🔬 physics

Direct and Indirect Influence on Likes in Social Media

एक बड़े पैमाने के VKontakte डेटासेट का उपयोग करते हुए, यह अध्ययन प्रकट करता है कि किसी उपयोगकर्ता द्वारा पोस्ट को लाइक करने की संभावना मुख्य रूप से दो डिग्री के अलगाव के भीतर सक्रिय पड़ोसियों से होने वाले प्रत्यक्ष और अप्रत्यक्ष सामाजिक संसर्ग (सोशल कंटैजन) द्वारा संचालित होती है, जिसमें इन सक्रिय कनेक्शनों की संरचनात्मक विविधता जुड़ाव (एंगेजमेंट) का एक महत्वपूर्ण भविष्यवक्ता है।

मूल लेखक: Ivan Kozitsin, Anton V. Proskurnikov

प्रकाशित 2026-06-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ivan Kozitsin, Anton V. Proskurnikov

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 आपका सोशल मीडिया फीड एक विशाल, हलचल भरे शहर के चौक की तरह है। आप बीच में खड़े हैं, और आपको दीवार पर एक नया पोस्टर (एक पोस्ट) दिखाई देता है। यह अध्ययन जो प्रश्न पूछता है वह यह है: आप यह निर्णय कैसे लेते हैं कि उस पोस्टर पर "लाइक" का स्टिकर लगाना है?

अधिकांश लोग मानते हैं कि यह केवल आपके तत्काल मित्रों के बारे में है। यदि आपका सबसे अच्छा दोस्त इसे लाइक करता है, तो आप भी कर सकते हैं। लेकिन यह शोध, जो रूसी सोशल नेटवर्क VKontakte (फेसबुक के समान) पर किया गया था, गहराई से यह देखने के लिए है कि क्या आपके "दोस्तों के दोस्त" (आपके दूसरे-डिग्री कनेक्शन) और आपके सामाजिक दायरे की संरचना भी इसमें भूमिका निभाती है।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. दोस्तों के दोस्तों से मिलने वाली "गूँज" (The "Echo" from Friends-of-Friends)

अपने सोशल नेटवर्क को लोगों से भरे एक कमरे के रूप में सोचें।

प्रत्यक्ष मित्र (दूरी 1): ये वे लोग हैं जो आपके ठीक बगल में खड़े हैं। यदि वे ताली बजाते हैं, तो आप उसे तुरंत सुनते हैं।
दोस्तों के दोस्त (दूरी 2): ये वे लोग हैं जो आपके दोस्तों के बगल में खड़े हैं। वे एक कदम और दूर हैं।

अध्ययन में पाया गया कि भले ही आपके तत्काल मित्रों ने अभी तक ताली न बजाई हो, लेकिन आपके दोस्तों के बगल में खड़े लोगों से ताली की आवाज़ सुनकर आपके भी ताली बजाने की संभावना बहुत बढ़ जाती है।

यह एक अफवाह के फैलने जैसा है। हो सकता है कि आपको अपने सबसे अच्छे दोस्त से इसकी खबर न मिले, लेकिन यदि आप अपने दोस्त के सर्कल के तीन अलग-अलग लोगों को इसके बारे में बात करते सुनते हैं, तो आप सोचने लगते हैं, "ओह, यह महत्वपूर्ण होना चाहिए," और आप भी इसमें शामिल हो जाते हैं। शोधकर्ताओं ने पाया कि यह "दूसरे हाथ" (second-hand) का प्रभाव बहुत मजबूत है, भले ही आपके प्रत्यक्ष मित्र चुप हों।

2. "भीड़ वाला कमरा" बनाम "विविध भीड़" (The "Crowded Room" vs. The "Diverse Crowd")

