Анализ взаимодействий в социальных сетях методом агентного моделирования

Тамакулова А. .,
студентка группы СГН3-43Б
Московский государственный технический университет им. Н.Э. Баумана

Научный руководитель: Галаганова С.Г.,
кандидат философскихнаук,
доценткафедры «Информационная аналитика и политические технологии»

Аннотация. Статья посвящена анализу агентного моделирования в качестве инструмента исследования взаимодействий групп пользователей в социальных сетях на основе имитационных компьютерных моделей. На конкретных примерах автор демонстрирует потенциальные возможности применения данного метода для  выявления закономерностей сложных сетевых взаимодействий.

Агентное моделирование представляет собой действенный инструмент исследования динамики и взаимодействий социальных групп, в том числе и в процессе распространения информации в социальных сетях. Этот метод позволяет создавать компьютерные модели, имитирующие поведение пользователя или группы пользователей в социальной сети. С помощью агентного моделирования можно анализировать сложные сетевые взаимодействия, выявлять закономерности, исследовать влияние различных факторов на распространение информации.

Чтобы исследовать динамику социальных групп и их влияние на распространение информации с помощью агентного моделирования, необходимо придерживаться строгого алгоритма.

Первый этап включает определение модели социальных агентов. Необходимо обозначить параметры и характеристики объектов  исследования. Так, например, агенты социальной сети могут различаться по уровню активности, интересам, способу взаимодействия и восприимчивости к различным видам информации. Чтобы обеспечить правдоподобие модели, эти характеристики должны быть основаны на реальных данных.

Следующий этап связан с созданием сетевой структуры, которая будет отражать реальные социальные связи между агентами. Это можно осуществить с помощью анализа графов, построив сеть с точно заданными узлами (агентами) и рёбрами (связями). При этом важно иметь в виду, что не все связи одинаковы: некоторые пользователи могут иметь большее влияние на других, что может быть учтено при определении веса связей.

Затем необходиморазработать правила взаимодействия между агентами. Эти правила определяют, как агенты будут обмениваться информацией, реагировать на сообщения и формировать новые связи. Например, можно закодировать правила, согласно которым агенты будут передавать информацию, основываясь на своих предпочтениях, знаниях и доверии к источнику информации. Такие правила помогут смоделировать процесс распространения информации в сети и факторы, влияющие на её  усвоение.

Моделирование самих процессов распространения информации включает в себя симуляцию различных сценариев, анализ движения информации через сеть и выявление социальных групп, оказывающих  наибольшее влияние на её распространение. Здесь можно менять параметры моделирования –  например, степень влияния сильных агентов, скорость распространения информации и уровень сопротивления.

Для анализа результатов моделирования и интерпретации полученных данных применяются статистические и визуализационные методы. Можно отслеживать такие метрики, как скорость распространения информации, охват аудитории и влияние, которое оказали различные группы пользователей на данный процесс. Полученные данные могут помочь выделить ключевые группы и понять, какие факторы способствовали успешному распространению информации.

Кроме того, можно провести верификацию модели, сопоставив её результаты с реальными данными из социальных сетей. Это позволит скорректировать модель, повысить её точность и надёжность. Важным аспектом является возможность использования данного подхода для формулирования рекомендаций по управлению контентом и созданию действенных стратегий вовлечения пользователей в процесс распространения информации.

Для иллюстрации принципов агентного моделирования в контексте анализа взаимодействий в социальных сетях рассмотрим конкретный пример, связанный с кампаниями по повышению осведомлённости о здоровье, а именно, о вакцинации от COVID-19.

Предположим, что исследователи хотят понять, как различные группы пользователей в социальной сети могут повлиять на распространение информации о важности вакцинации. Вначале определяются две группы агентов: активные участники, которые регулярно делятся информацией о здоровье и имеют высокую степень доверия от своих подписчиков, и пассивные участники, которые редко постят, но имеют значительное количество подписчиков, что делает их потенциально важными в распространении информации. В качестве инструментов моделирования процесса распространения информации о вакцинации от COVID-19 в социальной сети ВКонтакте используем язык программирования Python и библиотеку NetworkX.

Процесс агентного моделирования в контексте распространения информации о вакцинации осуществляется на протяжении семи основных этапов.

