Nesutarimų dinamika: didelės apimties laikinojo tinklo analizė atskleidžia neigiamą internetinio bendradarbiavimo sąveiką | mokslinės ataskaitos

Nesutarimų dinamika: didelės apimties laikinojo tinklo analizė atskleidžia neigiamą internetinio bendradarbiavimo sąveiką | mokslinės ataskaitos

Anonim

Dalykai

  • Sudėtingi tinklai
  • Informacinės technologijos
  • Informacijos teorija ir skaičiavimas

Anotacija

Nesutarimai ir konfliktai yra socialinio gyvenimo faktas. Tačiau neigiama sąveika retai būna aiškiai deklaruojama ir užfiksuojama, todėl mokslininkams sunku ją tirti. Siekdami suprasti neigiamos sąveikos struktūrinius ir laikinius bruožus bendruomenėje, naudodamiesi sudėtingais tinklo metodais analizuojame straipsnių redagavimo į Vikipediją grąžinimo laiko ir konfigūracijos modelius. Mes tiriame, kaip dažnai ir kaip greitai įvyksta poros grįžimų, palyginti su negaliojančiu modeliu, kad galėtume kontroliuoti modelius, kurie yra natūralūs turinio kūrimui arba atsiranda dėl vidinių Vikipedijos taisyklių. Mūsų rezultatai rodo, kad „Wikipedia“ redaktoriai sistemingai grąžina tą patį asmenį, grąžina savo keitiklį ir ateina ginti sugrąžinto redaktoriaus. Toliau šią sąveiką susiejame su dalyvaujančių redaktorių būsena. Nepaisant to, kad grįžtamasis ryšys nebūtinai yra neigiama socialinė sąveika, mūsų analizė rodo, kad redaktorių bendruomenėje egzistuoja tam tikri neigiamos socialinės dinamikos modeliai. Kai kurie iš šių modelių anksčiau nebuvo ištirti ir daro įtaką žinių rinkimo praktikai, vykdomai Vikipedijoje. Mūsų metodas gali būti pritaikytas kituose didelio masto laikino bendradarbiavimo tinkluose, siekiant nustatyti neigiamos socialinės sąveikos ir kitus socialinius procesus.

Įvadas

Per pastaruosius kelis dešimtmečius tinklo mokslas pastebimai patobulino mūsų supratimą apie žmogaus socialinės struktūros struktūrą ir dinamiką 1 . Vis dėlto didžioji dalis tyrimų buvo nukreipta į teigiamus santykius ir sąveiką, pavyzdžiui, draugystę ir bendradarbiavimą 2, 3 . Daug mažiau žinoma apie neigiamų socialinių sąveikų, tokių kaip nepasitikėjimas, nepritarimas ir nesutarimai, tinklus. Nors tokia sąveika nėra tokia dažna, ji daro didelę įtaką žmonių psichologinei savijautai, fizinei sveikatai ir darbo rezultatams. 4, 5, 6, 7, 8 .

Ankstesniame darbe buvo ištirti neigiami ryšiai socialiniuose tinkluose daugiausia iš struktūrinės pusiausvyros teorijos perspektyvos 9, 10, 11 . Remiantis šia teorija, socialinių tinklų, turinčių teigiamų ir neigiamų santykių, dar vadinamų „pasirašytais tinklais“, struktūra turėtų atitikti tokius principus kaip „mano draugo draugas yra mano draugas“ ir „mano draugo priešas yra mano priešas“ Empiriniais tyrimais nustatyta įrodymų, kad iš tiesų dominuoja subalansuotosios triados 12, 13, 14, kad pasaulinio tinklo struktūra yra linkusi būti subalansuota 15, 16 ir kad tinklai vystosi, kad padidintų savo pusiausvyrą 17 . Nors šis tyrimas parodo, kaip neigiami socialiniai santykiai sąveikauja su teigiamais socialiniais santykiais, mes vis dar labai mažai žinome apie neigiamų sąveikų struktūrą ir dinamiką. Pvz., Mes turime nedaug žinių apie tai, kokiu mastu sąveikos mechanizmai, kuriuos stebėjome pozityvioms sąveikoms, tokioms kaip tiesioginis abipusiškumas ir apibendrintas, arba abipusiškumas „mokėk, tai pirmyn“, pereina į neigiamą sąveiką.

Remdamiesi šiais savo žinių trūkumais, tiriame didelę internetinę bendradarbiavimo bendruomenę ir analizuojame įmokų sekų laiką ir konfigūraciją, kad nustatytume neigiamos vartotojų socialinės sąveikos modelius. Tokiose bendruomenėse vartotojai kartais atšaukia ar sumažina kitų vartotojų indėlį. Dažniausiai šiais veiksmais siekiama palaikyti ir patobulinti bendradarbiavimo projektą. Tačiau taip pat įmanoma, kad šie veiksmai yra socialinio pobūdžio. Nors mes negalime pasakyti, ar tam tikras su turiniu susijęs veiksmas yra nulemtas priešiškumo kitam vartotojui, visumoje galime ištirti tokių veiksmų dinaminius modelius, kad sužinotume, ar socialiniai procesai vyksta bendruomenėje, o jei taip, kokia jų forma. Tai mes čia darome.

