ПРЕДИКТОРЫ СЕТЕВОЙ СОЦИАЛЬНОЙ УСПЕШНОСТИ ЛИЧНОСТИ
Аннотация
Сетевая социальная успешность проявляется в способности личности поддерживать широкие связи в социальной сети и влиять на других ее пользователей. Это связано как с собственной активностью пользователя социальной сети, так и с вниманием других пользователей к содержанию его персонального профиля, что отражается в виде лайков и репостов, а также во времени, проведенном на его странице и желании транслировать его позицию другим пользователям. Цель исследования - выделить предикторы сетевой социальной успешности личности. Гипотеза исследования - в качестве предикторов сетевой социальной успешности могут быть метрики персонального профиля пользователя социальной сети и метрики его социального графа. Выборку в объеме 30 950 испытуемых составили девушки (18 304) и юноши (12 645) в возрастном диапазоне от 18 до 26 лет (Ме=20,3), обучающиеся на разных курсах бакалавриата (25 835) и магистратуры (5 114) по гуманитарному (69 %), техническому (19 %) и естественно-научному (12 %) направлениям. В исследовании были использованы анонимизированные данные персональных профилей испытуемых в социальной сети ВКонтакте. Они были разделены на несколько групп по степени их сетевой социальной успешности. Для ее прогнозирования были использованы модели на основе машинного обучения и нейронных сетей. Это позволило выявить ряд метрик профиля пользователя и метрик его социального графа, которые можно рассматривать в качестве предикторов его сетевой социальной успешности. Наличие таких предикторов позволяет, не выявляя репостов сообщений и степени активности в сети пользователя, оценивать его реальные связи в социальной сети и его влиятельность. Результаты исследования могут быть использованы при прогнозировании сетевой социальной успешности пользователей через нейросетевой анализ метрик их персонального профиля в социальной сети ВКонтакте, отражающих особенности их виртуальной активности в цифровой среде.
Литература
2. Das K., Samanta S., Pal M. Study on centrality measures in social networks: a survey // Social Network Analysis and Mining. 2018. № 8(1), p. 13. https://doi.org/10.1007/s13278-018-0493-2
3. Gafarov F., Berdnikov A., Ustin P. Online social network user performance prediction by graph neural networks // International Journal of Advances in Intelligent Informatics. 2022. № 8(3). p. 285-298. https://doi.org/10.26555/ijain.v8i3.859
4. Jablo ́nska M.R., Zajdel R. Artificial neural networks for predicting social comparison effects among female instagram users // PLOS ONE. 2020. № 15(2), p. 1-18. https://doi.org/10.1371/journal.pone.0229354
5. Johs A.J., Agosto D.E., Weber R.O. Explainable artificial intelligence and social science: Further insights for qualitative investigation // Applied AI Letters. 2022. № 3(1). https://doi.org/10.1002/ail2.64
6. Karoui W., Hafiene N., Ben Romdhane L. Machine learning-based method to predict influential nodes in dynamic social networks // Social Network Analysis and Mining. 2022. № 12(1), p.108. https://doi.org/10.1007/s13278-022-00942-4
7. Khan N.U., Wan W., Riaz R., Jiang S., Wang X. Prediction and classification of user activities using machine learning models from location-based social network data // Applied Sciences 2023. № 13(6), 3517. https://doi.org/10.3390/app13063517
8. Landherr A., Friedl B., Heidemann J. A critical review of centrality measures in social networks // Business & Information Systems Engineering. 2010. № 2(6). p. 371-385. https://doi.org/10.1007/s12599-010-0127-3
9. Li N., Huang Q., Ge X., He M., Cui S., Huang P., Li S., Fung S.F. A review of the research progress of social network structure // Complexity 2021, 2021. 6692210 https://doi.org/10.1155/2021/6692210
