社会扩散事件的早期预警分析

人们对开发社会扩散过程的预测能力有着浓厚的兴趣，例如允许早期识别正在出现的争议局势、快速检测疾病爆发，或准确预测潜在病毒式思想或行为的最终影响范围。本文提出了一种解决此预测分析问题的新方法，该方法利用中观尺度网络动力学分析来为复杂社会现象生成有用的预测。我们首先为具有现实拓扑结构的社会网络上发生的扩散过程推导了一个随机混合动力系统 (S-HDS) 模型；这种建模方法受到生物学近期工作的启发，该工作表明 S-HDS 提供了一种有用的数学形式体系来表示复杂的多尺度生物网络动力学。随后，我们利用该 S-HDS 模型进行了形式化的随机可达性分析，并得出结论：社会扩散过程的结果可能关键取决于过程的早期动力学与底层网络的社区结构和核心 - 边缘结构的相互作用方式。这一理论发现为开发一种能够实现社会扩散事件准确早期预警分析的机器学习算法奠定了基础。通过对社交媒体网络上政治模因传播的实证研究，展示了预警算法的效用以及基于网络的预测指标的力量。此外，我们通过涉及大规模抗议事件和政治动机网络攻击的早期预警分析案例研究，说明了该方法在安全信息学应用中的潜力。