ソーシャルメディア論

ソーシャルメディア論 -行動データが解き明かす人間社会と心理- 土方嘉徳 2020, サイエンス社 駒場図書館

[[ 社会情報学 ]]の一部としてのソーシャルメディア論の概観を示す。数式は少なめ。後半になると筆者の研究からの引用が多くなった気がする。

• [[ ソーシャルコンピューティング ]]：社会的分析の成果を技術的に応用する
• 分類
  • 時代分類
    • 89-94 Webの誕生：ハイパーリンク、TCP/IP
    • 95-99 商用利用：Google, Infoseek, eBay
      • Win95の普及
    • 00-06 Web2.0：Wikipedia, Yelpなど…ユーザが作るサイト（UGC）, SNSの誕生、双方向性の拡大
    • 07-14 ソーシャルメディアの普及：Foursquare, Uber, Pinterest
      • 若い男性から幅広い層へ
        • インターネットは言葉をどう変えたかの「新インターネット人」へ
      • インフルエンサーの誕生
    • 15-19 ポストWeb2.0：Instagram, Snapchat, TikTok
      • モバイルファースト
      • 動画主体→コンテンツ制作コストの増加
        • クリエイターとオーディエンスの二極化がある＝双方向性の衰退
        • YouTuberの職業化
        • TikTokでは15s以内として敷居を下げてはいる
  • 形態分類
    • 同期型
    • 非同期型
  • 暫定的定義

    • ソーシャルメディアとは、インターネットを用いて、個人間や個人と組織間、コミュニティ内の複数人の間において、文章が画像、動画などのコンテンツやプロフィールを共有し、またそれを介して、コミュニケーションを行うことができる媒体である。

    • 協調型Webサービスは、インターネット上で複数のユーザ同士が、明示的にまたは非明示的に、また能動的にまたは受動的に協調しあうことで、ユーザ全体に高い付加価値を提供するサービスである。

      • ソーシャルメディアに加え、暗黙的に他人の情報を使い、社会性をもつサービスも含まれる
      • サジェストなど
  • 協調型Webサービスの分類
    • 検索エンジン
    • BBS
    • 口コミサイト
    • ブログ
    • Wiki
      • Wikipediaはすでにブリタニカ百科事典と同等に信頼できる（との研究）
    • ソーシャルブックマーク
      • [[ フォークソノミー ]] folksonomy, [[ ソーシャルタギング ]] social tagging
    • 画像・動画共有サービス
    • SNS
      • SNS $\in$ ソーシャルメディア
        • 友達関係の明示：友達登録（相互承認が必要）・フォロー（承認不要）
        • 投稿主の明示：「誰」の重視
          • 口コミサイトではそこまで重視されない
    • マイクロブログ
      • タイムラインにより「流速」が生じる。それゆえに、すべての投稿を精読されることを期待せず、（実世界のささいな出来事でも）気軽に投稿できる。
    • キュレーションメディア：WELQ事件。剽窃、SEO対策。
    • レコメンデーションサービス
      • [[ 協調フィルタリング ]]という手法
• 集合知とWeb2.0
  • 集合知
    • ２つの集合知： [[ スロウィッキー ]]による
      • 群衆の英知 wisdom of crowds : 多数の一般人の判断が、一人の専門家の判断に勝る
        • 例：牛の見た目から体重を推定してもらって平均を取ったら、実際の値にほとんど一致
        • 例：選挙結果で賭けをしてもらうと、そのときの予測が世論調査よりも正確
          • 自分がどこに入れるか答える世論調査と、世間がどこに入れるか答える（自分に関係ない）予測による違い（群衆の英知ではない？）
        • 例：スペースシャトルが爆発して、製造4社のうち1社の株が暴落。結果その1社の部品に欠陥があった。
        • 反例：集団リンチ、バブル、「衆愚政治」
      • 集団的知性 collective intelligence : 個体が集まった時に意図せず生じる、マクロな振る舞い・意思決定が優れている
        • 蜂のコロニー（個々の働き蜂は特に考えていないが、多数が協調するとうまくいく）
        • 経済学、生物学でも多用
        • 群衆の英知を含む（←？）
    • 群衆の英知が生じるには？
      • 条件
        • 多様性：多様な人々にきく
          • 一様な集団は集団思考に陥りやすい（多様性のなさが独立性・分散性を阻害する）
        • 分散性：個々の回答に介入しない
          • ローレンツの実験
            • （牛の体重など）数値の推定をグループで何度かさせて、1回終わるたびにグループの予測平均を見せる・見せない。見せた群でも見せない群でも正解からのズレには差がない。
            • 一方で、平均を見せた群では徐々に予測の分散が小さくなる。他人の情報で誤った方向に回答が誘導されたかもしれない（ [[ 情報カスケード ]]）。
            • 正確性は変わらないのに、平均を見せた群では予測にも自信を持っている。
          • 経済学： [[ 方法論的個人主義 ]]
        • 独立性：人の意見を聞かないでいい（権威・リーダーがない）
        • 集約可能性：多様な意見からいかに一つの結論を導出するか
          • 平均でうまくいくこともあるし、いかないこともある
          • [[ 一般意志 ]]…
  • Web2.0：集合知を活用したWebサービス
    • プラットフォーム化
    • データ指向・集合知
      • （専門用語による）タクソノミーからフォークソノミーへ
      • 情報の完全性から速報性へ
    • 動的な・ユーザによるコンテンツ生成
    • サービス指向
      • パッケージソフトから、ダウンロードが不要なWebブラウザ上でのサービス提供へ
      • 現在はネイティブアプリ専用のサービスもある。逆行傾向？
    • 簡易なプログラム実装
      • API, マッシュアップ

