0 تومان 0 سبد خرید
  • صفحه اصلی
  • خدمات
    • تحلیل بازار مالی
    • سامانه هوشمند ریسک‌لب
    • آکادمی
  • مجله کورپی
  • پنل کاربری
منو
  • صفحه اصلی
  • خدمات
    • تحلیل بازار مالی
    • سامانه هوشمند ریسک‌لب
    • آکادمی
  • مجله کورپی
  • پنل کاربری
پنل کاربری
0 تومان 0 سبد خرید
  • صفحه اصلی
  • حساب کاربری
  • ریسک لب
  • بیشتر
    • آکادمی
    • تحلیل بازار مالی
    • خدمات
    • مجله کورپی
منو
  • صفحه اصلی
  • حساب کاربری
  • ریسک لب
  • بیشتر
    • آکادمی
    • تحلیل بازار مالی
    • خدمات
    • مجله کورپی

شناسایی ویژگی‌های شبکه‌های اجتماعی

10 مرداد 1404
ارسال شده توسط admin
دسته‌بندی نشده ، سیستم های پیچیده ، مقالات
414 بازدید

شناسایی ویژگی‌های شبکه‌های اجتماعی

افراد معمولاً تمایل دارند با کسانی ارتباط برقرار کنند که شبیه خودشان هستند. برای مثال، فارغ‌التحصیلان یک دانشگاه مشخص احتمال بیشتری دارند که در یک پروژه تحقیقاتی با هم همکاری کنند، یا افرادی با باورهای سیاسی مشابه بیشتر احتمال دارد به یک حزب سیاسی بپیوندند، در تجمعات شرکت کنند و در بحث‌های آنلاین مشارکت داشته باشند. این مفهوم در جامعه‌شناسی که به آن هم‌گونی یا هم‌گرایی اجتماعی (homophily) گفته می‌شود، در بسیاری از مطالعات مربوط به علم شبکه مشاهده شده است. اما اگر افراد هم‌فکر در فضاهای آنلاین و آفلاین گرد هم آیند و ایده‌های یکدیگر را تقویت کرده و هم‌افزایی ایجاد کنند، این مسئله چه مفهومی برای جامعه خواهد داشت؟

پژوهشگرانی در MIT تصمیم گرفتند مفهوم هم‌گونی را عمیق‌تر بررسی کنند تا بفهمند گروه‌هایی با سه نفر یا بیشتر چگونه در موقعیت‌های پیچیده اجتماعی تعامل دارند. مطالعات پیشین درباره درک هم‌گونی، معمولاً بر روابط بین دو نفر تمرکز داشته‌اند. برای مثال، اگر دو عضو کنگره به‌طور مشترک لایحه‌ای را حمایت کنند، احتمال زیادی وجود دارد که هر دو از یک حزب سیاسی باشند.

اما اطلاعات کمتری درباره این وجود دارد که آیا تعاملات گروهی بین سه نفر یا بیشتر هم با افرادی با ویژگی‌های مشابه رخ می‌دهد یا نه. مثلاً اگر سه عضو کنگره به‌طور مشترک یک لایحه را حمایت کنند، آیا احتمال دارد هر سه از یک حزب سیاسی باشند یا باید انتظار داشت که این تعامل بین‌حزبی (دوحزبی) باشد؟ زمانی که پژوهشگران تلاش کردند روش‌های سنتی اندازه‌گیری هم‌گونی را به تعاملات گروهی بزرگ‌تر گسترش دهند، متوجه شدند که این روش‌ها می‌توانند نتایج گمراه‌کننده‌ای ایجاد کنند.

آرناب سارکر، دانشجوی کارشناسی ارشد در مؤسسه داده، سامانه‌ها و جامعه (IDSS) و نویسنده اصلی این مطالعه که در نشریه Proceedings of the National Academy of Sciences منتشر شده، می‌گوید:
«ما دریافتیم که هم‌گونی مشاهده‌شده در تعاملات دو‌نفره می‌تواند باعث شود که به‌نظر برسد میزان هم‌گونی در گروه‌های بزرگ‌تر بیشتر از آن چیزی است که واقعاً هست.»
او اضافه می‌کند: «روش‌های پیشین در نظر نمی‌گرفتند که دو نفر ممکن است از قبل در یک رابطه دوستی با یکدیگر آشنا بوده باشند.»