शोधकर्ताओं ने यह देखा कि आपके दोस्त आपस में कैसे जुड़े हुए हैं।

"क्लिक" (Clique) परिदृश्य: कल्पना करें कि आपके सभी दोस्त जिन्होंने पोस्ट को लाइक किया है, वे आपस में पक्के दोस्त हैं। वे एक ही तंग घेरे में हैं। यदि वे सभी इसे लाइक करते हैं, तो यह एक ही समूह द्वारा बार-बार दोहराए गए संदेश को सुनने जैसा है।
"विविध" (Diverse) परिदृश्य: कल्पना करें कि आपके दोस्तों के जो समूह पोस्ट को लाइक करते हैं, वे लोगों के बिल्कुल अलग समूहों (अलग स्कूल, शौक या पड़ोस) से आते हैं जो एक-दूसरे को नहीं जानते।

अध्ययन में पाया गया कि लाइक्स की संख्या से अधिक विविधता मायने रखती है। यदि आपको पांच अलग-अलग, असंबंधित समूहों से "लाइक" का संकेत मिलता है, तो आपके द्वारा पोस्ट को लाइक करने की संभावना बहुत अधिक होती है, बजाय इसके कि आपको एक ही एकल, घनिष्ठ समूह से पांच "लाइक्स" मिलें। यह एक छोटे कमरे में एक बैंड द्वारा गाना बजाने और पांच अलग-अलग शहरों में पांच अलग-अलग बैंडों द्वारा इसे बजाने के बीच के अंतर जैसा है।

3. "सुपर-कनेक्टर" मीट्रिक (The $m^*$ Index)

शोधकर्ताओं ने एक नया तरीका विकसित किया जिससे वे प्रभाव को मापते हैं, जिसे वे एक्सटेंडेड इंड्यूस्ड इंडेक्स (Extended Induced Index) कहते हैं।

पुराना तरीका: वे गिनते थे कि आपके कितने सक्रिय मित्रों के सक्रिय मित्र थे।
नया तरीका (अध्ययन की खोज): उन्होंने आपके सभी मित्रों में से पाए गए अधिकतम सक्रिय मित्रों की संख्या गिनी, यहाँ तक कि उन लोगों की भी जिन्होंने अभी तक पोस्ट को लाइक नहीं किया है।

इसे एक फायर अलार्म सिस्टम की तरह समझें।

पुराना तरीका केवल यह जाँचता था कि वर्तमान में "आग!" चिल्लाने वाले लोगों के पड़ोसी भी "आग!" चिल्ला रहे हैं या नहीं।
नया तरीका यह जाँचता है कि क्या आपके तत्काल घेरे में कोई भी ऐसा व्यक्ति है जिसका पड़ोसी "आग!" चिल्ला रहा है, चाहे वह व्यक्ति स्वयं चिल्ला रहा हो या बस खड़ा हो।

उन्होंने पाया कि यह "नया तरीका" आपके द्वारा "लाइक" बटन क्लिक करने की संभावना का सबसे अच्छा भविष्यवक्ता था। यह केवल उन लोगों को नहीं पकड़ता जो चिल्ला रहे हैं, बल्कि पूरे पड़ोस में चल रही "हलचल" (buzz) को पकड़ता है।

4. चौंकाने वाला मोड़: बहुत अधिक प्रत्यक्ष मित्रों का होना बुरा हो सकता है

यह सबसे अधिक विरोधाभासी निष्कर्ष है।
जब शोधकर्ताओं ने कच्चे आंकड़ों को देखा, तो पाया कि आपके अधिक प्रत्यक्ष मित्रों द्वारा पोस्ट को लाइक करने से आपके लाइक करने की संभावना बढ़ जाती है। हालाँकि, एक बार जब उन्होंने "विविध भीड़" और "दूसरे हाथ की हलचल" को ध्यान में रखा, तो कुछ अजीब हुआ: बहुत अधिक प्रत्यक्ष मित्रों का होना वास्तव में आपके लाइक करने की संभावना को कम कर देता है।

