Nem feltétlen a hírességek tweetjei lesznek népszerűek
Az MIT tudósai létrehoztak egy olyan modellt, amivel egy Twitter-üzenet indulásakor meg tudják jósolni, hogy mekkora elérést generál majd. A modell működik, ami azt jelenti, hogy nagyobb a rend az egyébként kaotikusnak tűnő üzenetek közt, mint eddig gondoltuk.
Tauid Zaman, az MIT Sloan School of Management adjunktusa szerint teljesen mindegy, hogy Justin Bieber, Barack Obama vagy a sarki pék Twitter-üzeneről van szó, az első néhány perces aktivitásból az üzenet teljes életciklusa felrajzolható. A publikálást követő percekből szinte tökéletesen megjósolható, hogy mennyi ember fogja összesen megosztani az adott üzenetet.
A modell állítása meglepő, ugyanis a becslést nem egy bonyolult algoritmus teszi pontossá, hanem az, hogy a Twitter-üzenetek közel azonos életciklust futnak be kontextustól függetlenül, s az útjuk leírható egy egyszerűbb gráffal. A jóslás persze messze nem tökéletes, a normális 10 százalékos hibahatár mellett előfordulnak 30 százalékos eltérések is, de még ez is igen jó eredménynek számít.
Rend a káoszban
A legtöbb ember úgy érzi, hogy a Twitter működése teljesen kiszámíthatatlan és véletlenszerű, de ezt a képzetet csak az erős zaj okozza. A kísérletek bebizonyították, hogy van egy rendszerszerű, megismételhető, modellezhető minta, amivel leírható egy-egy üzenet teljes életciklusa. Zaman szerint a retwittek száma és a publikálás óta eltelt idő alapján meghatározható a maximum retwittek száma, így az üzenet szóródásának és terjedésének mértéke.
Szinte megingathatatlan minta, miszerint a megjelenő üzenet az első percekben produkálja a legnagyobb felfutást, így az első 5 perc eseményeiből viszonylag pontosan jósolható az azt követő néhány óra vagy 1-2 nap is. Zaman szerint egyedül az első 5 perc számít - az viszont nem, hogy az üzenetet egy híresség írja ki vagy egy ismeretlen. Zaman szerint a modelljét felhasználva a Twitter sokkal érdekesebb feedet tud a felhasználók elé tenni, mint most, amikor az üzenetek megjelenítésénél egyedül a megszületésük ideje számít: az újak vannak elől. A valóság azonban az, hogy a felhasználók nem egyszerűen csak a friss tartalmakat szeretnék látni, hanem azokat, amik újak, de hamarosan népszerűek lesznek.
Machine recruiting: nem biztos, hogy szeretni fogod Az AI visszafordíthatatlanul beépült a toborzás folyamatába.
A Facebook már jó ideje nem kronologikus sorrendben mutatja a hírfolyamban az elemeket, hanem relevancia és népszerűség szerint szelektál, ha a felhasználó úgy akarja. A módszer azonban nem előrejelzésre épül, hanem historikus adatokra: azok az elemek maradnak fent sokáig, amire sok interakció érkezik, sokan kommentálják, sokan lájkolják. Ez azt jelenti, hogy egy rosszul időzített, de egyébként ütős tartalom biztosan elsikkad.
Kiszámítható hatások
Zaman kidolgozott egy olyan modellt is, amivel egy adott téma terjedése írható le a Twitter-hálózaton, illetve ezzel együtt a pletykák terjedését is vizsgálta. A weben gyakran robbannak ki vélt vagy valós állításokra alapozott pletykák, amik percek alatt bejárják a világot. A források kiderítése szinte lehetetlen, de a kutató szerint ez is csak egy matematikai probléma, ami megoldható. A hálózati struktúrák vizsgálatával bármely pletyka esetében meghatározható egy valószínűség a forrásra. Ez egyben azt is jelenti, hogy a kommunikációs hálózatok struktúrájából visszakövetkeztethető, hogy egyes személyeknek mennyi valódi befolyása van a teljes rendszerre.
Az MIT kutatói eredményeik egy részét magyarázatokkal együtt publikálták is, illetve a hálózati befolyás mérésére szolgáló, “Trumor” (az angol igaz és pletyka szavak összekeveréséből) eszközük ki is próbálható. Az óriásira nőtt kommunikációs hálózatok vizsgálata ma már nem csak analitikai és marketing szempontból érdekesek, egyre több tudományos kísérlet és kutatás igyekszik feltárni a XXI. századi társadalmi kommunikáció rejtelmeit. Zaman eredményei és leírásai megtalálhatóak saját MIT-s weboldalán.