Применение графовых моделей при определении эффективности распространения информации в социальных сетях

Сидельцев В. В., Богданчикова Т. В.

Омский государственный технический университет

Статья посвящена исследованию влияния когнитивных аспектов личности на эффективность распространения информации в социальных сетях. Актуальность работы обусловлена динамичным развитием цифровых коммуникаций, трансформирующих маркетинговые стратегии и требующих учета поведенческих особенностей пользователей. Цель исследования – модификация существующих моделей распространения информации за счет интеграции когнитивных параметров. В качестве методологической основы использованы графовые модели социальных сетей, включая модель Барабаши–Альберт. Результаты моделирования подтверждают, что учет когнитивных аспектов повышает точность прогнозирования и реалистичность моделей. Практическая значимость работы заключается в оптимизации маркетинговых стратегий через персонализацию контента, а также в разработке инструментов противодействия дезинформации. Перспективы исследования связаны с верификацией параметров модели для различных типов контента и анализом динамики когнитивных профилей под влиянием внешних факторов.

Ключевые слова: социальные сети; когнитивные факторы; имитационное моделирование; эхо-камеры; персонализация контента; информационное влияние; маркетинговые стратегии.

Введение

Ф. Котлер пишет о том, что «...в эпоху связанности первоначальная привлекательность бренда в лице покупателей, зависит от общества, окружающего покупателя» и «...личные решения, являются, по существу, социальным решением. Новый клиентский путь должен отражать рост такого социального влияния» [1]. Развитие информационных технологий, обусловливающее масштабную цифровизацию социальных и производственных процессов, предполагает трансформацию подходов к формированию и развитию маркетинговых стратегий [2].

Трансформация маркетинговой среды, сопровождающаяся смещением фокуса в сторону цифровых коммуникаций, требует модификации методов достижения стратегических целей: от оптимизации вовлеченности аудитории через SMM до применения алгоритмов искусственного интеллекта для прогнозирования потребительского поведения.

Современный этап развития телекоммуникационных технологий кардинально изменил структуру глобального рекламного рынка. Если в 2012 году объем цифровой рекламы в России составлял 53,6 млрд руб. (19% рынка), а к 2017 году вырос до 166,3 млрд руб. (40%), то к 2024 году его доля достигла 82% при общем объеме 1,2 трлн руб.* Данная динамика обусловлена экспоненциальным ростом интернет-аудитории: с 61 млн пользователей в 2012 году до 108 млн в 2024 году, что охватывает 92% взрослого населения страны**.

Социальные сети, эволюционировавшие в мультиплатформенные экосистемы, стали доминирующим каналом коммуникации, превосходя традиционные СМИ по скорости и охвату. Согласно исследованию DataReportal*, 73,5% российской аудитории ежедневно потребляют контент через социальные сети, тогда как телевидение и радио сохраняют лишь 34% и 18% соответственно.

Однако важно подчеркнуть, что пользователи социальных сетей могут не представлять собой уникальных личностей. Алгоритмы на базе искусственного интеллекта обеспечивают персонализацию рекламы, повышая её виральность (свойство контента широко распространяться без усилий со стороны его автора): 62% пользователей взаимодействуют с таргетированными сообщениями в первые 10 минут после публикации.

При этом социальные сети трансформировались в инфраструктуру для медиагигантов: 89% новостных агентств используют UGC-контент (User-Generated Content) из соцсетей. Однако рост влияния цифровых платформ сопровождается регуляторными вызовами. Так, введение EU Digital Services Act (2024) и № 90-ФЗ «О внесении изменений в Федеральный закон «О связи» и Федеральный закон «Об информации, информационных технологиях и о защите информации» ужесточили требования к прозрачности рекламных кампаний и борьбе с дезинформацией.

Таким образом, управление распространением информации в социальных сетях остается критически важной задачей, требующей интеграции методов анализа больших данных, AI-аналитики и кросс-платформенного мониторинга.

Материалы и методы

В процессе изучения распространения информации используют модели социальных сетей. Моделью реальной социальной сети может являться граф, в котором узлы сети (пользователи, сообщества, группы) представляются вершинами графа, а связи, существующие в сети – ребрами графа. На данный момент интересными для исследования являются современные социальные сети, которые по своему информационному влиянию на общество превосходят телевидение и прессу.

Модели сетей в виде графов могут успешно использоваться для анализа процессов распространения в социальных сетях информации, рекламы, вирусов, для поиска наиболее влиятельных узлов и для других разнообразных целей.

