Facebook:70万用户行为数据测试情绪传染

简介:

Facebook 的数据科学家在《美国国家科学院院刊》发布的一篇论文表明,人类的情绪在社交网络上具有传染性,但由于论文涉及的试验是在用户不知情的情况下篡改了其动态消息(News Feed),这也引发了不少的争议。


这项试验由 Facebook 的数据科学家 Adam Kramer 领衔,目标是研究社交网络(积极与消极)影响的传播方式,最终他们得出的结论是,“面对面互动和非语言线索并非情绪传染的绝对必要条件。”


为了验证假设,研究者挑选了 689003 名 Facebook 用户,然后分成两组,将其中一组用户的带消极情绪的帖子剔除,并将另一组用户带积极情绪的帖子剔除。试验为期一周,在 2012 年 1 月 11 日至 1 月 18 日间进行。研究结果表明,当用户看到朋友的情绪积极的帖子变少后,自己发布的积极帖子也会变少而消极帖子增多;反之亦然。


这表明用户在社交网络上的情绪具有传染性,也推翻了以往那种认为看到朋友积极的帖子会令人消极的观点。这次研究也表明,要想让用户感觉变好,社交网络可以在动态消息中多添加一些正能量。


但由于对动态消息的篡改是在用户不知情的情况下进行的,Facebook 的研究被披露后也引发了不少争议。不过根据用户签署的数据使用政策,Facebook 不需要用户另行签署表格才能进行试验。Adam Kramer 对此还在 Facebook 上发表了一篇据她称可充当官方声明的帖子,对此进行了解释。她说,Facebook 进行此项研究的目的是为了探究 Facebook 及其用户的情绪影响以便更好改进服务。研究涉及到的用户只有 0.04%,为期只有一周,而且尽管篡改了动态消息,但是用户的帖子在 Timeline 或重新加载动态消息都可以看到。不过尽管研究目标是为了改善 Facebook 的服务,但是也许这样并不能证明引发的焦虑是合理的。


另有报道,在Facebook有两类数据科学家:

第一类的主要职责是:测试新产品- 他们会把不同的FB产品呈现于不同用户面前,看大家的反应。通过分析硬性数据,判断某某产品的表现怎么样?哪些方面做得很好可以进一步发扬?另有哪些是可以改进的方向?


第二类的:他们的工作和研究成果主要呈现于各种权威的学术期刊上。要知道,Facebook握有现今最庞大的社会学数据库。而大多数时候,社交老大也愿意跟各个高等学府共享自己的数据资源。今天大家看到的这场隐私风波也没有例外;这场‘情感测试’实际是由Facebook和美国康奈尔大学的几名学者共同设计和实施。论文发表了之后,Facebook根本没料到公众的反应会辣么大。


原文发布时间为:2014-07-05

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
8月前
|
分布式计算 Shell MaxCompute
odps测试表及大量数据构建测试
odps测试表及大量数据构建测试
|
9月前
|
开发框架 .NET Java
C#集合数据去重的5种方式及其性能对比测试分析
C#集合数据去重的5种方式及其性能对比测试分析
109 11
|
9月前
|
开发框架 .NET Java
C#集合数据去重的5种方式及其性能对比测试分析
C#集合数据去重的5种方式及其性能对比测试分析
134 10
|
10月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法
在数据驱动时代,A/B 测试成为评估机器学习项目不同方案效果的重要方法。本文介绍 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,同时提供 Python 实现示例,强调其在确保项目性能和用户体验方面的关键作用。
316 6
|
11月前
|
机器学习/深度学习 监控 计算机视觉
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
本文介绍了如何使用YOLOv7进行目标检测,包括环境搭建、数据集准备、模型训练、验证、测试以及常见错误的解决方法。YOLOv7以其高效性能和准确率在目标检测领域受到关注,适用于自动驾驶、安防监控等场景。文中提供了源码和论文链接,以及详细的步骤说明,适合深度学习实践者参考。
2716 1
目标检测实战(八): 使用YOLOv7完成对图像的目标检测任务(从数据准备到训练测试部署的完整流程)
|
10月前
|
机器学习/深度学习 算法 UED
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段
在数据驱动时代,A/B 测试成为评估机器学习项目效果的重要手段。本文介绍了 A/B 测试的基本概念、步骤及其在模型评估、算法改进、特征选择和用户体验优化中的应用,强调了样本量、随机性和时间因素的重要性,并展示了 Python 在 A/B 测试中的具体应用实例。
234 1
|
11月前
|
存储 测试技术 数据库
数据驱动测试和关键词驱动测试的区别
数据驱动测试 数据驱动测试或 DDT 也被称为参数化测试。
201 1
|
11月前
|
SQL 分布式计算 Hadoop
Hadoop-14-Hive HQL学习与测试 表连接查询 HDFS数据导入导出等操作 逻辑运算 函数查询 全表查询 WHERE GROUP BY ORDER BY(一)
Hadoop-14-Hive HQL学习与测试 表连接查询 HDFS数据导入导出等操作 逻辑运算 函数查询 全表查询 WHERE GROUP BY ORDER BY(一)
161 4
|
11月前
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
770 0
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
|
11月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
377 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)