1. Сбор данных

Сначала осуществляется сбор данных с использованием API ВКонтакте, что позволяет извлекать актуальные посты и комментарии о теме вакцинации.

2. Определение агентов

Затем агенты организуются в две группы: активные и пассивные. Каждому агенту присваивается статус «информирован» или «не информирован», что создаёт возможность для исследования динамики информированности. Данная классификация имеет обоснование в теориях распространения инноваций, где активные пользователи могут рассматриваться как «инноваторы» или «ранние последователи», а пассивные –  как «мейнстрим» или «отстающие».

3. Создание сети

При создании сети формируется граф связей между агентами с вероятностью 30%, что отражает реальную динамику взаимодействия пользователей в социальной сети. Эти связи, заложенные в модель, представляют собой социальные взаимодействия, которые влияют на обмен информацией. Активные агенты могут делиться своими знаниями только с теми пассивными агентами, с которыми у них установлены связи.

Исследования в области социальных сетей показывают, что пользователи имеют ограниченное число «друзей» или «подписчиков», а также ограниченное количество взаимодействий с ними. Выбор вероятности 30% был основан на анализе таких данных, что позволяет создать более правдоподобную модель взаимодействия, максимально приближенную к реальным условиям функционирования социальных сетей.

4. Инициализация информированных агентов

Инициализация информированных агентов происходит случайным образом, когда несколько активных агентов получают информацию о вакцинации. Этот процесс можно сравнить с режимами распространения мнений, где первичные осведомлённые субъекты инициируют цепную реакцию информирования других.

5. Распространение информации

Распространение информации реализуется через функцию spread_information, которая моделирует процесс передачи информации от активных информированных агентов к пассивным соседям. Важно, что вероятность передачи информации установлена на уровне 50%. Это значение представляет собой эффект «вирусности» информации. При распространении информации можно учитывать не только вероятность передачи, но и эмоциональный фон. Каждый агент в нашей модели может иметь два состояния эмоций:«положительные» и «отрицательные».

Эти состояния могут меняться в зависимости от информации, которую они получают от своих соседей. Например, если активный информированный агент делится положительной информацией о вакцинации, это может вызвать у пассивного агента чувство надежды и уверенности, что, в свою очередь, повышает уровень его воодушевления и усвоения информации. Соответственно, пассивный агент может быть более восприимчив к дальнейшей информации, так как позитивное эмоциональное состояние усиливает его желание принимать участие в вакцинации и распространении информации.

Наоборот, если активный агент передаёт отрицательную или тревожную информацию, это может вызвать у пассивного агента чувство беспокойства или страха. Такое эмоциональное состояние может привести к снижению доверия к информации и меньшей вероятности того, что пассивный агент поделится или примет информацию о вакцинации. Этот процесс моделирует так называемое эмоциональное заражение. Моделирование эмоционального заражения позволяет более точно отражать динамику распространения информации о вакцинации в социальной сети, учитывая как содержание сообщения, так и эмоциональный фон агентов, соответственно мы можем лучше понять механизмы влияния на общественное мнение и поведение людей в отношении вакцинации.

6. Моделирование

Моделирование повторяется несколько раз (в нашем примере – десять итераций), что позволяет наблюдать за изменениями статуса информированности среди агентов. После каждой из десяти итераций необходимо зафиксировать общее количество агентов в каждом статусе информированности. Это позволит увидеть, как информация о вакцинации распространяется и постепенно захватывает большоечисло агентов. На первой итерации можно заметить лишь незначительные изменения, но со временем, по мере того как количество взаимодействий между агентами возрастает, количество «полностью информированных»  агентов будет постепенно увеличиваться.

7. Визуализация результатов

После осуществления моделирования можно оценить результаты:  количество информированных агентов в конце всех итераций будет представлено в виде соотношения X/Y, где X – это количество информированных агентов по истечении итераций, а Y – общее количество агентов в сети.

