Рус Eng За 365 дней одобрено статей: 1999,   статей на доработке: 339 отклонено статей: 788 
Библиотека
Статьи и журналы | Тарифы | Оплата | Ваш профиль

Вернуться к содержанию

Аналитический обзор основных классов современных моделей оценки информационного влияния, в том числе в социальных сетях.
Шачнева Анна Владимировна

Аспирантка Финансового Университета при Правительстве РФ

117229, Россия, г. Москва, ул. Севастопольский Пр., 28

Shachneva Anna Vladimirovna

graduate student, Financial University under the Government of the Russian Federation

117229, Russia, g. Moscow, ul. Sevastopol'skii Pr., 28

annavkarpova@mail.ru

Аннотация.

Автором подробно рассмотрены основные классы современных моделей оценки информационного воздействия. В качестве предмета исследования выступают экономико-математические методы, которые включают в себя элементы подходов и результатов, теории нечетких множеств, теории вероятности, теории принятия решений и исследования операций и теории марковских цепей, в контексте применения к моделированию влияния информационного воздействия на экономические процессы. Цель исследования заключается в подробном анализе существующих отечественных и зарубежных моделей информационного влияния. Методология и методический аппарат исследования представлена разработками и теоритическими положениями, представленными в трудах отечественных и иностранных авторов в области экономико-математического моделирования, теории вероятности и математической статистики. Новизна исследования заключается в том, что на основе анализа существующих моделей информационного воздействия удалось разработать подходы к построению математических моделей влияния информационных воздействий на экономические процессы. Так же выделены направления дальнейшей работы для совершенствования существующих моделей информационного влияния в целях последующей более эффективной оценки информационного воздействий на экономические процессы.

Ключевые слова: информационное влияние, оптимизационные модели, информационное управление, имитационные модели, социальные сети, цепи Маркова, целенаправленное информационное воздействие, принятие решений, модели информационного влияния, моделирование

DOI:

10.7256/2454-0714.2018.3.26401

Дата направления в редакцию:

18-06-2018


Дата рецензирования:

18-06-2018


Дата публикации:

11-10-2018


Abstract.

The author considered in detail the main classes of modern models of information impact assessment. The subject of research is economic-mathematical methods, which include elements of approaches and results, the theory of fuzzy sets, the theory of probability, the theory of decision making and operations research and the theory of Markov chains, in the context of application to modeling the influence of information on economic processes. The purpose of the study is to analyze in detail the existing domestic and foreign models of information influence. The methodology and methodological apparatus of the research is represented by the developments and theoretical concepts presented in the works of domestic and foreign authors in the field of economic and mathematical modeling, probability theory and mathematical statistics. The novelty of the research lies in the fact that, based on the analysis of existing models of information impact, it was possible to develop approaches to the construction of mathematical models of the influence of information effects on economic processes. Also highlighted areas for further work to improve the existing models of information influence in order to further more effective assessment of information impacts on economic processes.

Keywords:

targeted informational impact, Markov chains, SOCIAL NETWORK, simulation models, information management, optimization models, information impact, decision theory in economics, models of information influence, modeling

В рассмотрении классов современных моделей оценки информационного воздействия стоит уделить особое внимание именно социальным сетям, потому что в последнее время именно на их примере рассматриваются модели информационного воздействия. Социальные сети, в этом смысле, как нельзя лучше демонстрируют способы распространения информации, которые далее могут быть перенесены в среду СМИ. Основным методом исследования зачастую является математическое моделирование с использованием подходов и результатов теории игр, теории активных систем, теории принятия решений и исследования операций.

