Sobre un modelo de difusión de agresión y minimización en redes sociales en línea
Marinos Poiitis, Athena Vakali y Nicolas Kourtellis
ARXiv
La agresión en las redes sociales en línea se ha estudiado hasta ahora, principalmente con varios métodos de aprendizaje automático que detectan tal comportamiento en un contexto estático. Sin embargo, la forma en que la agresión se difunde en la red ha recibido poca atención ya que incorpora desafíos de modelado. De hecho, modelar cómo se propaga la agresión de un usuario a otro es un tema de investigación importante, ya que puede permitir un monitoreo efectivo de la agresión, especialmente en plataformas de medios que ahora aplican técnicas de bloqueo de usuario simplistas. En este documento, nos centramos en cómo modelar propagación de la agresión en Twitter, ya que es una plataforma de microblogging popular en la que la agresión tuvo varios comienzos. Proponemos varios métodos de construcción en dos modelos de difusión conocidos, Cascada Independiente (IC) y Umbral Lineal (LT), para estudiar la evolución de la agresión en la red social. Investigamos experimentalmente cómo el método welleach puede modelar la propagación de la agresión utilizando datos reales de Twitter, mientras que varían los parámetros, como la selección de usuarios para la siembra de modelos, sopesar los bordes de los usuarios, el tiempo de activación de los usuarios, etc. Según el enfoque propuesto, las estrategias de mejor desempeño son las únicas para seleccionar usuarios de semillas con un enfoque basado en grados, sopesan los valores de uso basados en la superposición de sus círculos sociales y activan a los usuarios considerando sus niveles de agresión. Además, empleamos los mejores modelos de rendimiento para predecir qué usuarios reales comunes podrían volverse agresivos (y viceversa) en el futuro, y lograr hasta AU C = 0.89 en esta tarea de predicción. Finalmente, investigamos métodos para minimizar la agresión, lanzando cascadas competitivas para "informar" y "curar" a los agresores. Mostramos que los modelos IC y LT pueden usarse en la minimización de la agresión, proporcionando así alternativas menos intrusivas a las técnicas de bloqueo actualmente empleadas por las populares plataformas de redes sociales en línea.
once a month).
4.6 interactions per person per day). This sparseness is partly due to the fact that our work does not include verbal in classroom interactions or other communication mechanisms, like discussion groups that are typical in most universities.
for the students with more links, indicating they also interacted with students outside the “rich club”). However, when only persistent interactions were taken into account, we obtained 
, which is in line with the idea of high scoring students keeping persistent interactions between themselves as indicated by our assortativity analysis. The “rich club” phenomenon could not be observed during the first weeks, φ(r) ≪ 1, and it became apparent only after week 4–5 for the top performing students, remaining stable afterwards.
80% of these dropouts occurred after the 9th week of course. The higher attendance level by high performing students may also be causing the higher number of persistent interactions, although our analysis does not let us conclude any causality relationship.
0.7). By analysing the direction of the initiation of the interaction we could see that persistent interactions held between members of different groups are highly symmetric (having almost even initiations starting from both ends). On the contrary, transient interactions between members of different groups are almost always initiated by the student with lower performance (with 0.87 probability). In addition, the timing of responses was different. While persistent interactions are responded in 8.1 ± 0.3 hours on average, the response time for transient interactions is delayed 7.21 ± 0.46 days.
4.6 events per student per day) and gained insight into the type of interaction patterns that are associated to lower performance.
70% of transient interactions, mostly with mid performance students. Our reciprocity analysis shows that students try to contact high performance students and these respond although the latter do not usually initiate disassortative interactions with low performance students.