567
个编辑
更改
跳到导航
跳到搜索
第60行：
第60行： + + + + + + + + + + + + + + + + + + + + + +
无编辑摘要
== 参考文献 ==
== 参考文献 ==
<references />
<references />
== 编者推荐 ==
[[文件:Sir.jpg|缩略图|[https://swarma.org/?p=18758 超越SIR模型：信息与疾病传播的复杂建模]]]
=== 集智文章推荐 ===
* [https://swarma.org/?p=18758 超越SIR模型：信息与疾病传播的复杂建模]
社会对个体某种行为的赞扬与否定这一行为称为社会强化效应，在信息传播中也起到了重要作用，这意味着信息传播的概率是会变化的。疾病传播也有类似效应。近期发表在Nature Physics上的一篇论文，提出了一个复杂传播模型，并建议针对网络上的信息疾病传播研究，应当优先使用复杂模型，而非SIR等简单模型。
* [https://swarma.org/?p=28065 研究速递：图神经网络预测复杂网络中的传播现象]
如何预测复杂网络中的传播演进，大部分模型依赖简化的假设。近日，一篇发表于 ''Nature Communications'' 的论文“基于复杂网络中传染动态的深度学习模型”，基于时间序列，使用图神经网络，在去年新冠在西班牙的传播数据中证明了该方法的适用性。从而为复杂网络中传播现象的研究，指出了新的方向。
[[文件:Criticality.png|缩略图|[https://swarma.org/?p=33330 社交媒体信息传播的普适规律：临界性与复杂性]]]
* [https://swarma.org/?p=33330 社交媒体信息传播的普适规律：临界性与复杂性]
关于社交媒体上出现“信息雪崩”统计定律，至少目前为止还没有一个在各个系统都表现得足够鲁棒的实证研究。而对于信息传播来说，完全不同的过程很可能背后存在着合理的驱动机制。最近在 ''Nature Communications'' 上发表的一篇文献，分析了来自Titter、Telegram、微博等社交平台的近亿个时间序列，超过将近10年的时间窗口，展示了社交媒体上的信息传播过程的普适性和临界性。其中普适性体现在，无论具体系统的细节如何，我们都可以在不同的系统上观察到宏观尺度的统一模式；临界性则来自于信息雪崩持续时间和规模的幂律分布，相应的超规模关系（hyperscaling relations）。文章在数据上的统计检验指出，社交媒体上信息传播过程是简单传播规则和复杂传播规则的结合，并且还指出这个过程的复杂性和传播信息中包含的语义内容有关。
----本中文词条由AvecSally参与审校编辑，如有问题，欢迎在讨论页面留言。
'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''