      • Web上の規格化されたプロトコル（RESTやSOAP）

        • RESTはプロトコルではないと思うが、似たような方法論を採用するようになったのはたしか

      • スマートフォンのOS上での専用アプリケーションとして提供されることが多くなっている。そのため、独自に実装したコードも多くなっている。

        • ほんまか？
    • マルチプラットフォーム
      • スマートフォンアプリでは阻害された
        • まあFlutterとかあるけど
• 情報検索
  • 転置ファイル：文書中に登場する単語を行列形式で保存する
  • [[ PageRank ]]
    • 仮定
      • リンクとページそれぞれがスコアを持っている
      • 重要なページは多くのページからリンクされている
      • 重要なページからのリンクは価値が高い
      • 一つのページから多くのページにリンクを張るほど、リンクの価値は低くなる
    • 協調性：他のウェブページからのリンクを張る行為の裏にはそのページの作成者がいて、群衆（他のページ）の判断にあるページの質の判断を委ねている
• 情報推薦
  • 一時的個人化 ephemeral personalization

    • 「この商品を買った人は、この商品も買っています」

    • 相関ルール（マーケットバスケット分析）：複数のユーザの購買行動から提示
  • 永続的個人化 persistent personalization
    • そのシーン（表示している商品など）にかかわらず、好きそうな情報を提示する
    • コンテンツに基づくフィルタリング
      • ユーザのプロファイルと、コンテンツのモデルを照合
        • プロファイル・モデルは両者ともベクトルとして表現できる
      • ベクトル空間モデル
        • プロファイルとモデルをベクトルで表現して、ベクトル空間上での距離を類似度とする
          • テキストであれば、ベクトルの成分は各単語の出現頻度（を重み付けしたもの）
        • 重み付けの方法の一つとして、 [[ tf-idf ]]がある
          • tf = term frequency = そのテキスト中の単語頻度
          • idf = inverse document frequency = その単語が出てくるテキスト頻度（テキストの量）の逆数
            • テキスト集合が不変であれば、単語にのみ依存
          • 単語 $w$, テキスト（アイテム）$i$ について
            • $m_w = (w \; が出現するアイテム数)$
            • $TF_{iw} = (i \; における \; w \; の出現頻度)$
            • $IDF_w = \log\dfrac{M}{m_w} (= \log\dfrac{m_w}{M}^{-1})$
              • 対数を使ってカーブをゆるやかに
            • tf-idf = $TF_{iw} \cdot IDF_{iw}$
          • 例
            • “the” や “is” はtfが高く、idfが低くなる
            • ウェーブレット変換についての文章であれば、”wavelet”はtfが高い。一般に”wavelet”のidfは大きい（ウェーブレット変換を扱う文章はすべての文章の中のごく小さい集合）。
        • あるアイテム $k \; (1 \leq k \leq N)$ のベクトルを $\vec{i_k}$, あるユーザ $u$ が評価 $R_u(k)$ を与えたとして
          • ユーザベクトル $\vec{u} = \dfrac{1}{N} \sum_k : R_u(k) \; \vec {i_k}$

          • 類似度 $s_{uk} = \mathrm{cos}(\vec{u}, \vec{i_k}) = \dfrac{\vec{u}\cdot\vec{i_k}}{

