复杂传染

复杂传染 Complex contagion是社会网络中的一种现象,在社会网络中,一个人或一个个体需要受到多种不同的影响,会对自身行为采取改变。[1] 不同于疾病的简单传染,邻居单一的一次接触并不会使其成功传染,复杂传染的传播需要人群网络中复杂交错的社会和经济因素。例如,一个人有多少个朋友接受这个新想法,以及这些朋友能不能影响这个人,以及他们自己接受改变的倾向。

传播机制

宾夕法尼亚大学的Damon Centola和康奈尔大学的Michael Macy合著的《复杂传染和长纽带的弱点Complex Contagion and the Weakness of Long Ties 》发现,信息和疾病以“简单传染”的方式传播,只需要一次接触就能传播,而其传播行为通常以“复杂传染”的方式传播,这通常需要多种不同的来源的强化来使其感染。Centola的工作建立在Granovetter关于弱联系的力量和集体行为的阈值模型的工作,以及邓肯·瓦茨 Duncan J. Watts和斯蒂文·斯特罗加茨 Steven H. Strogatz关于小世界网络[2]的工作的基础上。Centola和Macy表明,弱联系和小世界网络都非常有利于简单传播的传染病。然而,对于复杂传染,弱联系和小世界可以有效减缓扩散。

Centola和Macy梅西提出了四种复杂传染的机制,这些性质解释了在传染过程中为什么需要多次不同来源的强化:

  • 战略互补性 Strategic Complementarity

许多创新的成本高昂,尤其是对于早期采用者,但对于那些较晚采用的人来说成本较低。参与集体行动也是如此。

  • 可信度 Credibility

创新往往缺乏可信度,直到被他人采用。从不同的人那里听到同样的故事,会更有说服力。

  • 合法性 Legitimacy

知道即将有一个集体行动的发生,很少会使旁观者加入进来。而知道有几个亲密的朋友要参加一个活动通常会大大增加一个人加入的可能性,特别是对于有高风险的社会运动。创新者可能会被当作异类回避,直到有足够数量的早期采用者,而非采用者可能会挑战创新的合法性。

  • 情绪感染 Emotional Contagion

从行动理论到阈值模型再到控制论,大多数集体行为的理论模型都有一个共同的基本假设,即人类行为中存在着表达冲动和象征冲动,这些冲动可以在空间和社会集中的集会中得到沟通和放大。

争议性

无争议性

传染病的传播仅仅取决于你所联系的人的数量,他们与你自己的状态不同。你不会因为和你处于同一状态的人的数量而受阻。一般来说,如果传播没有争议,一个人的邻居越多,这个人采用创新的机会就越大。

有争议性

传染的传播既依赖于那些与你处于不同状态的人的坚持,也依赖于那些与你当前状态相同的人的抵消影响。在这种情况下,一个个体拥有的邻居越多,该个体采用该创新的机会越小。

网络中的扩散和级联行为

参见:全局级联模型

考虑任意大小的图,节点v的邻居可以分成两个集合:集合A包含v中采用新行为的邻居,集合B是行为保守的邻居的集合。只有当至少q 个邻居遵循行为A时,节点v才会采用A中邻居的行为。

  • 如果 q 很小,这种行为很容易被采纳,也很容易传播。
  • 如果 q 很大,B是一种吸引的行为,需要更多的朋友参与到A中,v才会转换。

整个网络上的级联-扩散

考虑一组初始用户开始新的行为A,而其他节点从行为B开始。节点使用一个阈值q反复的评估决定从B到A的转化。如果最终由此产生的每个节点都从B切换到A,那么我们说,初始用户的集合在阈值q 处导致了一个完整的级联,我们称整个网络级联的障碍是当其密度为d > 1 − q 时。

应用案例

许多互动发生在局部层面,而不是整体层面——我们往往不像关心朋友和同事所做的决定那样关心整个群体的决定。例如,在工作环境中,我们可能会选择与我们直接合作的人兼容的技术,而不是全局流行的技术。同样,我们可能会采取与我们的朋友一致的政治观点,即使他们属于少数群体。[3]

案例

  • The credibility of an urban legend 都市传说的可信度
  • Willingness to participate in migration – (participating in a collective action)参与移民的意愿-(参与集体行动)
  • Incentives to exit formal gatherings退出正式聚会的动机
  • Lifestyle trends: What clothing to wear, hairstyle to adopt, and what part of the body to pierce.生活方式:穿什么衣服,留什么发型,穿什么部位。
  • The adoption of political hashtags on Twitter. 在推特上使用政治标签。[4]

简单传播的案例

  • 疾病的传播
  • 信息的传播

参考文献

  1. Centola, Damon; Macy, Michael. "Complex Contagions and the Weakness of Long Ties." University of Chicago, 2007.
  2. Centola, Damon (2010). "The Spread of Behavior in an Online Social Network Experiment". Science. 329 (5996): 1194–1197. Bibcode:2010Sci...329.1194C. doi:10.1126/science.1185231. PMID 20813952. S2CID 3265637.
  3. Easley, David; Kleinberg, Jon. Networks, Crowds, and Markets: Reasoning about a Highly Connected World. Cambridge University Press, 2010.
  4. Differences in the mechanics of information diffusion across topics | Proceedings of the 20th international conference on World wide web. dl.acm.org. WWW '11. 28 March 2011. pp. 695–704. doi:10.1145/1963405.1963503. ISBN 9781450306324. S2CID 207186115. Retrieved 2020-08-11.

编者推荐

生成缩略图出错:无法找到文件

集智文章推荐

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。

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。

生成缩略图出错:无法找到文件

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。