some of the future research directions are the advancement of cross-platform analysis, the use of multi-modal data sets and the incorporation of ethical AI to ensure that the use of AI is proper. This paper synthesizes theoretical concepts with empirical analysis to advance the scholarship in social network analysis and offer practical recommendations for managerial and marketing practices for the analysis of social networks in the big data context.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».