            \vec{u}

            \vec{i_k}

            }$

        • [[ 適合性フィードバック ]]：$n$個の新たな評価の集合$U$に対してユーザベクトルを更新
          • 更新後のユーザベクトル $\vec{u’} = \alpha\vec{u} + \dfrac{\beta}{n} \sum_{k \in U} R_u(k) \; \vec{i_k}$
            • $\alpha, \beta$ はどうやって決定？
            • $\alpha = \beta = 0.5$として、$\vec{u}$と（$\vec{i_k}$の平均）の平均をとってはいけない？
              • $\beta$を大きくして、最近の嗜好を重視している？
    • コミュニティに基づくフィルタリング（協調フィルタリング）
      • 他のユーザが与えた評価から推薦をつくる
      • メモリベース方式
        • 評価値行列：評価値行列同じユーザの評価が同じ行に、同じ商品の評価が同じ列に並ぶようにする
        • ユーザベース方式
          • 手順
            • 行ベクトル同士の類似度を計算して、対象のユーザaに好みの近いユーザを選ぶ
              • コサイン類似度/ピアソンの積率相関係数の上位N人など
            • それらのユーザによるある商品Aへの評価を、類似度によって重み付けしたものが、ユーザaの商品Aに対する予測評価値となる
          • ユーザ同士の類似度を毎回計算するのでつらい
        • アイテムベース方式
          • 手順
            • 列ベクトル同士（商品同士）の類似度を求めておく
              • ユーザの嗜好は移り変わるが、アイテムの性質や評判はさほど変化しない
      • モデルベース方式
• ネットワーク
  • 現実社会のネットワーク
    • スケールフリー性：次数の分散→ハブの存在
      • 友達の少ない人がたくさんと、友達の多い人（ハブ）が少数
      • 友人の数を横にとって、その頻度を縦にとると [[ べき分布 ]] $y=C/x^\gamma$ になる
        • $\gamma$: べき係数（対数を取った時の直線の傾き）
          • 実世界ネットワークでは2~3ぐらい
    • スモールワールド性：任意の二点間の距離が、グラフの規模の割に小さくなる
      • [[ 6次の隔たり ]]
      • 平均頂点間距離、直径、密度（$N$頂点グラフにエッジが $E$ 本あるとして、 $2E/N(N-1)$）
    • クラスタ性：ノード同士が密接に結合したサブグラフが存在する
      • 仲良しグループ
      • スモールワールド性に含まれることも多い
      • クラスタ係数で評価
        • 「自分の知り合いのうち2人を選んで、彼らも直接の知り合いである割合」
        • $C = \dfrac{1}{n} \sum_i^n \dfrac{T_i}{k_i(k_i-1)/2}$
          • $T_i$ : $i$ の知り合いのうち、直接の知り合いである2人の組み合わせの数
          • $k_i$ : $i$の知り合いの人数
      • 次数相関
        • 次数の近い者同士がつながりやすい
  • ノードの中心性評価：どれくらい中心的な役割を果たしているか？
    • 次数中心性：次数が大きい
    • 近接中心性：中心に近い＝どのノードからも少ないステップで到達できる
      • ${Cls}i = \dfrac{N-1}{\sum{j\ne i}d(i,j)}$（平均ステップの逆数）
    • 媒介中心性：2つのノードを（最短で）つなぐ上で通らなければならない
      • クリティカルパスの一部になりやすい場所
      • ${Btw}i = \dfrac{\sum{s \ne i}\sum_{t \ne s,i} L_{st}^i / L_{st} }{(N-1)(N-2)/2}$
        • $L_{st}$ : $s,t$間の最短経路の数
        • $L_{st}^i$ : $s,t$間の最短経路で、$i$を通る経路の数
  • ネットワーク生成モデル
    • WSモデル
    • BAモデル
    • CNNモデル
• 社会分析
  • 会話ネットワーク
    • Leskovic, Horvitz：MSNメッセンジャー
      • 平均頂点間距離 6.6
      • 99.9%のユーザが最大の接続数を持つ部分グラフに接続されていた
        • 隔離されたユーザグループが生じにくい
  • 相互承認型
    • Backstrom：Facebook
      • 平均頂点間距離 4~5
  • 有向グラフ：Twitter
    • 非対称性
      • ほとんどの関係が一方通行
        • 「フォロバ22.1% RT != endorsement」
        • 社会ネットワーク（SNS）というより、興味ネットワーク（マイクロブログ）
    • 平均頂点間距離 4.12
      • 多くのフォロワーをもつユーザの存在により、有向グラフにもかかわらず平均頂点間距離が小さくなった（←どゆこと？）
    • 次数相関
      • 鍵垢？
      • 相互フォローの割合が小さいのに、同質性を維持している
  • 社会イベントの検出；バースト検出
    • Kleinbergのバースト検出アルゴリズム（連続型と列挙型のうち、列挙型を説明）