Уже сегодня представляется возможным описать и проанализировать существующие модели информационного влияния, предварительно разделив их на три класса: информационного влияния, информационного управления и информационного противоборства[1][73]. Так, модель информационного влияния позволяет исследовать «зависимость поведения субъекта от его информированности» от целенаправленного информационного воздействия. Другими словами, модель информационного влияния ориентирована на исследование поведения управляемого субъекта. В то время как модель информационного управления позволяет ответить на вопрос, каким должно быть воздействие управляющего субъекта, чтобы получить от управляемого субъекта требуемого поведения. Модель информационного противоборства позволит моделировать взаимодействие нескольких субъектов, обладающих отличными друг от друга интересами и воздействующих на один управляемый субъект. Таким образом, в первом случае мы анализируем сам субъект и то, насколько он восприимчив к информационному воздействию. Во втором случае, мы рассматриваем информацию и способ ее передачи с целью воздействия. В третьем случае, рассматривается модели осуществления борьбы за возможность воздействия на конкретный субъект.

Анализ оптимизационных и имитационных моделей информационного влияния

1. Модель с порогами

Когда мы говорим об информационном воздействии, чаще всего мы сталкиваемся с представлением процесса распространения информации в виде сети, где узел (вершина графа) – это агент, который находится в активном или неактивном состоянии. Если агент i подвергается влиянию со стороны соседа j , при этом выполняется условие

,

после чего становится активным в зависимости от характеризующего его порога . Такие модели различаются по способам выбора в некоторых моделях предлагается считать его одинаковым для всех агентов [3], в других предлагается выбирать случайно согласно некоторому вероятностному распределению [4], или в соответствии с объективными характеристиками конкретного агента.

Даная модель является самой примитивной из всех, описывает простое распространение информации в сети. Ее сложно использовать для более детального прогнозирования осуществления воздействия, так как не учтен ряд факторов, такие как: персональные особенности агента сети, возможность целенаправленного воздействия, возможность внешнего воздействия (не со стороны соседа j ) . Поэтому, на практике, сложно спрогнозировать, какова возможность того, что агент i станет активным, скорее, мы имеем дело с уже совершившимся фактом, поэтому данная модель эффективно для описания уже случившегося информационного воздействия, но не для прогнозирования.

2. Модели независимых каскадов

Такие модели схожи с описанными выше моделями с порогами, за одним лишь исключением, что когда i - йагент становится активным, он получает возможность сделать активными каждого из своих соседей j с вероятностью . [2,3] Такая модель чаще других используется для анализа процессов, протекающих в социальных сетях. В отличие от предыдущее модели, здесь появляется возможность спрогнозировать возможное направление информационного воздействия, учитывая взаимосвязь агентов сети и их персональные характеристики, но также не учитываются внешняя конъюнктура, а, следовательно, возможность того, что высокая вероятность ,в конечном счете, окажется нулевой. Помимо этого, не учитывается и то, что одна и та же тема, может быть обсуждаемой в сети на протяжении долгого времени, то становясь более актуальной, то менее. Данный недостаток учтен в следующей модели.

3. Модели просачивания и заражения

Иногда такие модели называют моделями заражения , т.к. они базируются на аналогии с медициной, физикой и другими разделами науки. Такие модели находят приложение в изучении эпидемий, распространения различных месторождений и распространения информации. В основе модели лежит знание о способе распространения эпидемии: восприимчивость человека к заболеванию (susceptible ), контакт с инфицированным и заражение с вероятностью β ( infected ), выздоровление и приобретение иммунитета (recovered ) и, через какое-то время, снова восприимчивость к болезни (susceptible ). Численность людей, еще не инфицированных в момент t – S ( t ) , численность инфицированных людей – I ( t ) , численность группы поправившихся людей – R ( t ) . Предположим, что N=const=S(t)+I(t)+R(t), тогда процесс заражения в единицу времени при контакте с инфицированным можно представить в следующем виде:

. (1.1)

Инфицированные выздоравливают через промежуток времени 1/α:

, тогда. (1.2)

