« ACM CSCW 2014 参加報告1日目・第1セッション | トップページ | ACM CSCW 2014 参加報告1日目・インタラクティブセッション »

ACM CSCW 2014 参加報告1日目・第2セッション

Filter Bubbles & News
Chair: Kate Starbird, University of Washington, USA
 
Can You Hear Me Now? Mitigating the Echo Chamber Effect by Source Position Indicators
Q. Vera Liao, University of Illinois at Urbana-Champaign, USA
Wai-Tat Fu, University of Illinois at Urbana-Champaign, USA
 
Img_6386
 
controversialなトピックに対して,pro/conの割合を示したposition indicatorがあるが,たとえばconの人が,proばかりのindicatorについてconを付けやすいか?あるいは逆にconばかりのindicatorなら天邪鬼的に,proを付けたりしないかということを研究している.
 
具体的には,以下の5つを調べている.
・position indicatorは人のpro/conの選択行動に影響を与えるか?
・indicatorが偏った状態(100%proや100%con)において人々の行動は異なるか?
・indicatorがバランスを持った状態(50%前後のpro/con)は,選択行動に影響を与えるか?
・position indicatorは,人々のポジションに対するそのユーザの知覚に影響を与えるか?
・position indicatorは,人々のポジションに対するそのユーザの共感に影響を与えるか?
 
実験では,6つの賛否両論のトピックに対する,pro/conを与えるものである.control群はposition indicatorなし,experimetal群はposition indicatorあり(100%pro, 100%con, 60%ぐらいpro, 60%ぐらいcon).
 
ただし実験結果はどう解釈すればよいのか分からなかった.実験結果の見方をちゃんと説明していなかったため(もしかすると聞き逃しかも).
 
 
Deep Twitter Diving: Exploring Topical Groups in Microblogs at Scale
Parantapa Bhattacharya, IIT Kharagpur, India / Max Planck Institute of Software Systems, Germany
Saptarshi Ghosh, Bengal Engineering and Science University Shibpur, India / Max
Planck Institute of Software Systems, Germany
Juhi Kulshrestha, Max Planck Institute of Software Systems, Germany
Mainack Mondal, Max Planck Institute of Software Systems, Germany
Muhammad Bilal Zafar, Max Planck Institute of Software Systems, Germany
Niloy Ganguly, IIT Kharagpur, India
Krishna P. Gummadi, Max Planck Institute of Software Systems, Germany
 
Img_6415
 
あるトピックのエキスパートとそれに興味を持っているシーカーとのグループを特定する研究.グループの発見に関する既存研究には,グラフベースの方法とコンテンツベースの方法があった.しかし,双方に問題はあった.グラフベースはidentity-basedなコミュニティを見つけにくい(おそらく実世界の組織に基づくコミュニティを見つけにくいという意味だと思う).
 
同じ(ような)名前のたくさんのTwitter リストに含まれているユーザはエキスパート.あるトピックのエキスパートをたくさんフォローしている人は,そのシーカー.非常に単純な方法.後者のアイディアの本質は,HITSアルゴリズムと同じ.
 
前者は,
Cognos: crowdsourcing search for topic experts in microblogs, SIGIR
を参考にしている.
 
グループを発見することが目的と言うよりは,発見したグループの分析を行うことが主.
・トピカルグループの中では,エキスパート間のインタラクションはわずかにあるが,エキスパートとシーカー間はわずか.
・エキスパートのトピックは非常にトピカル.(あるトピックに関連したURLのみつぶやいている)
 
データセットは,3800万ユーザのデータ.8800万のリンクと15億のリンクを利用.
 
エキスパートとシーカーのインタラクションや行動の違いを,もっと分析すると面白くなる.
 
 
Characterizing the Life Cycle of Online News Stories Using Social Media Reactions
Carlos Castillo, Qatar Computing Research, Qatar
Mohammed El-Haddad, Al Jazeera English, Qatar
Jurgen Pfeffer, Carnegie Mellon University, USA
Matt Stempeck, Massachusetts Institute of Technology, USA
 
Img_6430
 
オンラインのニュース記事のソーシャルメディア上でのライフサイクルについて調査している.ニュースが公開されてから,それにアクセスする人の数や,TwiiterやFacebookでのツイート・シェア数の数位などをを調べている. 
 
速報性の高いニュース(NEWS)と,つっこんだ(掘り下げて説明した)記事(In-depth)を比較しており,この2つで,アクセス数やツイート数の推移が異なることを示している.ここが面白いところである.
 
NEWSはすぐにvisit数やtweet数が落ちるが,In-depthはその落ち込みが緩やかである.NEWSはTwitterでつぶやかれやすく,In-depthはFacebookでシェアされがちである.
 
30分後の上記のデータから7日間のvisit数の推移が予測できるかも調べている.ここでも予測の精度に,速報性の高いニュース(NEWS)と,つっこんだ(掘り下げて説明した)記事(In-depth)で違いがあることを示している.
 
ACM CSCW2014 公式HP

|

« ACM CSCW 2014 参加報告1日目・第1セッション | トップページ | ACM CSCW 2014 参加報告1日目・インタラクティブセッション »

Web研究」カテゴリの記事