电导与影响资本：在线社交影响力建模

人类互动受社会影响力中介。在COVID-19大流行等危机期间，社会影响力决定了救命信息是否被采纳或免疫接种运动是否达到目标。关于在线社会影响力的文献在跨学科方面存在显著局限。社会心理学方法通过测量社会因素如何影响这些现象来刻画影响力的本质，但缺乏计算建模能力且依赖缓慢、不可扩展的测量方法。相反，计算方法虽数据驱动，却常未能纳入关键社会因素。我们的工作通过两项主要贡献弥合这一鸿沟。首先，我们提出一个数据驱动的广义影响模型（Generalized Influence Model, GIM），其包含两种受社会心理学启发的新型机制：扩散网络的电导与影响资本分布。GIM不仅优于现有最先进方法，还纠正了被广泛使用的粉丝数指标所引入的固有偏差。其次，我们通过将GIM应用于COVID-19讨论，对有关影响力、社会阶层与专业知识的长期社会学假设进行实证检验。我们量化了超过2150万X/Twitter用户相对于其职业的影响力和内容真实性。我们的模型表明，高管、媒体和军方人物比生命科学和医疗专业人员等疫情相关专家施加更大影响力。令人担忧的是，通过利用现有COVID-19错误信息数据集，我们表明一些最具影响力的职业也传播了最多的错误信息。这些发现对专家在危机情况下信息传播的有效性提出了质疑。