Модель может быть применена к моделированию информационного воздействия. Так, например, новостной канал (восприимчив) получает инфоповод от информационного агентства и решает опубликовать новость на эту тему (заражен), затем новость становится неактуальной (выздоровление), но позже снова может быть поднята с появлением новых фактов. Для социальных сетей применимо введение эпидемического порога – критической вероятности воздействия на другого агента, от этого будет зависеть скорость информационного воздействия. Такие модели на сегодняшний день получают широкое развитие [5,6,1]. Такая модель подходит для описания более масштабных процессов, как например влияние события на массовое сознание, здесь не учитываются индивидуальные особенности каждого участника процесса, а также характеристики события или повода. Модель подходит для объяснения уже совершившегося процесса информационного воздействия, но с помощью нее невозможно спрогнозировать влияние того или иного конкретного новостного повода, на восприятие его агентами сети, а, следовательно, невозможно спрогнозировать будет ли иметь информационное воздействие ожидаемый эффект.

4. Модели на основе клеточных атомов

Данные модели пришла к нам из физики, она описывает возникновение намагничивания материала на основе взаимодействия ближайших атомов-соседей, подобно тому как взаимодействуют в сети агенты-соседи. Отличие от предыдущих моделей в том, что в данном случае учитывается степень связи между соседними атомами, она может быть как сильной, так и слабой. Вероятность, что один агент будет влиять на другого агента по сильной связи – , а по слабой – . Тогда, считая, что агент в момент времени имеет n сильных связей и k слабых связей, он станет информированным с вероятностью:

(1.3)

Такой тип моделей представлен в ряде работ[52], отдельно стоит отметить работу «Talkof the Network: A Complex Systems Look at the Underlying Processof Word-of-Mouth»[14] («К слову о сетях: комплексный взгляд на эффект «из уст в уста»), под авторством Якоба Голденберга, Барака Либай и Итана Мюллера. В данной работе моделируется эффект «из уст в уста» в социальной сети. Для достижения результата предлагается использовать клеточный автомат с заданным алгоритмом. Запускается информация и для каждого агента запускается датчик случайных чисел, выпавшее число сравнивается с вероятностью реализации информированности, если оно меньше, то агент станет информированным. В следующий момент времени включается эффект «из уст в уста». Эксперимент повторяется, пока 95% агентов не станут информированными. Удивительно, но с ростом числа информированных агентов или при росте числа слабых связей значение сильных связей уменьшается, а слабых увеличивается. При усилении рекламы эффект от сильных связей снова увеличивается. В работе коллектива авторов, таким образом, подробно раскрывается особенность применения моделей на основе клеточных атомов к описанию процессов информационного воздействия.

Частный случай модели на основе клеточных атомов: Модель Изинга

Энергия взаимодействия , где S – спин атома (момент импульса), равный ; – константа обменного взаимодействия. Полная энергия находится путем суммирования по всей решетке: E(S). В данной модели, энтропия минимально в упорядоченном состоянии и растет вместе с энергией. При температуре ниже критической, ориентация импульса атомов будет направлена одинаково, с ростом температуры, она будет случайна. Предполагается, что именно с помощью модели Изенга представляется возможным смоделировать процесс информационного воздействия в больших социальных группах, где велика степень независимости отдельных членов группы[54]. Тогда определяющим необходимо считать именно мнение ближайших соседей.

У данной модели есть ряд преимуществ, здесь учтена возможность того, что агент благодаря своим особенностям станет информированным. Кроме того, учтено, что если использовать продвижение информационного повода, то это будет иметь определенный эффект, с чем мы не сталкивались в предыдущих моделях. Однако это также модель, которая подходит для описания уже совершившегося факта воздействия, но с помощью нее сложно спрогнозировать влияние конкретной новости на результат.

