Прогнозирование динамики общественного мнения по лонгитюдным данным высокой гранулярности: модель абельсона, регрессионные модели и ансамбли моделей

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается задача прогнозирования динамики общественного мнения на лонгитюдных данных высокой гранулярности, добытых из социальной сети ВКонтакте. Данная задача была предложена участникам Хакатона "УБС Challenge'2024" как одного из досуговых мероприятий XX Всероссийской школы-конференции молодых ученых "Управление большими системами" (УБС), проводившейся в г. Новочеркасске в 2024 году. Настоящая работа посвящена подробному описанию проведенного Хакатона и решений, предложенных его участниками. Для выборки из N = 1 648 829 пользователей на основании двух снимков их мнений, сделанных с разницей в полгода (в феврале и июле 2018 года), было необходимо построить прогноз распределения общественного мнения в декабре 2018 года. В распоряжении участников также была информации о структуре дружеских связей пользователей. Наибольшую точность прогноза показал ансамбль из двух моделей -- модели Абельсона, усиленной при помощи оценки влиятельности по собственному вектору, и модели постоянного тренда.

Об авторах

Максим Эмонайевич Бузиков

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: me.buzikov@physics.msu.ru
Москва

Юлия Александровна Петелина

Ozon Tech

Email: ptlna@yandex.ru
Москва

Семён Александрович Красоткин

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: semen.krassotkin@gmail.com
Москва

Максим Сергеевич Рыжов

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН

Email: ryzhov@phystech.edu
Москва

Иван Владимирович Козицин

ФГБУН Институт проблем управления им. В.А. Трапезникова РАН, Москва, Московский физико-технический институт