उपमा: कल्पना कीजिए कि आप एक शोर वाले कमरे में बातचीत सुनने की कोशिश कर रहे हैं।

यदि आपके दोस्त कमरे के अलग-अलग कोनों में हैं (विविध), तो आप हर तरफ से खबर सुनते हैं।
यदि आपके सभी दोस्त एक ही छोटे कोने में सिमटे हुए हैं (उच्च प्रत्यक्ष गतिविधि, कम विविधता), तो प्लेटफॉर्म का एल्गोरिदम (शोर मशीन) सोच सकता है, "ओह, इस व्यक्ति को केवल उस एक कोने में दिलचस्पी है," और वह आपको कमरे के बाकी हिस्सों से पोस्ट दिखाना बंद कर देता है।
क्योंकि आपका ध्यान सीमित है, आप व्यापक संकेत को मिस कर देते हैं। अध्ययन बताता है कि जब आपके प्रत्यक्ष मित्र बहुत अधिक केंद्रित होते हैं, तो प्लेटफॉर्म आपके दृष्टिकोण को संकुचित कर सकता है, जिससे आपके द्वारा पोस्ट के साथ जुड़ने की संभावना कम हो जाती है।

5. "तीन डिग्री" का नियम (The "Three Degrees" Rule)

समाजशास्त्र में एक प्रसिद्ध विचार है कि प्रभाव तीन डिग्री तक यात्रा कर सकता है (आप -> मित्र -> मित्र का मित्र -> मित्र के मित्र का मित्र)।

अध्ययन का फैसला: इस विशिष्ट डेटा सेट में, "जादू" दो डिग्री पर ही रुक गया।
आपके दोस्तों के दोस्तों का प्रभाव (दूरी 2) मजबूत और स्पष्ट था।
आपके दोस्तों के दोस्तों के दोस्तों का प्रभाव (दूरी 3) इतना कमजोर था कि उसे पहचानना मुश्किल था। यह तीन कमरों दूर से फुसफुसाहट सुनने जैसा है; तब तक, सिग्नल खत्म हो जाता है।

सारांश

यह पेपर हमें बताता है कि सोशल मीडिया पर, कौन पोस्ट को लाइक करता है, इससे अधिक महत्वपूर्ण यह है कि वे लाइक करने वाले लोग कहाँ से आते हैं।

दूसरे हाथ का प्रभाव वास्तविक है: आपके दोस्तों के दोस्त आपको कुछ लाइक करने के लिए प्रेरित कर सकते हैं, भले ही आपके प्रत्यक्ष मित्रों ने ऐसा न किया हो।
विविधता की जीत होती है: एक ही सामाजिक घेरे से कई "लाइक्स" प्राप्त करने की तुलना में कई अलग-अलग सामाजिक समूहों से "लाइक" मिलना एक मजबूत ट्रिगर है।
एल्गोरिदम एक भूमिका निभाता है: प्लेटफॉर्म का रैंकिंग सिस्टम इन प्रभावों को बढ़ा सकता है, जिससे आपको वह सामग्री दिखाई जाती है जिसमें आपका व्यापक नेटवर्क व्यस्त है, लेकिन यह सामग्री को छिपा भी सकता है यदि आपका तत्काल घेरा बहुत अधिक "गुच्छेदार" (clumped) है।

अध्ययन निष्कर्ष निकालता है कि यह समझने के लिए कि हम "लाइक" क्यों क्लिक करते हैं, हमें अपने तत्काल मित्रों से परे देखना होगा और हमारे चारों ओर के जटिल, विविध कनेक्शनों के जाल पर विचार करना होगा।