Приведенные выше оптимизационные и имитационные модели информационного влияния используются не для прогнозирования, а для описания постфактум случившегося информационного воздействия, не одна из моделей не может служить в качестве надежного инструмента прогнозирования информационного воздействия. Каждая модель может быть использована в совокупности с другими для более точных результатов. Тем не менее, появление и разработка таких моделей в последние годы указывает на высокую актуальность изучения информационного воздействия в сетевых структурах. Социальные сети в этом случае являются более наглядным примером процесса распространения информации. Для более убедительной демонстрации актуальности, следует привести ряд более крупных моделей, в которых учитывается большее количество входных параметров и условий распространения информационного воздействия в сетевых структурах.

Моделирование оценки процесса целенаправленного информационного воздействия на принятие решений в экономике при помощи цепей Маркова

Чтобы проследить возможность информационного воздействия на процессы в экономике, стоит уделить внимание новым тенденциям в области информационного влияния. С подробной моделью влияния на мнения членов одной сети можно ознакомиться в работе Д.А. Губанова, Д.А.Новикова и А.Г. Чхартишвили [8], где описывается обобщенная модель информационного влияния в социальных сетях.

Так, представляется возможным состоящую из агентов и взаимоотношений между ними сеть представить в виде графа, в котором вершинами являются различные агенты социальной сети, а ребрами — их взаимоотношение или уровень доверия. Следует отметить, что в подобной модели, решения отдельных агентов непосредственно зависят от собственных наблюдений и решений других агентов. В работе указанных авторов предлагается исследовать динамику мнений, смоделировав процесс при помощи цепей Маркова.

Множество N = {1,2, … n} описывает агентов, участников социальной сети. Степень влияния агентов друг на друга задается матрицей прямого влияния A = || || размерности n×n, где || || ≥0 и обозначает степень доверия i -го агента j -му или степень влияния j -го агента на i -го, которая равная . Таким образом, в построенном ориентированном графе ребра будут иметь вес, равный степени доверия/влияния между агентами.

(1.4)

Предполагается, что сумма степеней доверия равна единице, а, следовательно, делается вывод о том, что матрица t -стохастическая. Если k -му агенту доверяет j -й агент, которому, в свою очередь доверяет i-й агент, то k -й агент косвенно влияет на i -го агента. Таким образом, поиск возможного источник мнения становится очень актуальным.

В начальный момент времени, каждый агент обладает собственным мнением по тому или иному вопросу, которое отражает вещественное число ,, а мнение всех агентов отражает вектор-столбец m0 размерности n . Под воздействием других агентов, мнение каждого отдельного агента изменяется по закону:

(1.5)

где – момент времени. Так как мнение агента в определенный момент времени равно средневзвешенной сумме мнений агентов, то в векторной записи первое изменение мнений агентов . После длительного взаимодействия агентов их мнения сходятся к результирующему мнению . Выделяется матрица результирующего влияния и выявляется соотношение

,

где – вектор начальных мнений, а M – вектор итоговых мнений.

Чтобы описать структуру результирующих влияний используются результаты, «полученные при исследовании конечных цепей Маркова» [8,9].

Важным является выполнения условия 1: хотя бы одни член каждой группы доверяет собственному мнению . Тогда, по теории Марковских цепей, «каждой группе соответствует неразложимый апериодический класс.

Исходя из усл.1 верны следующие утверждения:

Утверждение 1. Существует матрица результирующих влияний – предел

Утверждение 2. Мнения агентов стабилизируются, существует предел

Утверждение 3. Начальные мнения спутников не оказывает влияния на мнения членов групп.

Утверждение 4. В матрице результирующих влияний совпадают строки агентов одной группы, таким образом можно говорить о том, что группа имеет одно мнение или пришла к консенсусу.

Из теории конечных цепей Маркова: если у процесса имеется несколько неразложимых классов существенных состояний, то матрица перехода A может быть представлена

(1.6)

– матрица перехода внутри группы ,, – число неразложимых классов (групп), – матрица влияния группы на спутников, – матрица влияния спутников друг на друга.

Стоит отметить, что приведенные утверждения совпадают c исследованиями психологов, “зачастую под влиянием группы участники в конечном итоге сходятся во мнениях”[10].

Таким образом при помощи теории конечных цепей Маркова удалось проследить за процессом информационного влияния, отмечая влияния одних агентов на других в динамике. Также сделан вывод о том, что внутри одной группы агенты в какой-то период времени приходят к консенсусу, в то время как мнение спутников, не влияющее на мнение групп, находится под воздействием мнений групп.

Проанализировав существующие модели информационного влияния, можно сделать вывод о том, что на сегодняшний день не существует единого целостного механизма, объясняющего влияние информационного воздействия на процессы жизнедеятельности человека. Кроме того, попытки взять под контроль такой мощный инструмент как «информация» делаются регулярно, а, следовательно, актуальность данного направления для последующих исследований только возрастает.

Библиография
1.
Eguffluz V., Klemm K., Epidemic Threshold in Structured Scale-free Networks// Physical Review Letters. – 2002. – №89.
2.
Goldenberg J..Libai B., Muller E. Talk of the Network: A Complex Systems Look at the Underlying Process of Word-of-Mouth// Marketing Letters, August 2001, Volume 12, Issue 3, pp 211–223 ;
3.
Kempe D., Kleinberg J., and Tardos E. Maximizing the Spread of Influence through a Social Network/ Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining
4.
Morris S. Contagion// The Review of Economic Studies, Volume 67, Issue 1, 1 January 2000, Pages 57–78
5.
Pastor-Satorras R., Castellano C., Van Mieghem P, Vespignani A. Epidemic processes in complex networks// Rev. Mod. Phys. 87, 925, 2015;
6.
Wu F., Huberman B., Adsmic L., Tyler J. Information Flow in Social Groups// Physica A, 337:327-335, 2004.
7.
Барбаши А.Л. Сети без масштабов// В мире науки. Scientific American.2003. №8 C.55-63;
8.
Губанов Д.А., Новиков Д.А., Чхартишвили А.Г. Социальные сети: модели информационного влияния, управления и противоборства, 2010, С.107
9.
Кемени Дж. Снелл Дж. Конечные цепи Маркова. ¬– М,: Наука, 1970
10.
Кричевский Р., Дубовская Е. Психология малой группы: теоретический и прикладной аспекты. – М.:Изд-во МГУ, 1991
References (transliterated)
1.
Eguffluz V., Klemm K., Epidemic Threshold in Structured Scale-free Networks// Physical Review Letters. – 2002. – №89.
2.
Goldenberg J..Libai B., Muller E. Talk of the Network: A Complex Systems Look at the Underlying Process of Word-of-Mouth// Marketing Letters, August 2001, Volume 12, Issue 3, pp 211–223 ;
3.
Kempe D., Kleinberg J., and Tardos E. Maximizing the Spread of Influence through a Social Network/ Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining
4.
Morris S. Contagion// The Review of Economic Studies, Volume 67, Issue 1, 1 January 2000, Pages 57–78
5.
Pastor-Satorras R., Castellano C., Van Mieghem P, Vespignani A. Epidemic processes in complex networks// Rev. Mod. Phys. 87, 925, 2015;
6.
Wu F., Huberman B., Adsmic L., Tyler J. Information Flow in Social Groups// Physica A, 337:327-335, 2004.
7.
Barbashi A.L. Seti bez masshtabov// V mire nauki. Scientific American.2003. №8 C.55-63;
8.
Gubanov D.A., Novikov D.A., Chkhartishvili A.G. Sotsial'nye seti: modeli informatsionnogo vliyaniya, upravleniya i protivoborstva, 2010, S.107
9.
Kemeni Dzh. Snell Dzh. Konechnye tsepi Markova. ¬– M,: Nauka, 1970
10.
Krichevskii R., Dubovskaya E. Psikhologiya maloi gruppy: teoreticheskii i prikladnoi aspekty. – M.:Izd-vo MGU, 1991