Sjansene dine for å danne nettbaserte vennskap beror hovedsakelig på antall grupper og organisasjoner du går med, ikke deres typer, ifølge en ny analyse av seks online sosiale nettverk.
"Hvis en person leter etter venner, bør de i utgangspunktet være aktive i så mange samfunn som mulig," sier Anshumali Shrivastava, assisterende professor i informatikk ved Rice University og medforfatter av studien, som forskerne presenterte på IEEE / ACM International Conference on Advances in Social Networks Analysis and Mining 2018. "Og hvis de vil bli venner med en bestemt person, bør de prøve å være en del av alle gruppene som personen er en del av."
Resultatet er basert på en analyse av seks online sosiale nettverk med millioner av medlemmer. Shrivastava sier at dens enkelhet kan komme som en overraskelse for de som studerer vennskapsformasjon og rollemiljøene spiller for å skape vennskap.
'Fugler av en fjær'
"Det er et gammelt ordtak at" fugler av en fjær strømmer sammen, "sier Shrivastava. "Og den ideen - at folk som er mer like er mer sannsynlig å bli venner - er nedfelt i en rektor kalt homofil, som er et mye studert konsept i vennskapsdannelse."
En tankegang holder det på grunn av homofil, øker sjansen for at folk blir venner i noen grupper. For å redegjøre for dette i beregningsmodeller av vennskapsnettverk, tilordner forskere ofte hver gruppe en "affinitet" score; jo mer gruppemedlemmer er, desto høyere er deres tilhørighet og jo større er deres sjanser til å danne vennskap.
Før sosiale medier var det få detaljerte dokumenter om vennskap mellom enkeltpersoner i store organisasjoner. Det endret med advent av sosiale nettverk som har millioner av individuelle medlemmer som ofte er tilknyttet mange lokalsamfunn og underkommuner i nettverket.
"Hvis to personer er aktive i samme samfunn på samme tid, har de en konstant, vanligvis liten sannsynlighet for å danne et vennskap. Det er det."
"Et samfunn, for vårt formål, er en tilknyttet gruppe mennesker innenfor nettverket," sier Shrivastava. "Samfunn kan være veldig stort, som alle som identifiserer med et bestemt land eller en stat, og de kan være svært små, som en håndfull gamle venner som møtes en gang i året."
Å finne meningsfulle affinitetspoeng for hundrevis av tusenvis av samfunn i nettbaserte sosiale nettverk har vært en utfordring for analytikere og modellere. Beregning av oddsen for vennskapsdannelse er ytterligere komplisert av overlappingen mellom lokalsamfunn og underkommuner. For eksempel, hvis de gamle vennene i eksemplet ovenfor bor i tre forskjellige stater, overlapper deres små underkommuner med de store samfunnene fra folk fra disse statene. Fordi mange personer i sosiale nettverk tilhører dusinvis av lokalsamfunn og underkommuner, kan overlappende forbindelser bli tette.
Overlappe tilsyn
I 2016, Shrivastava og studiekonsulent Chen Luo, en kandidatstudent i sin forskningsgruppe, innså at noen kjente analyser av online vennskapsformasjon ikke klarte å ta hensyn til eventuelle faktorer som skyldes overlapping.
«La oss si at Adam, Bob og Charlie er medlemmer av de samme fire samfunnene, men i tillegg er Adam medlem av 16 andre samfunn,» sier Shrivastava. "Den eksisterende tilknytningsmodellen sier at sannsynligheten for at Adam og Charlie er venner, er bare avhengighetsforanstaltninger av de fire samfunnene de har til felles. Det spiller ingen rolle at hver av dem er venner med Bob eller at Adam blir trukket i 16 andre veier. "
Det virket som et skarpt tilsyn for forskerne, men de hadde en ide om hvordan de skulle redegjøre for det basert på en analogi de så mellom de overlappende underkommunene og de overlappende likhetene mellom websider som søkemotorer på Internett må ta hensyn til. Et av de mest populære tiltakene for internett-søk er Jaccard-overlappingen, som Google-forskere og andre var pionerer på slutten av 1990-tallet.
Modellen gir en enkel forklaring på hvordan vennskap danner: overlapper mellom fellesskap.
"Vi brukte dette til å måle overlapp mellom fellesskap og deretter sjekket for å se om det var et forhold mellom overlapping og vennskapssannsynlighet, eller vennskapstilknytning, på seks godt studerte sosiale nettverk," forteller Shrivastava. "Vi fant at i alle seks, så forholdet mer eller mindre som en rett linje."
"Det innebærer at vennskapsformasjonen kan forklares bare ved å se på overlapp mellom samfunn," sier Luo. "Med andre ord, du trenger ikke å redegjøre for tilknytningstiltak for bestemte lokalsamfunn. Alt det ekstra arbeidet er unødvendig. "
Matematikken bak å få venner
Når forskerne så det lineære forholdet mellom Jaccard-overlapping av lokalsamfunn og vennskapsdannelse, så de også en mulighet til å bruke en dataindekseringsmetode kalt "hashing", som organiserer nettdokumenter for effektiv søk. Shrivastava sier at han og Luo utviklet en modell for vennskapsdannelse som "etterlignet måten matematikken bak hashing fungerer på." Modellen gir en enkel forklaring på hvordan vennskap dannes.
"Samfunn har hele tiden hendelser og aktiviteter, men noen av disse er en større tegning, og preferansen for å delta på disse er høyere," sier Shrivastava. "Basert på denne preferansen blir enkeltpersoner aktive i de mest foretrukne samfunnene de tilhører. Hvis to personer er aktive i samme samfunn på samme tid, har de en konstant, vanligvis liten sannsynlighet for å danne et vennskap. Det er det. Dette gjenoppretter matematisk vår observerte empiriske modell. "
Han sier funnene kan være nyttige for alle som ønsker å bringe samfunn sammen og forbedre prosessen med vennskapsdannelse.
"Det ser ut til at den mest effektive måten er å oppmuntre folk til å danne flere undergrupper," sier Shrivastava. «Jo flere underkommuner du har, desto mer overlapper de, og jo mer sannsynlig er det at enkelte medlemmer vil ha mer nære vennskap i hele organisasjonen. Folk har lenge trodd at dette ville være en faktor, men det vi har vist er dette trolig det eneste du må ta hensyn til. "
National Science Foundation, Air Force Office of Scientific Research og Naval Research Office støttet dette arbeidet.
kilde: Rice University
{youtube}ZVRbSuY3h9w{/youtube}
Relaterte bøker
at InnerSelf Market og Amazon
