评估在线影响力需要因果建模：社交媒体互动的反事实分析
计算与语言
2025-05-27 v1 社会与信息网络
摘要
理解社交媒体中的真实影响力需要区分相关性与因果性——尤其是在分析虚假信息传播时。现有方法侧重于曝光指标和网络结构，往往无法捕捉外部时序信号触发互动的因果机制。我们引入了一种新颖的联合处理-结果框架，利用现有的序列模型同时适应策略时序和互动效应。我们的方法改编了医疗保健领域的因果推断技术，以在社交媒体互动的序列特性内估计平均处理效应（ATE），应对来自外部混杂信号的挑战。通过在真实世界的错误信息和虚假信息数据集上的实验，我们表明我们的模型在预测包括曝光调整、时序偏移和不同干预持续时间在内的多种反事实场景下的互动表现时，比现有基准高出15--22%。对492名社交媒体用户的案例研究表明，我们的因果效应度量与影响力估计的黄金标准——基于专家的经验影响力——高度一致。
引用
@article{arxiv.2505.19355,
title = {Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement},
author = {Lin Tian and Marian-Andrei Rizoiu},
journal= {arXiv preprint arXiv:2505.19355},
year = {2025}
}