La curiosa natura della condivisione di cascate su Facebook

Una delle caratteristiche distintive dei contenuti social è il modo in cui immagini, video e testo vengono condivisi tra molti utenti. Inevitabilmente, alcuni contenuti diventano più popolari di altri e questo porta a cascate in cui il numero di ricondivisioni può essere enorme. Sebbene la maggior parte dei media abbia solo poche condivisioni, alcuni vengono ricondivisi molti milioni di volte.

Quindi c'è molto interesse nello scoprire come prevedere qualcosa che potrebbe essere popolare rispetto a qualcosa che non lo è. A prima vista, è facile pensare che prevedere la popolarità dei contenuti sia quasi impossibile. Questo perché dipende da tanti fattori difficili da misurare, come la natura del contenuto e la connettività delle persone che lo vedono.

Tuttavia, vari team hanno affermato di aver trovato il modo di prevedere l'eventuale popolarità di un post analizzando la sua popolarità poco dopo la sua pubblicazione. Ma data l'assenza di un modo affidabile per farlo sul web, puoi giudicare da solo quanto bene debbano funzionare questi meccanismi.

Oggi abbiamo una visione diversa del tema della prevedibilità grazie al lavoro di Justin Cheng della Stanford University in California e di alcuni amici di Facebook e della Cornell University. Questi ragazzi mostrano perché la popolarità è così difficile da prevedere utilizzando l'approccio convenzionale dello studio delle prime fasi della popolarità.

Ma allo stesso tempo, mostrano che varie caratteristiche di una cascata possono essere previste con notevole accuratezza e che questo può essere utilizzato per formulare giudizi positivi sul comportamento futuro delle cascate una volta avviate. Il risultato è una visione molto più profonda della natura delle cascate di quanto inizialmente si potrebbe pensare possibile.

Cheng e co giungono alle loro conclusioni analizzando il modo in cui le fotografie sono state condivise su Facebook per un periodo di 28 giorni dopo il loro caricamento iniziale nel giugno 2013. Sono state esaminate oltre 150.000 foto che sono state ricondivise insieme oltre 9 milioni di volte. I dati hanno detto loro quali persone (nodi) hanno ricondiviso ogni fotografia e in che momento e questo ha permesso loro di ricostruire esattamente le reti attraverso le quali sono avvenute le ricondivisioni.

In passato, i ricercatori hanno esaminato come iniziano le grandi cascate e quindi hanno tentato di utilizzare tali informazioni per individuare grandi cascate in futuro, con risultati contrastanti.

Cheng e co hanno un approccio diverso. Iniziano con una foto che è stata ricondivisa un certo numero di volte, diciamo k. Quindi determinano la probabilità che questa foto venga condivisa il doppio delle volte. In altre parole, il loro compito è prevedere se la cascata raddoppierà di dimensioni.

Questa è una buona scelta di domanda perché la distribuzione delle dimensioni della cascata segue un certo tipo di legge di potenza. Questa legge assicura che per cascate di una data dimensione, la metà sarà più che raddoppiata mentre l'altra metà no. Quindi, nel decidere se una data cascata raddoppierà, un'ipotesi casuale otterrà la risposta giusta circa la metà delle volte.

La domanda è se è possibile individuare funzionalità dal set di dati che consentono a un algoritmo di apprendimento automatico di fare meglio di così. Quindi Cheng e i suoi amici usano una parte dei loro dati per addestrare un algoritmo di apprendimento automatico per cercare le caratteristiche delle cascate che le rendano prevedibili.

Queste caratteristiche includono il tipo di immagine, se un primo piano o all'aperto o con una didascalia e così via; il numero di follower che ha il poster originale; la forma della cascata che si forma, sia essa un semplice grafico stellare o strutture più complesse; e infine quanto velocemente avviene la cascata, la sua velocità.

Dopo aver addestrato il loro algoritmo, lo hanno usato per vedere se poteva fare previsioni su altre cascate. Hanno iniziato con immagini che erano state condivise solo cinque volte, quindi la domanda era se alla fine sarebbero state condivise più di 10 volte.

Si scopre che questo è sorprendentemente prevedibile. Per questo compito, l'ipotesi casuale otterrebbe una prestazione di 0,5, mentre il nostro metodo raggiunge prestazioni sorprendentemente elevate: una precisione di classificazione di 0,795, dicono.

E alcune caratteristiche della cascata sono predittori molto migliori e altri. In effetti, l'andamento temporale della cascata, la velocità con cui si diffonde, è il miglior indicatore di tutti. Quindi qualcosa si diffonde rapidamente per cominciare, è probabile che si diffonda di più.

Un altro fattore importante sono gli argomenti citati nella didascalia associati a un'immagine, ad esempio se degni di nota o associati a un meme attuale.

Cheng e co affermano anche che diventa più facile fare una previsione man mano che aumenta il numero di ricondivisioni. Ciò dimostra che più informazioni sono sempre migliori: maggiore è il numero di ricondivisioni osservate, migliore è la previsione, dicono.

Ed è per questo che gli sforzi precedenti sono in gran parte falliti: iniziano sempre con troppe poche informazioni.

Ci sono limitazioni al lavoro, ovviamente. Il più ovvio è che è stato fatto solo con foto condivise interamente all'interno di Facebook. Può darsi che le ricondivisioni su Facebook siano in qualche modo diverse da quelle che si verificano altrove sul Web e che le foto vengano trattate in modo diverso dai link alle storie, ad esempio.

Ma Cheng e compagni sono fiduciosi che molto di ciò che hanno trovato sarà utile altrove. Nonostante queste limitazioni, riteniamo che i risultati forniscano spunti generali che saranno utili in altri contesti, affermano.

E lascia molto interesse da perseguire per altri ricercatori. Cheng e co sono incappati in una ricca vena di informazioni sulla natura delle cascate sui social network. E c'è più oro sulle colline.

Rif: arxiv.org/abs/1403.4608 : È possibile prevedere le cascate?

nascondere