Исследователи смоделировали поведение около 350 000 реальных пользователей Twitter. Они обнаружили, что шаблоны обмена примерно 4 миллионами твитов о фальсификациях на выборах согласуются с тем, что люди с гораздо большей вероятностью ретвитят посты в социальных сетях, которые содержат более сильные негативные эмоции.
Распределение ретвитов в результате соответствия, антиконформности, содержания и влияния подписчиков с использованием этого ABM (по 100 итераций каждая), наряду с наблюдаемым распределением ретвитов (черным цветом). Все предвзятости были смоделированы с g 0,25 и следующими значениями параметров: a = 1,4 (предвзятость соответствия), a = 0,6 (предвзятость антисогласия), c = 1 (предвзятость контента) и d = 1 (влияние подписчиков). Ось X — это идентификатор каждого твита, ранжированный по убыванию количества ретвитов, а ось Y показывает количество ретвитов каждого из этих твитов. Обе оси были логарифмически преобразованы.
Данные для их исследования были взяты из набора данных VoterFraud2020, собранного в период с 23 октября по 16 декабря 2020 года. Этот набор данных включает 7,6 миллиона твитов и 25,6 миллиона ретвитов, которые были собраны в режиме реального времени с использованием программного интерфейса потоковой передачи X в соответствии с установленными правилами для этичного использования данных из социальных сетей.
Теории заговора о крупномасштабных фальсификациях на выборах широко и быстро распространились в Твиттере во время президентских выборов в США в 2020 году, но неясно, какие процессы ответственны за их распространение
— Мэйсон Янгблад.
Учитывая это, команда провела моделирование того, как отдельные пользователи пишут и ретвитят друг друга в Твиттере с разными уровнями и формами когнитивной предвзятости, и сравнила полученные результаты с реальными моделями поведения ретвитов среди сторонников теорий заговора с мошенничеством на выборах во время и вокруг выборов.
Наши результаты показывают, что распространение сообщений о мошенничестве на выборах в Твиттере было вызвано предвзятостью к твитам с более негативными эмоциями, и это имеет важные последствия для текущих дебатов о том, как противостоять распространению теорий заговора и дезинформации в социальных сетях
— Мэйсон Янгблад.
С помощью моделирования и численного анализа Янгблад и его коллеги обнаружили, что полученные результаты согласуются с предыдущими исследованиями других авторов, предполагающими, что эмоционально негативный контент имеет преимущество в социальных сетях в различных областях, включая освещение новостей и политический дискурс.
Модель также показала, что, хотя негативные твиты с большей вероятностью ретвитировались, твиты с цитатами, как правило, были более умеренными, чем оригинальные, поскольку люди, как правило, не усиливали негатив, комментируя что-либо.
Янгблад считает, что, поскольку модель, основанная на симуляции, достаточно хорошо воссоздает закономерности в реальных данных, она потенциально может быть полезна для моделирования мер против дезинформации в будущем. Модель можно использовать для создания инструментов, используя которые компании или политики могут попытаться ограничить распространение информации, например, снизить скорость попадания твитов в новостные ленты.