10. Lundberg S.M., Lee S.I. A unified approach to interpreting model predictions // Proceedings of the 31st International Conference on Neural Information Processing Systems. NIPS’17, Curran Associates Inc., Red Hook, NY, USA. 2017. p.4768-4777. https://doi.org/10.48550/arXiv.1705.07874
11. Merrick L. Randomized ablation feature importance. 2019. https://doi.org/10.48550/arXiv.1910.00174
12. Ou Y., Guo Q., Liu J. Identifying spreading influence nodes for social networks // Frontiers of Engineering Management. 2022. № 9(4). p. 520-549. https://doi.org/10.1007/s42524-022-0190-8
13. Prokopyev N., Vakhitov G., Ustin P., Mamadjanova S. Usage of social media text topic analysis for student's academic success prediction // ICERI2020 Proceedings. 13th annual International Conference of Education, Research and Innovation, IATED 9-10 November 2020. 2020. pp. 5466-5470. https://doi.org/10.21125/iceri.2020.1184
14. Prokopyev N., Vakhitov G., Ustin Indexing of social network texts for psychometric model of academic success prediction // Proceedings of the International Scientific Conference “Digitalization of Education: History, Trends and Prospects” (DETP 2020). 2020. Atlantis Press. pp. 807-812. https://doi.org/10.2991/assehr.k.200509.143
15. Ribeiro M.T., Singh S., Guestrin C. ”Why should I trust you?”: Explaining the predictions of any classifier // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. KDD ’16, Association for Computing Machinery, New York, NY, USA. 2016. p.1135-1144. https://doi.org/10.1145/2939672.2939778
16. Saleem R., Yuan B., Kurugollu F., Anjum A., Liu L. Explaining deep neural networks: A survey on the global interpretation methods // Neurocomputing. 2022. № 513, p. 165-180. https://doi.org/10.1016/j.neucom.2022.09.129
17. Seidman G. Self-presentation and belonging on Facebook: How personality influences social media use and motivations // Personality and Individual Differences. 2013. № 54(3), с. 402-407. https://doi.org/10.1016/j.paid.2012.10.009
18. Shirzadian P., Antony B., Gattani A.G., Tasnina N., Heath L.S. A time evolving online social network generation algorithm // Scientific Reports. 2023. № 13(1), p. 2395. https://doi.org/10.1038/s41598-023-29443-w
19. Sundararajan M., Taly A., Yan Q. Axiomatic attribution for deep networks // Precup, D., Teh, Y.W. (eds.) Proceedings of the 34th International Conference on Machine Learning. Proceedings of Machine Learning Research. 2017. vol. 70, pp. 3319-3328. PMLR. https://doi.org/10.48550/arXiv.1703.01365
20. Taherdoost H. Enhancing social media platforms with machine learning algorithms and neural networks // Algorithms. 2023. № 16(6). https://doi.org/10.3390/a16060271
21. Truong Q.D., Truong Q.B., Dkaki T. Graph methods for social network analysis // Vinh, P.C., Barolli, L. (eds.) Nature of Computation and Communication. 2016. Springer International Publishing, Cham. pp. 276-286. https://doi.org/10.1007/978-3-319-46909-6_25
22. Ucer S., Ozyer T., Alhajj R. Explainable artificial intelligence through graph theory by generalized social network analysis-based classifier // Scientific Reports. 2022. № 12(1). https://doi.org/10.1038/s41598-022-19419-7
23. Ustin P., Gafarov F., Berdnikov A. Analysis of Interpersonal Relationships of Social Network Users Using Explainable Artificial Intelligence Methods // OBM Neurobiology. 2023. № 7(3) pp. 1-14. doi:10.21926/obm.neurobiol.2303180
24. Wang Y., Kosinski M. Deep neural networks are more accurate than humans at detecting sexual orientation from facial images // Journal of Personality and Social Psychology. 2018. № 114(2). С. 246-257. https://doi.org/10.1037/psp0a000098
Опубликована 2023-12-26