关键词:计算社会科学,群体行为,政治极化,复杂网络,回音室效应
论文题目:Political polarization of news media and influencers on Twitter in the 2016 and 2020 US presidential elections 论文来源: Nature Human Behaviour 论文链接:https://www.nature.com/articles/s41562-023-01550-8
图1. 2016 年和 2020 年按新闻媒体类别划分的新闻媒体链接分布。(a, b)发送 URL 指向属于某一类网站的推文(a)和用户(b)的比例。纯色柱表示 2016 年大选的分数,而条纹柱表示 2020 年大选的相应分数。用户被归类为他们发布的链接最多的类别。(c, d)对于那些在 2016 年(c)和 2020 年(d)至少有两个链接分类的用户,跨类别链接的分数作为用户主要类别的函数。
图2. 两个选举年每个新闻媒体类别的前 25 名影响者节点的相似性网络。节点大小与其在各自网络中的程度成正比。节点颜色表示该节点传播的新闻媒体类别。从多个类别传播信息的节点被表示为饼图,其中每个切片的大小与它们在相应新闻媒体类别中的置信区间成比例。每一对有影响力的个体之间的优势由这些网红转发者之间的相似性加权。这两个网络都使用力导向的节点布局进行可视化,力的强度由边缘的权重定义。
图3. 2016 年(左)和 2020 年(右)影响者及其转发者的潜在意识形态量表。顶部,每个类别的前五名影响者的潜在意识形态被显示为代表转发他们的用户的意识形态分布的箱形图。底部,用户的分布显示为绿色,每个新闻媒体类别的前100名影响者的分布(按其转发者的意识形态的中位数计算)显示为紫色。
计算社会科学读书会第二季
【计算社会科学读书会】第二季由清华大学罗家德教授领衔,卡内基梅隆大学、密歇根大学、清华大学、匹兹堡大学的多位博士生联合发起,进行了12周的分享和讨论,一次闭门茶话会,两次圆桌讨论。本季读书聚焦讨论Graph、Embedding、NLP、Modeling、Data collection等方法及其与社会科学问题的结合,并针对性讨论预测性与解释性、人类移动、新冠疫情、科学学研究等课题。读书会详情见文末,欢迎从事相关研究或对计算社会科学感兴趣的朋友参与学习。
详情请见:
推荐阅读