🔬 physics

Direct and Indirect Influence on Likes in Social Media

Unter Verwendung eines groß angelegten VKontakte-Datensatzes zeigt diese Studie auf, dass die Wahrscheinlichkeit eines Nutzers, einen Beitrag zu liken, primär durch direkte und indirekte soziale Ansteckung durch aktive Nachbarn innerhalb von zwei Trennungsgraden getrieben wird, wobei die strukturelle Diversität dieser aktiven Verbindungen als signifikanter Prädiktor für das Engagement dient.

Ursprüngliche Autoren: Ivan Kozitsin, Anton V. Proskurnikov

Veröffentlicht 2026-06-23

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ivan Kozitsin, Anton V. Proskurnikov

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich Ihren Social-Media-Feed wie einen riesigen, belebten Marktplatz vor. Sie stehen mitten in der Menge und sehen ein neues Poster (einen Post) an einer Wand. Die Frage, die diese Studie stellt, lautet: Was bringt Sie dazu, einen „Like“-Aufkleber auf dieses Poster zu kleben?

Die meisten Menschen nehmen an, dass es nur um Ihre direkten Freunde geht. Wenn Ihr bester Freund es mag, werden Sie es vielleicht auch tun. Aber diese Forschung, die im russischen sozialen Netzwerk VKontakte (ähnlich wie Facebook) durchgeführt wurde, geht tiefer und untersucht, ob auch Ihre „Freunde von Freunden“ (Ihre Verbindungen zweiter Grades) und die Struktur Ihres sozialen Kreises eine Rolle spielen.

Hier ist die Aufschlüsselung ihrer Ergebnisse unter Verwendung einfacher Analogien:

1. Das „Echo“ von Freunden von Freunden

Stellen Sie sich Ihr soziales Netzwerk wie einen Raum voller Menschen vor.

Direkte Freunde (Distanz 1): Das sind die Menschen, die direkt neben Ihnen stehen. Wenn sie klatschen, hören Sie es sofort.
Freunde von Freunden (Distanz 2): Das sind die Menschen, die neben Ihren Freunden stehen. Sie sind einen Schritt weiter entfernt.

Die Studie fand heraus, dass Sie sogar dann viel wahrscheinlicher selbst klatschen werden, wenn Ihre unmittelbaren Freunde noch nicht geklatscht haben, wenn Sie das Klatschen von den Leuten hören, die neben ihnen stehen.

Es ist wie ein Gerücht, das sich verbreitet. Vielleicht hören Sie es nicht von Ihrem besten Freund, aber wenn Sie von drei verschiedenen Personen in seinem Kreis von derselben Sache hören, denken Sie: „Oh, das muss wichtig sein“, und machen mit. Die Forscher fanden heraus, dass dieser „Sekundär-Einfluss“ sehr stark ist, selbst wenn Ihre direkten Freunde schweigen.

2. Der „überfüllte Raum“ vs. die „diverse Menge“

Die Forscher untersuchten, wie Ihre Freunde untereinander vernetzt sind.

Das „Clique“-Szenario: Stellen Sie sich vor, alle Ihre Freunde, die den Post gelikt haben, sind auch untereinander beste Freunde. Sie befinden sich in einem engen Kreis. Wenn sie alle darauf reagieren, ist es, als würde man dieselbe Botschaft von derselben Gruppe wiederholt hören.
Das „Diverse“ Szenario: Stellen Sie sich vor, Ihre Freunde, die den Post gelikt haben, stammen aus völlig unterschiedlichen Gruppen (verschiedene Schulen, Hobbys oder Nachbarschaften), die sich untereinander nicht kennen.

Die Studie ergab, dass Diversität wichtiger ist als die bloße Anzahl der Likes. Wenn Sie ein „Like“-Signal von fünf verschiedenen, nicht verwandten Gruppen erhalten, ist die Wahrscheinlichkeit, dass Sie den Post ebenfalls liken, viel höher, als wenn Sie fünf „Likes“ von einer einzigen, eng vernetzten Gruppe erhalten. Es ist der Unterschied zwischen dem Hören eines Liedes, das von einer Band in einem kleinen Raum gespielt wird, und dem Hören desselben Liedes, das von fünf verschiedenen Bands in fünf verschiedenen Städten gespielt wird.

3. Die „Super-Connector“-Metrik (Der $m^*$ -Index)

Die Forscher haben eine neue Art entwickelt, Einfluss zu messen, die sie den Extended Induced Index nennen.

Der alte Weg: Früher zählten sie, wie viele ihrer aktiven Freunde aktive Freunde hatten.
Der neue Weg (Die Entdeckung der Studie): Sie zählten die maximale Anzahl an aktiven Freunden, die über alle Ihre Freunde hinweg gefunden wurden, selbst diejenigen, die den Post noch nicht gelikt haben.

