Controlling opinions in the scardo-model of opinion dynamics with two-element opinion alphabet and single type of native agents: analytical solution

封面

如何引用文章

全文:

详细

This paper investigates a control problem whereby a concerned person attempts to change individuals' opinions by using a group of social bots -- stubborn agents that can influence other, native, agents via direct conversations. The control problem is formulated in terms of the mean field approximation for the SCARDO-model, built for the case of a social system with a modular network structure, heterogeneous levels of agent activity and content personalization. We focus on, perhaps, the simplest case of the two-element opinion alphabet, in which there are only two possible opinions (interpretation -- elections in a two-party system) and one type of non-bot agents. We derive a precise analytical solution to the control problem and demonstrate that depending on the model parameters, there can be either one optimal control strategy or infinitely many. At the same time, in the case when there is only one optimal control trajectory, it should be organized as follows: all social bots should broadcast the same opinion, and the switch to a different opinion can occur no more than once, only for some parameter configurations. The theoretical results obtained are complemented by insightful examples with data from the online network VKontakte.

作者简介

Vladislav Gezha

Moscow Institute of Physics and Technology

Email: gezha.vn@phystech.edu
Moscow

Ivan Kozitsin

V.A. Trapeznikov Institute of Control Sciences of RAS, Moscow, Moscow Institute of Physics and Technology

Email: kozitsin.ivan@mail.ru
Moscow

参考

  1. ГУБАНОВ Д.А., НОВИКОВ Д.А., ЧХАРТИШВИЛИ А.Г.Социальные сети: модели информационного влияния, управ-ления и противоборства / Под. ред. чл.-корр. РАН Д.А, Но-викова. – М.: Физматлит, 2010. – 228 с.
  2. ГУБАНОВ Д.А. Модели и методы информационного влия-ния и управления в активных сетевых структурах : дис. ...докт. техн. наук. – М., 2021.
  3. BALIETTI S. et al. Reducing opinion polarization: Effectsof exposure to similar people with differing politicalviews // Proc. of the National Academy of Sciences. –2021. – Vol. 118, No. 52. – P. e2112552118. – DOI:https://doi.org/10.1073/pnas.2112552118.
  4. BINI M. et al. Graph structure-based heuristics for optimaltargeting in social networks // IEEE Trans. on Control ofNetwork Systems. – 2022. – Vol. 9, No. 3. – P. 1189–1201. –DOI: https://doi.org/10.1109/TCNS.2022.3163665.
  5. EPSTEIN R. et al. The “opinion matching effect”(OME): Asubtle but powerful new form of influence that is apparentlybeing used on the internet // PloS One. – 2024. – Vol.19, No. 9. – P. e0309897. – DOI: https://doi.org/10.1371/journal.pone.0309897.
  6. FLACHE A. et al. Models of social influence: Towardsthe next frontiers // The Journal of Artificial Societies andSocial Simulation. – 2017. – Vol. 20, No. 4. – P. 2. – DOI:https://doi.org/10.18564/jasss.3521.
  7. FRIEDKIN N.E. The problem of social control andcoordination of complex systems in sociology: A look atthe community cleavage problem // IEEE Control SystemsMagazine. – 2015. – Vol. 35, No. 3. – P. 40–51. – DOI:https://doi.org/10.1109/MCS.2015.2406655.
  8. GEZHA V.N., KOZITSIN I.V. Binary Opinion Space in theSCARDO Model: Precise Analytical Description // Advancesin Systems Science and Applications. – 2022. – Vol. 22,No. 4. – P. 103–115. – DOI: https://doi.org/10.25728/assa.2022.22.4.1292.
  9. GEZHA V.N., KOZITSIN I.V. Macroscopic Descriptionof Structured Heterogeneous Online Social Systems withDynamical Opinions // 6th Int. Conf. on Control Systems,Mathematical Modeling, Automation and Energy Efficiency(SUMMA–2024). – IEEE, 2024. – P. 133–138. – DOI: https://doi.org/10.1109/SUMMA64428.2024.10803880.
  10. HUNTER R.F. et al. Social network interventions forhealth behaviours and outcomes: A systematic review andmeta-analysis // PLoS Medicine. – 2019. – Vol. 16,No. 9. – P. e1002890. – DOI: https://doi.org/10.1371/journal.pmed.1002890.
  11. KEIJZER M.A., MAS M., FLACHE A. Polarization on socialmedia: Micro-level evidence and macro-level implications //JASSS. – 2024. – Vol. 27, No. 1. – P. 7. – DOI: https://doi.org/10.18564/jasss.5298.
  12. KOZITSIN I.V. A general framework to link theory andempirics in opinion formation models // Scientific Reports. –2022. – Vol. 12, No. 1. – P. 5543. – DOI: https://doi.org/10.1038/s41598-022-09468-3.
  13. KOZITSIN I.V. Opinion dynamics of online social networkusers: a micro-level analysis // The Journal of MathematicalSociology. – 2023. – Vol. 47, No. 1. – P. 1–41. – DOI: https://doi.org/10.1080/0022250X.2021.1956917.
  14. KOZITSIN I.V. Optimal control in opinion dynamics models:diversity of influence mechanisms and complex influencehierarchies // Chaos, Solitons & Fractals. – 2024. – Vol. 181. –P. 114728. – DOI: https://doi.org/10.1016/j.chaos.2024.114728.
  15. LEE C., WILKINSON D.J. A review of stochastic blockmodels and extensions for graph clustering // Applied NetworkScience. – 2019. – Vol. 4, No. 1. – P. 1–50. – DOI:https://doi.org/10.1007/s41109-019-0232-2.
  16. LI G.J., PORTER M.A. Bounded-confidence model of opiniondynamics with heterogeneous node-activity levels // PhysicalReview Research. – 2023. – Vol. 5, No. 2. – P. 023179. – DOI:https://doi.org/10.1103/PhysRevResearch.5.023179.
  17. PERALTA A.F., KERTESZ J., INIGUEZ G. Opinion formationon social networks with algorithmic bias: dynamics and biasimbalance // Journal of Physics: Complexity. – 2021. – Vol. 2,No. 4. – P. 045009. – DOI: https://doi.org/10.1088/2632-072X/ac340f.
  18. PROSKURNIKOV A.V., TEMPO R. A tutorial on modelingand analysis of dynamic social networks. Part II // AnnualReviews in Control. – 2018. – Vol. 45. – P. 166–190. – DOI:https://doi.org/10.1016/j.arcontrol.2018.03.005.
  19. TANG T., SNIJDERS T., FLACHE A. An Empirical andSimulation Investigation of Bounded Confidence and NegativeInfluence in Opinion Dynamics Using Stochastic Actor-Oriented Model // Journal of Artificial Societies and SocialSimulation. – 2025. – Vol. 28, No. 1. – P. 1–2. – DOI: https://doi.org/10.18564/jasss.5566.
  20. VAROL O. et al. Online human-bot interactions: Detection,estimation, and characterization // Proc. of the Int. AAAI Conf.on Web and Social Media. – 2017. – Vol. 11, No. 1. – P. 280–289. – DOI: https://doi.org/10.1609/icwsm.v11i1.14871.
  21. ZIMMARO F., CONTUCCI P., KERTESZ J. Voter-likedynamics with conflicting preferences on modular networks //Entropy. – 2023. – Vol. 25, No. 6. – P. 838. – DOI: https://doi.org/10.3390/e25060838.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».