Mes sutelkiame dėmesį į šešias sąveikas, iš kurių kiekviena yra dviejų su turiniu susijusių veiksmų tarp dviejų ar trijų vartotojų seka. Mes analizuojame šešias sąveikas kaip laikinus „motyvus“ 18, 19 . Palyginome stebimų motyvų dažnį ir dinamiką su gautais pagal nulinį modelį, be sistemingo grupių suskaidymo laiku, bet su lygiaverčiais dienos modeliais ir bendruomenės struktūra. Be to, mes tiriame su motyvais susijusius būsenos efektus, kur mes naudojame bendradarbio veiklos apimtį bendradarbiaujančioje platformoje kaip statuso pavardę. Mes patvirtiname, kad sąveika yra socialinė, jei atitinkamas motyvas rodo laiko modelius, kurie žymiai skiriasi nuo stebimų nuliniame modelyje, ir jei statuso poveikis atitinka mūsų lūkesčius, pagrįstus socialine psichologija ir ankstesnių tyrimų rezultatais. Norėdami pateikti turtingesnį stebėtų sąveikos modelių vaizdą, taip pat ieškome žymių kultūrinių efektų, susijusių su motyvais.

Mūsų duomenys yra iš Vikipedijos, didžiausios nemokamos prieigos internetinės enciklopedijos. Buvo atlikta daug tyrimų dėl Vikipedijos pateiktos informacijos, kokybės ir šališkumo 20, 21, 22, diskusijų ir temų bei straipsnių apie ją 23, 24. Vikipedija ir jos redaktorių bendruomenė taip pat buvo išsamiai ištirti, norint ištirti pagrindinius socialinius procesus. Pavyzdžiui, naudojant Vikipedijos bendruomenę kaip pavyzdį, ankstesni tyrimai parodė, kad socialinis atlygis pagerina individualias pastangas 25, kalbos pasirinkimas atskleidžia galios ryšius 26, sėkmė skatina sėkmę 27, o konfliktas gali būti ir produktyvus, ir priešingas 28, 29, 30 .

Vikipediją redaguoja milijonai savanorių. Paprastai redaktoriai prideda tekstą prie straipsnių, nušlifuoja esamą tekstą arba ištaiso nedideles klaidas. Tačiau kartais jie atstato kitus redaktorius - jie anuliuoja kitų redaktorių indėlį atkurdami ankstesnę straipsnio versiją. Galimybė „sugrąžinti“ redagavimą yra specifinė „Wikimedia“ programinės įrangos savybė, kuri iš pradžių buvo įdiegta kovojant su vandalizmu. Sugrįžimus yra techniškai lengva aptikti, neatsižvelgiant į kontekstą ir kalbą, todėl jie leidžia analizuoti visos sistemos mastu.

Nors grįžimai į Vikipediją yra skirti pagerinti enciklopedijos turinį, ankstesni tyrimai pripažino, kad jie taip pat gali reikšti neigiamą socialinę sąveiką. Remiantis viena perspektyva, grįžimas yra priežiūros darbai ir reiškia konfliktą bei koordinavimo sąnaudas 31, 32 . Remiantis kita perspektyva, pridėtų, ištrintų ir atkurtų žodžių skaičius gali būti naudojamas vizualizuoti redaktorių tinklo bipoliškumą už straipsnio, kuris savo ruožtu yra susijęs su suvokiamais 33 straipsnio ginčais. Tiesą sakant, informacija apie grįžimus gali būti naudojama nustatant straipsnių ginčus ir nagrinėjant redakcinius karus, susijusius su temomis ir straipsniais. 34, 35, 36 . Be to, grįžtamųjų ir neatšaukiamų taisymų laiko eilutės gali būti analizuojamos siekiant nustatyti konflikto ir bendradarbiavimo būsenas per straipsnio istoriją 37 . Grįžimas taip pat gali būti derinamas su kitais veiksmais, turinčiais neigiamą reikšmę Vikipedijoje, pavyzdžiui, balsavimu prieš redaktoriaus paaukštinimą administracijos lygiu, kad būtų galima daryti išvadą apie pasirašytą santykių tinklą 14 . Galiausiai, Vikipedijos grįžtamasis ryšys buvo panaudotas kuriant formalius matematinius nuomonės dinamikos modelius, paaiškinančius konfliktus bendrai veikiančioje aplinkoje apskritai ir už Vikipedijos platformos 38, 39 ribų .

Panašiai kaip ir ankstesniuose tyrimuose, mes pripažįstame, kad grįžimas nebūtinai yra socialiai motyvuotas, tačiau grįžimas, nuosekliai vykstantis tam tikruose modeliuose, gali būti neigiamos socialinės sąveikos požymiai. Apžvelgdami daugelį egzistuojančių tyrimų, analizuojame visų reversijų tinklų dinamiką, atsižvelgdami į įvairius laiko motyvus. Ankstesniame darbe buvo išanalizuotas redagavimo sekų ir redagavimo motyvų pasiskirstymas bei struktūra Vikipedijoje 40, 41 ir parodytas šio metodo potencialas atskleisti nežinomus internetinio bendradarbiavimo modelius. Mes čia taikome šį metodą grįžtamiesiems tik tam, kad atskleistų neigiamos sąveikos modelius Vikipedijoje. Mes taip pat pirmieji išanalizavome grįžtamųjų duomenų Vikipedijos, kaip socialinių tinklų, leidimus keliomis kalbomis. Tinklus, kuriuos mes analizuojame, sudaro maždaug 4, 7 mln. Grįžtamųjų duomenų per laikotarpį nuo 2001 m. Sausio mėn. Iki 2011 m. Spalio mėn. Čekų ir rumunų. Mūsų rasti įrodymai rodo, kad tam tikri socialiniai procesai trukdo tam, kaip deramasi žiniomis Vikipedijoje. Mūsų pasirinktas metodas gali būti taikomas kitiems internetinio bendradarbiavimo tinklams ir turinio bendruomenėms, kad būtų galima nustatyti panašių trukdžių buvimą.

