The role of the structural properties of local networks in opinion formation

Cover Page

Cite item

Full Text

Abstract

Many agent-based models of social influence, starting with the classical French - Harary - DeGroot and Voter models, describe the opinion formation processes as a sequence of local subsequent interactions between agents, in which the focal agent’s opinion (influence object) updates subject to its current state and the opinions of the social surrounding, which are taken with certain weights. These weights reflect how influential agents are and may depend on their social status, demographic characteristics, and the strength of ties between agents. At the same time, parallel sociological theories (the theory of social epidemics, the theory of structural proximity, the theory of structural diversity) postulate that the strength of influence can vary depending on the composition of the agent's social environment, as well as the structure of connections herein. In this paper, we test these competing theories using longitudinal data from the social network VKontakte. These data describe the opinion dynamics of a large-scale sample of users (~6 500 000) on a political topic. We study how users with radical political (conservative or liberal) views influence people with moderate opinions. We show that an increase in the number of friends with radical views leads to an increase in influence strength. At the same time, an increase in the density of connections in most cases either has no effect influence strength or consistently leads to a decrease in influence strength, a result that supports the theory of structural diversity.

About the authors

Natalya Vladimirovna Cherevichanya

Moscow Institute of Physics and Technology

Email: cherevichnaia.nv@phystech.edu
Moscow

Ivan Vladimirovich Kozitsin

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

Email: kozisin.ivan@mail.ru
Moscow

References

  1. ARAL S., WALKER D. Tie strength, embeddedness, and socialinfluence: A large-scale networked experiment // ManagementScience. – 2014. – Vol. 60, No. 6. – P. 1352–1370. – doi: 10.1287/mnsc.2014.1936.
  2. BURE V., PARILINA E., SEDAKOV A. Consensus insocial networks with heterogeneous agents and two centersof influence // Int. Conf. Stability and Control Processes inMemory of V.I. Zubov (SCP–2015). – IEEE, 2015. – P. 233–236. – doi: 10.1109/SCP.2015.7342113.
  3. CENTOLA D. The spread of behavior in an online socialnetwork experiment // Science. – 2010. – Vol. 329. – No. 5996. –P. 1194–1197. – doi: 10.1126/science.1185231.
  4. CLIFFORD P., SUDBURY A. A model for spatial conflict //Biometrika. – 1973. – Vol. 60, No. 3. – P. 581–588. – doi: 10.1093/biomet/60.3.581.
  5. DEGROOT M.H. Reaching a consensus // Journal of theAmerican Statistical Association. – 1974. – Vol. 69, No. 345. –P. 118–121. – doi: 10.1080/01621459.1974.10480137.
  6. FLACHE A. et al. Models of social influence: Towards thenext frontiers // Jasss-The Journal of Artificial Societies andSocial Simulation. – 2017. – Vol. 20, No. 4. – P. 2. – doi: 10.18564/jasss.3521.
  7. FRENCH JR J.R.P. A formal theory of social power //Psychological Review. – 1956. – Vol. 63, No. 3. – P. 181–194. –doi: 10.1037/h0046123.
  8. GEZHA V.N., KOZITSIN I.V. The effects of individuals’opinion and non-opinion characteristics on the Organization ofInfluence Networks in the online domain // Computers. – 2023. –Vol. 12, No. 6. – P. 116. – doi: 10.3390/computers12060116.
  9. GONZALEZ-BAILON S., DE DOMENICO M. Bots are lesscentral than verified accounts during contentious politicalevents // Proc. of the National Academy of Sciences. –2021. – Vol. 118, No. 11. – P. e2013443118. – doi: 10.1073/pnas.2013443118.
  10. HARARY F. A criterion for unanimity in French’s theory ofsocial power // In: D. Cartwright (Ed.) Studies in social power. –1959. – P. 168–192.
  11. KAIRAM S.R., WANG D.J., LESKOVEC J. The life and deathof online groups: Predicting group growth and longevity // Proc.of the fifth ACM Int. Conf. on Web Search and Data Mining. –2012. – P. 673–682. – doi: 10.1145/2124295.2124374.
  12. KOEHLER D. The radical online: Individual radicalizationprocesses and the role of the Internet // Journal forDeradicalization. – 2014. – No. 1. – P. 116–134.
  13. KOZITSIN I.V. et al. Modeling political preferences ofrussian users exemplified by the social network Vkontakte //Mathematical Models and Computer Simulations. – 2020. –Vol. 12. – P. 185–194. – doi: 10.1134/S2070048220020088.
  14. KOZITSIN I.V. Formal models of opinion formation and theirapplication to real data: evidence from online social networks //The Journal of Mathematical Sociology. – 2022. – Vol. 46,No. 2. – P. 120–147. – doi: 10.1080/0022250X.2020.1835894.
  15. KOZITSIN I.V. A general framework to link theory andempirics in opinion formation models // Scientific Reports. –2022. – Vol. 12, No. 1. – P. 5543. – doi: 10.1038/s41598-022-09468-3.
  16. 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: 10.1080/0022250X.2021.1956917.
  17. LIU S. et al. Job Done? New Modeling Challenges After 20Years of Work on Bounded-Confidence Models // JASSS. –2023. – Vol. 26, No. 4. – P. 8.
  18. PARSEGOV S.E. et al. Novel multidimensional models ofopinion dynamics in social networks // IEEE Trans. onAutomatic Control. – 2016. – Vol. 62, No. 5. – P. 2270–2285. –doi: 10.1109/TAC.2016.2613905.
  19. PETROV A., AKHREMENKO A., ZHEGLOV S. DualIdentity in Repressive Contexts: An Agent-Based Model ofProtest Dynamics // Social Science Computer Review. –2023. – Vol. 41, No. 6. – P. 2249–2273. – doi: 10.1177/08944393231159953.
  20. PROSKURNIKOV A.V., TEMPO R. A tutorial on modelingand analysis of dynamic social networks. Part I // AnnualReviews in Control. – 2017. – Vol. 43. – P. 65–79. – doi: 10.1016/j.arcontrol.2017.03.002.
  21. SNIJDERS T.A.B. Stochastic actor-oriented models fornetwork dynamics // Annual Review of Statistics and itsApplication. – 2017. – Vol. 4, No. 1. – P. 343–363. – doi: 10.1146/annurev-statistics-060116-054035.
  22. UGANDER J. et al. Structural diversity in social contagion //Proc. of the National Academy of Sciences. – 2012. – Vol. 109,No. 16. – P. 5962–5966. – doi: 10.1073/pnas.1116502109.
  23. ZHU K., YING L. Information source detection in the SIRmodel: A sample-path-based approach // IEEE/ACM Trans. onNetworking. – 2014. – Vol. 24, No. 1. – P. 408–421. – doi: 10.1109/TNET.2014.2364972.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

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».