Yuvadan Çıkın! Twitter’ın Mastodon’a geçişinde sosyal etkinin etkenleri

Çevrimiçi taban eylemini ölçmek

Başarılı taban eyleminin tarifini öğrenmek, Hesaplamalı Sosyal Bilimin kutsal kaselerinden biridir. İnsanları ortak amaçlar doğrultusunda harekete geçmeye motive eden süreçlerin mekaniğini anlamak, kitlesel işbirliğini mümkün kılmak ve iklim değişikliği gibi bazı acil küresel sorunların üstesinden gelmek için dijital, gezegen ölçeğinde iletişimin gücünden en iyi şekilde nasıl yararlanacağımız konusunda bize bir plan sağlayabilir. . Ancak vahşi doğada meydana gelen kolektif koordinasyonu incelemek zordur, çünkü bu olaylar nadiren somut verilerle belgelenir.

Devasa bir kolektif davranış değişikliği deneyi olarak Twitter Geçişi

Elon Musk’un Blue Bird sitesini satın almasının ardından Twitter’dan Mastodon’a kullanıcı geçişi Sosyal Web tarihindeki en büyük dijital göçlerden birini temsil ediyor ve büyük ölçekli dijital izlerle belgelenen kolektif davranış değişikliğinin nadir örneklerinden biri. Bu Göç, davranış değişikliği çalışmaları açısından onu özellikle ilgi çekici kılan iki alışılmadık özellik sergiliyor. İlk olarak, geçiş Twitter’da organik bir şekilde gerçekleşti; kullanıcılar tartışmalara katıldı ve geçiş yapma niyetlerini işaret ederek akranlarını potansiyel olarak etkiledi. İkincisi, farklı bir sosyal platforma geçiş, alışkanlıkları değiştirmenin pratik ve psikolojik maliyetlerini beraberinde getiriyorve aynı zamanda ana akım normlardan sapan bir davranışı benimsemenin sosyal maliyeti de vardır. TBu özellikler, iklim eylemi gibi genellikle insan toplumları için arzu edilen diğer tabandan gelen davranış değişikliği süreçleriyle de paylaşılmaktadır.

Taşımayı Takip Edin

Geçişin nasıl gerçekleştiğini incelemek için şu işaretle işaretlenmiş 1,3 milyon tweet topladık: 0,5 milyon kullanıcı tarafından paylaşılan #TwitterMigration hashtag’i. Bu yazarlardan hangisinin Mastodon’a geçtiğini belirlemek için yeni Mastodon tanıtıcılarının reklamını Twitter’da yapan kullanıcıları belirledik. 75.000 Twitter kullanıcısını yeni oluşturulan Mastodon hesaplarına doğru bir şekilde bağlamayı başardık.

Bir kişinin Mastodon’a göç etme kararını duyurmak için Twitter’ı kullanmanın yaygın uygulaması, Twitter kullanıcılarının göç tercihlerinde sosyal etkinin bir rol oynayıp oynamadığı sorusunu gündeme getiriyor. Bunu araştırmak için, SIRS bölümsel salgın modelini kullanarak göç kararlarının “bulaşıcılığını” karakterize ediyoruz. —evet, korkunç COVID zamanlarında hakkında çok konuşulan şey. Salgın modelleri, etki sürecinin bulaşıcı hastalıkların bulaşmasına benzer şekilde sosyal etkileşimler yoluyla yayıldığı varsayımı altında, sosyal sistemler içindeki bilgi yayılımını simüle etmek için yaygın olarak kullanılmıştır. Bir SIRS modelinin, Mastodon’a yapılan göçlerin sayısının zamansal izini oldukça aslına sadık bir şekilde yeniden üretebildiğini bulduk (Şekil 1).

Kümülatif Twitter kullanıcısı sayısı Mastodon'a göç etti ve burası SIR salgın modeline uyuyor.
Şekil 1. Mastodon’a göç eden Twitter kullanıcılarının kümülatif sayısı ve bunun SIRS salgın modeline uygunluğu

SIRS modeli şu şekilde karakterize edilir: üreme numarası R0. R0>1 olduğunda, bireyler iyileştiklerinden daha yüksek oranda enfekte olduğundan difüzyon süreci büyür. Modelimiz bir R0 tahmin etti 4,57 değeri, son derece bulaşıcı bir etki sürecini gösterir. En ilginci, R0’ın Twitter sosyal ağını oluşturan farklı sosyal topluluklar arasında önemli ölçüde değişmesi (1’den 11,82’ye kadar) ve bu da davranış değişikliği sürecinde bazı toplulukları diğerlerinden daha etkili kılan faktörlerin neler olduğu sorusunu akla getiriyor.