Rezultatai

Norėdami sukurti grįžtamuosius tinklus, mes sukuriame nukreiptas nuorodas, pažymėtas laiko žymomis, einančias nuo grįžtamųjų prie grįžtančių vartotojų. Suvestiniai grįžtamųjų tinklų dydžiai įvairiomis kalbomis skiriasi nuo 4 019 iki 701 169 mazgų (1 lentelė). Visų tinklų vidutinis grupavimas ir abipusiškumas yra žymiai didesni nei tikėtasi paprastame atsitiktiniame grafike, kurio dydis ir tankis yra vienodi (šie rezultatai buvo patvirtinti eksponentinio-atsitiktinio grafiko modeliuose 42, 43, apie kuriuos čia nepranešta). Milžiniški tinklų komponentai turi trumpą kelią nuo 3, 04 iki 4, 16. Paskirstymas pagal laipsnį ir laipsnį yra nuodugnus, susidedantis iš kelių redaktorių su daugybe grįžimų ir daugelio redaktorių, turinčių tik kelis grįžtamuosius žodžius (papildomas S1 pav.). Be to, išorinio laipsnio asortimentas nukreiptuose tinkluose yra labai neigiamas, tai reiškia, kad dažnai grįžtantys vartotojai linkę sugrąžinti tuos vartotojus, kurie grįžta retai. Nėra įrodymų apie asortimento laipsnį laipsnyje.

Pilno dydžio lentelė

Mūsų analizė orientuota į laiko motyvus, kurie yra įvykių sekų klasės, panašios ne tik topologija, bet ir laikine įvykių tvarka 44 . Visų pirma, mes analizuojame dviejų įvykių laiko motyvus, kuriuose po A grįžta B , A vėl grįžta B ( AB-AB ), B grąžina A atgal ( AB-BA ), B grįžta C (AB-BC ), C grįžta B (AB-CB ), A grąžina C (AB-AC ), o C grąžina A (AB-CA ), kaip parodyta 1 pav. Norėdami identifikuoti motyvus, pažvelgiame į kiekvieną grįžimą ir nustatome, ar ir kada šios šešios formos atsiranda tik per 24 valandas. Atsakymas gali įvykti tame pačiame arba kitame straipsnyje. Be to, atsakas gali atsirasti iškart po pirminio grąžinimo arba, priešingai, keitiklis ir reversas gali būti įtraukti į kitus grįžtamuosius darbus tarp pradinio grąžinimo ir atsako.

Image

Rodyklė nuo A iki B reiškia, kad A grąžino B pateiktą turinį. Rodyklė viršuje arba kairėje rodo ankstesnį įvykį nei rodyklė apačioje arba dešinėje.

Visas dydis

2 paveikslas iliustruoja identifikuotus motyvus pavyzdyje iš anglų kalbos tinklo. Jei veiksmai laiko motyve yra socialiai motyvuoti, tada motyvas parodo tam tikrą socialinę sąveiką. Pvz., Jei B atšaukia A (AB-BA ) atšaukimą , tai gali reikšti „savigyną“ (atsisakyti „užpuolimo“) arba „kerštą“ (reaguoti į „užpuoliką“ tuo pačiu); jei B grąžins ką nors kitą po to, kai buvo grąžintas ( AB-BC ), tada tai gali būti keršto „sumokėk į priekį“ atvejis. Mūsų metodas neleidžia mums nustatyti tikslios socialinės sąveikos prasmės, nes labai sunku pateikti priežastinius teiginius stebėjimo duomenimis. Vietoj to mes ieškome įrodymų, kad sąveika yra socialinė. Manome, kad tokiu atveju laikinasis motyvas bus įprastas, greitai atsiras, bus susijęs su socialinio statuso padariniais ir galbūt bus susijęs su ryškiais kultūriniais skirtumais tarp redaktorių, dirbančių skirtingomis kalbomis. Taigi, mūsų analizė patikrina pagal niekinę hipotezę, kad šeši mūsų stebimi motyvai nėra socialiai motyvuoti ir kad jie neatsiranda dažniau nei atsitiktiniai atsitiktinumai ir kad jie nėra susieti su statuso padariniais, kaip prognozuojama socialinės psichologijos teorijose ir ankstesniuose tyrimuose.

Image

Šeši tiriamieji laikinieji motyvai yra koduojami spalvomis. Ryšio taškai iš keitiklio į grįžusį vartotoją. Mazgų plotas atitinka bendrą vartotojo atliktų pakeitimų skaičių. Grįžimas gali būti priskiriamas daugiau nei vieno motyvo daliai, tačiau pateikimo tikslais mes rodome tik vieną, su tokiu prioritetu: AB-AB , AB-BA , AB-AC , AB-CA , AB-CB , AB-BC . Tinklas nupieštas naudojant „Kamada-Kawai“ jėgos nukreiptą algoritmą.

