Wzorce rozpowszechniania informacji oparte są na klasycznych modelach epidemiologicznych, np. SIR. W ostatnich miesiącach były one szeroko stosowane do modelowania rozprzestrzeniania się wirusa COVID.
Dlatego zrozumienie procesów wirusowych stało się kluczowym kierunkiem badań. Modele opisujące te procesy zwykle zakładają, że są one stochastyczne, np. słynny model SIR. Wydaje się, że model ten jest poprawny dla przypadku, dla którego został stworzony, tj. do opisania procesu rozprzestrzeniania się chorób. Jednak, jak pokazaliśmy w naszej poprzedniej pracy (HT 2016), nie dotyczy on rozpowszechniania informacji. Po pierwsze, model ten nie uwzględnia faktu, że informacje stają się z czasem mniej aktualne, a ludzie udostępniają je mniej aktywnie.
Po drugie, wiadomości są przekazywane różnymi kanałami. Jeśli chcemy badać rozpowszechnianie się informacji w sieci Twitter, musimy również wziąć pod uwagę inne media, np. środki masowego przekazu. W szczególności brak tych efektów powoduje, że model SIR przecenia prawdopodobieństwo, że informacja stanie się wiralna, tj. dotrze do prawie całej sieci. Nasza praca (HT 2016) wyjaśnia obserwowane rozmiary kaskady, uwzględniając te dwa efekty:
W naszej pracy wprowadziliśmy pojęcie kierunku rozprzestrzeniania się informacji, tj. z węzłów wysokiego stopnia i wysokiego zaufania. Motywacją tego założenia jest fakt, że ludzie częściej dzielą się informacjami pochodzącymi z węzłów, które mają wielu znajomych. Innymi słowy, wydaje się, że tak naprawdę nie jesteśmy daleko od dobrego zrozumienia mechanizmu rozpowszechniania się informacji w sieciach społecznościowych. Dzieje się tak pomimo faktu, że w sieciach społecznościowych procesy kaskadowe można bardzo dokładnie prześledzić. Nasz brak zrozumienia oznacza, że nie jesteśmy w stanie poprawnie oszacować ryzyka związanego z bardzo rzadkimi zdarzeniami. W szczególności, o ile nam wiadomo, nasz artykuł (HT 2016) jest jedynym przypadkiem, w którym zastosowano miarę, która prawidłowo uwzględnia rzadkie zdarzenia.
Rodzi to pytanie, czy w zastosowaniach epidemiologicznych takich modeli rzadkie zdarzenia, np. w rozprzestrzenianie się pandemii COVID, są poprawnie opisane. Kolejną linią badań procesów wiralowych jest przewidywanie popularności danej informacji. Należy zauważyć, że modele te tworzone są w oparciu o zupełnie inne podejście niż zakładane w naszych pracach.
Typowym podejściem jest zbudowanie modelu regresji, który w oparciu o obserwowane cechy procesu przewiduje jego dalszą ewolucję. Modele te mają jednak ograniczoną skuteczność, ponieważ pośrednio zakładają, że proces jest deterministyczny, a przecież ma on charakter stochastyczny i jego ewolucja nie jest z góry określona.
Tylko takie podejście może prowadzić do statystycznie poprawnych wyników, które przewidywałyby szanse, że proces dotrze do całej sieci. Wynikają z tego wyzwania badawcze, które są podstawą dla zadań niniejszego projektu:
MIM Solutions to firma wywodząca się z Grupy Algorytmików Uniwersytetu Warszawskiego, kierowana przez prof. Piotra Sankowskiego.
Firma zgromadziła ekspertów zainteresowanych sprawnym rozwiązywaniem praktycznych problemów algorytmicznych, które ostatecznie ewoluowały w kierunku uczenia maszynowego.
MIM Solutions specjalizuje się w trudnych zadaniach. Jesteśmy biegli w dostarczaniu skutecznych rozwiązań, zwłaszcza gdy zawiodły standardowe metody.
MIM Solutions jest firmą zarejestrowaną w Krajowym Rejestrze Sądowym prowadzonym przez Sąd Rejonowy dla m.st. Warszawy XIII Wydział Gospodarczy Krajowego Rejestru Sądowego. KRS: 0000581404, NIP: PL5213710082.