В 1999 году Альберт-Ласло Барабаши и Река Альберт предложили модель графов, объясняющую механизм роста сложных сетей, таких как Интернет, на основе принципа предпочтительного связывания (preferential attachment) [3]. Согласно этой модели, новые узлы с большей вероятностью присоединяются к узлам с высокой степенью связности. Формально, вероятность P(k_i) связи новой вершины с существующей вершиной i пропорциональна её степени k_i.

Эта модель, известная как граф Барабаши–Альберт (БА), успешно описывает рост технологических и социальных сетей, однако её ограничение – линейная зависимость вероятности связывания от степени узла – не учитывает когнитивные аспекты поведения участников, такие как избирательность, социальное влияние или эмоциональная вовлеченность.

Современные подходы требуют учета не только структурных, но и когнитивных особенностей пользователей, которые определяют паттерны взаимодействия и влияют на динамику информационных потоков.

В работе В.А. Бадрызлова и В.В. Сидельцева [4] были получены результаты моделирования охвата участников сети информационным влиянием за 10 шагов модельного времени. Нами предлагается провести уточнение параметров с учетом когнитивных факторов, влияющих на поведение агента социальной среды в целях совершенствования модели, так как имитационное моделирование, дополненное когнитивными факторами, позволяет получить более точные прогнозы и оптимизировать стратегии коммуникации.

Результаты

Выделим направления улучшения модели.

Персонализация взаимодействия. Когнитивные особенности (доверие, эмоциональная восприимчивость, когнитивные искажения) влияют на то, как пользователи воспринимают информацию. Так, исследование, проведенное компанией Edelman, показало, что пользователи с высоким уровнем доверия к бренду на 30% чаще репостят контент*. Такой уровень взаимодействия усиливает доверие к бренду. Контент, вызывающий положительные эмоции (радость, удивление), распространяется в два раза быстрее, чем нейтральный, способствуя усилению эмоциональной вовлеченности потребителя**.

Преодоление ограничений структурных моделей. Классические модели не учитывают группы пользователей, изолированные из-за когнитивных предубеждений (эхо-камеры) и динамику интересов пользователей под влиянием внешних событий.

Повышение точности прогнозирования. Внедрение когнитивных параметров в имитационные модели снижает ошибку прогноза охвата аудитории [5].

Модификация модели распространения информации с учетом когнитивных факторов личности будет учитывать следующие особенности для каждого участника сети: уровень доверия к источнику, эмоциональная восприимчивость и склонность к когнитивным искажениям.

Для учета когнитивных факторов введены следующие параметры:

1. Уровень доверия к источнику. Для данного параметра примем два состояния: высокое доверие (вероятность передачи информации увеличивается на 20%) и низкое доверие (вероятность уменьшается на 30%) [6].
2. Эмоциональная восприимчивость. Для данного параметра примем два состояния: позитивный контент (вероятность передачи информации увеличивается на 15%) и негативный контент (вероятность передачи уменьшается на 10%) [7].
3. Склонность к когнитивным искажениям (эхо-камеры). Если участники взаимодействуют только с теми, чьи взгляды совпадают с их собственными, вероятность передачи внутри группы увеличивается на 25%, а вероятность передачи вне группы уменьшается на 40% [8].

Для оценки изменения вероятности передачи информации в социальной сети с учетом когнитивных навыков используется алгоритм, представленный авторами В.А. Бадрызловым и В.В. Сидельцевым в работе «Оценка эффективности распространения информации в социальных сетях с использованием имитационного моделирования» [4].

Обсуждение

Проведено 200 экспериментов для получения средних значений охвата сети, состоящей из 1 000 вершин, соединенных 2 977 ребрами [9]. Подсчет числа вершин, получивших информацию, проводился по окончании 10 шагов модельного времени, что соответствует 12 часам реального времени. Результаты эксперимента приведены в таблице.

По результатам моделирования можно сделать выводы, что учет когнитивных факторов существенно влияет на скорость, охват и достоверность построенной модели. При проведении рекламных кампаний посредством социальных сетей можно выделить следующие преимущества использования представленной модели:

1. Персонализация контента на уровне доверия. Первоначальное моделирование распространения рекламного сообщения позволит проверить правильность сегментирования аудитории и адаптировать сообщения: для лояльных пользователей использовать прямые призывы к действию, а для скептически настроенных – фокусироваться на доказательствах (статистика, отзывы, полезность).
2. Эмоциональная вовлеченность как драйвер виральности. Позволит проверить, как влияет эмоциональный окрас сообщений на скорость передачи рекламного сообщения, охват аудитории и выявить паттерны, которые резонируют с целевой аудиторией.
3. Преодолеть эхо-камеры сообществ. Для разработки кросс-групповых кампаний использовать инфлюенсеров (лица, мнение которых является важным для большого числа людей) с разнородной аудиторией (предлагать релевантный контент для интеграции в общий информационный поток).

