• 随机单纯复形：模型和现象;
• 通过电子邮件模式分析找到表现最好的人;
• 诚实的重要性：将自我报告的准确性和网络中心性与学习成绩联系起来;
• 具有不连续性的意见动力学模型的广义解;
• 印度各州COVID-19第二波结束时间的机器学习预测;
• 分析Twitter政治机器人的时间序列活动;

随机单纯复形：模型和现象

原文标题： Random Simplicial Complexes: Models and Phenomena

地址： http://arxiv.org/abs/2105.12914

作者： Omer Bobrowski, Dmitri Krioukov

摘要： 我们回顾了随机简单单纯形模型的集合，以及与它们有关的一些最令人兴奋的现象。我们不尝试涵盖所有现有模型，而是尝试着重关注那些在数学上特别是在代数拓扑的情况下已经严格建立了许多重要结果的模型。在应用于实际系统时，审阅的模型通常用作空模型，因此我们采取统计立场，在适用的情况下强调审阅模型的熵属性。我们还回顾了在这些模型中观察到的现象和特征的集合，并将呈现的结果分为两类：相变和分布极限。最后，我们概述了有趣的未来研究方向。

通过电子邮件模式分析找到表现最好的人

原文标题： Finding top performers through email patterns analysis

地址： http://arxiv.org/abs/2105.13025

作者： Q. Wen, P. A. Gloor, A. Fronzetti Colladon, P. Tickoo, T. Joshi

摘要： 在信息经济中，个人的工作绩效与他们的数字通信策略紧密相关。这项研究结合了社会网络和语义分析，以开发一种基于电子邮件通信来识别表现最佳的方法。通过回顾现有文献，我们确定了将电子邮件通信量化为可衡量维度的指标。为了从经验上检验所提出指标的预测能力，我们收集了一家国际服务公司中578名高管的200万封电子邮件存档。使用面板回归来得出电子邮件指标与最佳绩效之间的可解释关联。结果表明，表现最好的人倾向于承担中心网络的职务，并且对电子邮件具有较高的响应能力。在电子邮件内容中，表现最好的人使用更积极，更复杂的语言，情绪低落，但富有影响力的单词可能被同事重复使用。为了更好地探索电子邮件指标的预测能力，我们采用了AdaBoost机器学习模型，该模型在识别最佳绩效方面达到了83.56％的准确性。通过聚类分析，我们进一步发现了表现最好的三类：具有中心网络位置的“网络”，具有影响力的思想的“影响者”和具有积极情绪的“实证主义者”。研究结果表明，表现最好的人员具有独特的电子邮件通信模式，这为在理论上奠定电子邮件通信能力奠定了基础。所提出的电子邮件分析方法还提供了一种工具，用于评估不同类型的个人通讯方式。

诚实的重要性：将自我报告的准确性和网络中心性与学习成绩联系起来

原文标题： The importance of being honest: Correlating self-report accuracy and network centrality with academic performance

地址： http://arxiv.org/abs/2105.13054

作者： A. Fronzetti Colladon, F. Grippa

摘要： 这项研究调查了自我报告准确性与学习成绩之间的相关性。该样本由289名本科生（96名高中生和193名初中生）组成，分别参加了两个工程课。年龄介于22至24岁之间，男学生的比例略高（53％）。根据每个班级的学生最终成绩来计算学业成绩。在Raven渐进式矩阵测试的末尾，通过要求学生报告他们的确切修整时间来衡量报告不准确信息的趋势。我们控制了性别，年龄，人格特质，智力和过往的学习成绩。我们还在他们的友谊，建议和信任网络中包括了中心性措施。相关性和多元回归分析结果表明，成绩较低的学生在自我报告数据中的准确性明显较低。我们还发现，在建议网络中处于更中心的位置与更高的绩效相关（r = .20，p <.001）。结果与现有文献相一致，该文献强调与学业成绩相关的个体和关系因素，并且在未来的研究中，可用于包括不依赖学术记录的自我报告准确性的新指标。

具有不连续性的意见动力学模型的广义解

原文标题： Generalized solutions to opinion dynamics models with discontinuities

地址： http://arxiv.org/abs/2105.13159

作者： Francesca Ceragioli, Paolo Frasca, Benedetto Piccoli, Francesco Rossi

摘要： 社会动力学模型可能由于多种原因（包括拓扑结构更改和量化）而在动力学的右侧显示不连续性。文献中提供了关于不连续方程的广义解的几种概念，可用于分析这些模型。在本章中，我们将研究具有状态依赖交互作用的不连续意见动力学模型的Caratheodory和Krasovsky广义解。我们考虑“边界置信”交互作用的两个定义，分别称为度量和拓扑。在后者中，个体与一定数量的最近邻居互动。我们根据两种类型的相互作用的存在性，唯一性和不同类型的解的渐近行为，比较了两种相互作用所产生的动力学。

印度各州COVID-19第二波结束时间的机器学习预测

原文标题： Machine learning predictions of COVID-19 second wave end-times in Indian states

地址： http://arxiv.org/abs/2105.13288

作者： Anvesh Reddy, Hanesh Koganti, Sai Krishna, Suhas Reddy, Soumyajyoti Biswas

摘要： 估计正在进行中的流行病传播浪潮的剩余时间是一个关键问题。由于流行病中各种参数的变化，对于简单模型（如易感性感染去除（SIR）模型），很难估计这种时间尺度。另一方面，具有较大集合属性的多维数据正是可以在统计学习算法中用来进行预测的数据。在这里，我们展示了使用监督学习算法，SIR模型的可预测性如何随各种参数而变化。然后，我们估计在印度不同州预测COVID-19大流行的第一波持续时间时模型给出最小误差的条件。最后，我们使用具有上述最佳条件的SIR模型来生成训练数据集，并将其用于监督学习算法中以估计印度不同州正在进行的第二波大流行的结束时间。

分析Twitter政治机器人的时间序列活动

原文标题： Analyzing time series activity of Twitter political spambots

地址： http://arxiv.org/abs/2105.12734

作者： Oscar Fontanelli, Aldo Venegas, Ricardo Mansilla

摘要： 近年来，政治上的Twitter机器人的存在和复杂性在增加，这使得从真实的人类用户中识别这些帐户变得非常困难。我们打算提供以下问题的答案：在假账和人工账目中，活动的时间模式在质上是否有所不同？我们在2020年美国选举后冲突期间收集了大量推文样本，并执行了监督和非监督统计学习技术，以量化时间序列特征对人机识别的预测能力。我们的结果表明没有实质性差异，这表明当今的政治机器人非常有能力模仿人类的行为。这一发现表明，需要新颖，更复杂的机器人检测技术。

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。