Visas dydis

Taigi, norint nustatyti socialinės sąveikos įrodymus, mums reikia tinkamų niekinių modelių palyginimui. Pirma, jei motyvai atsiranda apgalvotai ir sistemingai, jie turėtų parodyti laiko modelius, kurie skiriasi nuo bet kokios atsitiktinės poros grįžtamųjų dalių kolekcijos. Paprastai, analizuojant motyvus, nulinis modelis yra tinkamas atsitiktinės imties empirinių duomenų variantas 18 . Null modelis, kurį naudojame, išsaugo tinklo struktūrą ir pagrindines laikinąsias ypatybes, tokias kaip sprogojimas, bet permaišo įvykių laiko žymenis pavieniams asmenims ir per 24 valandas. Maišymas vyksta su šiais apribojimais, siekiant išsaugoti bendruosius individualios veiklos modelius ir nustatyti kiekvieną socialinę sąveiką atsižvelgiant į šią tikėtiną įvykių seką.

Antra, jei motyvai atspindi socialinę sąveiką, jie turėtų parodyti socialinio statuso modelius, kurie skiriasi nuo tų, kurie siejami su bet kuriomis kitomis grįžtamųjų poromis. Mes remiamės bendromis socialinės psichologijos teorijomis ir ankstesniais tyrimais, norėdami nustatyti tikėtiną statuso poveikį daugumai mūsų tirtų sąveikų ir išbandome jas žemiau. Norėdami įvertinti būseną, naudojame bazinį dešimties taisymų, kuriuos redaktorius atliko iki aptariamo grąžinimo laiko, skaičiaus logaritmą. Ši priemonė turi nemažai privalumų, palyginti su alternatyviu statuso pritaikymu redaktorių bendruomenėje. Redagavimų skaičius suteikia mums gerai subalansuotą nuolatinį patirties ir darbo stažą, kurį lengva palyginti įvairiomis Vikipedijos kalbinėmis versijomis ir kurį galima naudoti per visą dešimties metų stebėjimo laikotarpį. Svarbu tai, kad buvo įrodyta, jog pataisų skaičius yra didžiausias numatymas paaukštinti iki administratoriaus statuso 45 .

Čia vizualizuojami tik didžiausio mūsų tiriamo tinklo, anglų kalbos Vikipedijos, rezultatai; kitų 12 tinklų rezultatai pateikiami papildomoje informacijoje. Kadangi mes išbandome kelias hipotezes keliuose dideliuose tinkluose, rezultatų reikšmingumą vertiname atidžiau tikrindami. Mes laikomės konservatyvaus požiūrio ir interpretuojame tik rezultatus, kurie yra nuoseklūs krypčiai ir reikšmingumui įvairiose kalbose ir operacijose (žr. Medžiagos ir metodai ). Daugelis kalbų pastebėtų skirtumų nėra patikimi dėl skirtingų operacijų, todėl, išskyrus keletą toliau paminėtų atvejų, kultūrinių skirtumų nepriskiriame skirtingiems rezultatams pagal kalbą.

AB-AB . Mūsų duomenimis, AB-AB motyvas yra dažnesnis ir su trumpesniu laiko tarpu tarp dviejų veiksmų, nei tikėtasi (3a pav.; Taip pat žr. Papildomą S2 pav., Papildomas lenteles S1 ir S2). Apskritai, aktyvesni ir patyrę redaktoriai daro daugiau grįžtamųjų ryšių, taigi grįžtamųjų keitiklių statusas yra aukštesnis nei sugrąžinto vartotojo. Tas pats pasakytina ir apie AB-AB motyvą, be jokių reikšmingų nukrypimų daugumoje kalbų (žr. Papildomą S8 pav. Ir papildomą S3 lentelę). Šis rezultatas šiek tiek stebina, nes tikėjomės, kad asmenys, kurie yra arčiau statuso, taigi, tam tikra prasme, ir konkurentai, labiau linkę vienas kitą pakartotinai grąžinti 46 .

Image

Rezultatai pateikiami Vikipedijos versijai anglų kalba. Punktyrine linija parodo vidutinį nulinio modelio lūkesčius (pirmieji du stulpeliai; klaidų juostos yra per mažos, kad būtų galima juos parodyti) arba visus kitus grįžimus (trečias stulpelis). Rezultatų dažnis kiekybiškai įvertinamas naudojant skaičiavimų z balus. Rezultato greičio rodikliai įvertinti kiekybiškai naudojant kelis matavimus: Kolmogorovo-Smirnovo testo statistinius duomenis, vidutinį laiką ir kreivumą. Būsenos rezultatai kiekybiškai įvertinami naudojant regresijos analizę su standartinėmis paklaidomis, pakoreguotomis klasterizuojant keitiklyje ir sugrąžintomis. a ) AB-AB laikinasis motyvas atsiranda dažniau ir greičiau reaguoja, nei tikėtasi. Reverterio ir sugrąžinto vartotojo statuso skirtumas yra žymiai didesnis anglų kalba, tačiau daugumai kalbų šis rezultatas nėra reikšmingas. b ) AB-BA motyvas yra labiau paplitęs ir vyksta greičiau nei tikėtasi. Rezultatai yra vienodi visomis kalbomis, išskyrus japonų ir kinų kalbas. Nepriklausomai nuo kalbos, dalyvaujantys redaktoriai turi žymiai mažesnius statuso skirtumus ir iš tikrųjų B vidutiniškai turi mažesnį statusą nei A. c ) AB-BC motyvas neatsiranda dažniau ir yra lėtesnis, nei tikėtasi. Statuso skirtumas tarp A ir B yra žymiai mažesnis ir iš tikrųjų neigiamas. d ) „ AB-CB“ motyvas nėra dažnesnis, nei tikėtasi, bet dažniausiai atsiranda greičiau. Nėra jokių duomenų apie būsenos poveikį, nes čia pastebėti angliškos Vikipedijos rezultatai nėra vienodi visose kalbose. e ) AB-AC motyvas neatsiranda dažniau ir iš tikrųjų yra lėtesnis, nei tikėtasi. Reverterio ir grįžusio vartotojo būsenos skirtumas yra žymiai didesnis nei tikėtasi. f ) AB-CA motyvas pasitaiko dažniau, nei tikėtasi. Čia žymiai greičiau naudojama angliška Vikipedija, tačiau šis rezultatas nėra nei nuoseklus tarp kitų kalbų, nei tvirtas atsižvelgiant į skirtingus paskirstymo formos matmenis. Būsenos skirtumas tarp C ir A yra žymiai mažesnis, nei tikėtasi.