Учет когнитивных факторов в моделировании социальных сетей значительно повышает реалистичность прогнозов, влияя на скорость, охват и достоверность распространения информации. Персонализация контента, эмоциональная вовлеченность и преодоление эхо-камер через кросс-групповое взаимодействие позволяют оптимизировать рекламные кампании, усиливая их виральность и эффективность. Интеграция данных подходов в стратегии продвижения обеспечивает гибкую адаптацию к аудиторным предпочтениям, минимизируя риски игнорирования ключевых поведенческих паттернов.

Заключение

Проведенное исследование демонстрирует значимость интеграции когнитивных факторов в графовые модели для анализа распространения информации в социальных сетях.

Модификация классической модели Барабаши–Альберт за счет введения параметров доверия к источнику, эмоциональной восприимчивости и учета эхо-камер позволила существенно повысить реалистичность прогнозов. Экспериментальные данные подтвердили, что учет когнитивных профилей участников увеличивает точность оценки охвата аудитории: при высоком доверии и позитивном контенте вероятность передачи информации возрастала на 38%, а внутри эхо-камер – на 25%, что коррелирует с реальными паттернами взаимодействия пользователей.

Практическая ценность исследования заключается в оптимизации маркетинговых стратегий через персонализацию контента, управление эмоциональным вовлечением и преодоление информационной изоляции сообществ. Например, сегментирование аудитории по уровню доверия позволяет адаптировать сообщения: для лояльных пользователей эффективны прямые призывы, для скептиков – аргументированные доказательства. Использование инфлюенсеров с разнородной аудиторией способствует интеграции контента в кросс-групповые потоки, минимизируя эффект эхо-камер.

Ограничением работы является статичность когнитивных параметров, не учитывающая их динамику под влиянием внешних факторов.

Перспективы исследования связаны с калибровкой эмоциональных коэффициентов для различных типов контента, а также анализом долгосрочных изменений когнитивных профилей. Дальнейшая верификация модели на реальных данных позволит уточнить ее применимость в условиях быстро меняющейся цифровой среды, усиливая потенциал борьбы с дезинформацией и повышая эффективность коммуникационных кампаний.

Источники

1. Маркетинг 4.0. Разворот от традиционного к цифровому: технологии продвижения в интернете / Ф. Котлер, Х. Картаджайа, А. Сетиаван; пер. с англ. М. Хорошиловой. – Москва: Эксмо, 2022. – 224 с. – ISBN 978-5-04-096861-9.
2. Боровских Н. В., Чижикова Т. А. Маркетинговая стратегия предприятия: обоснование и разработка в условиях цифровизации // Азимут научных исследований: экономика и управление. – 2023. – Т. 12, № 2(43). – С. 11–14. – DOI 10.57145/27128482_2023_12_02_02.
3. Barabási A.-L., Albert R. Emergence of scaling in random networks // Science. – 1 adverse 1999. – Vol. 286. – P. 509–512. – DOI: 10.1126/science.286.5439.509.
4. Бадрызлов В. А., Сидельцев В. В. Оценка эффективности распространения информации в социальных сетях с использованием имитационного моделирования // Креативная экономика. – 2018. – Т. 12, № 9. – С. 1359–1372. – DOI 10.18334/ce.12.9.39389.
5. Social influence dynamics for image segmentation: a novel pixel interaction approach / E. Cuevas, A. Luque, F. Vega [et al.] // Journal of Computational Social Science. – 2024. – Vol. 7. – P. 2613–2642. – DOI: 10.1007/s42001-024-00315-1.
6. Balaban D., Nedelcu D. The Role of Source Credibility and Message Credibility in Fake News Engagement. Perspectives from an Experimental Study // Journal of Media Research. – 2021. – Vol. 14. – P. 42–62. – DOI: 10.24193/jmr.41.3.
7. Berger J., Milkman K. L. What Makes Online Content Viral? // Journal of Marketing Research. – 2012. – Vol. 49, Is. 2. – P. 192–205. – DOI: 10.1509/jmr.10.0353.
8. Bakshy E., Messing S., Adamic L. A. Exposure to ideologically diverse news and opinion on Facebook // Science. – 2015. – Vol. 348. – P. 1130–1132. – DOI: 10.1126/science.aaa1160.
9. Свидетельство о государственной регистрации программы для ЭВМ № 2020614746 РФ. Генерация случайных графов с предпочтительным связыванием / В. А. Бадрызлов; заявитель ФГБОУ ВО «Омский государственный технический университет». – 2020.