Ученый МФТИ и Института проблем управления РАН разработал оптимальную модель формирования мнений, которая позволяет отследить / прописать вероятность изменения мнения пользователей в ответ на получаемую информацию из социальных сетей. Понимание процессов динамики мнений важно во многих областях, включая политику, бизнес и маркетинг. Результаты работы опубликованы в журналах Scientific Reports и Advances in Systems Science and Applications.
Социальные сети радикально изменили традиционные каналы передачи информации. Теперь каждый из нас может создать свою собственную информационную среду, выбирая, кого читать и к какому мнению прислушиваться. В результате именно социальные сети стали платформой для процессов социального влияния. Они не только представляют пространство для общения, но и влияют на то, с кем и как мы общаемся, причем делают это достаточно предвзято. Причина кроется в алгоритмах ранжирования — именно с их помощью организуются информационное пространство вокруг пользователей, рекомендуется контент и подбираются потенциальные друзья. В итоге не мы, а системы выходят на главную роль, определяя наше окружение и подсказывая, какой информации следует отдать приоритет. Более того, благодаря этой оптимизации возможно изолировать пользователей от неудобной информации, заманив в «информационные пузыри», создать поляризацию мнений с помощью манипуляций и фейковых новостей. Алгоритмы ранжирования существенно влияют на процессы динамики мнений, поскольку они контролируют потоки информации между людьми. Таким образом, социальные сети становятся локомотивом для рекламного и политического продвижения, но также служат площадкой для социальных исследований.
Относительно недавно ученые стали совмещать идеи алгоритмов персонализации с моделями формирования мнений, что позволило выявить динамику мнений пользователей и информацию о социальных связях между людьми в больших масштабах с помощью методов машинного обучения. Современные методологии позволяют определить не только структуры связей, но и их веса, а также сделать прогнозы. Однако интеграция самой информации здесь затруднена, поскольку нет общепринятых стандартов моделей и для каждой задачи может потребоваться определенный формат данных, что весьма ограничивает область их применения.
Для решения этой проблемы Иван Козицин, старший научный сотрудник Института проблем управления им. В. А. Трапезникова РАН и доцент кафедры высшей математики МФТИ, разработал достаточно общую и минимальную агентную модель формирования мнения. С одной стороны, гибкую, способную упростить и обобщить широкий спектр предположений и моделей влияния, а с другой — легко калибруемую на эмпирических данных, к которым она предъявляет относительно небольшое количество требований.
«В идеале нам необходимо отследить, насколько сильно меняется мнение конкретного пользователя в зависимости от его окружения в социальной сети, построить прогноз развития событий. При этом сама модель должна быть максимально универсальной и подходить для анализа данных под разные запросы, чего до сих пор нет. Несмотря, на то, что уже накопилось огромное количество информации и моделей, сами модели используют различные математические аппараты и подходы к формализации», — рассказал о проекте Иван Козицин.
Изучив применяемые варианты, ученый предложил использовать табличный подход: все возможные изменения мнений описываются вероятностями, которые группируются в специальную таблицу. Заранее подбирается азбука мнений, описывающая возможные их значения, наиболее подходящие для изучаемого эмпирического контекста. Агенты меняют взгляды, тем самым перемещаясь между различными ячейками азбуки мнений.
«Таким образом, мы описываем вероятность изменения мнения как функцию характеристик взаимодействующих агентов. В самом простом случае у нас есть три аргумента. Первый — текущее мнение агента, на которое оказывается влияние, второй — мнение того, кто оказывает влияние, и третий аргумент — в какую из возможных ячеек азбуки попадет агент в следующий момент времени», — добавляет Иван Козицин.
Рассмотрим ситуацию, когда азбука мнений состоит из четырех элементов (A, B, C, D), текущее мнение агента — B, а мнение источника, которое оказывает на него влияние, — D.
Потенциально возможны четыре исхода: B → A, B → B, B → C, B → D. Для каждого из них прописывается своя вероятность, в сумме они дают единицу. Интуитивно кажется, что возможны только два исхода: B → B (первый агент остался при своем мнении) и B → D (второй агент убедил первого в своей правоте). На практике все намного сложнее, и заранее нельзя исключать ни одну из альтернатив. Таким образом, создается своеобразная карта хождений по ячейкам азбуки мнений, которая формализуется в рамках вероятностей переходов между элементами. Эти вероятности записываются в трехмерную таблицу (таблицу переходов), именно поэтому данный подход называется табличным. Такой метод описания процессов социального влияния чрезвычайно адаптивен, поскольку при соответствующей настройке элементов таблицы переходов позволяет смоделировать практически любой из известных в литературе механизмов социального влияния.
Имея под рукой таблицу переходов и текущее состояние общественного мнения, можно смоделировать его дальнейшее развитие, используя аппарат теоретической физики и теории дифференциальных уравнений.
«Эмпирические исследования в данной области зачастую конфликтуют друг с другом, что может свидетельствовать о том, что не существует какой-то одной модели, исчерпывающе описывающей динамику мнений людей, — каждая модель должна подбираться ситуативно, в зависимости от контекста. Предлагаемый мной табличный подход является возможным решением данной проблемы. Его можно расширить, учтя и другие аспекты социального влияния. К примеру, индивиды, обладающие схожими характеристиками (цвет кожи, религия, возраст) более склонны доверять друг другу. В результате модель становится более точной», — заключает Иван Козицин.
Исследование поддержано грантом Российского научного фонда (22-71-00075).