Visas dydis

AB-BA . AB-BA motyvas pasitaiko dažniau, o atsako dažnis (laiko tarpas tarp AB ir BA ) yra trumpesnis, nei sukuria nulinis modelis (3b pav.). Tačiau kinų ir japonų kalbose yra priešingai - AB-BA motyvas nėra dažnesnis, o reakcijos laikas yra žymiai ilgesnis nei tikėtasi (papildomas S3 pav.). Šių dviejų kalbų sugrąžinimo tinklai nei vienu kitu struktūriniu aspektu nesiskiria nuo kitų leidimų tinklų. Be to, jokių kitų nukrypimų, kuriuos tyrėme, tokių nukrypimų nepastebėta. Kadangi nėra konkrečios redakcijos taisyklės, kuri galėtų paskatinti šiuos nukrypimus, mes juos priskiriame kultūriniams skirtumams.

Socialinio palyginimo teorija teigia, kad žmonės stengiasi gauti tikslius savęs vertinimus ir dėl to yra linkę lyginti save su panašiais 47 . Bet kadangi dėmesys santykiniams rezultatams padidina konkurencingumo jausmą, panašių asmenų konkurencija yra stipresnė 48 . Iš tiesų, mes pastebime, kad visų kalbų vartotojai, įtraukti į AB-BA motyvą, paprastai būna arčiau būsenos, nei tikėtasi (papildomas S9 pav.). Tiesą sakant, vidutinis statuso skirtumas yra neigiamas, tai reiškia, kad A linkęs turėti žemesnį statusą nei B. Papildomos analizės rodo, kad būsenos efektą lemia tiek vienodos, tiek žemos būklės keitikliai (4 pav.).

Image

a ) Dėl AB-BA motyvo A, palyginti su visais kitais grįžtamaisiais, yra labiau lygus ar žemesnis nei B statusas. b ) AB-BC motyvui A yra labiau tikėtina, kad statusas yra lygus ar žemesnis nei B. c ) AB-AC motyvui A yra labiau tikėtina aukšta padėtis. d ) AB-CA motyvui C tikėtina, kad jo būklė bus lygi ar žemesnė nei A.

Visas dydis

Mes taip pat nustatėme, kad motyvas labiau tikėtinas tame pačiame straipsnyje, palyginti su pradine linija, sukurta atsitiktinai suporuojant kiekvieno mazgo grįžtamuosius elementus (papildoma S4 lentelė). Tai rodo, kad sąveiką daugiausia skatina „savisauga“, kai redaktorius A grąžina B , B grįžta. Nepaisant to, iki 50% grįžtamųjų dalių įvyksta skirtinguose straipsniuose.

AB-BC . AB-BC motyvas neatsiranda dažniau nei tikėtasi, o kai tai atsitinka, reakcijos laikas yra ilgesnis (3c pav.). Literatūroje teigiama, kad asmenys tai perveda žemesnio statuso asmenims 49, 50, tačiau šiuo atveju taip nėra. Vienintelis būsenos poveikis, kurį stebime, yra tas, kad B greičiausiai grąžins ką nors kitą, jei B grąžino žemesnės būklės vartotojas (papildoma S10 pav. Ir papildoma S3 lentelė).

AB-CB . AB-CB motyvas nėra dažnesnis (3d pav.), Nors kai jis atsitinka, jis atrodo šiek tiek greičiau (išskyrus arabų, kinų ir japonų vikipedijas; papildoma S2 lentelė). AB-CB motyve A ir C turi lyderio ir pasekėjo ryšį 51, o iš organizacijos teorijos mes žinome, kad racionalūs veikėjai mėgdžioja vienas kitą, kai nori išlaikyti santykinę konkurencinę padėtį 52 . Taigi mes tikėjomės, kad C greičiausiai konkuruoja dėl A statuso, tai reiškia, kad C statusas turėtų būti šiek tiek žemesnis nei A. Tačiau panašu, kad taip nėra (papildomas S11 pav. Ir papildoma S3 lentelė). Apskritai mes nerandame jokio reikšmingo statuso poveikio, susijusio su AB-CB motyvu.

AB-AC . Mūsų duomenyse AB-AC motyvas yra retas, o laiko intervalas tarp dviejų vienas po kito einančių veiksmų yra ilgesnis nei tikėtasi (3e pav.). Šio motyvo grąžinimus vykdo aukštą statusą turintys vartotojai žemos būklės vartotojams (papildomas S12 pav.). Žemos būklės vartotojai nedalyvauja tokiuose grįžtamuosiuose veiksmuose (4c pav.). Mes tikėjomės šių būsenos padarinių, nes žinome, kad vyresni Vikipedijos redaktoriai yra linkę ieškoti vandalų ir budėti dėl naujokų padarytų pakeitimų. Taigi nerandame įrodymų apie sistemingus serijinius išpuolius, o apie vyresnius redaktorius, „laikančius gatves švarias“.