तकनीकी सारांश: सोशल मीडिया में 'लाइक' पर प्रत्यक्ष और अप्रत्यक्ष प्रभाव

समस्या विवरण
यह अध्ययन ऑनलाइन सामाजिक नेटवर्क के भीतर सामाजिक संसर्ग (social contagion) के तंत्रों की जांच करता है, जो विशेष रूप से वोंटाक्टे (VK) प्लेटफॉर्म पर उपयोगकर्ताओं के "लाइक" करने के व्यवहार पर केंद्रित है। जबकि मौजूदा साहित्य व्यवहारिक अनुकूलन (behavioral adoption) पर प्रत्यक्ष पड़ोसियों (दूरी $d=1$ ) के प्रभाव का व्यापक रूप से दस्तावेजीकरण करता है, इस बात का स्तर कम समझा गया है कि दोस्तों-के-दोस्तों (दूरी $d=2$ ) का अप्रत्यक्ष प्रभाव स्वतंत्र रूप से उपयोगकर्ता के व्यवहार को किस हद तक आकार देता है, विशेष रूप से एल्गोरिदम द्वारा संचालित सामग्री क्यूरेशन वाले बड़े पैमाने के वातावरण में। इस क्षेत्र में एक केंद्रीय चुनौती वास्तविक सामाजिक प्रभाव को होमोफिली (समान व्यक्तियों के जुड़ने की प्रवृत्ति) और प्लेटफॉर्म-मध्यस्थ एक्सपोजर (जहाँ एल्गोरिदम प्रत्यक्ष उपयोगकर्ता संपर्क के बजाय नेटवर्क संरचना के आधार पर सामग्री प्रस्तुत करते हैं) जैसे भ्रमित करने वाले कारकों से अलग करना है। लेखक यह निर्धारित करने का लक्ष्य रखते हैं कि क्या किसी पोस्ट को लाइक करने की संभावना दूसरे स्तर के पड़ोसियों की गतिविधि पर निर्भर करती है, भले ही प्रत्यक्ष मित्रों की गतिविधि को नियंत्रित किया गया हो।

कार्यप्रणाली
लेखकों ने वोंटाक्टे प्लेटफॉर्म के लगभग 290,000 उपयोगकर्ताओं के एक बड़े पैमाने के डेटासेट का उपयोग किया, जो विशेष रूप से रूस के टॉमस्क ओब्लास्ट के उपयोगकर्ताओं के विशाल जुड़े हुए घटक (giant connected component) पर केंद्रित है। डेटासेट में मित्रता संबंध और 308 स्थानीय समाचार पोस्टों के कालानुक्रमिक रिकॉर्ड शामिल हैं, जिसमें कुल 36,286 लाइक (विश्लेषित नेटवर्क घटक के भीतर उपयोगकर्ताओं से 19,599) शामिल हैं।

विश्लेषण लाइक करने की संभावना की भविष्यवाणी करने के लिए वर्णनात्मक सांख्यिकी और लॉजिस्टिक रिग्रेशन मॉडलिंग के संयोजन का उपयोग करता है। मुख्य पद्धतिगत घटक शामिल हैं:

नेटवर्क मेट्रिक्स: अध्ययन पड़ोस की गतिविधि को मापने के लिए कई मेट्रिक्स को परिभाषित और विश्लेषित करता है:
- $k_1$ : सक्रिय प्रत्यक्ष मित्रों की संख्या ( $d=1$ )।
- $k_2$ : सक्रिय दोस्तों-के-दोस्तों की संख्या ( $d=2$ )।
- $s$ : संरचनात्मक विविधता सूचकांक, जिसे सक्रिय मित्रों के बीच जुड़े हुए घटकों की संख्या के रूप में परिभाषित किया गया है।
- $m$ (प्रेरित सूचकांक/Induced Index): एक फोकल नोड के सक्रिय प्रत्यक्ष मित्रों के बीच सक्रिय पड़ोसियों की अधिकतम संख्या (Xie et al., 2022 के अनुसार)।
- $m^*$ (विस्तारित प्रेरित सूचकांक/Extended Induced Index): एक नवीन मेट्रिक जिसे एक फोकल नोड के सभी तत्काल पड़ोसियों में से सक्रिय मित्रों की अधिकतम संख्या के रूप में परिभाषित किया गया है, चाहे वे पड़ोसी स्वयं सक्रिय हों या नहीं।
रिग्रेशन विश्लेषण: लेखकों ने लाइक करने की संभावना की भविष्यवाणी करने के लिए लॉजिस्टिक रिग्रेशन मॉडल के एक क्रम का अनुमान लगाया। इन मॉडलों में $k_1$ , सक्रिय मित्रों के बीच संबंधों का घनत्व ( $\rho_1$ ), संरचनात्मक विविधता ( $s$ ), और दूसरे क्रम की गतिविधि के विभिन्न रूपों ( $k_2, m, m^*$ ) सहित कोवेरिएट्स को क्रमिक रूप से शामिल किया गया।
नियंत्रण और फ़िल्टरिंग: समय के संबंध में कारण अनुमान (causal inference) सुनिश्चित करने के लिए, विश्लेषण ने उपयोगकर्ता के लाइक करने से ठीक पहले की सक्रिय पड़ोस की स्थिति को मापते हुए कालानुक्रमिक फ़िल्टरिंग लागू की। नोडल डिग्री और स्थानीय क्लस्टरिंग गुणांकों द्वारा डेटा को स्तरीकृत करके मजबूती की जाँच (robustness checks) की गई।

