Contenidos
\(U_q\) está motivada por el efecto que las noticias partidistas han causado 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.
Motivados por estas observaciones, estudiamos un modelo sencillo que nos permite extraer ideas útiles sobre la evolución de las opiniones en una red social en presencia de dos grupos dentro de la red que están comprometidos con opiniones distintas y enfrentadas sobre un tema. Dentro de los límites de nuestro modelo, una de las preguntas a las que responde nuestro trabajo es la siguiente. Supongamos que la mayoría de los individuos de una red social se adhieren a una opinión concreta sobre un tema determinado y que, además, una parte de esta mayoría se mantiene firme en su compromiso con la opinión. Entonces, ¿cuál debería ser el tamaño mínimo de una fracción de un grupo comprometido que compita para que se produzca una rápida inversión de la opinión mayoritaria? Además de responder cuantitativamente a esta pregunta, mostramos la existencia de dos tipos distintos de transiciones de fase que pueden darse en el espacio de valores de pares de fracciones comprometidas.
Para caracterizar efectivamente el comportamiento del sistema gobernado por las Ecs. (1) para , exploramos sistemáticamente el espacio de parámetros dividiéndolo en una cuadrícula con una resolución de a lo largo de cada dimensión. A continuación, integramos numéricamente las Ecs. (1) para cada par en esta cuadrícula, suponiendo dos condiciones iniciales distintas, y , que representan extremos diagonalmente opuestos en el espacio de fases. Los resultados de este procedimiento revelan la imagen mostrada en la Fig. 1 en diferentes regiones del espacio de parámetros. Como es obvio, con valores distintos de cero para ambos , nunca se puede alcanzar un consenso sobre una única opinión, y por tanto todos los puntos fijos (estados estables) son no absorbentes. Con valores dentro de la región denotada como que denominamos “pico” (tomando prestada la terminología utilizada en [19]), el espacio de fase contiene dos puntos fijos estables, separados por un punto de silla, mientras que fuera del pico, en la región , sólo existe un único punto fijo estable en el espacio de fase. En la región I, un punto fijo corresponde a un estado en el que la opinión es mayoritaria (-dominante), mientras que el otro punto fijo corresponde a un estado en el que la opinión constituye la opinión mayoritaria (-dominante). La figura 1 muestra trayectorias y puntos fijos representativos en el espacio de fases, en diferentes regiones del espacio de parámetros. Se han encontrado diagramas de fase similares en otros sistemas de dos parámetros en diferentes contextos, como las reacciones químicas [19] y los interruptores genéticos
opinión sobre la conexión a internet
Hoy en día, la mayoría de la gente utiliza las redes sociales en línea 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 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).
opiniones sobre internet
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.