• 空间系统的拓扑数据分析;
• 社会学习者什么时候会对集体绩效产生负面影响？动力学系统模型的预测;
• 错误信息的警告标签：Twitter对COVID-19疫苗信念回声的温和调节作用;
• 社交媒体上考虑选择的用户参与度建模和优化;
• 社交媒体的生产和消费;
• 异构信息网络中的流式社交事件检测和演化发现;
• 集体智慧的主动推理模型;
• 带有词法嵌入的Twitter上COVID-19疫苗信念的趋势挖掘;
• 评论炸弹的极化作用;

空间系统的拓扑数据分析

原文标题： Topological Data Analysis of Spatial Systems

地址： http://arxiv.org/abs/2104.00720

作者： Michelle Feng, Abigail Hickok, Mason A. Porter

摘要： 在本章中，我们讨论了拓扑数据分析（TDA）在空间系统中的应用。我们简要回顾了最近提出的过滤单纯复形的水平集构造，然后在两个案例研究中研究了持久同源性：上海的街道网络和COVID-19感染的热点。然后，我们总结我们的结果，并对空间系统中的TDA进行展望。

社会学习者什么时候会对集体绩效产生负面影响？动力学系统模型的预测

原文标题： When do Social Learners Affect Collective Performance Negatively? The Predictions of a Dynamical-System Model

地址： http://arxiv.org/abs/2104.00770

作者： Vicky Chuqiao Yang, Mirta Galesic, Harvey McGuinness, Ani Harutyunyan

摘要： 有关集体决策的一个关键问题是，当一些成员从社会上学习而不是自己评估方案时，集体决策系统是否可以选择最佳的可用方案。由于集体决策的结果取决于对认知策略，任务属性和社会影响过程的理解不充分的复杂系统，因此该问题的研究具有挑战性，并且以前的研究得出的结论也不尽相同。这项研究使用动力学系统模型将这些复杂的相互作用整合到一个通用但部分可分析处理的数学框架中。特别是，它研究了社会学习者所占比例，选项的相对优点以及整合反应的类型之间的相互作用如何在二元选择中影响集体决策的结果。该模型预测，当社会学习者的比例超过临界阈值时，就会出现双稳态，在这种状态下，大多数人最终可能会根据波动和初始条件而偏爱更高或更低的选择。在此阈值以下，大多数人会选择高绩效选项。临界阈值由一致性响应函数和两个选项的相对优劣确定。这项研究有助于调和关于社会学习者对集体绩效的影响的分歧，并提出了一个数学框架，可以很容易地将其应用于研究更广泛的动态变化的扩展。

错误信息的警告标签：Twitter对COVID-19疫苗信念回声的温和调节作用

原文标题： Misinformation Warning Labels: Twitter’s Soft Moderation Effects on COVID-19 Vaccine Belief Echoes

地址： http://arxiv.org/abs/2104.00779

作者： Filipo Sharevski, Raniem Alsaadi, Peter Jachim, Emma Pieroni

摘要： 在其他叙事的迅速传播的推动下，Twitter开始积极警告用户有关COVID-19错误信息的传播。这种形式的软审核有两种形式：作为向用户显示Tweet之前的警告封面和作为Tweet下方的警告标签。这项研究调查了每种软调节形式如何影响Twitter上COVID-19疫苗错误信息的感知准确性。结果表明，警告涵盖了降低Twitter上COVID-19疫苗错误信息的准确性的工作，但没有涉及标签。 Twitter用户中确实存在“信仰回声”，不受任何警告标签的限制，这与COVID-19疫苗的感知安全性和功效以及他们自己和孩子的疫苗接种犹豫有关。这些结果的含义将在可用的安全能力范围内进行讨论，以应对社交媒体上的错误信息。

社交媒体上考虑选择的用户参与度建模和优化

原文标题： Choice-Aware User Engagement Modeling andOptimization on Social Media

地址： http://arxiv.org/abs/2104.00801

作者： Saketh Reddy Karra, Theja Tulabandhula

摘要： 我们解决了在Twitter平台上最大化用户对内容（以点赞，回复，转发和带有评论转发的形式）的参与的问题。我们将参与度预测任务公式化为一个多标签分类问题，该问题刻画了在无监督的tweet主题群集上的选择行为。我们提出了一种神经网络体系结构，该体系结构结合了用户参与历史并预测了在这种情况下的选择条件。我们通过使用从Twitter获得的大型数据集，基于所提出的模型，通过解决适当定义的最佳优化问题，研究了推荐推文对参与度结果的影响。

社交媒体的生产和消费

原文标题： The Production and Consumption of Social Media

地址： http://arxiv.org/abs/2104.00834

作者： Apostolos Filippas, John Horton

摘要： 我们将社交媒体建模为生产和消费内容的用户的集合。用户珍视消费内容，但这样做会耗尽他们的稀缺注意力，因此，他们更喜欢能力更强的用户制作的内容。用户还重视获得关注，不仅通过制作有价值的内容，而且通过易货交易来吸引观众，这是用户同意成为彼此的听众的动机。注意易货贸易会深刻影响社交媒体上的生产和消费模式，解释社交媒体行为和平台决策的关键特征，并得出与我们从EconTwitter收集的数据一致的清晰预测。

异构信息网络中的流式社交事件检测和演化发现

原文标题： Streaming Social Event Detection and Evolution Discovery in Heterogeneous Information Networks

地址： http://arxiv.org/abs/2104.00853

作者： Hao Peng, Jianxin Li, Yangqiu Song, Renyu Yang, Rajiv Ranjan, Philip S. Yu, Lifang He

