Estrategias de análisis

Naim Bro

Daniel Toro

Martes 26 de abril

Magíster en Inteligencia Artificial

Detectar controversia

• Armar un grafo de interacción sobre un tema
• Clusterizar el grafo para identificar los potenciales lados de una controversia
• Medir controversia a partir de las características del grafo
• Random Walk Controversy (RWC):
• Parte de un nodo aleatorio
• Produce random-walks
• RWC es la probabilidad de que la ruta pase al otro lado
• Paper
• Código

Diseño

• Selecciona cualquier usuario que siga a alguno de los candidatos para el congreso norteamericano en 2012.
• 2.2 millones de usuarios y 90 millones de links
• Genera una red nacional y 50 redes estatales (un cuarto de los usuarios indican estado en sus perfiles)
• Asigna ideología de acuerdo a cuántos candidatos demócratas versus republicanos sigue el usuario (elimina usuarios que siguen al mismo número de D vs R)
• Captura 500 000 retuits a candidatos, y tuits que mencionan a candidatos

Resultados

• Los nodos tienden a estar expuestos a info de su propia tendencia
• En grupos más grandes:
• los nodos tienen más conexiones,
• están expuestos a más información,
• y la información llega más rápido

Diseño

• Encuesta a 1652 usuarios frecuentes de Twitter sobre posición política en octubre de 2017 (901 D, 751 R)
• La semana siguiente, se le ofreció por a los mismos usuarios seguir a un bot que genera contenido de posición política contraria
• tuitear 24 veces al día
• retuiteaba mensajes aleatorios de cuentas de Twitter ideológicamente pre-definidas
• Se pagó 11 USD
• Para asegurar exposición, se les ofreció 18 USD adicionales, para responder preguntas sobre los contenidos que generaban los bots
• 62% de los usuarios fueron capaces de responder preguntas sobre los contenidos generados por los bots
• Se encuestó a los usuarios de nuevo un mes más tarde, para medir cambios en posición política
• 64% de los demócratas y 57% de los republicanos aceptaron

Resultados

• Los republicanos que siguieron a bots demócratas se volvieron más conservadores
• Los demócratas que siguieron a bots republicanos se volvieron más liberales, pero poco

Modelo de Difusión en Redes

Dos estados de un nodo (e.g. persona)

- Inactivado: Susceptible al contagio.

- Activado: Infectado. Puede transmitir.

​

Reglas de difusión:

(Ejemplos)

​

- La persona contagiada puede contagiar solo por el contacto.

- ¿Qué otras reglas puede haber?

​

Dos tipos de efecto luego del contagio:

• One-and-done intervention: Una vez una persona está contagiada (o tratada), no deja de estarlo.
• Long-term-maintenance: Útil solo si se mantiene el comportamiento.

Weak and Strong Ties

Dos significados:

1. Relacional: A nivel diádico entre dos nodos (individuos).
1. Capacidad de transmitir información
2. Weak Ties: interacciones poco frecuentes, interacciones en que hay menos capacidad de influenciar uno al otro.
3. Strong Ties: amigos cercanos, interacciones frecuentes.

​

• Estructural: A nivel de la población.
• Habilidad de una conexión de facilitar la difusión, cohesión e integración de una red social al unir nodos distantes.

​

“En general, las conexiones que son débiles en el sentido relacional, son fuertes en el sentido estructural”

Burt’s Constraint & Agujeros Estructurales

Nodos ocupando agujeros estructurales funcionan como puentes entre grupos de nodos.

Burt’s constraint:

Medida de que tan relacionado está un nodo con los nodos con los que están relacionados sus vecinos.

Weak and Strong Ties

La Teoría de Contagio Complejo

Contagio Simple

Solo se requiere la exposición a un solo individuo activo para que haya transmisión.

Ejemplo:

• Enfermedad infecciosa
• Información

​

Contagio Complejo

Se requiere la exposición a más de un individuo activa para que haya transmisión (reinforcement).

Ejemplo:

• Movimientos sociales

“Umbral de adopción”: Número de individuos activos con los que se debe tener contacto para generar activación

Mecanismos de Complejidad

1. Complementariedad Estratégica.
2. Credibilidad
3. Legitimidad
4. Contagio Emocional

Ideas principales

• Distintos contenidos se difunden de forma distinta
• Algunos requieren múltiples exposiciones para producir “contagio”
• Contagio complejo (versus simple)

Datos

• Agosto 2009 a enero 2010
• API de Twitter
• Recogen los últimos 3200 tuits de todos los usuarios que hayan mencionado los top-500 hashtags
• Más de 3 billones de tuits para más de 60 millones de usuarios
• Genera la red usando @-menciones (retuits + respuestas + menciones). Debe haber hecho al menos tres menciones.
• Con este umbral, el componente conectado quedó en más de 8 millones de nodos y más de 50 millones de links

Diseño

• Genera red direccionada a partir de @-menciones
• Establecen un umbral de menciones para generar el vínculo
• Neighbor set of X son los nodos con los cuales X tiene un vínculo
• Pregunta: ¿cómo afecta la exposición múltiple a un hashtag (H) la probabilidad de que X también tuitée el hashtag.
• p(k) = fracción de vecinos que mencionan un hashtag antes de que X lo mencione

• p(k) = la fracción de usuarios que adoptan un hashtag después de que su kth exposición
• El peak de k es 3, lo que significa que la mayoría necesita 3 exposiciones para mencionar un hashtag por primera vez
• La permanencia de la curva indica que muchas personas necesitan varias exposiciones antes de ellos mismos mencionar
• Lo interesante es ver qué tipo de hashtag tiene una curva más plana a medida que k crece

• Clasificar los 500 hashtags más populares por tópico
• Generar la misma curva para los distintos tópicos
• Tópicos políticos tienen curvas más persistentes

• Los adoptadores tempranos, ¿qué estructura de red tienen alrededor?
• Los adoptadores tempranos de hashtags políticos tienen estructuras de red más densas a su alrededor: grado más alto y más densidad de triángulos.
• Adoptantes tempranos de comportamiento arriesgado suelen tener más vínculos fuertes.