برای حل این مشکل، سارکر همراه با هم‌نویسندگانش ناتالی نورثراپ ’۲۲ و علی جدبابایی، استاد مهندسی JR East، رئیس دپارتمان مهندسی عمران و محیط‌زیست و عضو اصلی هیئت علمی مؤسسه داده، سامانه‌ها و جامعه (IDSS)، روشی جدید برای اندازه‌گیری هم‌گونی توسعه دادند. آن‌ها با استفاده از ابزارهایی از توپولوژی جبری، شاخه‌ای از ریاضیات که معمولاً در فیزیک کاربرد دارد، معیار جدیدی را برای درک اینکه آیا هم‌گونی در تعاملات گروهی رخ می‌دهد یا نه، ایجاد کردند.

این معیار جدید که «هم‌گونی ساده‌وار» (simplicial homophily) نام دارد، هم‌گونی دیده شده در تعاملات یک‌به‌یک را از تعاملات گروهی بزرگ‌تر جدا می‌کند و مبتنی بر مفهوم ریاضیاتی «مجتمع ساده‌وار» (simplicial complex) است. پژوهشگران این معیار جدید را با استفاده از داده‌های واقعی از ۱۶ مجموعه داده مختلف آزمایش کردند و دریافتند که هم‌گونی ساده‌وار بینش دقیق‌تری درباره نحوه تعامل اشیاء مشابه در گروه‌های بزرگ‌تر ارائه می‌دهد. جالب این است که این معیار جدید بهتر می‌تواند مواردی را که در آن‌ها شباهت در تعاملات گروهی بزرگ‌تر کم است شناسایی کند و به این ترتیب ضعف معیار پیشین را اصلاح می‌کند.

یکی از نمونه‌های این مورد در داده‌های وب‌سایت جهانی رزرو هتل، Trivago، مشاهده شد. آن‌ها دریافتند وقتی مسافران در یک جلسه به دو هتل نگاه می‌کنند، اغلب هتل‌هایی را انتخاب می‌کنند که از نظر جغرافیایی نزدیک به هم هستند. اما وقتی بیش از دو هتل را در یک جلسه بررسی می‌کنند، احتمالاً هتل‌هایی را جستجو می‌کنند که فاصله جغرافیایی بیشتری با هم دارند (مثلاً اگر قصد داشته باشند در یک سفر چندین مقصد را بپیمایند). روش جدید نشان‌دهنده‌ی «ضد هم‌گونی» بود؛ به جای انتخاب هتل‌های مشابه کنار هم، هتل‌های متفاوتی کنار هم انتخاب شدند.

سارکر می‌گوید:
«معیار ما تأثیر روابط دوجانبه را کنترل می‌کند و نشان می‌دهد که با افزایش اندازه گروه، تنوع در هتل‌هایی که مردم دنبال می‌کنند بیشتر می‌شود، که این نتیجه‌ای جالب در حوزه اقتصاد است.»

علاوه بر این، آن‌ها دریافتند که هم‌گونی ساده‌وار می‌تواند به شناسایی زمانی کمک کند که برخی ویژگی‌ها برای پیش‌بینی تعاملات گروهی در آینده اهمیت دارند. آن‌ها مشاهده کردند وقتی میان افراد گروه، شباهت زیاد یا تفاوت زیادی وجود دارد، دانستن ویژگی‌های فردی می‌تواند در پیش‌بینی ارتباط آینده آن‌ها مؤثر باشد.

نورثراپ که دانشجوی کارشناسی بود، در این پروژه همراه با سارکر و جدبابایی به مدت سه ترم قبل از فارغ‌التحصیلی کار کرد. این پروژه فرصتی برای او فراهم کرد تا برخی از مفاهیمی را که در کلاس یاد گرفته بود، به‌صورت عملی به کار ببرد.

