Het schatten van de besmettelijkheid van tweets vanaf de eerste 50 retweets is de sleutel om te voorspellen of een tweet viraal zal gaan. volgens een nieuwe studie gepubliceerd in PLOS EEN op 17 april 2019 door Li Weihua van Beihang University, China en collega's.

Naarmate online sociale netwerken en media blijven groeien, dat geldt ook voor het belang om te begrijpen hoe ze onze gedachten en meningen beïnvloeden. Vooral, het kunnen voorspellen van de verspreiding van sociale besmettingen wordt beschouwd als een belangrijk doel voor die sociale informatienetwerken. Hoewel op het gebied van infectieziekten ontwikkelde modellen zijn gebruikt om de verspreiding van ideeën te beschrijven, studies hebben geen gebruik gemaakt van echte gegevens om in te schatten hoe besmettelijk de informatie is. De auteurs van de huidige studie gebruikten ongeveer een maand aan Twitter-gegevens - bestaande uit meer dan 12 miljoen tweets en meer dan 1,5 miljoen retweets - en schatten de besmettelijkheid van elke tweet op basis van de netwerkdynamiek van de eerste 50 bijbehorende retweets. Vervolgens, ze hebben de infectiviteitsschattingen opgenomen in een model met een vervalconstante dat de geleidelijke afname van de interesse vastlegt naarmate online informatie ouder wordt.

Met behulp van echte gegevens en simulaties, de auteurs testten het vermogen van het op infectiviteit gebaseerde model om de viraliteit van retweet-cascades te voorspellen, en de prestaties ervan vergeleken met die van het standaard gemeenschapsmodel, waarin andere voorspellende factoren zijn verwerkt, zoals sociale versterking en vangsteffecten die ervoor zorgen dat tweet-cascades binnen kleine gemeenschappen van verbonden gebruikers blijven. Ze ontdekten dat voor zowel echte Twitter-gegevens als gesimuleerde gegevens, het infectiviteitsmodel presteerde beter dan het gemeenschapsmodel, wat aangeeft dat besmettelijkheid een grotere drijvende kracht is bij het bepalen of een tweet viraal gaat. Het combineren van de twee modellen in een hybride community-infectivity-model leverde de meest nauwkeurige voorspellingen op, het benadrukken van de complexiteit van de op elkaar inwerkende krachten die het leven en de dood van sociale netwerkinformatie bepalen.

De auteurs voegen toe:"We stellen een simulatiemodel voor dat Twitter-gegevens gebruikt om aan te tonen dat besmettelijkheid, die de intrinsieke interesse van een informatiecascade weerspiegelt, kan de voorspelbaarheid van virale cascades aanzienlijk verbeteren."