AB-CA . AB-CA motyvas yra labiau paplitęs, nei tikėtasi, nors reagavimo greitis yra toks greitas, kaip tikėtasi. (3f pav.). Vidutiniškai C būklė yra žymiai prastesnė nei A ir B (papildomas S13 pav.). Vienas „ AB-CA“ motyvo aiškinimas yra tas, kad įvykus reversui, trečioji šalis įsikiša ir abejoja reverso autoritetu. A priori mes tikėjomės, kad aukštesnio statuso redaktorius labiau ginčys kito redaktoriaus nuomonę. Mūsų pastebėti statuso efektai, priešingai, rodo, kad „trečiųjų šalių gynyba“ įvyksta dėl drąsių naujokų, o ne dėl patyrusių ir nusistovėjusių vartotojų.

Diskusija

Didelio masto savanorių bendradarbiavimas internete suteikia daug informacijos, kurią mes gauname, ir programinės įrangos produktų, kuriuos naudojame šiandien. Pakartotinis šių savanorių bendravimas taip pat paskatino bendruomenes, turinčias bendrą tapatumą ir praktiką. Šių bendruomenių socialinė sąveika savo ruožtu gali paskatinti šališkumą ir subjektyvumą bendradarbiaujančioms viešosioms gėrybėms. Taigi šiose bendruomenėse svarbios socialinės sąveikos nustatymas yra svarbus pirmasis žingsnis siekiant suprasti mūsų vartojamo turinio ir produktų šališkumą.

Bendradarbiavimo internetinėse bendruomenėse žmonės kartais gali neigiamai vertinti kitų žmonių indėlius ar net jų atsisakyti. Šie veiksmai gali būti susiję su bendradarbiavimo projektu, tačiau taip pat gali reikšti neigiamą asmenų socialinę sąveiką. Norėdami geriau suprasti pastarąjį, mes čia pasiūlėme ištirti su turiniu susijusių veiksmų sekų laiko ir struktūrinius modelius.

Norėdami parodyti šį požiūrį, mes analizavome šešis laiko motyvus grįžtamųjų žodžių tinkle tarp Vikipedijos redaktorių. Mes radome įrodymų, kad „Wikipedia“ redaktoriai sistemingai grąžina tą patį asmenį, grąžina savo keitiklį ir ateina ginti sugrąžinto redaktoriaus. Neradome įrodymų, kad jie „moka į priekį“ atšaukimą, derina veiksmus su kitais, norėdami atstatyti redaktorių ar nuosekliai pakeisti įvairius redaktorius. Be to, mes nustatėme, kad grįžtamųjų žodžių grįžimas paprastai būna panašus į statusą, tuo tarpu tie, kurie keičia kitų grįžtamuosius, paprastai būna žemos būklės. Be to, aukšto lygio bendraautoriai yra labiau linkę dalyvauti serijiniame grąžinime. Iš esmės, jei vyresnieji Vikipedijos redaktoriai atsistato, jie gali tęsti ir atšaukti ką nors kitą, juos gali grąžinti žemo statuso bendradarbiai arba jie gali būti sugrąžinti, jei jų atstatytas redaktorius turi vienodą statusą.

Kai kurie mūsų atradimai yra intuityvūs Vikipedijos struktūros ir struktūros kontekste. Pvz., Budrumas yra įprastas Vikipedijoje, visų pirma vyresnieji redaktoriai visada ieško galimų vandalų ar naujokų, kuriems nesąmonė. Taigi nenuostabu, kad serijiniai grįžimai nėra sistemingi, o daugiausia vykdomi vyresniųjų redaktorių. Taip pat yra aiškių Vikipedijos taisyklių, kurios atgraso nuo serijos grąžinimo; Visų pirma, „trijų grąžinimo taisyklė“ draudžia redaktoriams per 24 valandas tame pačiame puslapyje atlikti daugiau nei tris grįžimus.

Vikipedijos kontekste taip pat pateikiami alternatyvūs kai kurių mūsų išvadų paaiškinimai. Pavyzdžiui, rezultatas, kad „trečiųjų šalių gynėjai“ paprastai yra žemo statuso, gali būti dėl kojinių marškinėlių, kurie nurodo praktiką vikipedijoje tvarkyti kelias paskyras, siekiant nutraukti diskusijas ar išvengti redakcinių apribojimų. Jei taip būtų, vyresnieji redaktoriai sistemingai turėtų antrines paskyras, kuriomis jie naudotųsi, norėdami grąžinti atliktus pakeitimus iš savo pagrindinės paskyros. Tokių atvejų neabejotinai pasitaiko mūsų duomenyse. Nepaisant to, nemaža dalis šio slapto elgesio taip pat galėjo vykti per anonimines paskyras, o mūsų analizė tą neįtraukė. Būsimi tyrimai turėtų ištirti, ar kojinių marionetės iš tikrųjų diktuoja mūsų pastebėtus modelius.

Vis dėlto kai kurie mūsų atradimai yra netikėti. Pvz., Nors redakciniai karai ir pirmyn-atgal konfliktai buvo išsamiai nagrinėjami anksčiau, mes nustebome pastebėję, kad grįžtamojo ryšio abipusė taikymas yra įprastas, išskyrus Japonijos ir Kinijos Vikipedijos leidimų redaktorius. Japonų ir kinų kultūros yra žinomos kaip „garbės-gėdos kultūros“, taigi vienas patikimas paaiškinimas yra tas, kad šių kalbų redaktoriai vengia tiesioginio konflikto, bijodami ostrakizmo 53, 54 . Apskritai daugumą skirtumų pagal kalbą mes traktavome kaip patikimumo testą, nes pripažįstame, kad daug hipotezių testuojantys dideli duomenų kiekiai gali duoti reikšmingų rezultatų abiem kryptimis 55 . Nepaisant to, verta naudoti tvirtesnius metodus, norint konkrečiai ištirti bet kokius kultūrinius skirtumus tarp skirtingų Vikipedijos kalbų bendruomenių.