Denken Sie an das wie an ein Feuermeldesystem.

Die alte Methode prüfte nur, ob die Leute, die gerade „Feuer!“ schreien, auch Nachbarn hatten, die ebenfalls „Feuer!“ schreien.
Die neue Methode prüft, ob irgendjemand in Ihrem unmittelbaren Umfeld einen Nachbarn hat, der „Feuer!“ schreit, unabhängig davon, ob die Person neben Ihnen gerade schreit oder einfach nur da steht.

Sie fanden heraus, dass dieser „neue Weg“ der beste Prädiktor dafür war, ob Sie auf „Gefällt mir“ klicken würden. Er erfasst den „Buzz“ in der gesamten Nachbarschaft, nicht nur die Leute, die gerade laut schreien.

4. Die überraschende Wendung: Zu viele direkte Freunde können schlecht sein

Dies ist das kontraintuitivste Ergebnis.
Als die Forscher die Rohzahlen betrachteten, führte eine höhere Anzahl an direkten Freunden, die den Post gelikt hatten, dazu, dass Sie ihn eher ebenfalls liken würden. Jedoch, sobald sie die „Diverse Menge“ und den „Sekundären Buzz“ berücksichtigten, geschah etwas Seltsames: Zu viele direkte Freunde, die den Post gelikt hatten, senkten tatsächlich Ihre Chance, ihn zu liken.

Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Gespräch in einem lauten Raum zu verfolgen.

Wenn Ihre Freunde in verschiedenen Ecken des Raumes verteilt sind (Diversität), hören Sie die Neuigkeiten von überall her.
Wenn sich alle Ihre Freunde in einer winzigen Ecke zusammenballen (Hohe direkte Aktivität, geringe Diversität), könnte der Algorithmus der Plattform (die „Lärmmaschine“) denken: „Oh, diese Person interessiert sich nur für diese eine Ecke“, und hört auf, Ihnen Posts aus dem Rest des Raumes anzuzeigen.
Da Ihre Aufmerksamkeit begrenzt ist, verpassen Sie dadurch das breitere Signal. Die Studie legt nahe, dass, wenn Ihre direkten Freunde zu konzentriert sind, die Plattform Ihren Blick verengen kann, was Sie weniger wahrscheinlich dazu bringt, mit dem Post zu interagieren.

5. Die „Drei-Grade-Regel“

Es gibt eine berühmte Idee in der Soziologie, dass Einfluss bis zu drei Grades der Trennung reisen kann (Sie -> Freund -> Freund des Freundes -> Freund des Freundes des Freundes).

Das Urteil der Studie: In diesem spezifischen Datensatz stoppte die „Magie“ bei zwei Graden.
Der Einfluss von den Freunden Ihrer Freunde (Distanz 2) war stark und deutlich.
Der Einfluss von den Freunden der Freunde Ihrer Freunde (Distanz 3) war zu schwach, um ihn nachzuweisen. Es ist, als würde man versuchen, ein Flüstern aus drei Zimmern weiter zu hören; bis dahin ist das Signal bereits verflogen.

Zusammenfassung

Dieses Paper sagt uns, dass es bei sozialen Medien weniger darauf ankommt, wer einen Post liked, sondern vielmehr darauf, woher diese Likers kommen.

Sekundärer Einfluss ist real: Die Freunde Ihrer Freunde können Sie dazu bewegen, etwas zu liken, selbst wenn Ihre direkten Freunde es noch nicht getan haben.
Diversität gewinnt: Ein „Like“ aus vielen verschiedenen sozialen Kreisen zu erhalten, ist ein stärkerer Auslöser als viele „Likes“ aus einer einzigen Gruppe.
Der Algorithmus spielt eine Rolle: Das Ranking-System der Plattform verstärkt wahrscheinlich diese Effekte, indem es Ihnen Inhalte zeigt, mit denen Ihr weiteres Netzwerk interagiert, aber es könnte Inhalte verbergen, wenn Ihr unmittelbarer Kreis zu sehr „geklumpt“ ist.

Die Studie kommt zu dem Schluss, dass wir, um zu verstehen, warum wir auf „Gefällt mir“ klicken, über unsere unmittelbaren Freunde hinausblicken und das komplexe, diverse Netz der Verbindungen betrachten müssen, die uns umgeben.

Technisches Resümee: Direkter und indirekter Einfluss auf „Likes“ in sozialen Medien

Problemstellung
Diese Studie untersucht die Mechanismen der sozialen Ansteckung innerhalb von Online-Sozialnetzwerken, wobei der Schwerpunkt speziell auf dem „Like“-Verhalten von Nutzern der Plattform VKontakte (VK) liegt. Während die bestehende Literatur den Einfluss direkter Nachbarn (Distanz $d=1$ ) auf die Verhaltensübernahme bereits umfassend dokumentiert hat, bleibt das Ausmaß des indirekten Einflusses durch Freunde von Freunden (Distanz $d=2$ ) – insbesondere in großflächigen Umgebungen mit algorithmischer Inhaltskuratierung – weniger verstanden. Eine zentrale Herausforderung in diesem Bereich besteht darin, echten sozialen Einfluss von Störfaktoren wie Homophilie (der Tendenz ähnlicher Individuen, sich zu vernetzen) und plattformvermittelter Exposition (bei der Algorithmen Inhalte basierend auf der Netzwerkstruktur statt auf direkter Nutzerinteraktion präsentieren) zu unterscheiden. Die Autoren zielen darauf ab, zu bestimmen, ob die Wahrscheinlichkeit, dass ein Nutzer einen Beitrag „likt“, von der Aktivität von Sekundärnachbarn abhängt, selbst wenn die Aktivität direkter Freunde kontrolliert wird.

Methodik
Die Autoren verwendeten einen groß angelegten Datensatz bestehend aus etwa 290.000 Nutzern der Plattform VKontakte, wobei sie sich speziell auf die riesige zusammenhängende Komponente (Giant Connected Component) der Nutzer in der Oblast Tomsk, Russland, konzentrierten. Der Datensatz umfasst Freundschaftsbeziehungen und chronologische Aufzeichnungen von „Likes“ für 308 lokale Nachrichtenbeiträge, was insgesamt 36.286 Likes entspricht (19.599 davon von Nutzern innerhalb der analysierten Netzwerkkomponente).

Die Analyse verwendet eine Kombination aus deskriptiver Statistik und logistischer Regressionsmodellierung. Die wesentlichen methodischen Komponenten umfassen:

Netzwerkmetriken: Die Studie definiert und analysiert mehrere Metriken zur Quantifizierung der Nachbarschaftsaktivität:
- $k_1$ : Die Anzahl der aktiven direkten Freunde ( $d=1$ ).
- $k_2$ : Die Anzahl der aktiven Freunde von Freunden ( $d=2$ ).
- $s$ : Der Index der strukturellen Diversität, definiert als die Anzahl der zusammenhängenden Komponenten unter den aktiven Freunden.
- $m$ (Induzierter Index): Die maximale Anzahl aktiver Nachbarn unter den aktiven direkten Nachbarn eines Fokusknotens (folgend nach Xie et al., 2022).
- $m^*$ (Erweiterter induzierter Index): Eine neuartige Metrik, definiert als die maximale Anzahl aktiver Freunde über alle unmittelbaren Nachbarn eines Fokusknotens hinweg, unabhängig davon, ob diese Nachbarn selbst aktiv sind.
Regressionsanalyse: Die Autoren schätzten eine Sequenz von logistischen Regressionsmodellen, um die Wahrscheinlichkeit vorherzusagen, mit der ein Nutzer einen Beitrag „likt“. Diese Modelle bezogen progressiv Kovariaten ein, darunter $k_1$ , die Dichte der Verbindungen unter aktiven Freunden ( $\rho_1$ ), die strukturelle Diversität ( $s$ ) sowie verschiedene Formulierungen der Sekundäraktivität ( $k_2$ , $m$ , $m^*$ ).
Kontrollen und Filterung: Um die kausale Inferenz hinsichtlich des Zeitpunkts zu gewährleisten, wandte die Analyse eine chronologische Filterung an, die den Zustand der aktiven Nachbarschaft unmittelbar vor dem „Like“ eines Nutzers maß. Robustheitsprüfungen wurden durch die Stratifizierung der Daten nach Knotengrad und lokalen Clustering-Koeffizienten durchgeführt.

Wesentliche Beiträge

Einführung des erweiterten induzierten Index ( $m^*$ ): Die Arbeit schlägt $m^*$ als überlegene Metrik zur Erfassung indirekten Einflusses im Vergleich zum ursprünglichen induzierten Index $m$ und den Rohzahlen von $d=2$ -Knoten vor. Im Gegensatz zu $m$ , das an aktive direkte Nachbarn konditioniert ist, berücksichtigt $m^*$ die Sekundäraktivität, die über inaktive unmittelbare Nachbarn erreichbar ist, und erfasst somit Expositionswege, die für den ursprünglichen Index unsichtbar sind.
Empirische Validierung indirekten Einflusses: Die Studie liefert empirische Belege dafür, dass die Sekundäraktivität ( $d=2$ ) ein signifikanter Prädiktor für das „Liking“-Verhalten ist, selbst wenn man die Aktivität direkter Freunde kontrolliert.
Neubewertung direkter Nachbarschaftseffekte: Die Analyse zeigt ein kontraintuitives Ergebnis: Während die Rohzahl der aktiven direkten Freunde ( $k_1$ ) in der deskriptiven Statistik positiv mit dem „Liken“ assoziiert ist, wird ihr bedingter Koeffizient in Regressionsmodellen, die strukturelle Diversität und Metriken der Sekundäraktivität enthalten, negativ.

Ergebnisse

Sekundärer Einfluss: Es besteht eine substanzielle positive Assoziation zwischen der Sekundäraktivität und der Wahrscheinlichkeit eines „Likes“. Der erweiterte induzierte Index $m^*$ erwies sich als der stärkste Einzelprädiktor für das „Liking“-Verhalten und übertraf sowohl die Rohanzahl der aktiven Freunde von Freunden ( $k_2$ ) als auch den ursprünglichen induzierten Index ( $m$ ). Die Beziehung zwischen $m^*$ und der Wahrscheinlichkeit eines „Likes“ war nahezu linear.
Schwellenwerteffekte: Der ursprüngliche induzierte Index $m$ zeigte ein stufenweises Muster mit starken Anstiegen der Wahrscheinlichkeit eines „Likes“ bei $m=1$ und $m=3$ , was auf potenzielle lokale Verstärkungsschwellen hindeutet.
Strukturelle Diversität: Die Anzahl der zusammenhängenden Komponenten unter den aktiven Freunden ( $s$ ) war in Modellen, die $m^*$ verwendeten, positiv mit der Wahrscheinlichkeit eines „Likes“ assoziiert, was die Hypothese der strukturellen Diversität stützt.
Negative Assoziation direkter Nachbarn: In Modellen, die die strukturelle Diversität und die Sekundäraktivität kontrollierten, zeigte die Anzahl der aktiven direkten Nachbarn ( $k_1$ ) eine negative Assoziation mit der Wahrscheinlichkeit eines „Likes“. Die Autoren interpretieren dies nicht als Unterdrückungseffekt, sondern als Hinweis darauf, dass $k_1$ als Proxy für die Konzentration von Signalen innerhalb einer einzigen Gemeinschaft fungiert, was die wahrgenommene effektive strukturelle Diversität des Nutzers aufgrund begrenzter Aufmerksamkeit und Plattform-Ranking-Algorithmen potenziell reduziert.
Distanzabfall (Distance Decay): Sobald die Aktivitäten bei $d=1$ und $d=2$ berücksichtigt wurden, konnte für Knoten in der Distanz $d \ge 3$ keine signifikante Assoziation festgestellt werden.
Demografie: Das männliche Geschlecht war generell mit einer geringeren Wahrscheinlichkeit eines „Likes“ assoziiert, wobei dieser Effekt in Substichproben mit hohem Clustering oder hohem Grad variierte. Der Knotengrad war positiv mit der Wahrscheinlichkeit eines „Likes“ assoziiert.

Bedeutung und Behauptungen
Die Arbeit behauptet, empirische Unterstützung für Mechanismen der induzierten Perkolation in groß angelegten Online-Sozialnetzwerken zu liefern, indem sie zeigt, dass indirekte Einflusspfade (speziell $d=2$ ) eine zentrale Rolle bei der Gestaltung der Verhaltensdiffusion spielen. Die Autoren postulieren, dass die überlegene Erklärungskraft des erweiterten induzierten Index $m^*$ darauf hindeutet, dass plattformvermittelte Sichtbarkeitsmechanismen (wie Empfehlungs- und Ranking-Algorithmen) Nutzer Inhalten aussetzen, die von Freunden von Freunden unterstützt werden, selbst wenn keine direkten Signale von unmittelbaren Nachbarn vorliegen.

Die Studie kommt zu dem Schluss, dass die höhergradige Nachbarschaftsstruktur entscheidend für das Verständnis der Verhaltensdiffusion auf Online-Plattformen ist. Sie legt nahe, dass die „Three Degrees of Influence“-Hypothese Bestand haben könnte, aber das stärkste detektierbare nicht-lokale Signal in diesem Datensatz bei der Distanz $d=2$ konzentriert ist. Die Ergebnisse implizieren, dass soziale Ansteckung nicht nur eine Funktion des direkten Gruppendrucks ist, sondern signifikant durch die strukturelle Diversität des Netzwerks und die Sichtbarkeit von Sekundärverbindungen durch die Algorithmen der Plattform moduliert wird. Die Autoren merken an, dass ihre Interpretation der plattformvermittelten Exposition aufgrund des fehlenden Zugangs zu internen Ranking-Daten konjektural bleibt, die Ergebnisse jedoch mit solchen Mechanismen konsistent sind.