В данном случае после выполнения программы значение X/Y равно 21/30, что приближается к 70%. Это означает, что 70% агентов в сети стали информированными о вакцинации после завершения всех итераций моделирования. Данное соотношение показывает успех представленной стратегии по распространению информации, указывая на то, что значительная часть участников сети осведомлена о теме вакцинации. Это может быть полезной информацией для разработчиков и организаторов программ повышения осведомлённости, так как помогает оценить результативность методов и подходов, использованных в ходе моделирования. Кроме того, высокая степень информированности может свидетельствовать о том, что внедрённая модель распространения информации была достаточно убедительной и способствовала вовлечению участников.

Рассмотрим построенную в результате моделирования диаграмму. На диаграмме, отображающей сеть пользователей, информированные агенты представлены зелёным цветом, а неинформированные – красным. Каждый узел сети символизирует отдельного агента, что позволяет детально отслеживать их статусы, например, «Active 0» или «Passive 16». Чёткоевизуализирование статусов облегчает понимание динамики взаимодействия: на первый взгляднам кажется, что активных агентов меньше, чем пассивных, что может указывать на более высокую степень их вовлечённости.

Линии между узлами обозначают связи между агентами, указывая на возможность передачи информации. Наличие активных агентов, связанных с несколькими пассивными, подчёркивает пример влияния «информаторов» на их окружение. Например, у «Passive 4» есть связи с множеством активных и пассивных участников, что указывает на его возможную роль как ключевого узла.

Таким образом, общая структура сети демонстрирует активно взаимодействующую систему, где активные агенты способны влиять на пассивных, создавая условия для эффективного распространения информации о вакцинации и, в конечном итоге, повышая уровень общественной осведомлённости.

Агентное моделирование, приведённое в данном примере, не только иллюстрирует процесс распространения информации, но и позволяет осуществить анализ полученных результатов. Эти данные могут быть использованы для разработки стратегий действенного управления информацией, что, в свою очередь, может существенно повысить уровень вовлечённости пользователей в тему вакцинации и другие важные  общественные вопросы. Итоговые результаты могут послужить основой для выработки рекомендаций для максимально эффективногоформирования и распространения информации о вакцинации, опираясь на научные данные о поведении пользователей в социальных сетях. Кроме того, с помощью агентного моделирования можно воссоздавать и исследовать процессы эмоционального заражения в конкретной социальной сети.

Как видим, агентное моделирование предоставляет  исследователям уникальные возможности для глубокого понимания динамики социальных групп и механизмов распространения информации в социальных сетях, что, в свою очередь, может повысить результативность создания сетевого контента. 

Литература и источники

1. Галаганова С.Г., Турусина Т.В. Технологии анализа социальных сетей с целью выявления социальных трендов // Человеческий капитал, 2023. № 1(169). С. 121–136.
2. Клаус Н.Г. Применение агентного моделирования для анализа социальных конфликтов этнических группировок // ИВД. 2012. № 4(2). URL: https://cyberleninka.ru/article/n/primenenie-agentnogo-modelirovaniya-dlya-analiza-sotsialnyh-konfliktov-etnicheskih-gruppirovok
3. Лебедюк Э.А. Агентное моделирование: состояние и перспективы // Вестник РЭА им. Г. В. Плеханова. 2017. № 6(96). URL: https://cyberleninka.ru/article/n/agentnoe-modelirovanie-sostoyanie-i-perspektivy
4. Минязев А.И. Агентно-ориентированный подход в имитационном моделировании // E-Scio. 2020. № 8(47). URL: https://cyberleninka.ru/article/n/agentno-orientirovannyy-podhod-v-imitatsionnom-modelirovanii
5. Aral, Sinan. Identifying Social Influence: A Comment on Opinion Leadership and Social Contagion in New Product Diffusion // MarketingScience, 2011, vol. 30, No. 2, P. 217–223. URL: http://www.jstor.org/stable/23011995
6. Granovetter, Mark S. The Strength of Weak Ties // AmericanJournalofSociology, 1973, Vol. 78, No. 6. P. 1360–1380. URL: http://www.jstor.org/stable/2776392
7. Will, M., Groeneveld, J., Frank, K. & Müller, B. Combining Social Network Analysis and Agent-based Modelling to Explore Dynamics of Human Interaction: A Review of Socio-Environmental Systems Modelling, 2020, Vol. 2. URL: https://sesmo.org/article/view/16325