Email: kozisin.ivan@mail.ru
Москва

Список литературы

  1. ABELSON R.P. Mathematical models of the distribution ofattitudes under controversy // Contributions to MathematicalPsychology. – 1964.
  2. BONACICH P. Some unique properties of eigenvectorcentrality // Social Networks. – 2007. – Vol. 29, No. 4. – P. 555–564. – DOI: https://doi.org/10.1016/j.socnet.2007.04.002.
  3. BOND R.M. et al. A 61-million-person experiment insocial influence and political mobilization // Nature. –2012. – Vol. 489, No. 7415. – P. 295–298. – DOI: https://doi.org/10.1038/nature11421.
  4. CHEBOTAREV P., GUBANOV D.A. How to Choose the MostAppropriate Centrality Measure? A Decision-Tree Approach //IEEE Trans. on Systems, Man, and Cybernetics: Systems. –2024. – DOI: https://doi.org/10.1109/TSMC.2024.3510633.
  5. CINUS F. et al. The effect of people recommenders on echochambers and polarization // Proc. of the Int. AAAI Conf. onWeb and Social Media. – 2022. – Vol. 16. – P. 90–101. – DOI:https://doi.org/10.1609/icwsm.v16i1.19275.
  6. DEFFUANT G. et al. Mixing beliefs among interacting agents //Advances in Complex Systems. – 2000. – Vol. 3, No. 01n04. –P. 87–98. – DOI: https://doi.org/10.1142/S0219525900000078.
  7. DEGROOT M.H. Reaching a consensus // Journal ofthe American Statistical association. – 1974. – Vol.69, No. 345. – P. 118–121. – DOI: https://doi.org/10.1080/01621459.1974.10480137.
  8. FLACHE A. et al. Models of social influence: Towards the nextfrontiers // JASSS – The Journal of Artificial Societies andSocial Simulation. – 2017. – Vol. 20, No. 4. – P. 2. – DOI:https://doi.org/10.18564/jasss.3521.
  9. FRENCH JR J.R.P. A formal theory of social power //Psychological Review. – 1956. – Vol. 63, No. 3. – P. 181.
  10. FREY V. et al. Who influences lower-status individualsmore: People of higher-status outgroups or people of theirlower-status ingroup? Examining the difference betweenmatters of opinion and matters of fact // Social ScienceResearch. – 2024. – Vol. 123. – P. 103060. – DOI: https://doi.org/10.1016/j.ssresearch.2024.103060.
  11. FRIEDKIN N.E., JIA P., BULLO F. A theory of the evolutionof social power: Natural trajectories of interpersonal influencesystems along issue sequences // Sociological Science. – 2016. –Vol. 3. – P. 444–472. – DOI: https://doi.org/10.15195/v3.a20.
  12. GEZHA V.N., KOZITSIN I.V. The effects of individuals’opinion and non-opinion characteristics on theOrganization of Influence Networks in the online domain //Computers. – 2023. – Vol. 12, No. 6. – P. 116. – DOI:https://doi.org/10.3390/computers12060116.
  13. JEDRZEJEWSKI A., SZNAJD-WERON K. Impact of memoryon opinion dynamics // Physica A: Statistical Mechanics andits Applications. – 2018. – Vol. 505. – P. 306–315. – DOI:https://doi.org/10.1016/j.physa.2018.03.077.
  14. JI C., JIANG D. Threshold behaviour of a stochasticSIR model // Applied Mathematical Modelling. – 2014. –Vol. 38, No. 21–22. – P. 5067–5079. – DOI: https://doi.org/10.1016/j.apm.2014.03.037.
  15. KOZITSIN I.V. et al.Modeling political preferencesof russian users exemplified by the social networkVkontakte // Mathematical Models and ComputerSimulations. – 2020. – Vol. 12. – P. 185–194. – DOI: https://doi.org/10.1134/S2070048220020088.
  16. KOZITSIN I.V. A general framework to link theory andempirics in opinion formation models // Scientific reports. –2022. – Vol. 12, No. 1. – P. 5543. – DOI: https://doi.org/10.1038/s41598-022-09468-3.
  17. KOZITSIN I.V. Opinion dynamics of online social networkusers: a micro-level analysis // The Journal of MathematicalSociology. – 2023. – Vol. 47, No. 1. – P. 1–41. – DOI:https://doi.org/10.1080/0022250X.2021.1956917.
  18. KULKARNI B. et al. SLANT+: A nonlinear model foropinion dynamics in social networks // IEEE Int. Conf. onData Mining (ICDM). – IEEE, 2017. – P. 931–936. – DOI:https://doi.org/10.1109/ICDM.2017.117.
  19. NEWMAN M. Networks. – Oxford University Press, 2018.
  20. OKAWA M., IWATA T. Predicting opinion dynamicsvia sociologically-informed neural networks // Proc. ofthe 28th ACM SIGKDD Conf. on Knowledge Discoveryand Data Mining. – 2022. – P. 1306–1316. – DOI:https://doi.org/10.1145/3534678.35392.
  21. PANSANELLA V. et al. Change my mind: Data drivenestimate of open-mindedness from political discussions //Int. Conf. on Complex Networks and Their Applications. –Cham: Springer Int. Publishing, 2022. – P. 86–97. – DOI:https://doi.org/10.1007/978-3-031-21127-0_8.
  22. PESHKOVSKAYA A., BABKINA T., MYAGKOV M. Socialcontext reveals gender differences in cooperative behavior //Journal of Bioeconomics. – 2018. – Vol. 20. – P. 213–225. –DOI: https://doi.org/10.1007/s10818-018-9271-5.
  23. PESHKOVSKAYA A., BABKINA T., MYAGKOV M. Gendereffects and cooperation in collective action: A laboratoryexperiment // Rationality and Society. – 2019. – Vol. 31, No. 3. –P. 337–353. – DOI: https://doi.org/10.1177/1043463119858788.
  24. PROSKURNIKOV A.V., TEMPO R. A tutorial on modelingand analysis of dynamic social networks. Part I // AnnualReviews in Control. – 2017. – Vol. 43. – P. 65–79. – DOI:https://doi.org/10.1016/j.arcontrol.2017.03.002.
  25. PROSKURNIKOV A.V., TEMPO R. A tutorial on modelingand analysis of dynamic social networks. Part II // AnnualReviews in Control. – 2018. – Vol. 45. – P. 166–190. – DOI:https://doi.org/10.1016/j.arcontrol.2018.03.005.
  26. RAVAZZI C. et al. Learning hidden influences in large-scale dynamical social networks: A data-driven sparsity-basedapproach, in memory of Roberto Tempo // IEEE ControlSystems Magazine. – 2021. – Vol. 41, No. 5. – P. 61–103. –DOI: https://doi.org/10.1109/MCS.2021.3092810.
  27. ZHU L., HE Y., ZHOU D. Neural opinion dynamics modelfor the prediction of user-level stance dynamics // InformationProcessing & Management. – 2020. – Vol. 57, No. 2. –P. 102031. – DOI: https://doi.org/10.1016/j.ipm.2019.03.010.
  28. КОЗИЦИН И.В. Построение прогноза динамики обще-ственного мнения при помощи SCARDO-модели // Управ-ление большими системами. – 2024. – Вып. 108. – С. 124–136. – DOI: https://doi.org/10.25728/ubs.2024.108.7.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).