Построение прогноза динамики общественного мнения при помощи scardo-модели

Обложка

Цитировать

Полный текст

Аннотация

Последние 20 лет теория агент-ориентированных моделей социального влияния активно развивается, что связано с необходимостью описания процессов формирования мнений в условиях перехода каналов общения в цифровую среду и интенсификации информационных потоков. Вместе с тем практическая сторона данной теории остается слабо изученной. Причиной этому в первую очередь являются трудности в калибровке параметров моделей и построении эмпирической базы. В настоящей работе проводится валидация SCARDO-модели формирования мнений на эмпирических лонгитюдных данных из социальной сети ВКонтакте, включающих три снимка мнений крупномасштабной выборки пользователей, а также снимок дружеских связей между ними. Параметры модели калибруются на первых двух снимках, а третий используется для проверки точности прогноза модели (объект прогноза -- численности сторонников различных взглядов). В качестве ориентира выступает модель постоянного тренда. Проведенный анализ показывает, что в зависимости от способа калибровки параметров прогноз SCARDO-модели может быть более или менее точным, чем предсказание модели постоянного тренда. Вместе с тем изменения общественного мнения в рассматриваемом датасете (несмотря на то, что достаточны для калибровки параметров модели) малы и в результате характерная величина ошибки прогноза не превышает одного процента <<голосов>>.

Об авторах

Иван Владимирович Козицин

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

Email: kozitsin.ivan@mail.ru
Москва

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


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).