प्रमुख योगदान

विस्तारित प्रेरित सूचकांक ( $m^*$ ) का परिचय: यह शोध मूल प्रेरित सूचकांक $m$ और $d=2$ के कच्चे काउंट की तुलना में अप्रत्यक्ष प्रभाव को पकड़ने के लिए एक बेहतर मेट्रिक के रूप में $m^*$ का प्रस्ताव करता है। $m$ के विपरीत, जो सक्रिय प्रत्यक्ष पड़ोसियों पर आधारित है, $m^*$ निष्क्रिय तत्काल पड़ोसियों के माध्यम से पहुँचने वाली दूसरे क्रम की गतिविधि को भी ध्यान में रखता है, जिससे उन एक्सपोजर मार्गों को पकड़ा जा सके जो मूल सूचकांक के लिए अदृश्य हैं।
अप्रत्यक्ष प्रभाव का अनुभवजन्य सत्यापन: अध्ययन इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि दूसरा क्रम का प्रभाव ( $d=2$ ) लाइक करने के व्यवहार का एक महत्वपूर्ण भविष्यवक्ता है, जो प्रत्यक्ष मित्रों की गतिविधि को नियंत्रित करने के बाद भी बना रहता है।
प्रत्यक्ष पड़ोसी प्रभावों का पुनर्मूल्यांकन: विश्लेषण एक प्रति-सहज निष्कर्ष प्रकट करता है: जबकि वर्णनात्मक सांख्यिकी में सक्रिय प्रत्यक्ष मित्रों की कच्ची संख्या ( $k_1$ ) का लाइक के साथ सकारात्मक संबंध है, संरचनात्मक विविधता और दूसरे क्रम की गतिविधि मेट्रिक्स वाले रिग्रेशन मॉडल में इसका सशर्त गुणांक नकारात्मक हो जाता है।

