在线领域中的贝叶斯社会影响

我们的观点，即我们喜欢或不喜欢的事物，取决于周围人的观点。如今，我们受到在线陌生人观点的影响，这些观点表达在在线平台的评论和评分中。在此，我们进行了新颖的“学术A/B测试”实验，超过2500名参与者，以衡量这种影响的程度。在我们的实验中，参与者在YouTube和Vimeo的镜像代理上观看和评估视频。我们控制显示在每个视频下方的评论和评分。我们的研究表明，从5%到40%的受试者采纳了评论中陌生人表达的大多数观点。利用贝叶斯定理，我们推导出一族灵活且可解释的社会影响模型，其中每个个体遵循logit模型随机形成后验观点。我们的混合模型中最大化赤池信息准则的变体代表了两个子群体，即不可影响个体和可影响个体。不可影响个体的先验观点与外部观点强相关且标准误差小，而可影响个体的先验观点标准误差大，并且由于社会影响变得与外部观点相关。我们的发现表明观点是通过贝叶斯规则更新的随机变量，其标准差与观点可影响性相关。基于这些发现，我们讨论了如何阻碍在线领域中的观点操纵和错误信息扩散。