او می‌گوید:
«کار روی این پروژه باعث شد به‌طور عمیق با مدل شبکه مرتبه بالاتر آشنا شوم، شبکه و ریاضیات آن را درک کنم و بتوانم آن را در مقیاس بزرگ پیاده‌سازی کنم.» نورثراپ در رشته مهندسی عمران و محیط‌زیست با رشته دوم اقتصاد تحصیل می‌کرد.

معیار جدید فرصت‌هایی برای مطالعه تعاملات پیچیده گروهی در دامنه گسترده‌ای از کاربردهای شبکه‌ای، از جمله اکولوژی، ترافیک و اقتصاد اجتماعی فراهم می‌کند. یکی از حوزه‌هایی که سارکر به آن علاقه‌مند است بررسی کند، دینامیک گروهی افراد در یافتن شغل از طریق شبکه‌های اجتماعی است. او می‌پرسد:
«آیا هم‌گونی مرتبه بالاتر بر نحوه دریافت اطلاعات درباره‌ی شغل‌ها تأثیر دارد؟»

نورثراپ اضافه می‌کند که این معیار می‌تواند برای ارزیابی مداخلات یا سیاست‌های خاصی که به متصل کردن افراد به فرصت‌های شغلی خارج از شبکه‌شان کمک می‌کند نیز به کار رود. «می‌توان از آن به عنوان معیاری برای ارزیابی اثربخشی این سیاست‌ها استفاده کرد.»

این پژوهش با حمایت مالی از سوی بورس تحصیلی Vannevar Bush از دفتر وزیر دفاع ایالات متحده و همچنین طرح ابتکار تحقیقاتی چندرشته‌ای دانشگاهی دفتر تحقیقات ارتش آمریکا تأمین شده است.

منبع: مقاله اصلی

اشتراک گذاری:
برچسب ها: aicomplex systemssocial media analysisانالیز شبکه های اجتماعیسیستم های پیچیدههوش مصنوعی

مطالب زیر را حتما مطالعه کنید

محققان روش جدیدی برای “دیدن” هوش مصنوعی معرفی کردند
الگوریتم‌های جدید، یادگیری ماشین کارآمد با داده‌های متقارن را ممکن می‌سازند
پژوهشگران MIT ابزاری برای شبیه‌سازی دقیق سامانه‌های پیچیده ایجاد کردند
هوش فراانسانی مصنوعی چیست: نگاهی عمیق به گام بزرگ بعدی هوش مصنوعی
یادگیری عمیق دقت و کارایی در پیش‌بینی ساختار پروتئین را افزایش می‌دهد
مطالعه MIT می‌تواند به بهبود استدلال پیچیده در مدل‌های زبانی بزرگ (LLMها) منجر شود
قدیمی تر پژوهشگران MIT ابزاری برای شبیه‌سازی دقیق سامانه‌های پیچیده ایجاد کردند
جدیدتر الگوریتم‌های جدید، یادگیری ماشین کارآمد با داده‌های متقارن را ممکن می‌سازند

دیدگاهتان را بنویسید لغو پاسخ

جستجو برای:
دسته‌ها
  • اسکالرشیب دکتری
  • اطلاعیه
  • دسته‌بندی نشده
  • سیستم های پیچیده
  • فیزیک
  • فیزیک اقتصاد
  • کارآموزی
  • مقالات
  • مهندسی کوانتومی
  • نوروساینس
  • هوش مصنوعی
نوشته‌های تازه
  • کارآموزی فول فاند مهندسی و علوم کامپیوتر در موسسه ماکس پلانک آلمان
  • محققان روش جدیدی برای “دیدن” هوش مصنوعی معرفی کردند
  • الگوریتم‌های جدید، یادگیری ماشین کارآمد با داده‌های متقارن را ممکن می‌سازند
  • شناسایی ویژگی‌های شبکه‌های اجتماعی
  • پژوهشگران MIT ابزاری برای شبیه‌سازی دقیق سامانه‌های پیچیده ایجاد کردند