Quantifying the Echo Chamber Effect: An Embedding Distance-based Approach

要約

ソーシャル メディア プラットフォームの台頭により、エコー チェンバーの形成が促進されました。エコー チェンバーとは、ユーザーが主に反対意見を排除しながら、既存の信念を強化する視点に出会うオンライン スペースです。
この現象はコミュニティ全体での情報普及を著しく妨げ、社会の二極化を促進します。
したがって、エコーチェンバーを定量化する方法を開発することが重要です。
この論文では、埋め込み空間内のユーザー間の距離を測定することによってユーザー コミュニティの凝集と分離を評価する新しい指標であるエコー チェンバー スコア (ECS) を紹介します。
既存のアプローチとは対照的に、ECS はユーザー イデオロギーのラベルなしで機能することができ、インタラクション グラフの構造について何の仮定も行いません。
ユーザー間の距離の測定を容易にするために、ユーザーの投稿とインタラクション グラフを活用して、イデオロギーの類似性を反映する方法でユーザーを埋め込む、自己教師ありグラフ オートエンコーダー ベースのユーザー埋め込みモデルである EchoGAE を提案します。
ECS の有効性を評価するために、4 つのトピック (2 つの偏向トピックと 2 つの非偏向トピック) で構成される Twitter データセットを使用します。
私たちの結果は、エコー チェンバーを定量化し、オンライン言論のダイナミクスに光を当てるツールとしての ECS の有効性を示しています。

要約(オリジナル)

The rise of social media platforms has facilitated the formation of echo chambers, which are online spaces where users predominantly encounter viewpoints that reinforce their existing beliefs while excluding dissenting perspectives. This phenomenon significantly hinders information dissemination across communities and fuels societal polarization. Therefore, it is crucial to develop methods for quantifying echo chambers. In this paper, we present the Echo Chamber Score (ECS), a novel metric that assesses the cohesion and separation of user communities by measuring distances between users in the embedding space. In contrast to existing approaches, ECS is able to function without labels for user ideologies and makes no assumptions about the structure of the interaction graph. To facilitate measuring distances between users, we propose EchoGAE, a self-supervised graph autoencoder-based user embedding model that leverages users’ posts and the interaction graph to embed them in a manner that reflects their ideological similarity. To assess the effectiveness of ECS, we use a Twitter dataset consisting of four topics – two polarizing and two non-polarizing. Our results showcase ECS’s effectiveness as a tool for quantifying echo chambers and shedding light on the dynamics of online discourse.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google