دوستانت را نزدیک نگه دار و دشمنانت را نزدیک‌تر: ویژگی‌های ساختاری روابط منفی در توییتر

مقاله جالب و کاربردی در مورد روابط کاربران در شبکه اجتماعی ایکس توییتر، تقدیم شما:

عنوان: Keep your friends close, and your enemies closer: structural properties of negative relationships on Twitter
نویسندگان: Jack Tacchi, Chiara Boldrini, Andrea Passarella, Marco Conti
نشریه: EPJ Data Science (2024) — Open Access

🎯 مسئله

چگونگی توزیع «روابط منفی» یا دشمنی در شبکه‌های اجتماعی آنلاین (مخصوصاً توییتر) و اینکه آیا ساختار شبکه‌های «Ego Network» (دایره‌های صمیمیت طبق ENM) هنگام افزودنِ قطبیت روابط (+/−) تغییر می‌کند. سؤال‌های کلیدی: آیا روابط منفی بیش از حد در لایه‌های نزدیک Ego رخ می‌دهند؟ آیا ویژگی‌های کاربران (مثلاً متخصص/خبرنگار بودن) با سهم بیشتری از روابط منفی مرتبط است؟ و آیا روش‌های استخراج قطبیت از متنِ تعاملات قابل اعتماد و مطابق با Structural Balance Theory است؟

💡 ایدهٔ اصلی

• گسترش مدل Ego Network به نسخه‌ای «امضا‌خورده» (Signed Ego Networks — SENs) با برچسب‌گذاری روابط بر اساس احساسِ (sentiment) تعاملات متنی بین Ego و Alter.
• پیشنهاد یک روش کم‌داده و روان برای «امضا کردن» روابط: ابتدا هر تعامل (reply/mention/quote) را با مدل‌های تحلیل احساس برچسب می‌زنند، سپس رابطه را منفی‌ فرض می‌کنند اگر نسبت تعاملات منفی از آستانهٔ روان‌شناختی ≈17% (نسبت طلایی 1:5) بیشتر باشد.
• اعتبارسنجی نتایج از طریق تحلیل تریادها (Structural Balance Theory) و مقایسهٔ چند مدل تحلیل احساس (VADER, BERTweet, XLM-T, BERT-C).

⚙️ روش‌شناسی

• داده‌ها: 9 مجموعه‌دیتاست توییتر (ترکیب کاربران تخصصی مثل خبرنگاران، MPs، نویسندگان علمی و مجموعه‌های عمومی مثل Snowball, UK Users، مجموعاً میلیون‌ها تعامل).
• پیش‌پردازش: حذف حساب‌های غیرانسانی، انتخاب کاربران فعال (قواعد حداقلی برای تعداد توییت و بازهٔ زمانی).
• مرحلهٔ اول: برچسب‌گذاری هر تعامل با 4 مدل احساس‌سنجی؛ Retweet ساده را خنثی در نظر می‌گیرند.
• مرحلهٔ دوم: برای هر رابطه (Ego–Alter) نسبت تعاملات منفی محاسبه و با آستانهٔ 0.17 مقایسه می‌شود تا رابطه مثبت/منفی تعیین گردد. روابط با کمتر از 6 تعامل به‌طور قابل‌اعتماد طبقه‌بندی نمی‌شوند.
• اعتبارسنجی: تحلیل تریادها در مجموعه‌ی Snowball و مقایسه با مدل تصادفی (شکل‌نمایی surprise).
• آنالیز: توزیع روابط منفی در «شبکهٔ کامل» و «شبکهٔ فعال» و توزیع برحسب حلقه‌های ENM و دسته‌بندی کاربران (تخصصی مقابل عمومی). همچنین تعریف سه معیار «negativity» برای بررسی اثر بر اندازهٔ Ego Network و «بار شناختی».

