Vai informācijas plūsma, izmantojot čivināt, var paredzēt, kad varētu notikt ievērojams notikums? Starpdisciplinārā zinātnieku komanda ir izstrādājusi metodi, lai to uzzinātu.
Alessandro Vespignani no Ziemeļaustrumu universitātes, izcilais fizikas, informātikas un veselības zinātņu profesors, ir apvienojies ar daudznozaru zinātnieku komandu, lai izstrādātu novatorisku metodi, lai izprastu un parādītu, kā tika izplatīti tvīti par liela mēroga sociālajiem notikumiem.
Izmantojot Twitter datu kopas un izsmalcinātu metriku, viņi izsekoja, kā informācija par politiskajiem protestiem, nozīmīgiem notikumiem un citām “kolektīvām parādībām” ieguva impulsu, laika gaitā sasniedza maksimumu un pazeminājās no pilsētas uz pilsētu un kāda bija tās trajektorija.
Secinājumi, kas publicēti žurnālā Science Advances, ir pirmais solis, taču, zinot šīs izplatības iezīmes nākotnē, būs iespēja iepriekš sagatavoties tādu notikumu nevēlamām sekām kā krīzes, zemestrīces un pat strāvas padeves pārtraukumi.
Daudzi ir analizējuši sociālos medijus tvītu skaita ziņā konkrētiem notikumiem, piemēram, Arābu pavasarim, saka Vespignani, taču komanda plāno redzēt, vai informācijas plūsmā ir signāls, kas saka, ka drīz notiks kaut kas nozīmīgs.
Pētnieki ir pievērsušies neirozinātnei, kur ir mezgli vai darbības centri un "savienojumi", kas savieno mezglus neironu ķēdēs. Pēc analoģijas ar smadzeņu karti tika izveidota sociālā tīkla karte. Sistēma sākas ar dažiem mezgliem un pieaug mērogā.
Šo kustību kvantificēšana ir tā, kas metodi atšķir no citām pieejām sociālo mediju izsekošanai, kas ļauj mums raksturot izplatības dinamiku. Pirms var izstrādāt metodi nākotnes notikumu prognozēšanai, ir nepieciešama izpratne par komunikācijas modeļiem, kas veidoja pagātnes notikumus.
Liekot pamatu prognozēšanai, pētījumā analizēti pieci sociālie notikumi: 2011. gada protests Spānijā; 2013. gada protests Brazīlijā, kas pazīstams kā "Brazīlijas rudens"; Holivudas grāvēja iznākšana 2012. gadā; Google 2014. gadā iegādājās Motorola.
Reklāmas video:
Pēc komandas domām, visi vēlas prognozēt nākotnes plaša mēroga notikumus un tendences, un zinātnes aprindas šobrīd ir agrīnā stadijā, lai izprastu šāda veida parādības. Pagaidām ir grūti pat saprast pagātnes notikumus, tik daudz darāmā vēl ir, lai varētu iegūt prognozes.