Apskritai, mūsų tikslas buvo kiekybiškai įvertinti, kokią įtaką tam tikros neigiamos socialinės sąveikos rūšys turi internetinėse bendradarbiaujančiose bendruomenėse, pasinaudodamos konkrečiu Vikipedijos pavyzdžiu. Mes savo analizę sutelkėme į makro lygmenį ir todėl, be abejo, trūksta niuansinio supratimo, kad tiršti etnografiniai aprašymai gali duoti 56 . Nepaisant to, mūsų išvados suteikia pagrindą ir, tikiuosi, įkvėpimą tokiems tikslingesniems tyrimams ateityje. Mūsų išvados, kad tam tikros neigiamos socialinės sąveikos ir statuso sumetimai trukdo kurti žinias Vikipedijoje, turi praktinių reikšmių tiek turinio kokybės kontrolei, tiek produktyvaus redaktorių dalyvavimo Vikipedijoje palaikymui. Ateityje atliekant mokslinius tyrimus reikėtų naudoti nuodugnesnę mažesnio masto analizę, kad būtų patikrintos ir pagrįstos išvados.

Nors mūsų tyrimas atskleidė naujų žinių apie neigiamos sąveikos struktūrą ir dinamiką Vikipedijoje, mūsų išvados automatiškai neišplečiamos į kitas socialines sistemas. Vis dėlto derinant su Keegan ir kt . 41, mes tvirtai tikime sekos ir laiko motyvų analizės tyrimų galimybėmis, kad būtų galima išryškinti šią tyrimo problemą. Taigi būsimi tyrimai turėtų pritaikyti mūsų požiūrį į atvirojo kodo programinės įrangos projektus ir skelbimų lentų tipo sistemas, kad būtų galima ištirti, kokiu mastu mūsų išvados yra apibendrintos kitose bendradarbiaujančiose bendruomenėse internete.

Metodai

Vikipedijos duomenys

Mūsų duomenys nurodo, kas ką, kada ir kuriame straipsnyje pakeitė. Norėdami gauti šią informaciją, mes išanalizavome Vikipedijos XML sąvartynus (//dumps.wikimedia.org/mirrors.html) iš 13 tirtų kalbų leidimų. Norint aptikti atkurtas straipsnio versijas, buvo apskaičiuotas maišas visam straipsnio tekstui po kiekvienos versijos, o maišos buvo lyginamos tarp taisymų. Norėdami sukurti tinklą, mes manėme, kad nuoroda eina iš redaktoriaus, kuris atkūrė ankstesnę straipsnio versiją („keitiklis“), į redaktorių, kuris taisė iš karto po tos versijos („sugrąžino“). Alternatyviam pritaikymui mes galėjome sukurti nuorodas iš keitiklio į kiekvieną redaktorių, kuris peržvelgė laiką nuo atkurtos versijos iki grąžinimo, tačiau tai būtų sukūrę žymiai tankesnius tinklus.

Tada sugrąžinti tinklai buvo genimi pašalinant savaiminius grąžinimus ir pašalinant anoniminius vartotojus, vandalus ir robotus, taip pat visus gautus izoliatus. Mes nustatėme, kad anoniminiai vartotojai yra redaktoriai, kurie nenaudojo registruoto vartotojo vardo, kad sugrąžintų duomenis (vietoj jų yra IP adresas), ir vandalai kaip redaktoriai, kurių visus pakeitimus anuliavo kiti. Pastaroji taisyklė reiškė, kad mes taip pat atsikratėme naujokų, kurie atsiribojo ir paliko Vikipediją po to, kai buvo grąžinti visi jų pradiniai įnašai. Kadangi mus domina socialinė sąveika, atsirandanti dėl pakartotinės veiklos, mes netikime, kad šis sprendimas turi įtakos mūsų rezultatams. Norėdami pašalinti robotus, Vikipedijos duomenų bazėje (nuo 2015 m. Rugpjūčio 6 d.) Nustatėme visas paskyras, kuriose yra robotų būsena (//en.wikipedia.org/wiki/Wikipedia:Bots/Status). Be to, pašalinome visas paskyras su naudotojo vardu, turinčiomis skirtingus žodžio „bot“ rašybos variantus.

Nulis modelis

Jau egzistuoja daugybė pažangių statistinių metodų tinklo duomenims analizuoti, tačiau jie nėra pritaikyti dideliems augančiams tinklams, stebimiems ilgą ištisinį laikotarpį. Eksponentiniai atsitiktinio grafiko modeliai (ERGM) negali atsižvelgti į sąveikų laiką, nes jie išreiškia agreguotų tinklų ar tinklų, stebimų vienu metu, struktūrines savybes 42 . Plėtiniai, tokie kaip laikini ERGM 57 ir stochastiniai aktoriais pagrįsti modeliai 58, atspindi tinklo dinamiką, tačiau vis dėlto apsiriboja santykinai mažais tinklais, turinčiais fiksuotą mazgų rinkinį ir laikui bėgant keletą „momentinių nuotraukų“.