परिणाम

द्वितीय-क्रम का प्रभाव: लाइक करने की संभावना और दूसरे क्रम की गतिविधि के बीच एक पर्याप्त सकारात्मक संबंध है। विस्तारित प्रेरित सूचकांक $m^*$ लाइक व्यवहार के सबसे मजबूत एकल भविष्यवक्ता के रूप में उभरा, जिसने $d=2$ के सक्रिय दोस्तों-के-दोस्तों की कच्ची संख्या ( $k_2$ ) और मूल प्रेरित सूचकांक ( $m$ ) दोनों को पीछे छोड़ दिया। $m^*$ और लाइक करने की संभावना के बीच का संबंध लगभग रैखिक पाया गया।
थ्रेशोल्ड प्रभाव (Threshold Effects): मूल प्रेरित सूचकांक $m$ ने एक स्टेपवाइज पैटर्न प्रदर्शित किया, जिसमें $m=1$ और $m=3$ पर लाइक करने की संभावना में तीव्र वृद्धि देखी गई, जो संभावित स्थानीय सुदृढीकरण थ्रेशोल्ड का सुझाव देती है।
संरचनात्मक विविधता: $m^*$ का उपयोग करने वाले मॉडलों में सक्रिय मित्रों के बीच जुड़े हुए घटकों की संख्या ( $s$ ) का लाइक करने की संभावना के साथ सकारात्मक संबंध था, जो संरचनात्मक विविधता परिकल्पना का समर्थन करता है।
प्रत्यक्ष पड़ोसियों का नकारात्मक जुड़ाव: संरचनात्मक विविधता और दूसरे क्रम की गतिविधि को नियंत्रित करने वाले मॉडलों में, सक्रिय प्रत्यक्ष पड़ोसियों की संख्या ( $k_1$ ) ने लाइक करने की संभावना के साथ एक नकारात्मक संबंध दिखाया। लेखक इसकी व्याख्या दमन प्रभाव (suppression effect) के रूप में नहीं, बल्कि इस संकेत के रूप में करते हैं कि $k_1$ एक एकल समुदाय के भीतर संकेतों के संकेंद्रण के प्रॉक्सी के रूप में कार्य करता है, जो सीमित ध्यान और प्लेटफॉर्म रैंकिंग एल्गोरिदम के कारण उपयोगकर्ता द्वारा महसूस की जाने वाली प्रभावी संरचनात्मक विविधता को कम कर सकता है।
दूरी का ह्रास (Distance Decay): एक बार $d=1$ और $d=2$ गतिविधियों को ध्यान में रखने के बाद, $d \ge 3$ की दूरी वाले नोड्स के लिए कोई महत्वपूर्ण संबंध नहीं पाया गया।
जनसांख्यिकी: पुरुष लिंग आम तौर पर लाइक करने की कम संभावना से जुड़ा था, हालांकि यह प्रभाव उच्च क्लस्टरिंग या उच्च डिग्री वाले उप-नमूनों में भिन्न था। नोडल डिग्री का लाइक करने की संभावना के साथ सकारात्मक संबंध था।

महत्व और दावे
यह शोध बड़े पैमाने के ऑनलाइन सामाजिक नेटवर्क में 'इंड्यूस्ड परकोलेशन' तंत्रों के लिए अनुभवजन्य समर्थन प्रदान करने का दावा करता है, यह प्रदर्शित करते हुए कि अप्रत्यक्ष प्रभाव मार्ग (विशेष रूप से $d=2$ ) व्यवहारिक प्रसार को आकार देने में केंद्रीय भूमिका निभाते हैं। लेखक तर्क देते हैं कि विस्तारित प्रेरित सूचकांक $m^*$ की बेहतर व्याख्यात्मक शक्ति यह सुझाव देती है कि प्लेटफॉर्म-मध्यस्थ दृश्यता तंत्र (जैसे अनुशंसा और रैंकिंग एल्गोरिदम) उपयोगकर्ताओं को दोस्तों-के-दोस्तों द्वारा समर्थित सामग्री के संपर्क में लाते हैं, भले ही तत्काल पड़ोसियों से प्रत्यक्ष संकेत अनुपस्थित हों।

अध्ययन निष्कर्ष निकालता है कि ऑनलाइन प्लेटफॉर्म पर व्यवहारिक प्रसार को समझने के लिए उच्च-क्रम की पड़ोस संरचना महत्वपूर्ण है। यह सुझाव देता है कि "तीन डिग्री प्रभाव" (three degrees of influence) की परिकल्पना सही हो सकती है, लेकिन इस डेटासेट में सबसे मजबूत पता लगाने योग्य गैर-स्थानीय संकेत $d=2$ की दूरी पर केंद्रित है। निष्कर्ष imply करते हैं कि सामाजिक संसर्ग केवल प्रत्यक्ष सहकर्मी दबाव का कार्य नहीं है, बल्कि यह नेटवर्क की संरचनात्मक विविधता और प्लेटफॉर्म के एल्गोरिदम द्वारा मध्यस्थता वाले दूसरे क्रम के कनेक्शनों की दृश्यता द्वारा महत्वपूर्ण रूप से नियंत्रित होता है। लेखक नोट करते हैं कि आंतरिक रैंकिंग डेटा तक पहुंच की कमी के कारण प्लेटफॉर्म-मध्यस्थ एक्सपोजर के बारे में उनकी व्याख्या काल्पनिक है, लेकिन परिणाम ऐसे तंत्रों के अनुरूप हैं।