Contenidos
Estudiamos el problema del aprendizaje de opiniones en redes sociales. El aprendiz observa los estados de algunos nodos de muestra de una red social, e intenta inferir los estados de otros nodos, basándose en la estructura de la red. Demostramos que el aprendizaje eficiente por muestreo es imposible cuando la red presenta un fuerte ruido, y damos un algoritmo de tiempo polinómico para el problema con una complejidad de muestreo casi óptima cuando la red es suficientemente estable.
{Estudiamos el problema del aprendizaje de opiniones en redes sociales. El aprendiz observa los estados de algunos nodos de muestra de una red social, y trata de inferir los estados de otros nodos, basándose en la estructura de la red. Demostramos que el aprendizaje eficiente por muestreo es imposible cuando la red presenta un fuerte ruido, y damos un algoritmo de tiempo polinómico para el problema con una complejidad de muestreo casi óptima cuando la red es suficientemente estable.}
Estudiamos el problema del aprendizaje de opiniones en redes sociales. El aprendiz observa los estados de algunos nodos de muestra de una red social, e intenta inferir los estados de otros nodos, basándose en la estructura de la red. Demostramos que el aprendizaje eficiente por muestreo es imposible cuando la red presenta un fuerte ruido, y damos un algoritmo de tiempo polinómico para el problema con una complejidad de muestreo casi óptima cuando la red es suficientemente estable.
\(U_q\) está motivada por el efecto que se ha descubierto que causan las noticias partidistas en la opinión de la gente [17, 40]. Esencialmente, la ecuación estipula que cualquier noticia aceptada persuadirá directamente a los usuarios para que cambien sus opiniones hacia ella, siguiendo los resultados encontrados en [17]. Por otro lado, \(U_c\) supone básicamente que cuanta más información se propague con éxito entre dos usuarios, más fuerte será el vínculo entre ellos. Por el contrario, cuanta más información no se propague, más débil será el vínculo. Por último, cabe señalar que el modelo propuesto puede percibirse como una extensión dinámica del modelo de CI. Se reduce al modelo normal de CI cuando \(\eta = 0\) y la relación es 1 en lugar de \(c_{uv}\). Un ejemplo de una propagación puede verse en la Fig. 3.Fig. 3Un ejemplo de una propagación bajo el modelo PIC: el nodo u intenta propagarse al nodo v en \(t=i\) (arriba). Si la propagación tiene éxito (abajo, a la derecha), el nodo v se propaga a todos sus vecinos en \(t=i+1\). Si falla (abajo, izquierda), la cascada se detiene porque no hay más propagación.
Hoy en día, la mayoría de la gente utiliza las redes sociales online no sólo para estar en contacto con sus amigos, sino también para encontrar información sobre temas relevantes o para difundir información. Aunque se ha investigado mucho sobre la formación de opiniones, se sabe muy poco sobre los factores que influyen en que un usuario de las redes sociales online difunda o no información. Para responder a esta pregunta, creamos un modelo basado en agentes y simulamos la difusión de mensajes en las redes sociales utilizando un modelo de proceso latente. En nuestro modelo, variamos cuatro tipos de contenido diferentes, seis tipos de red diferentes, y variamos entre un modelo que incluye un modelo de personalidad para sus agentes y otro que no. Descubrimos que el tipo de red sólo influye débilmente en la distribución del contenido, mientras que el tipo de mensaje influye claramente en el número de usuarios que reciben un mensaje. El uso de un modelo de personalidad ayudó a conseguir resultados más realistas.
Aunque la cantidad de información que reciben los usuarios ha cambiado a través de las redes sociales, también hay que tener en cuenta que ahora la información se puede personalizar a través de la interacción individual de los usuarios con la red y su estructura (DeVito, 2017). En Internet, los usuarios pueden encontrar casi cualquier información que busquen. Sin embargo, la cantidad de información disponible en Internet es ahora tan grande que los usuarios ya no son capaces de consumir toda la información. Además, los usuarios también encuentran información contradictoria en Internet. La creciente disponibilidad de información en Internet ha llevado al desarrollo de sistemas de recomendación (Adomavicius y Tuzhilin, 2005). Con el objetivo de facilitar a los usuarios la selección de la información, estos sistemas analizan la información disponible, la filtran según criterios específicos y ofrecen a los usuarios recomendaciones adaptadas a sus necesidades (Burke, 2002).
Claudia Smith no trabaja, asesora, posee acciones ni recibe financiación de ninguna empresa u organización que pueda beneficiarse de este artículo, y no ha revelado ninguna afiliación relevante más allá de su nombramiento académico.
Más grande es siempre mejor. Muchos de nosotros pensamos que esto es cierto cuando se trata de construir nuestras redes de amigos, conexiones y seguidores en las redes sociales. Pero una nueva investigación sugiere que lo contrario puede estar más cerca de la verdad: crear pequeñas redes de conexiones de confianza puede ser más inteligente a largo plazo. Aunque esto pueda parecer contrario a la intuición, también viene con una advertencia.
A menudo nos sentimos obligados, e incluso nos animan las plataformas de las redes sociales, a ampliar nuestras redes. Piensa en todas las indicaciones sobre «otra persona que podrías conocer» y «a quién seguir». Todos queremos que la sociometría (ese número de amigos o seguidores que aparece en la esquina de tu perfil) se vea bien.
Como tuberías, actúan como conductos por los que puede fluir la ayuda y los recursos. Utilizar nuestras redes como tuberías es una parte importante de cómo construimos relaciones. Damos y recibimos consejos, apoyo, respaldo, apoyo emocional y cosas tangibles (como hacen los empresarios, por ejemplo).