A Moods & Emotions „fertőző” a Facebookon?

Egyes híradások azt harsogják, hogy egy nemrégiben megjelent új tanulmány bebizonyítja, hogy a hangulatok „fertőzőek” az online közösségi hálózatokon, például a Facebookon. A tanulmány sajtóközleményének hangnemét és beszélgetési pontjait úgy tűnik, senki sem veszi a fáradságot, hogy elolvassa a tényleges tanulmányt, mielőtt beszámolna róla.

Nem szükséges azonban empirikus tanulmány annak megértéséhez, hogy hangulataink hatással vannak egymásra. Ha depressziós vagy, és a családoddal élsz, akkor a depressziós hangulat hatással lesz a családodra. Ha mániákus vagy és a barátaiddal lógsz, akkor valószínű, hogy a mániákus energia egy része megdörzsöli őket.

Arra számítanánk, hogy ugyanez fog bekövetkezni az interneten is, nem?

A tanulmány 3 év alatt a 100 legnépesebb városban élőktől gyűjtött adatokon készült a Facebookon 2009 januárjától 2012 márciusáig. Nem világos, hogy kinek az adatait gyűjtötték össze, mivel a kutatók nem mondják (amit furcsa dolog elhagyni) mivel feltételezzük, hogy kinek az adatait gyűjtöttük, fontos megjegyezni).

Mivel azonban a szerzők közül kettő akkor a Facebookon dolgozott, feltételezhetjük, hogy összegyűjtötték az összes amerikai felhasználót a legnépesebb városokban élő emberek adatairól. Tudtad, hogy beleegyeztél abba, hogy kutatást engedélyezz mindenről, amit feltöltöd a Facebookra, igaz?

Az elsődleges probléma azonban az online szöveget elemző kutatók kedvenceivé vált elemző eszköz - a LIWC - használata. A Linguistic Enquiry Word Count (LIWC) egy kezdetleges, kissé durva automatizált elemző eszköz a nyelv számára. Ezek nem az én szavaim - ezek a LIWC egyik alkotójának szavai (Tausczik & Pennebaker, 2010):

A számítógépes nyelvi intézkedések vonzereje ellenére ezek továbbra is meglehetősen nyersek. Programok
mint például a LIWC figyelmen kívül hagyja a kontextust, az iróniát, a szarkazmust és az idiómákat. (Kiemelés tőlem.)

Hmm ... ezek elég nagy dolgok, amelyeket ki kell hagyni a társadalmi, informális nyelv árnyalatainak és összetettségének elemzéséből, nem gondolja? Valójában a LIWC pontosságát más kutatók megkérdőjelezték a Twitter tweetjeinek legalább egy elemzésében (Gonzalez-Ibanez et al, 2011) 1

De ne hagyjuk figyelmen kívül azt a tényt, hogy a jelenlegi kutatók olyan nyers elemző eszközt használnak, amely általában nem alkalmas arra a célra, amelyre használják.

Nézzünk meg egy hipotetikus példát a Facebook állapotfrissítési interakciójára, hogy megértsük, miért nem valószínű, hogy a kutatók néhány feltevése ideális:

Te: Rossz napom van ... csak szeretném, ha ennek a napnak már vége lenne!

A barát: Oh wow, sajnálom, hogy ezt hallottam. Néhány nap valóban szívás.

B barát: Bummer, ez szar.

Az LIWC negatívnak minősítené ezt a cserét, két negatív válasz mellett.

De vajon az első bejegyzés valóban tett-e valamit a két válaszadó hangulatának befolyásolására?

Egyszerűen nem tudjuk. A LIWC nem tudja megmondani nekünk, mert nem igazán érti a társadalmi kontextust. Csak a negatív és pozitív szavak kezdetét érti.

Ez egy olyan tény, amely valóban számít?

Még akkor is, ha azt mondjuk, hogy a kutatók által megállapított hatás robusztus, mivel állításuk szerint (mert több százból egy változót irányítottak - az időjárást), ez nem tűnik túl fontosnak. Mekkora volt a hangulat „fertőzésének” ez a hatása?

Ha pozitívan posztolsz a Facebookon, több száz barátod között, a bejegyzésed további 1,75 pozitív bejegyzést generál. Ez nem csak 2 hozzászólás barátonként - ez csak 2 bejegyzés az összes barátod között. Ha az összes barátod összesen 50-100 állapotfrissítést tesz közzé naponta (nem ésszerűtlen mennyiség, mivel az átlagos barátok száma az embernek a Facebookon 338), ez valószínűleg kevesebb, mint 4 százalékos változás.

Ha negatívan posztol a Facebook-on, a bejegyzése csupán 1,29 további negatív bejegyzést generál - ismét, összesen, innen: összes a barátaid.3

Ezek a hatások nem tűnnek annyira nagynak, ha bármilyen valós kontextusba kerülnek. Ez olyan, mintha statisztikai szignifikanciát találna az adataiban, de semmi sem okozna klinikai (vagy valós) változást.

Amit a kutatók kimutathattak - ha kidobja a LIWC mint adatelemző eszköz korlátait, az az, hogy a megosztás megalapozza a megosztást az online közösségi hálózatokon. Ha megosztod, mint a pattogatott kukoricát, akkor mások azzal fognak csilingelni, hogy ők is szeretik a pattogatott kukoricát. Ha megosztod, a macskád a legaranyosabb dolog Barnie óta, nos, a macskád szerető barátai természetben válaszolnak.

És ha megosztja a hangulatállapotot a Facebookon, meglepetés, meglepetés, akkor mások is valamivel nagyobb valószínűséggel osztják meg az övéküket is. Vajon ez „megfertőzést” jelent? Nem valószínű.

A CBS sajtóközlemény-alapú jelentése: A Facebookon keresztül terjedő érzelmek fertőzőek - áll a tanulmányban

A Guardian más hírek regurgitálása a témában: Facebook továbbítja a ragályos érzelmeket

Hivatkozások

Corviello, L. és mtsai. (2014). Az érzelmi fertőzés észlelése a hatalmas közösségi hálózatokban. PLOS One.

Gonzalez-Ibanez, R. Muresan, S., és Wacholder, N. (2011). A szarkazmus azonosítása a Twitteren: Közelebbről.
A Számítástechnikai Nyelvészeti Egyesület 49. éves ülésének anyagai, 581-586.

Tausczik YR, Pennebaker JW (2010) A szavak pszichológiai jelentése: LIWC és számítógépes szövegelemzési módszerek. Nyelv- és szociálpszichológiai folyóirat 29 (1): 24–54.

Lábjegyzetek:

1. „Megállapítottuk, hogy az automatikus osztályozás ugyanolyan jó lehet, mint az emberi osztályozás; a pontosság azonban még mindig alacsony. Eredményeink megmutatják a szarkazmus osztályozás nehézségeit mind az emberek, mind a gépi tanulási módszerek esetében. " [↩]
2. A kutatók azzal indokolják a használatát, hogy „széles körben használják” az ilyen típusú szövegelemzéshez. Különös dolog egy tudományos cikkben olvasni, csak azért, mert valami népszerű nem teszi azt a megfelelő eszközévé. [↩]
3. Úgy tűnik, sok mainstream sajtóorgánum hibásan közli ezeket az adatokat, mondván, hogy egy negatív bejegyzés barátai 1,29 százalékán „terjed”. [↩]