北京大学の新しい研究では、数学モデルを使用して、インターネット有名人の台頭の秘密を明らかにしています。ネイチャー誌に掲載

ソーシャル ネットワークは私たちの生活にますます大きな影響を与えており、情報の普及、新しいテクノロジーの応用、世論の創造と形成において重要な役割を果たしています。 2020年、Twitterユーザーは1日あたり5億件のツイートを投稿し、Instagram経由で8000万枚以上の画像が投稿されました。

これらの UGC ベースのターゲット オンライン プラットフォームは社会に大きな影響を与えており、ソーシャル ネットワーク ユーザーがアクセスできる情報とオーディエンスは実生活の友人をはるかに超えています。この過程で、一部のユーザーは急速に人気を獲得し、いわゆる「ネットセレブ」となった。

[[439001]]

多数のフォロワーを持つこれらの「インターネットセレブ」の社会的影響力は過小評価できません。は、市場における消費者と企業の行動に大きな影響を与えています。2017年には、アメリカ企業の70%以上が自社製品の宣伝にInstagramのインフルエンサーを雇いました。

インターネットセレブはどうやって誕生するのでしょうか?その背後にあるメカニズムは何ですか?これらの問題はますます多くの学者の注目を集めています。

論文リンク:

https://www.nature.com/articles/s41467-021-27089-8.pdf

最近、北京大学とチューリッヒのスイス連邦工科大学が率いる研究チームは、ソーシャルネットワーク上での「重要な影響力を持つ人」や「ネットセレブ」の出現と注目のメカニズムを数学モデルの観点から分析した。

この記事は最近発行されたNature Communications誌に掲載されました。

21 世紀の最初の 10 年間に繁栄した Facebook や LinkedIn と比較すると、Twitter、Instagram、TikTok など、今日最も人気のあるプラットフォームには、いくつかの異なる特徴があります。

最も明らかな違いの 1 つは、これらの新しいオンライン ソーシャル プラットフォームは指向性ネットワークであるため、相互の同意を必要とせずにアルゴリズムによる推奨に基づいて関係を構築できることです。

新しいインターネットセレブはどうやって生まれるのでしょうか?

直感的に、より質の高い UGC はユーザーを引き付ける可能性が高く、感情的な価値が高く、「インターネットの有名人」になる可能性が高くなります。しかし、研究によれば、いくつかのモデルを除いて、他の分野における「ネットセレブ」の規模効果に関する研究は、社会経済的側面に重点を置いており、UGCの影響は無視されている。

ネットセレブ誕生のメカニズムを説明するこれまでのモデルは、「優先的愛着」モデルに基づいていた。しかし、「金持ちはさらに金持ちになる」というこの理論では、新しいインスタグラムインフルエンサーの台頭を説明できません。多くのインフルエンサーは、成功する前には有名ではありませんでした。

「コンテンツこそが王様」：より質の高いコンテンツを生み出す

この論文では、実利主義の原則と UGC の品質を組み合わせた、シンプルだが予測可能なネットワーク形成メカニズムを提案します。この調査では、ユーザーが共通の興味を持っていると想定し、それらの興味を UGC の品質を定義する属性と関連付けています。

UGC ベースの形成プロセスを定義するために、研究者は Twitter データセットを収集し、接続の時系列を分析し、インフルエンサーの形成プロセスは、個人がより質の高い UGC を継続的に探し、フォロワーの興味と「一致」すること、つまりインフルエンサーとファンの興味の均質性から生じているという証拠を発見しました。

フォロワーの数は、インフルエンサーのUGCの品質を反映するものとみなすことができます。エージェントは、UGC 品質の降順で番号が付けられます。エージェント 1 は UGC の品質が最も高いとみなされ、エージェント 2 は 2 番目に品質が高いとみなされます。

エージェント i について、新しい接続のランクが以前の接続の中央ランクよりも高い (ランキングにおいて) 確率を計算します。

調査結果は、フォローされる可能性に応じて、フォロワーは常により質の高いUGCを持つインフルエンサーを探しているという仮説と一致しています。

研究データと純粋なランダム結果 (水色) を比較すると、両者の差は統計的に有意です。

ジップの法則

ジップの法則は、ハーバード大学の言語学者ジョージ・キングスリー・ジップによって 1949 年に発表された実験法則です。次のように表現できます。自然言語コーパスでは、単語の頻度は頻度表での順位に反比例します。

したがって、最も頻繁に出現する単語は、2 番目に頻繁に出現する単語の約 2 倍の頻度で出現し、2 番目に頻繁に出現する単語は、4 番目に頻繁に出現する単語の 2 倍の頻度で出現します。

実験により、この研究のモデルもこのスケーリング則に従うことが示されました。

インフルエンサーファンの重複

2 人のインフルエンサーが同じ 3 人目のユーザーにフォローされる確率を分析することも興味深い問題です。言い換えれば、異なるエージェントのファン セット間の類似点を調査することが目標です。この類似性は、ファンの間に共通の興味が存在することを明らかにしています。

モデルを検証するために、研究者らは人気のオンラインゲームプラットフォームであるTwitchで3つのデータセットを収集し、モデルの正確性を検証することに成功した。

これは、この論文のモデルが単純な形式であるにもかかわらず、インフルエンサーの台頭に影響を与える現実世界の特性をいくつか捉えていることを示唆しています。

上の図に示すように、最初の 15 個のノード内のエージェントのファン間の重複結果が検証データセットと比較されます。 a 平均数値結果は、平衡に達したときの 10^5 エージェントのシミュレーションから得られます。図 b は、チェス カテゴリに関連する Twitch データセットの結果です。

今後の方向性

今日最も人気のあるオンライン ソーシャル ネットワークの多くは、UGC に大きく依存しています。この論文では、UGC ベースのオンライン ソーシャル ネットワークのいくつかのマクロ特性を分析します。

さらに、このモデルはシンプルであるため、さまざまな更新ルールや社会学的インセンティブを考慮してモデルを充実させるなど、さまざまな方向に拡張できます。もう 1 つの可能性は、複数の関心の可能性に対応するために多次元の品質属性を導入することです。

このモデルは、成長するネットワーク形成モデルにも適応でき、ユーザーがさまざまな時期に参加して、一部のインフルエンサーの盛衰を研究することができます。理想的には、これらの研究は、新世代の間で主流となっているInstagramやTikTokなどのさまざまなプラットフォームの実証分析と組み合わせることができるでしょう。

将来的には、ソーシャル メディア プラットフォーム上の推奨システムの役割とそれがユーザーの行動に与える影響に関する予備的な結果がさらに拡大される可能性があります。ユーザーの行動とプラットフォームのメカニズムの相互作用は、デジタルメガトレンドが社会に与える影響をさらに明らかにする可能性のある、広範かつ未開拓の研究分野です。