📈 نتایج کلیدی

• روشِ برچسب‌گذاری نسبتاً مستقل از انتخاب مدل احساس‌سنجی است: سه مدل (VADER, BERTweet, BERT-C) نتایج مشابه ~60–63% روابط مثبت را دادند؛ XLM-T اندکی متفاوت بود. توافق بین مدل‌ها در سطح رابطه‌ها حدود 0.66–0.84 است.
• تحلیل تریادها با هر چهار مدل نشان می‌دهد توزیع‌ها با انتظارات Weak Structural Balance Theory هم‌راستا است: triad با 3 مثبت (T3) بیش از انتظار و T2 کمتر از انتظار مشاهده شد — بنابراین برچسب‌ها معنادارند. همچنین T0 (تمام منفی) غیرمنتظره و نسبتاً شایع است و نشان از وفور منفی در توییتر دارد.
• روابط منفی در شبکهٔ فعال (close ties) بسیار بیش‌ترند نسبت به شبکهٔ کامل (مثلاً از ~16–32% در شبکهٔ کامل تا ~22–55% در شبکهٔ فعال بسته به دیتاست). یعنی نسبت منفی‌ها در دایره‌های نزدیک Ego افزایش می‌یابد.
• کاربران تخصصی (خبرنگاران، نویسندگان علمی، MPs) به‌طور میانگین نسبت بیشتری روابط منفی دارند، به‌ویژه در حلقه‌های نزدیک. NYT Journalists بالاترین میزان منفی در برخی معیارها را نشان می‌دهند.
• شواهد ضعیف اما جالب: کاربران «کم‌تر منفی» تمایل دارند زحمت شناختی بیشتری صرف هر رابطه کنند (تعداد کمتر ارتباطات متمایز اما تعامل بیشتر در هر رابطه) — نشانهٔ تأثیر منفی‌ها بر بار شناختی.
• ENM سنتی (اندازهٔ حلقه‌ها و نسبت مقیاس ~3) در داده‌های توییتر پابرجاست، اما قطبیت روابط توزیع متفاوتی را در حلقه‌ها نشان می‌دهد (نسبت منفی‌ها در حلقه‌های درونی بیشتر است).

💡 اهمیت و کاربرد

• نشان می‌دهد که توییتر نسبت به شبکه‌های «امضا‌شده» آفلاین، روابط منفی بیشتری به‌ویژه در لایه‌های نزدیک تولید می‌کند — متغیر مهمی برای تحلیل پیامدهای روانی و اجتماعی حضور در شبکه.
• روش پیشنهادی برای «امضا کردن» روابط از متن تعاملات، کم‌داده و عملی است و برای پژوهش‌های مقیاسی روی OSNها قابل اعمال.
• نتایج برای طراحان پلتفرم، پژوهشگران ENM و سیاست‌گذاران مفید است: نشانه‌هایی دال بر اینکه بیشتر تعامل (engagement) می‌تواند کاربران را در معرض روابط منفی قرار دهد.
• اعتبارسنجی با Structural Balance Theory نشان می‌دهد روش تولیدِ برچسب‌ها نه تنها خطی نیست بلکه اجتماعی-روان‌شناختی معنا دارد.

🧠 جمع‌بندی نهایی

این مقاله با معرفی فرایندی روان و معتبر برای استخراج «Signed Ego Networks» از توییتر و با تحلیل ۹ دیتاست بزرگ نشان می‌دهد که:
(۱) توییتر به‌طور قابل‌توجهی نسبتِ روابط منفی را در حلقه‌های فعال و نزدیکی Ego افزایش می‌دهد،
(۲) کاربران حرفه‌ای/تخصصی نسبت به کاربران عمومی سهم بیشتری از روابط منفی دارند،
(۳) روشِ برچسب‌گذاری مبتنی بر آستانهٔ روان‌شناختی ~17% و تحلیل تراکنش‌های متنی، نتایجی سازگار با Structural Balance Theory تولید می‌کند.
نتیجهٔ کلی: حتی اگر ساختار ENM کلی در فضای آنلاین مشابه آفلاین باشد، کیفیت (قطبیت) روابط در توییتر تمایل به «تسمه‌زدگیِ منفی» بیشتر دارد و این پیامدهای مهمی برای سلامت شبکه و کاربران دارد.

.

دانلود کامل مقاله: