С помощью моделей мы хотели проверить две гипотезы, одна из которых подтвердилась. Факторы, связанные со структурой сети, влияют на степень активации и, следовательно, на распространение информации. Мы сравнивали две линейных регрессии: одна на всех узлах, а другая только на активированных. Для всех узлов значимыми переменными стали те, которые связаны с путем от узла до автора, и показателем PageRank автора. При анализе только активированных узлов в значимые переменные добавляются факторы сообщения. Последний момент не подтверждает нашу вторую гипотезу, по которой факторы сообщения и автора должны были быть первичными (активировать узел), а факторы структуры - вторичными (повысить степень активации).
Основной момент, который мы вынесли из анализа, то, что апеллируя данными автора сообщения (канала, на котором публикуется видео) и его положением в сети при оптимальных показателях сообщения и принимающего узла, можно объяснить около 30% успеха распространения сообщения. Таким образом, на основе созданной модели можно создать веб-приложение, которое будет определять подходящих блогеров для старта кампании и предсказывать движение сообщения в первый период времени.
Показатели эффективности модели можно было бы улучшить. Причина, по которой это не сделали авторы, - недостаточная техническая оснащенность. Во-первых, можно было бы собрать третий круг данных о каналах. Но в таком случае увеличивается база графа и алгоритм кластеризации через случайные пути отказывается работать на локальном компьютере. Во-вторых, можно было бы проанализировать ключевые слова каждого сообщения и сопоставлять их с ключевыми словами каждого канала. Эти два пункта дополнили бы контекст анализа.
Дальнейшие исследования русскоязычного YouTube и распространения информации в нем можно связать с анализом других платформ, на которых присутствуют блогеры: ВКонтакте, Twitter, Instagram.
Список литературы
Учебники, учебные пособия, монографии
1. Андрианов М. С. (2007). Невербальная коммуникация: психология и право. Москва: Институт Общегуманитарных Исследований.
2. Бодрийяр, Ж. (1981) Симулякры и симуляция. Тула: Тульский полиграфист
3. Губанов, Д.., Новиков, Д.,, Чхартишвили А. (2010). Социальные сети: модели информационного влияния, управления и противоборства. Москва: Физматлит
4. Кастельс, М. (2009) Власть коммуникации. Москва: Издательский дом Высшей школы экономики
5. Кин, Дж. (2015) Демократия и декаданс медиа. Москва: Издательский дом Высшей школы экономики
6. Лемов А. В. (2000). Система, структура и функционирование научного термина (на материале русской лингвистической терминологии). Саранск: Изд-во Мордов. Ун-та
7. Маклюэн, Г. М. (1964). Понимание медиа: Внешние расширения человека. Москва: «КАНОН-пресс-Ц», «Кучково поле»
8. Цукерман, Э. (2015). Новые соединения. Цифровые космополиты в коммуникативную эпоху. Москва: Ад Маргинем Пресс
9. Eco U. (1994). Does the Audience Have Bad Effect on Television? Bloomington: Indiana University Press
10. Neuman R. (1991). The Future of the Mass Audience. Cambridge: Cambridge University Press
Статьи из сборников и коллективных монографий
11. Барт Р. (2003). Рекламное сообщение. Система моды. Статьи по семиотике культуры, 219-222
12. Барт Р. (2003). Структура «происшествия». Система моды. Статьи по семиотике культуры, 214-219
13. Лотман Ю. М. (1992). Семиотика культуры и понятие текста. Лотман Ю.М. Избранные статьи, 129-132
Статья в журнале
14. Ванеян С. (2015). Каким образом воображать образ? Художественный журнал № 94, 11-25
15. Джозелит Д. (2015). Против репрезентации. Художественный журнал № 94, 47-51
16. Сосна Н. (2015). Образ и материальное: к трансформации связей. Художественный журнал № 94, 41-45
17. Bastos, M., Piccardi, C., Levy, M., McRobert, N., Lubell, M. (2017). Core-periphery or decentralized? Topological shifts of specialized information on Twitter. Social Networks, 52, 282-293.
18. Belanche, D., Flavian, C., Perez-Rueda, A. (2017). User adaptation to interactive advertising formats: The effect of previous exposure, habit and time urgency on ad skipping behaviors. Telematics and Informatics, 34, 961-972.
19. Daley, D., Kendall D. (1965). Stochastic rumors. J. Inst. Math. Appl., 142, 42-55
20. Kermack, W., McKendrick, A. (1927). A Contribution to the Mathematical Theory of Epidemics. Mathematical, Physical and Engineering Sciences, 115, 700
21. Ferchaud, A., Grzeslo, J., Orme, S., LaGoue, J. (2018). Parasocial attributes and YouTube personalities: Exploring content trends across the most subscribed YouTube channels. Computers in Human Behavior, 80, 88-96.
22. Li, Ch., Lin, Y., Yeh, M. (2017). Forecasting participants of information diffusion on social networks with its application. Information Sciences, 422, 432-446.
23. Park, S., Lim, Y., Park, H. (2015). Comparing Twitter and YouTube networks in information diffusion: The case of the “Occupy Wall Street” Movement. Technological Forecasting & Social Change, 95, 208-217.
Wu, T., Chen, L., Xian, X., Guo, Y. (2016). Evolution prediction in multi-scale information diffusion dynamics. Knowledge-Based System, 113, 186-198.
24. Zhu, H., Yin, X., Ma, J., Hu, W. (2016). Identifying the main paths of information diffusion in online social networks. Physica A, 452, 320-328.
Интернет
25. Лотман Ю. (1998). Структура художественного текста. [электронный ресурс] - Режим доступа. - URL: [http://www.gumer.info/bibliotek_Buks/Literat/Lotman/_15.php]
26. Horrigan, J., Garrett, K., Resnick, P. (2004). The Internet and Democratic Debate. Pew Internet and American Life Project. [электронный ресурс] - Режим доступа. - URL: [http://www.pewinternet.org/Reports/2004/The-Internet-and-Democratic-Debate.aspx]
Приложение А Сеть русскоязычных каналов на YouTube
Приложение Б Граф для первой рекламы Veet
Приложение В Граф для второй рекламы Veet
Приложение Г Граф для рекламы Клинского
Приложение Д Граф для Coca-Cola
Приложение Е Граф для клипа “Блокеры”
Приложение Ж Граф для ролика “Мега звезда”
Приложение З Граф для клипа Лиззки
Приложение И Граф для роликов HypeCamp
Приложение К Граф для versus-баттл