摘要： 活动是实时和实时发生的，可以针对各种场合进行计划和组织，例如社交聚会，节日庆典，有影响力的会议或体育活动。社交媒体平台会生成大量有关具有不同主题的公共事件的实时文本信息。但是，挖掘社交事件具有挑战性，因为事件通常表现出异构的纹理，而元数据通常是模棱两可的。在本文中，我们首先设计一种新颖的基于事件的元模式来表征社交事件的语义相关性，然后构建一个基于事件的异构信息网络（HIN），该网络集成了来自外部知识库的信息。其次，我们基于加权的元路径实例相似度和文本语义表示作为输入，提出了一个新颖的成对流行度图卷积网络，称为PP-GCN，以进行细粒度的社交事件分类并学习元路径的最佳权重在不同的任务中。第三，我们提出了一种基于元路径相似性搜索，元路径历史信息和异构DBSCAN聚类方法的HIN流社交事件检测和演化发现框架。进行了关于现实世界中流社会文本数据的综合实验，以比较各种社交事件检测和演化发现算法。实验结果表明，我们提出的框架优于其他替代性社会事件检测和演化发现技术。

集体智慧的主动推理模型

原文标题： An active inference model of collective intelligence

地址： http://arxiv.org/abs/2104.01066

作者： Rafael Kaufmann, Pranav Gupta, Jacob Taylor

摘要： 迄今为止，集体智能的正式模型还缺乏对高度自治子系统组件（个人）之间的局部尺度交互作用与复合系统（集体）的全局尺度行为之间的关系的合理的数学描述。在本文中，我们使用主动推理公式（AIF）（一个框架来解释任何规模的任何非平衡稳态系统的行为）来建立一个基于主体的最小模型，该模型可模拟本地个人级别互动与集体智慧（可作为系统级性能进行操作）。我们探讨了提供具有特定认知能力的基线AIF主体（模型1）的影响：心智理论（模型2）；目标调整（模型3）和具有目标调整的心智理论（模型4）。这些先进的认知能力逐步转变是由AIF剂在其他AIF剂所组成的环境中持续和蓬勃发展所需的发展类型所激发的，并且最近还被证明可以自然地映射到人类认知能力的典型步骤。说明性结果表明，逐步认知转变通过提供补充机制来使主体的局部和全局最优之间保持一致，从而提高了系统性能。对齐方式是由交互的AIF主体自身的动态产生的，而不是由对主体行为的激励（与现有的集体智能计算模型相反）或自上而下的集体行为先验（与AIF的现有多尺度模拟相反）施加的。这些结果揭示了有助于人类和其他复杂自适应系统中的集体智慧的通用信息论模式的类型。

带有词法嵌入的Twitter上COVID-19疫苗信念的趋势挖掘

原文标题： Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings

地址： http://arxiv.org/abs/2104.01131

作者： Harshita Chopra, Aniket Vashishtha, Ridam Pal, Ashima, Ananya Tyagi, Tavpritesh Sethi

摘要： 社交媒体在全球新闻传播中起着举足轻重的作用，并为人们表达各种观点提供了平台。全球各地的COVID-19疫苗接种运动伴随着各种各样的表达意见，常常被情绪所笼罩。我们提取了与COVID-19疫苗接种相关的Twitter帖子集，并创建了两类词汇类别-情绪和影响因素。使用无监督词嵌入，我们跟踪了五个实施强有力疫苗推出计划的国家（即印度，美国，巴西，英国和澳大利亚）的词汇类别潜在空间的纵向变化。分析了来自美国和印度的近60万条与疫苗相关的推文，以全面理解从2020年6月到2021年1月这8个月的时间情况。和使用社区检测算法的模块。我们证明，对疫苗的犹豫等负面情绪与健康相关的影响和错误信息高度相关。这些协会形成了一个主要模块，在2021年1月组建的网络中，该模块具有最高的重要性，当时已接种了数百万种疫苗。情绪与影响因素之间的关系在各个国家之间是可变的。通过提取和可视化这些内容，我们建议这种框架可能有助于指导有效的疫苗运动的设计，并且可以被决策者用来模拟疫苗的摄入。

评论炸弹的极化作用

原文标题： The polarising effect of Review Bomb

地址： http://arxiv.org/abs/2104.01140

作者： Venera Tomaselli, Giulio Giacomo Cantone, Valeria Mazzeo

摘要： 这项研究讨论了“评论炸弹”，该现象由一群互联网用户在显示用户对产品的评论的网站上进行的大规模攻击组成。它引起了人们的注意，特别是在汇总数字评分的网站上。尽管可以将这种现象视为在线错误信息的一个示例，但它与传统的垃圾邮件审阅有所不同，后者会在较长的时间范围内发生。特别是，炸弹突然出现并持续了很短的时间，因为这种方式利用了臭名昭著的冷启动问题：如果许多新的新客户提交了评论，则很难证明采取预防措施的合理性。本研究工作的重点是2020年6月发生在Sony发行的视频博弈《最后的我们第二部》的案例中，该博弈是《 Review Bomb》现象最广泛的目标。通过对语言语料库进行观察分析根据英语评论及其用户的特点，本研究证实了炸弹是一种意识形态攻击，旨在破坏平台Metacritic的评分系统。有证据表明，爆炸有意想不到的后果，引起用户的反应，最终导致评级朝着极端值一贯分化。结果不仅显示了在线审阅中的极性理论，而且还为研究垃圾评论的冷启动检测问题提供了见识。特别是，它说明了检测用户讨论上下文元素而不是产品和具有异常功能的用户的相关性。

声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://netsci.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。