Göçün itici güçleri

Etkileme sürecinin hızlanmasına katkıda bulunan faktörler hakkında bilgi edinmek için, R0 parametresi ile daha önce sosyal gruplarda yeni fikir ve davranışların benimsenmesiyle ilişkilendirilen üç faktör ailesi arasındaki korelasyonu araştırdık:

  • Ağ topolojisi. FYayılma sürecinin gerçekleştiği topluluğun sosyal ağının şeklini tanımlayan özellikler.
  • Tekrarlanan taahhüt. TTopluluktaki kullanıcıların bir eylem çağrısını ne ölçüde tekrarladığı. Bizim durumumuzda, #TwitterMigration hashtag’inin ortalama paylaşım sıklığını bağlılığın bir göstergesi olarak değerlendirdik.
  • Dil kullanımı. Biz şuna odaklandık: sosyal pragmatik dilin, yani bir ifadenin amaçlanan sosyal işlevinin (örneğin, güvenin ifade edilmesi veya sosyal desteğin iletilmesi). Son araştırmalar belirledi boyutlar Günlük dilde yaygın olarak gözlemlenen sosyal pragmatiklerinve bunları dilden ölçmek için Makine Öğrenimi modellerini kullandı.

Bir regresyon analizinin sonuçları (Tablo 1), daha hızlı göç eden toplulukların aşağıdaki durumlarda olduğunu gösterdi:

  1. Sosyal bağlantılar nispeten seyrek. Göç etme teşviki, göçle orantılı görünmektedir. kesir Kullanıcının halihazırda göç etmiş arkadaşlarının oranı ve bu oran, daha az sosyal bağlantıya sahip ağlarda daha hızlı artıyor.
  2. Üyeler defalarca göç etme kararlılıklarının sinyalini verdi. Bu sonucu, fikir birliğinin hızlı bir şekilde ortaya çıkmasını, küçük bir azınlık oluştursalar bile kararlı bireylerin uyguladığı etkiye bağlayan teoriler ışığında yorumluyoruz.
  3. Sosyal söylem Paylaşılan kimliği vurgular ve gerçek bilgi alışverişinde bulunur. Sosyal psikolojideki kapsamlı araştırmalar, sosyal etkileşimin psiko-dilsel yönleri ile başarılı, kendiliğinden koordinasyon arasında bir bağlantı kurmuştur.. Özellikle, Kimlik Teorisi Aynı sosyal gruba ait olma duygusunu güçlendiren bilişsel mekanizmalar yoluyla işbirliğinin kolaylaştırılabileceğini öne sürüyordoğası gereği riskler veya sıfır olmayan eylem maliyeti gerektiren koordineli davranışları içeren sosyal ikilemlerin aşılmasında kimliğin çok önemli olabileceğini öne sürüyor. Üstelik gerçek, gerçek bilgi alışverişi tanımlandı Yapıcı tartışmalar ve nihayetinde ikna için bir ön koşul olarak.

İlginç bir şekilde, birleşik etki kimlik Ve bilgi verilerimizdeki yoğunluğun ve bağlılığın birleşik etkisinden daha fazla varyansı açıklayarak davranışsal değişimin temel itici güçleri olarak psiko-dilsel yönlerin önemli rolünü vurgulamaktadır.

Dır-dir dil Sosyal işbirliğinin kilidini açmanın ana anahtarı nedir?

Ağ topolojisi, bağlılık ve dil kullanımı özelliklerinden R0'ı tahmin etmek için Sıradan En Küçük Kareler regresyon modeli
Tablo 1. Ağ topolojisi, bağlılık ve dil kullanımı özelliklerinden R0’ı tahmin etmek için Sıradan En Küçük Kareler regresyon modeli. Beta katsayıları her özelliğin göreceli katkısını tanımlar.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir