🌀 nonlinear sciences

Modelling the spillover from online engagement to offline protest: stochastic dynamics and mean-field approximations on networks

यह अध्ययन यह विश्लेषण करने के लिए एक युग्मित स्टोकेस्टिक मॉडलिंग ढांचे का प्रस्ताव करता है कि कैसे ऑनलाइन सोशल मीडिया जुड़ाव ऑफलाइन विरोध प्रदर्शनों में फैलता है, जो यह प्रदर्शित करता है कि ऑफलाइन उछाल एक महत्वपूर्ण ट्रांसमिशन दर सीमा पर निर्भर करता है और मीन-फील्ड सन्निकटन की सटीकता नेटवर्क घनत्व के अनुसार भिन्न होती है।

मूल लेखक: Moyi Tian, P. Jeffrey Brantingham, Nancy Rodríguez

प्रकाशित 2026-06-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Moyi Tian, P. Jeffrey Brantingham, Nancy Rodríguez

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि एक हाई स्कूल में कोई अफवाह फैल रही है। यह एक व्यक्ति द्वारा अपने दोस्त को फुसफुसाकर बताने से शुरू होती है, जो फिर दूसरे को बताता है, और जल्द ही आधा स्कूल इसके बारे में बात करने लगता है। अब, कल्पना कीजिए कि यह अफवाह केवल गलियारों तक ही सीमित नहीं रहती—यह खेल के मैदान तक पहुँच जाती है, जिससे एक विशाल, संगठित विरोध प्रदर्शन शुरू हो जाता है।

यह शोध पत्र मूल रूप से यह समझने के लिए एक गणितीय रेसिपी है कि ठीक इसी तरह का 'स्पिल-ओवर' (बहाव) कैसे होता है। लेखकों, तियान, ब्रिंगिंगहैम और रोड्रिगेज ने यह देखने के लिए एक कंप्यूटर सिमुलेशन बनाया कि कैसे "ऑनलाइन जुड़ाव" (जैसे सोशल मीडिया पर पोस्ट करना) "ऑफलाइन कार्रवाई" (जैसे सड़कों पर विरोध प्रदर्शन) में बदल जाता है।

उनके निष्कर्षों का विवरण यहाँ दिया गया, जिसे रोजमर्रा की अवधारणाओं में अनुवादित किया गया है:

1. दो-परत वाला केक (The Two-Layer Cake)

समाज को एक दो-परत वाले केक के रूप में सोचें।

ऊपरी परत (ऑनलाइन): यह डिजिटल दुनिया है। लोग या तो अरुचिपूर्ण (स्क्रॉल करते हुए आगे बढ़ जाना), जुड़े हुए (लाइक, शेयर करना, बहस करना), या उदासीन (रुचि खो देना और आगे बढ़ जाना) होते हैं।
निचली परत (ऑफलाइन): यह भौतिक दुनिया है। लोग या तो गैर-प्रदर्शनकारी (घर पर रहना) या प्रदर्शनकारी (सड़कों पर उतरना) होते हैं।

मुख्य प्रश्न यह है: ऊपरी परत से निचली परत में ऊर्जा कैसे स्थानांतरित होती है?

2. "स्पिलओवर" वाल्व (The "Spillover" Valve)

यह शोध पत्र एक महत्वपूर्ण "वाल्व" या ट्रांसमिशन दर की पहचान करता है। आइए इसे एक्शन बटन कहें।

यदि एक्शन बटन बहुत कमजोर है, तो लोग ऑनलाइन तो गुस्सा होंगे लेकिन घर से बाहर निकलने की जहमत नहीं उठाएंगे। ऑनलाइन हलचल बिना किसी वास्तविक प्रभाव के समाप्त हो जाएगी।
यदि एक्शन बटन बहुत मजबूत है, तो हर कोई तुरंत सड़कों पर दौड़ पड़ेगा। लेकिन यहाँ एक पेंच है: यदि हर कोई एक साथ चला जाता है, तो संभावित प्रदर्शनकारियों का "रिजर्वायर" (भंडार) तुरंत खाली हो जाता है। विरोध प्रदर्शन जल्दी खत्म हो जाता है क्योंकि गति बनाए रखने के लिए कोई भी पीछे नहीं बचता।
सही संतुलन (The Sweet Spot): एक बड़े, लंबे समय तक चलने वाले विरोध प्रदर्शन के लिए, ऑनलाइन गुस्से से ऑफलाइन कार्रवाई में बदलने की दर बिल्कुल सही होनी चाहिए—न बहुत धीमी, न बहुत तेज। यह एक जग से पानी डालने जैसा है; यदि आप बहुत तेजी से डालते हैं, तो पानी इधर-उधर छिटक जाता है और बर्बाद होता है; यदि आप बहुत धीरे डालते हैं, तो यह केवल टपकता है। आपको एक स्थिर धारा की आवश्यकता होती है।

3. फीडबैक लूप (The Feedback Loop)

यह केवल एकतरफा रास्ता नहीं है। यह शोध पत्र एक फीडबैक लूप दिखाता है:

ऑनलाइन गुस्सा ऑफलाइन विरोध प्रदर्शनों की ओर ले जाता है।
लेकिन लोगों को ऑफलाइन विरोध करते देखना वास्तव में और अधिक लोगों को ऑनलाइन क्रोधित बनाता है। यह एक मेगाफोन की तरह है। ऑफलाइन कार्रवाई ऑनलाइन शोर को बढ़ा देती है, जो बदले में और अधिक ऑफलाइन कार्रवाई को ईंधन देती है।

4. "R0" संख्या (द वायरल थ्रेशोल्ड)

महामारी विज्ञान (epidemiology) में, डॉक्टर यह देखने के लिए एक संख्या का उपयोग करते हैं जिसे $R_0$ कहा जाता है कि क्या कोई वायरस महामारी का कारण बनेगा। लेखकों ने इस विचार को विरोध प्रदर्शनों के लिए उधार लिया। उन्होंने विरोध प्रदर्शनों के लिए एक "प्रजनन संख्या" (Reproductive Number) की गणना की।

यदि यह संख्या 1 से कम है, तो विरोध प्रदर्शन दम तोड़ देगा। यह बारिश में एक चिंगारी की तरह है।
यदि यह संख्या 1 से अधिक है, तो विरोध प्रदर्शन जंगल की आग बन सकता है।
उन्होंने पाया कि यह संख्या इस बात पर बहुत निर्भर करती है कि लोग ऑनलाइन कितने जुड़े हुए हैं और वे कितनी जल्दी अपनी रुचि खो देते हैं।

5. सरल मानचित्र बनाम विस्तृत मानचित्र (The Network Structure)

इन विरोध प्रदर्शनों की भविष्यवाणी करने के लिए, लेखकों ने लोग एक-दूसरे से कैसे जुड़े हैं, इसके विभिन्न गणितीय "मानचित्र" बनाए।

सरल मानचित्र (Single-Level): यह मानता है कि हर कोई हर किसी से समान रूप से जुड़ा हुआ है। यह ऐसा है जैसे यह मानना कि स्कूल का हर छात्र दूसरे हर छात्र को जानता है।
विस्तृत मानचित्र (Pairwise): यह अधिक सावधानी से ट्रैक करता है कि कौन किसका दोस्त है। यह ऐसा है जैसे जानना कि बास्केटबॉल टीम के सदस्य आपस में बात करते हैं, और ड्रामा क्लब के सदस्य आपस में बात करते हैं, लेकिन वे आपस में ज्यादा नहीं मिलते।

चौंकाने वाला निष्कर्ष:

सिंथेटिक (नकली) कंप्यूटर नेटवर्क में जो विरल (sparse) हैं (जहाँ लोगों के पास कम दोस्त हैं), वहाँ विस्तृत मानचित्र (Detailed Map) यह भविष्यवाणी करने में बहुत बेहतर है कि क्या होगा।
हालाँकि, जब उन्होंने वास्तविक फेसबुक डेटा पर इसका परीक्षण किया, तो सरल मानचित्र (Simple Map) विस्तृत मानचित्र के लगभग बराबर ही काम कर गया।
क्यों? वास्तविक सामाजिक नेटवर्क उन तरीकों से अस्त-व्यस्त और जटिल हैं जिन्हें गणित पूरी तरह से नहीं पकड़ पाता (जैसे गुट, क्लस्टर और छिपे हुए संबंध)। इसलिए, अधिक गणितीय जटिलता जोड़ने से भविष्यवाणी अनिवार्य रूप से अधिक सटीक नहीं हुई। कभी-कभी, एक सरल मॉडल आश्चर्यजनक रूप से पर्याप्त अच्छा होता है।

संक्षेप में (Summary in a Nutshell)

यह शोध पत्र कहता है कि सोशल मीडिया केवल समाज को दर्शाता नहीं है; यह सक्रिय रूप से इसे चलाता है। लेकिन ऑनलाइन गुस्से को ऑफलाइन विरोध प्रदर्शन में बदलने के लिए, "रूपांतरण दर" (conversion rate) एक विशिष्ट 'गोल्डिलॉक्स ज़ोन' (सही संतुलन) में होनी चाहिए। और हालांकि हम इसकी भविष्यवाणी करने के लिए जटिल गणितीय मॉडल बना सकते हैं, वास्तविक सामाजिक नेटवर्क इतने अराजक हैं कि सरल मॉडल अक्सर बड़े चित्र को पकड़ने के लिए आश्चर्यजनक रूप से अच्छा काम करते हैं।

तकनीकी सारांश: ऑनलाइन जुड़ाव से ऑफलाइन विरोध प्रदर्शन के स्पिलओवर (Spillover) का मॉडलिंग

समस्या विवरण
यह शोध पत्र इस बात के गणितीय मॉडलिंग को संबोधित करता है कि कैसे ऑनलाइन सोशल नेटवर्क पर जुड़ाव (engagement) ऑफलाइन विरोध प्रदर्शन गतिविधियों में परिवर्तित या 'स्पिलओवर' होता है। हालांकि संघर्ष और सामूहिक कार्रवाई में सोशल मीडिया की भूमिका अच्छी तरह से प्रलेखित है, मौजूदा गणितीय ढांचे विरोध प्रदर्शन की गतिशीलता के बीच ऑनलाइन सूचना प्रसार और ऑफलाइन भौतिक लामबंदी के जुड़ाव (coupling) की अनदेखी करते हैं। लेखक इस परस्पर क्रिया को मात्रात्मक रूप से मापने का प्रयास करते हैं, विशेष रूप से यह जांचते हैं कि ऑनलाइन तनाव ऑफलाइन कार्रवाई में कैसे बदलता है और ऑफलाइन गतिविधि ऑनलाइन जुड़ाव को प्रभावित करने के लिए कैसे फीडबैक देती है। एक केंद्रीय प्रश्न यह पहचानना है कि किन परिस्थितियों में छोटे पैमाने का ऑनलाइन अशांति बड़े पैमाने के ऑफलाइन विरोध प्रदर्शनों में बदल जाता है।

कार्यप्रणाली (Methodology)
लेखक एक युग्मित (coupled), दो-परत वाले कम्पार्टमेंटल मॉडल का प्रस्ताव करते हैं जिसे एक मल्टीलेयर नेटवर्क पर मार्कोव प्रक्रिया (Markov process) के रूप में दर्शाया गया है:

ऑनलाइन परत (सूचना): व्यक्ति तीन अवस्थाओं में होते हैं: उदासीन ( $U$ ), संलग्न ( $E$ ), या विसंलग्‍न ( $D$ )। जुड़ाव सामाजिक संपर्कों के माध्यम से एक संचरण दर $\tau$ के साथ फैलता है। संलग्न व्यक्ति दर $\gamma_i$ पर विसंलग्‍न हो जाते हैं।
ऑफलाइन परत (भौतिक): व्यक्ति तीन अवस्थाओं में होते हैं: गैर-प्रदर्शनकारी ($NP $), प्रदर्शनकारी ($ P $), या पुनस्र्थापित ($ R $)। ऑनलाइन-संलग्न व्यक्तियों का एक अंश$ \eta $प्रदर्शन करने की ओर संक्रमण करता है। प्रदर्शनकारी दर$ \gamma_p$ पर विसंलग्‍न हो जाते हैं।
जुड़ाव तंत्र (Coupling Mechanisms):
- ऑनलाइन-से-ऑफलाइन: इसे दर $\eta$ द्वारा मॉडल किया गया है, जहाँ संलग्न व्यक्ति प्रदर्शनकारी बन जाते हैं। मॉडल एक "तनाव-निरोधात्मक शासन" (tension-inhibitive regime) मानता है, जहाँ ऑफलाइन विरोध में भाग लेना व्यक्ति को तुरंत ऑनलाइन अवस्था में विसंलग्‍न कर देता है।
- ऑफलाइन-से-ऑनलाइन: इसे एक स्व-उत्तेजना दर $\theta$ द्वारा मॉडल किया गया है, जहाँ ऑफलाइन विरोध की तीव्रता सीधे सामाजिक संपर्क के बिना, उदासीन व्यक्तियों को ऑनलाइन संलग्न होने के लिए प्रेरित करती है।

लेखक अंतर्निहित स्टोकेस्टिक प्रक्रिया से विभिन्न जटिलताओं के नियतात्मक मीन-फील्ड अनुमान (deterministic mean-field approximations) प्राप्त करते हैं:

पूर्णतः मिश्रित जनसंख्या (Fully-Mixed Population): यादृच्छिक मिश्रण (random mixing) मानने वाला एक आधारभूत मॉडल।
समरूप नेटवर्क ( $k$ -regular): दो अनुमान प्राप्त किए गए हैं:
- एकल-स्तरीय (नोड-स्तरीय): यह संलग्न नोड्स के समान वितरण को मानता है।
- पेयरवाइज (Pairwise): यह एज डायनेमिक्स ($[UE]$) को ट्रैक करता है और स्थानीय नेटवर्क संरचना को ध्यान में रखने के लिए ट्रिपलेट क्लोजर (triplet closures) का उपयोग करता है।
विषम नेटवर्क (Heterogeneous Networks): एकल-स्तरीय और पेयरवाइज अनुमानों के विस्तार जो डिग्री-आधारित वितरणों का उपयोग करके डिग्री के आधार पर नोड अवस्थाओं को ट्रैक करते हैं।

इन अनुमानों की सटीकता का मूल्यांकन सिंथेटिक नेटवर्क (Erdős-Rényi, scale-free, Watts-Strogatz) और अनुभवजन्य (empirical) नेटवर्क (Facebook मित्रता और UC33 नेटवर्क) पर स्टोकेस्टिक सिमुलेशन (Gillespie एल्गोरिदम का उपयोग करके) के विरुद्ध मूल्यांकन किया जाता है। लेखक विरोध के विस्फोटों के थ्रेशोल्ड निर्धारित करने के लिए मूल प्रजनन संख्या ( $R_0$ ) का भी विश्लेषण करते हैं।

प्रमुख योगदान

मल्टीलेयर फ्रेमवर्क: एक स्टोकेस्टिक कम्पार्टमेंटल मॉडल का विकास जो ऑनलाइन सूचना प्रसार को द्विदिश फीडबैक (bidirectional feedback) के साथ ऑफलाइन विरोध गतिशीलता से स्पष्ट रूप से जोड़ता है।
मीन-फील्ड व्युत्पन्न (Mean-Field Derivations): समरूप और विषम दोनों नेटवर्कों के लिए एकल-स्तरीय और पेयरवाइज मीन-फील्ड अनुमानों का व्युत्पन्न, जो विश्लेषणात्मक सुगमता प्रदान करते हैं।
प्रजनन संख्या विश्लेषण: स्टोकेस्टिक और अनुमानित मॉडलों के लिए $R_0$ की परिभाषा और विश्लेषण, जो यह प्रकट करता है कि ऑफलाइन विस्फोटों को बनाए रखने के लिए क्रॉस-लेयर संचरण दर $\eta$ को एक महत्वपूर्ण सीमा ("स्वीट स्पॉट") के भीतर होना चाहिए।
अनुभवजन्य सत्यापन (Empirical Validation): सिंथेटिक और वास्तविक दुनिया के नेटवर्कों पर अनुमान की सटीकता का तुलनात्मक अध्ययन, जो क्लस्टरिंग जैसे जटिल संरचनात्मक लक्षणों को पकड़ने में मीन-फील्ड विधियों की सीमाओं को उजागर करता है।

परिणाम

थ्रेशोल्ड डायनेमिक्स: पूर्णतः मिश्रित और समरूप नेटवर्कों में, एक विस्फोट तब होता है जब $R_0 > 1$ होता। विश्लेषण से पता चलता है कि यदि ऑनलाइन-से-ऑफलाइन संचरण दर $\eta$ बहुत कम है, तो ऑनलाइन उथल-पुथल ऑफलाइन विरोध को लामबंद करने में विफल रहती है; यदि $\eta$ बहुत अधिक है, तो ऑनलाइन-संलग्न व्यक्तियों का भंडार बहुत जल्दी समाप्त हो जाता है, जिससे ऑफलाइन गतिविधि भी सीमित हो जाती है। इस प्रकार, पर्याप्त ऑफलाइन विस्फोटों के लिए एक मध्यम $\eta$ की आवश्यकता होती।
सिंथेटिक नेटवर्क पर अनुमान की सटीकता:
- कम-घनत्व वाले समरूप नेटवर्कों पर, पेयरवाइज अनुमान एकल-स्तरीय अनुमान की तुलना में काफी बेहतर प्रदर्शन करता है।
- जैसे-जैसे नेटवर्क घनत्व (डिग्री $k$ ) बढ़ता है, एकल-स्तरीय अनुमान में सुधार होता है और यह पेयरवाइज अनुमान की सटीकता की ओर अभिसरित (converge) होता है।
- विषम सिंथेटिक नेटवर्कों (जैसे Erdős-Rényi) पर, पेयरवाइज अनुमान विशेष रूप से निम्न-औसत-डिग्री शासन में, एकल-स्तरीय मॉडल की तुलना में स्टोकेस्टिक सिमुलेशन के अधिक निकट होता है।
वास्तविक दुनिया के नेटवर्कों पर अनुमान की सटीकता:
- दो फेसबुक नेटवर्कों पर, एकल-स्तरीय अनुमान की तुलना में पेयरवाइज अनुमान का लाभ न्यूनतम या नगण्य था।
- दोनों अनुमान तब अच्छा प्रदर्शन करते हैं जब ऑनलाइन जुड़ाव एकदिष्ट रूप से (monotonically) घटता है (कोई विस्फोट नहीं), लेकिन विस्फोट के दौरान उनमें बड़ी त्रुटियां देखी गईं।
- लेखक वास्तविक दुनिया के नेटवर्कों में उच्च-क्रम के अनुमानों से सीमित लाभ को अनमॉडल संरचनात्मक विशेषताओं, जैसे क्लस्टरिंग, के कारण बताते हैं।
प्रजनन संख्या तुलना: स्टोकेस्टिक मॉडल और एकल-स्तरीय अनुमान से प्राप्त $R_0$ निकटता से ओवरलैप करते हैं। पेयरवाइज अनुमान का $R_0$ थ्रेशोल्ड अधिक रूढ़िवादी है (कम डिग्री पर विस्फोट की भविष्यवाणी करता है), जो डिग्री बढ़ने के साथ अन्यों के साथ अभिसरित होता है।

महत्व
यह शोध पत्र ऑनलाइन और ऑफलाइन सामाजिक आंदोलनों की युग्मित गतिशीलता को समझने के लिए एक मौलिक गणितीय ढांचा प्रदान करने का दावा करता है। निरंतर मॉडल (continuum models) व्युत्पन्न करके, लेखक विरोध विस्फोटों की भविष्यवाणी करने और महत्वपूर्ण पैरामीटर श्रेणियों की पहचान करने के लिए डायनेमिकल सिस्टम्स टूल्स के उपयोग को सक्षम बनाते हैं। यह अध्ययन बताता है कि मॉडल का चयन नेटवर्क घनत्व पर निर्भर होना चाहिए: उच्च-घनत्व वाले नेटवर्कों के लिए सरल मॉडल पर्याप्त हैं, जबकि कम-घनत्व वाले नेटवर्कों के लिए अधिक जटिल अनुमानों की आवश्यकता होती है। हालांकि, वास्तविक दुनिया के नेटवर्कों पर निष्कर्ष बताते हैं कि अनमॉडल संरचनात्मक विशेषताओं जैसे क्लस्टरिंग के कारण मॉडल की जटिलता बढ़ाने से आवश्यक रूप से सटीकता में वृद्धि नहीं होती है। लेखक इस कार्य को सोशल मीडिया कैसे सामूहिक ऑफलाइन व्यवहार को प्रभावित करता है, इसे बेहतर ढंग से समझने के लिए पैरामीटर अनुमान और सिस्टम आइडेंटिफिकेशन के लिए अनुभवजन्य डेटा को एकीकृत करने की दिशा में एक पहला कदम के रूप में प्रस्तुत करते हैं।