D-MODD: A Diffusion Model of Opinion Dynamics Derived from Online Data

Dieser Artikel stellt D-MODD vor, das erste datengetriebene stochastische Modell in kontinuierlicher Zeit, das aus longitudinalen Social-Media-Daten abgeleitet wurde und reale Meinungsdynamiken zu polarisierten Themen mithilfe einer Langevin-artigen Gleichung mit empirisch rekonstruierten Drift- und Diffusionsfunktionen präzise beschreibt.

Das Wesentliche

Das große Ganze: Die „Wetterkarte" der Meinungen

Stellen Sie sich das Internet als einen riesigen, chaotischen Ozean vor, auf dem die Meinungen der Menschen wie Boote auf dem Wasser treiben. Normalerweise gehen wir davon aus, dass diese Boote zufällig treiben, angetrieben von jeder Welle und jedem Windstoß (ein Tweet, eine Nachrichtenschlagzeile, ein Kommentar eines Freundes).

Dieses Papier stellt eine einfache Frage: Gibt es eine verborgene Karte oder eine Reihe unsichtbarer Strömungen, die diese Boote lenken, auch wenn sie so aussehen, als würden sie nur zufällig treiben?

Die Autoren, die Daten von Twitter (heute X) über den Klimawandel verwendeten, sagen ja. Sie entwickelten ein mathematisches Modell namens D-MODD (Diffusion Model of Opinion Dynamics Derived from Data), um zu beweisen, dass Online-Meinungen nicht einfach zufällig herumhüpfen; sie folgen spezifischen, vorhersagbaren Regeln, ähnlich wie Wasser, das einen Hang hinunterfließt.

Wie sie es taten: Die „Zeitreise"-Karte

Um diese Regeln zu finden, machten die Forscher nicht nur eine Momentaufnahme dessen, was die Menschen an einem Tag dachten. Stattdessen betrachteten sie einen „Zeitraffer-Film" von 57 Millionen Tweets über ein ganzes Jahr.

1. Die zwei Täler: Sie entdeckten, dass das „Ozean" der Meinung nicht flach ist. Es hat zwei tiefe Täler (oder Becken).
   • Ein Tal ist für Menschen, die an den Klimawandel glauben (Klimabefürworter).
   • Das andere Tal ist für Menschen, die ihn leugnen (Leugner).
2. Die unsichtbare Schwerkraft: Die meisten Meinungen rollen natürlich in eines dieser beiden Täler hinab und bleiben dort. Wenn jemand versucht, aus seinem Tal herauszutreiben, zieht eine unsichtbare „Schwerkraft" (die Drift) sie wieder hinein.
3. Das Wackeln: Während die Menschen in ihren Tälern bleiben, sitzen sie nicht völlig regungslos. Sie wackeln ein wenig herum. Dieses „Wackeln" ist die Diffusion. Manchmal sind die Wackler klein (stabile Meinungen), und manchmal sind sie groß (instabile Meinungen).

Die zwei wichtigsten Erkenntnisse

1. Die Regeln des Spiels (Die Drift und die Diffusion)

Die Autoren maßen genau, wie stark die „Schwerkraft" ist und wie sehr die Menschen „wackeln".

• Der Zug: Wenn Sie ein Klimagläubiger sind und jemand versucht, Sie davon zu überzeugen, den Klimawandel zu leugnen, zieht die „Schwerkraft" Ihrer Gemeinschaft Sie zurück auf Ihre Seite. Das Gleiche passiert mit Leugnern.
• Der Mittelweg: Es gibt einen flachen, instabilen Punkt genau in der Mitte (zwischen den beiden Tälern). Wenn Sie genau in der Mitte stehen, werden Sie wahrscheinlich schnell in eines der beiden Täler gedrückt. Es ist schwer, lange neutral zu bleiben.

2. Die „Sturköpfe" versus die „Wackeligen"

Dies ist der interessanteste Teil ihrer Entdeckung. Sie untersuchten, wer in welchem Tal lebt, und fanden einen großen Unterschied darin, wie „wackelig" sie sind.