      • 時間窓 $t$ （窓は$n$個あるとする）ですべてのイベントが $d_t$ 回、うち対象イベントが $r_t$ 回発生した
      • $p_0 = \sum_{t=1}^n{r_t/d_t}$ : 非バースト状態で対象イベントが生じる確率＝全体を通して対象イベントが生じる平均確率
      • $p_1$ : バースト状態で対象イベントが生じる確率（これを越えると、バースト状態と判定する）
        • $p_1 = sp_0$ とする（$s$は感度）
      • 状態コスト：$\sigma (i, r_t, d_t) = - \log ({}{d_t}\mathrm{C}{r_t} p_i^{r_t} (1-p_i)^{d_t-r_t})$
        • 二項分布を作って、状態$i$（0 or 1）が成り立ちそうなら確率が大きいので、$- \log$でコストは小さくなる
        • 妥当性の評価
      • 遷移コスト：$\tau (i_t, i_{t+1}) = (i_{t+1}-i_t)\gamma \log n$
        • 状態遷移を制限する
        • $\gamma$ ：係数
        • バースト状態の立ち上がりに対してペナルティを課す
      • それぞれの窓に対して、状態 $i_t$ を割り当ててベクトル $\vec{i}$ をつくる
      • このとき、全体のコストは $C(\vec{i}) = \sum_{t=0}^{n-1}\tau(i_t, i_{t+1}) + \sum_{t=1}^n \sigma(i_t, r_t, d_t)$
        • それぞれの $\vec i$ について計算して、最小のコストを持つものを結果の状態ベクトルとする
• ユーザ心理
  • 投稿の目的
    • Naaman
      • 分類
        • 情報共有 information sharing
        • 自己宣伝 self promotion
        • 意見表明 opinions
        • つぶやき random thoughts
        • 今の自分 me now
        • 質問
        • 自分の状況更新 presense maintenance
          • me now との違いは？
        • 自分の小話
        • 他人の小話
      • 斜体が多い。とくにme nowがいちばん多い（4割）。
      • meformer (me now)と informer (情報共有が多い) の区別
    • Rossonら＋吉田・土方
      • 友達関係の維持
      • 情報公開：面白いことをシェアするため
      • 情報獲得：役立つ情報のため
      • 助けや意見を得るため
      • ストレス解消
      • 自己宣伝
    • 文化間の利用目的の差
  • 感情
    • Facebook, Kramerら
      • フィードを操作して、ポジティブ（ネガティブ）な投稿を多く表示すると、そのユーザもポジティブ（ネガティブ）な投稿を多くするようになった
    • Facebook, Covielloら
      • 天気と投稿の感情の相関（雨ならネガティブ）
      • 友達の投稿との感情の相関（情動伝染）
  • 性格
  • うつ傾向
    • Choudhury: うつのユーザは投稿数が少ない、一人称を使いやすく、三人称をあまり使わない
  • 妬み
    • 社会比較による妬み（自分と他人を比較して生じる、不快な感情）
    • Panger: FacebookユーザはTwitterユーザよりも社会比較をしやすい
      • 状況が自分に似た相手に妬みを感じやすいことが知られている
    • 土方：しかし、Twitterの方が妬みが行動・発言に出やすい
  • 印象操作
    • 自己呈示：印象に影響をあたえるために意識的に行う振る舞い
    • 印象操作：自己呈示などを通して、印象に影響を与えようとする意識的・非意識的行為
    • 自己呈示に使える物理表現の差
      • 実世界：身振り、手振り、容姿、声のトーン、口調＋同期コミュニケーション
      • ネット：文体、絵文字、顔文字、画像＋非同期
    • 文脈崩壊：投稿が誰に見られているかわからず、誰に見せるかも制御できない状態（自己呈示が難しい状態）
      • Twitterで生じやすい
    • 冨永・土方：プロフィール画像の選択
      • 分類
        • 本人の顔：4番目
        • 本人の似顔絵
        • 本人だが顔以外
        • 本人と誰かが写っている：3番目
        • 他人の写真：2番目（ファンとか）
        • 文字だけ
        • ロゴ
        • オタク（美少年とか）: 最多（ツイートも多い）
        • キャラクター（アンパンマンとか、一般的なやつ）
        • 動物
        • モノ
        • 自然
        • デフォルト
• 問題点
  • フィルターバブル、
  • エコーチャンバーによる集団極性化、集団思考
    • 閉じたコミュニティで密なやりとりがなされることで、群衆の英知が働かなくなる
    • 極端なことをいうといいねがもらえたり拡散されたりする（炎上商法）効果もある
  • 脱抑制 disinhibition ：匿名性によるマナーからの逸脱
    • 「バレなきゃ犯罪じゃないんですよ」
  • 情報断片化：tiktok, twitter, shorts
  • 忘れられる権利