Norėdami nustatyti statistinį mūsų stebėjimų reikšmingumą, naudojame nulinį modelį, sukurtą atsitiktinai parinkdami pagrindinį tinklą. Atsitiktinės atrankos būdu reikia išsaugoti kasdienį tinklo modelį ir bendruomenės struktūrą, tuo pačiu pašalinant bet kokį sistemingą grupavimą į įvykių, kuriuose dalyvauja individas, laiką, nes mes manome, kad tokie grupavimo įrodymai yra socialinis procesas. Taigi tinklo struktūrą neatsitiktinai atrenkame, o tik nustatome įvykių laiką. Yra keli galimi būdai, kaip tai padaryti 18, 59 . Pirma, galima pamaišyti visą įvykių seką, tačiau tai sunaikina individualius veiklos modelius ir padidina asmens veiklos laiko kitimą, nes daugelis redaktorių prisijungė prie Vikipedijos tik ribotam laikotarpiui, o judesys trunka beveik 11 metų. Atskiri veiklos modeliai gali būti išsaugoti, jei atsitiktinumas vietoje pakartotinai atrenka du atsitiktinius mazgus, turinčius vienodą įvykių skaičių, ir keičiasi įvykių laiko seka. The same could be achieved by shuffling within shorter periods of time, say 24 or 168 hours.

In addition to swapping and shuffling within a node, one can swap and shuffle within dyad, only within a node's in-links, or only within a node's out-links. These methods preserve the activity patterns characteristic for dyadic exchange, individual “visibility”, and individual activity, respectively. However, in this way they also restrict the baseline to these narrow scopes. For example, swapping within dyads would compare the occurrence of the AB-AB motif to the AB-BA motif but would not answer whether either of them is more common than chance.

To account for these potential caveats, we choose to use as a baseline a shuffle of the timestamps of events within individuals and within a window of 24 hours. For each link l , we look at the source i and collect other links in which i participated (as either source or target) up to 24 hours before or after l . We then swap l ’s time with the time of one of these links selected at random; if the set of candidate links is empty, no swap occurs. We shuffle within individuals to preserve individual activity patterns and to identify each social interaction against this expected sequence of events. We execute the shuffle within a limited time window to preserve the duration of activity per individuals. The time window should be at least 24 hours to allow for interactions between editors from different time zones and with different daily routines. We found that a time window on the order of 24–240 hours produces similar results. Hence, we chose 24 hours as this is the time window we use to define the social interactions.

In short, our shuffling method does not change the structure of the network (who reverts whom), which implies that it preserves the community structure centered around articles and topics. Neither does the method change the overall sequence of timestamps, thus preserving any natural burstiness of activity due to editors being in the same time zone or due to the occurrence of news-worthy events, for example. In contrast, the method deliberately shuffles the sequence of reverts that an editor is involved in, thus removing any individual behavioral patterns.

Statistiniai testai

The shuffled network provides us with an expected distribution for each interaction over the period of 24 hours. Comparing the weight of the distribution in the observed data with that in multiple shuffled realizations of the network can tell us the extent to which the interaction is more common than expected. Similarly, comparing the shape of the distribution can tell us the extent to which the interaction occurs at a faster rate than expected. To quantify the comparison, we estimate the z -score as follows:

Image

In equation (1), X D is the relevant statistic in the data (for example, count or mean), X R is the same statistic in the shuffled networks, μ is the mean, and σ is the standard deviation.

The statistic we use for frequency is the count of events (Supplementary Table S1). Two statistics we use for rate include the mean and skewness. Alternatively, to compare the shapes of two distributions, we also conduct a two-sample Kolmogorov-Smirnoff (KS) test between the data and one randomly chosen baseline generation. The KS test measures the maximum area deviation between the two normalized cumulative distributions. The sign of the KS statistic tells us the direction of the difference while the p -value tells us the likelihood of the observed distance given the null hypothesis of the distributions being the same. The problem with the KS test is that it is extremely sensitive to small deviations and thus overestimates the significance of the differences. Hence, we use the signed KS statistic to report the results but we use the mean and skewness z -scores to discuss their significance. Overall, the results are similar in terms of direction across the three statistics (Supplementary Table S2).

Statusas

To investigate the effect of status in the interactions, we operationalize status as the base-ten logarithm of the number of edits the editor has completed by the time of the revert under question. We transformed the number of edits with the logarithm because they follow a power-law distribution (Supplementary Fig. S18). As a result, the difference in status can then also be expressed as the base-ten logarithm of the ratio of number of edits. To find evidence that status plays a role, we need to compare the status difference in the focal interaction with the status difference in any other revert. The observations are not independent across and within these two groups, however, but nested within individuals. To account for this, we execute regression analyses with standard errors adjusted for clustering within reverter and reverted (Supplementary Table S3).

Papildoma informacija

How to cite this article : Tsvetkova, M. et al . Dynamics of Disagreement: Large-Scale Temporal Network Analysis Reveals Negative Interactions in Online Collaboration. Mokslas. Rep. 6, 36333; doi: 10.1038/srep36333 (2016).

Leidėjo pastaba: „ Springer Nature“ išlieka neutralus paskelbtų žemėlapių jurisdikcijos reikalavimų ir institucinių ryšių atžvilgiu.

Papildoma informacija

PDF failai

  1. 1.

    Papildoma informacija

Komentarai

Pateikdami komentarą jūs sutinkate laikytis mūsų taisyklių ir bendruomenės gairių. Jei pastebite ką nors įžeidžiančio ar neatitinkančio mūsų taisyklių ar gairių, pažymėkite, kad tai netinkama.