• Die Klimaleugner (Der Fels): Die Menschen im Tal der Leugner sind wie schwere Felsbrocken. Sobald sie dort sind, wackeln sie kaum. Ihre Meinungen sind extrem stabil und konsistent. Das Papier fand heraus, dass viele dieser Accounts mit bestimmten politischen Gruppen verbunden sind (wie MAGA-Anhänger in den USA) und wie „sture" Akteure agieren, die selten ihre Meinung ändern.
• Die Klimabefürworter (Die Blätter): Die Menschen im Tal der Klimabefürworter sind eher wie Blätter im Wind. Sie sind immer noch im Tal, aber sie wackeln viel mehr herum. Ihre Meinungen schwanken stärker. Das Papier legt nahe, dass diese Gruppe viele Institutionen, Journalisten und Wissenschaftler umfasst, die eine breite Palette von Themen diskutieren, was ihr „Meinungssignal" lauter und weniger starr macht.

Die „Magie" des Modells

Die Forscher bauten eine Computersimulation (das D-MODD-Modell) unter Verwendung dieser realen Regeln.

• Sie fütterten das Modell mit den „Schwerkraft"- und „Wackel"-Regeln, die sie in den Daten fanden.
• Sie ließen den Computer eine gefälschte Simulation von Menschen laufen, die ihre Meinung ändern.
• Das Ergebnis: Die gefälschte Simulation sah fast exakt wie die echten Twitter-Daten aus.

Dies beweist, dass die Dynamik der Online-Meinung durch eine einfache Reihe mathematischer Gleichungen beschrieben werden kann (speziell eine Art von Gleichung, die in der Physik verwendet wird, um zu beschreiben, wie sich Teilchen bewegen). Das bedeutet, wir können vorhersagen, wie sich Meinungen bewegen, wenn wir das „Gelände" der Diskussion kennen.

Zusammenfassende Analogie

Stellen Sie sich die Klimadebatte als eine Bowlingbahn vor.

• Es gibt zwei Rinnen (die beiden extremen Meinungen).
• Die meisten Menschen sind Bowlingkugeln, die in einer der Rinnen stecken bleiben.
• Die Rinne der Leugner hat einen sehr klebrigen Boden; sobald die Kugel hineingerät, bewegt sie sich kaum noch.
• Die Rinne der Klimabefürworter hat einen etwas rutschigen Boden; die Kugel rollt ein wenig mehr herum.
• Die Mitte der Bahn ist eine Rampe, die die Kugel schnell in eine der Rinnen drückt.

Die Hauptleistung des Papiers besteht darin, genau zu messen, wie klebrig und rutschig diese Rinnen sind, und zu beweisen, dass selbst im Chaos der sozialen Medien eine verborgene, mathematische Ordnung darin existiert, wie wir streiten und uns einig werden.

Technische Zusammenfassung

Technische Zusammenfassung: D-MODD – Ein Diffusionsmodell der Meinungsdynamik abgeleitet aus Online-Daten

Problemstellung

Während Modelle der Meinungsdynamik (z. B. DeGroot, begrenzte Konfidenz, Wählermodelle) theoretische Rahmenwerke für das Verständnis von Konsens, Polarisierung und Echokammern geliefert haben, wurden nur wenige mit realen Zeitreihendaten kalibriert. Bestehende empirische Studien stützen sich häufig auf statische Umfragenaufnahmen oder aggregierte Sentiment-Maßnahmen und erfassen dabei nicht die kontinuierliche Entwicklung individueller Meinungen. Darüber hinaus fehlt es agentenbasierten Simulationen, obwohl sie in der Lage sind, emergentes Verhalten nachzubilden, oft an der Fähigkeit, die spezifischen stochastischen Gesetze zu identifizieren, die mikroskopische Verhaltensweisen steuern. Es besteht eine kritische Lücke in der Verknüpfung von Verhaltensspuren auf individueller Ebene mit makroskopischen Ergebnissen durch eine analytische, kontinuierliche Konzeptionierung. Dieser Beitrag adressiert die Herausforderung, ein stochastisches Modell für Meinungsdynamik zu einem polarisierten Thema unter Verwendung longitudinaler Social-Media-Daten empirisch abzuleiten.

