Predicting public opinion dynamics with the scardo-model

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Over the past 20 years, the theory of agent-based social influence models has been actively developing, a trend which is associated with the need to explain opinion formation processes in the context of the digitalization of communication channels and the intensification of information exchange processes. However, the practical side of this theory remains poorly studied. The key reason for this is the difficulties in calibrating model parameters and thus constructing an empirical foundation. This paper validates the SCARDO-model of opinion formation using empirical longitudinal data from the social network VKontakte. The data include three opinion snapshots of a large-scale sample of VKontakte users and a snapshot of their friendship connections. The model parameters are calibrated on the first two snapshots, whereas the third one is used to check the accuracy of the model’s forecast regarding the populations of opinion fractions at the next time moment. The constant trend model serves as a benchmark. The analysis performed shows that, depending on the method of parameter calibration, the prediction of the SCARDO-model can be more or less accurate than those of the constant trend model. At the same time, changes in public opinion in the dataset at hand (despite being sufficient to calibrate the model parameters) are small from the macro-scale point of view and, as a result, the typical value of the forecast error does not exceed one percent of <>.

Авторлар туралы

Ivan Kozitsin

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: kozitsin.ivan@mail.ru
Moscow

Әдебиет тізімі

  1. BAIL C.A., ARGYLE L.P., BROWN T.W., BUMPUS J.P. etal. Exposure to opposing views on social media can increasepolitical polarization // Proc. of the National Academy ofSciences. – 2018. – Vol. 115. No. 37. – P. 9216–9221.
  2. CHATTOE-BROWN E. Why questions like ‘do networksmatter?’ matter to methodology: How Agent-Based Modellingmakes it possible to answer them // Int. Journal of SocialResearch Methodology. – 2021. – Vol. 24. No. 4. – P. 429–442.
  3. COMBS A., TIERNEY G., GUAY B., MERHOUT F. et al.Reducing political polarization in the United States with amobile chat platform // Nature human behaviour. – 2023. –Vol. 7. No. 9. – P. 1454–1461.
  4. DEGROOT M.H. Reaching a consensus // Journal of theAmerican Statistical association. – 1974. – Vol. 69. No. 345. –P. 118–121.
  5. FLACHE A., MAS M., FELICIANI T., CHATTOE-BROWN E.et al. Models of social influence: Towards the next frontiers //Journal of Artificial Societies and Social Simulation. – 2017. –Vol. 20. No. 4.
  6. GEZHA V.N., KOZITSIN I.V. The Effects of Individuals’Opinion and Non-Opinion Characteristics on the Organizationof Influence Networks in the Online Domain // Computers. –2023. – Vol. 12. No. 6. – P. 116.
  7. KEIJZER M., MAS M., FLACHE A. Polarization on socialmedia: Micro-level evidence and macro-level implications //Journal of Artificial Societies and Social Simulation. – 2024. –Vol. 27. No. 1. – P. 1–7.
  8. KOZITSIN I.V. A general framework to link theory andempirics in opinion formation models // Scientific reports. –2022. – Vol. 12. No. 1. – P. 5543.
  9. 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.
  10. MASTROENI L., VELLUCCI P., NALDI M. WAgent-basedmodels for opinion formation: A bibliographic survey // IEEEAccess. – 2019. – Vol. 7. – P. 58836–58848.
  11. MAS M., BISCHOFBERGER L. Will the personalization ofonline social networks foster opinion polarization? // Availableat SSRN 2553436. – 2015.
  12. 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.
  13. ROBERTSON R.E., GREEN J., RUCK D.J., OGNYANOVA K.et al. Users choose to engage with more partisan news than theyare exposed to on Google Search // Nature. – 2023. – P. 1–7.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қол жетімді Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».