Methodik

Datenerhebung und Vorverarbeitung

Die Studie nutzt den Climatoscope-Datensatz, der 57 Millionen Tweets aus dem Jahr 2022 zum Thema Klimawandel umfasst, die über die Twitter-Track-API gesammelt wurden. Der Datensatz zeigt eine stark polarisierte Landschaft zwischen Klimaskeptikern/Leugnern und pro-klimatischen Nutzern.

• Graphkonstruktion: Dynamische Interaktionsgraphen wurden unter Verwendung von Retweet-Netzwerken über Zeiträume von 3 Wochen mit einem 7-Tage-Schiebefenster konstruiert, was für das Jahr 50 Graphen ergab. Kanten repräsentieren Retweet-Anzahlen, gefiltert nach einem Schwellenwert ($>1$), um 691.993 eindeutige Nutzer einzubeziehen.
• Einbettung in den latenten Raum: Graphen wurden mittels node2vec eingebettet. Eine überwachte UMAP-2D-Reduktion wurde angewendet, trainiert auf „Ankerkonten" mit bekannten pro-klimatischen oder leugnenden Positionen.
• Koordinatentransformation: Eine lineare Transformation richtete die Schwerpunkte der pro-klimatischen und leugnenden Anker auf die Koordinaten $(+2, +2)$ bzw. $(-2, -2)$ aus. Dies schuf einen zweidimensionalen latenten Raum $O$, in dem die Nutzerkoordinaten $(x_i, y_i)$ ihren Meinungsstatus repräsentieren. Die erste Koordinate, $x(t)$, wurde aufgrund ihrer Stabilität und ihrer Rolle als dominante Trennungsachse als primäre kontinuierliche Meinungsvariable ausgewählt.

Validierung der abgeleiteten Meinungen

Die abgeleiteten Meinungstrajektorien wurden durch zwei Hauptmethoden validiert:

1. Vergleich mit Clustering: Ein Vergleich mit 27.700 Konten, die in einer früheren Studie [16] klassifiziert wurden, zeigte eine Übereinstimmung von 99 % für pro-klimatische Nutzer ($x > 1$) und 97 % für leugnende Nutzer ($x < -1$).
2. LLM-basierte Standpunkt-Klassifizierung: Eine unabhängige Validierung wurde mittels Llama-3.1 durchgeführt, um die Standpunkte ursprünglicher Tweets von zufällig ausgewählten Nutzern zu klassifizieren. Für Nutzer mit konsistenten textbasierten Standpunkten ($\pm 2$) zeigte die automatisierte dynamische Einbettung eine Präzision von 96 %.

Stochastische Rekonstruktion

Die Autoren berechneten die bedingten Momente der Meinungsinkremente $\Delta x = x_{t+\Delta t} - x_t$, um die Drift $A(x)$ und Diffusions $D(x)$-Funktionen zu schätzen:
$$A(x) = \frac{1}{\Delta t} \mathbb{E}[\Delta x \mid x_t = x]$$
$$D(x) = \frac{1}{2\Delta t} \mathbb{V}[\Delta x \mid x_t = x]$$
Diese empirischen Funktionen entsprechen den Koeffizienten eines Fokker-Planck-Operators, der die Evolution der Meinungsdichte $p(x,t)$ steuert.

Wichtige Beiträge und Ergebnisse

1. Das D-MODD-Modell

Der Beitrag stellt D-MODD (Diffusion Model of Opinion Dynamics Derived from Data) vor, ein kontinuierliches Zeit-Langevin-Modell, das direkt aus Verhaltenstrajektorien kalibriert wurde. Die Meinungsentwicklung für einen Nutzer $x(t)$ wird durch die stochastische Differentialgleichung beschrieben:
$$dx_t = F(x_t) dt + \sqrt{2D(x_t)} dW_t$$
wobei $W_t$ ein standardmäßiger Wiener-Prozess ist. Das Driftfeld $F(x)$ wird so modelliert, dass es die empirisch beobachteten rückstellenden Kräfte zu Attraktoren ($x^* = \pm 2$) bewahrt und gleichzeitig globale Stabilität gewährleistet:
$$F(x) = |A(x)| (x^* - x)$$
Der Diffusionsterm $D(x)$ erfasst zustandsabhängiges Rauschen und zeigt, dass Fluktuationen in der Nähe von Attraktoren minimal sind, sich jedoch in Bereichen verstärken, in denen die deterministischen rückstellenden Kräfte nachlassen.

2. Empirische Rekonstruktion von Übergangskernen

Zum ersten Mal in einem großen Online-Social-Network rekonstruierten die Autoren die vollständige bedingte Übergangswahrscheinlichkeit eines Schritts $P(x_{t+\Delta t} \mid x_t)$ direkt aus den Daten.

• Markovianische Validierung: Die Studie testete die Konsistenzbedingung von Chapman-Kolmogorov (CK). Der CK-vorhergesagte Zwei-Schritt-Kern stimmte eng mit dem empirischen Zwei-Schritt-Kern überein (durchschnittliche Wasserstein-1-Abweichung von 0,7 Bins), was direkte Beweise dafür liefert, dass die Meinungsdynamik auf kurzen Zeitskalen zu diesem polarisierten Thema eine Markovsche Beschreibung zulässt.
• Modelltreue: Das D-MODD-Modell reproduzierte erfolgreich den empirischen Übergangskern. Die Spektralanalyse der Übergangoperatoren zeigte eine hohe Überlappung zwischen den empirischen und den modellbasierten Eigenwertverteilungen (Wasserstein-Distanz $W_1 = 7,2 \times 10^{-3}$), was darauf hindeutet, dass das Modell die globale dynamische Struktur erfasst, einschließlich Relaxationszeitskalen und Mischungsverhalten.

3. Asymmetrie in der Meinungsstabilität

Die Analyse von Nutzerprofilen offenbarte eine signifikante Asymmetrie zwischen den beiden Attraktorbecken:

• Leugnender Attraktor: Nutzer im leugnenden Becken ($x < -1$) zeigten eine geringere Meinungsvariabilität (Standardabweichung $\langle \sigma_x \rangle = 0,89$) und extremere mittlere Meinungen ($\langle x \rangle = -1,95$). Eine manuelle Inspektion der stabilsten Konten (niedrigstes $\sigma_x$) identifizierte sie als vorwiegend US-basierte, MAGA-orientierte Personen mit harten, konsistenten Standpunkten.
• Pro-klimatischer Attraktor: Nutzer im pro-klimatischen Becken ($x > 1$) zeigten eine höhere Variabilität ($\langle \sigma_x \rangle = 1,21$) und etwas weniger extreme mittlere Meinungen ($\langle x \rangle = 1,86$). Konten mit hoher Variabilität waren oft institutioneller oder professioneller Natur (NGOs, Journalisten, Wissenschaftler) mit diversen Inhalten, was zu heterogeneren Interaktionsmustern führte.

Bedeutung und Behauptungen

Der Beitrag behauptet, den ersten direkten Nachweis zu erbringen, dass Online-Meinungsdynamik zu einem polarisierten Thema auf Operator-Ebene durch einen Markovschen Prozess beschrieben werden kann. Durch die Überbrückung von Soziophysik, Verhaltensdaten und Komplexsystem-Modellierung demonstrieren die Autoren, dass:

1. Effektive stochastische Operatoren: Reale Meinungsfluktuationen kein unstrukturiertes Rauschen sind, sondern einem kohärenten diffusionsähnlichen Prozess mit distincten Attraktorbecken und räumlich heterogenem Rauschen folgen.
2. Datengetriebene Kalibrierung: Das D-MODD-Framework ermöglicht es theoretischen Modellen, direkt gegen empirische Verhaltensdaten kalibriert, getestet und verfeinert zu werden, und geht damit über rein agentenbasierte Simulationen hinaus.
3. Mechanismus der Polarisierung: Die Studie legt nahe, dass die Persistenz der Polarisierung durch zustandsabhängige Variabilität getrieben sein könnte, wobei die „Sturheit" (geringe Variabilität) einer bestimmten Untergruppe (Leugner) ein stabileres Attraktorbecken schafft, das möglicherweise unabhängig von externen Informationssignalen die Konvergenz zum Konsens behindert.

Die Autoren schließen, dass dieser Ansatz ein rigoroses generatives Modell bietet, das mikroskopische Nutzertrajektorien mit einer kompakten makroskopischen Beschreibung verknüpft und die Grundlage für prädiktive Modellierung von Informationsflüssen und kollektivem Verhalten in großskaligen sozialen Systemen legt.