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

본 논문은 경험적으로 재구성된 드리프트 및 확산 함수를 가진 랑주뱅 유형의 방정식을 사용하여 양극화된 주제에 대한 실제 세계의 여론 역학을 정확하게 설명하는 종단적 소셜 미디어 데이터에서 유도된 최초의 데이터 기반 연속 시간 확률 모델인 D-MODD를 소개합니다.

핵심

다음은 'D-MODD' 논문을 쉬운 언어와 일상적인 비유를 사용하여 설명한 것입니다.

큰 그림: 여론의 '날씨'를 지도화하기

인터넷을 거대하고 혼란스러운 바다라고 상상해 보세요. 사람들의 의견은 물 위를 떠다니는 배들과 같습니다. 보통 우리는 이 배들이 모든 파도와 바람 (트윗, 뉴스 헤드라인, 친구의 댓글 등) 에 밀려 무작위로 표류한다고 생각합니다.

이 논문은 간단한 질문을 던집니다: 이 배들이 단순히 표류하는 것처럼 보일지라도, 이들을 이끄는 숨겨진 지도나 보이지 않는 해류가 존재할까요?

저자들은 기후 변화에 관한 트위터 (현재 X) 데이터를 사용하여 그렇다고 답합니다. 그들은 D-MODD(데이터에서 유도된 여론 역학 확산 모델) 라는 수학적 모델을 구축하여 온라인 여론이 무작위로 튀어 오르는 것이 아니라, 물이 언덕을 따라 흐르듯 구체적이고 예측 가능한 규칙을 따른다는 것을 증명했습니다.

그들이 어떻게 했는지: '시간 여행' 지도

이러한 규칙을 찾기 위해 연구자들은 어느 날 사람들의 생각을 스냅샷으로 찍는 것에 그치지 않았습니다. 대신, 일 년 동안의 5,700 만 개의 트윗에 대한 '타임랩스 영화'를 살펴보았습니다.

1. 두 개의 계곡: 그들은 여론의 '바다'가 평평하지 않다는 것을 발견했습니다. 그곳에는 두 개의 깊은 계곡(또는 분지) 이 있습니다.
   • 한 계곡은 기후 변화를 믿는 사람들 (기후 지지파) 을 위한 곳입니다.
   • 다른 계곡은 기후 변화를 부인하는 사람들 (부인론자) 을 위한 곳입니다.
2. 보이지 않는 중력: 대부분의 사람들의 의견은 자연스럽게 이 두 계곡 중 하나로 굴러 들어가 그곳에 머뭅니다. 누군가 자신의 계곡에서 벗어나려 하면, 보이지 않는 '중력'(이동) 이 그들을 다시 안으로 끌어당깁니다.
3. 흔들림: 사람들이 계곡 안에 머무는 동안, 그들은 완전히 가만히 있지 않습니다. 조금씩 흔들립니다. 이 '흔들림'이 바로 확산입니다. 때로는 흔들림이 작습니다 (안정된 의견), 때로는 큽니다 (불안정한 의견).

두 가지 주요 발견

1. 게임의 규칙 (이동과 확산)

저자들은 '중력'이 얼마나 강한지, 그리고 사람들이 얼마나 '흔들리는지'를 정확히 측정했습니다.

• 당김: 만약 당신이 기후 변화 신봉자이고 누군가 당신을 설득하여 기후 변화를 부인하려 한다면, 당신의 공동체의 '중력'이 당신을 다시 당신의 편으로 끌어당깁니다. 부인론자들에게도 똑같은 일이 일어납니다.
• 중도: 두 계곡 바로 중간에는 평평하고 불안정한 지점이 있습니다. 만약 당신이 정확히 중간에 있다면, 당신은 빠르게 두 계곡 중 하나로 밀려날 가능성이 높습니다. 중립을 오래 유지하기는 어렵습니다.

2. '고집 센' 대 '흔들리는'

이것이 그들의 발견에서 가장 흥미로운 부분입니다. 그들은 누가 어느 계곡에 사는지 살펴보았고, 그들이 얼마나 '흔들리는지'에 있어 큰 차이를 발견했습니다.

• 기후 변화 부인론자들 (바위): 부인론 계곡에 있는 사람들은 무거운 바위와 같습니다. 일단 그곳에 있으면 거의 흔들리지 않습니다. 그들의 의견은 극도로 안정적이고 일관적입니다. 논문은 이러한 계정들 중 다수가 특정 정치 집단 (예: 미국의 MAGA 지지자들) 과 연결되어 있으며, 거의 생각을 바꾸지 않는 '고집 센' 행위자처럼 행동한다고 지적합니다.
• 기후 지지 그룹 (나뭇잎): 기후 지지 계곡에 있는 사람들은 바람에 흔들리는 나뭇잎과 더 비슷합니다. 그들은 여전히 계곡 안에 있지만, 훨씬 더 많이 흔들립니다. 그들의 의견은 더 많이 변동합니다. 논문은 이 그룹에는 다양한 주제를 논의하는 많은 기관, 언론인, 과학자들이 포함되어 있어 그들의 '의견 신호'가 더 노이즈가 많고 덜 경직되어 있다고 제안합니다.

모델의 '마법'

연구자들은 이러한 현실 세계의 규칙을 사용하여 컴퓨터 시뮬레이션 (D-MODD 모델) 을 구축했습니다.

• 그들은 모델에 데이터에서 발견한 '중력'과 '흔들림' 규칙을 입력했습니다.
• 그들은 컴퓨터가 사람들의 생각 변화를 가짜로 시뮬레이션하도록 했습니다.
• 결과: 가짜 시뮬레이션은 실제 트위터 데이터와 거의 정확히 일치했습니다.

이는 온라인 여론 역학이 간단한 수학 방정식 세트 (특히 입자의 움직임을 설명하는 물리학에서 사용되는 방정식 유형) 로 설명될 수 있음을 증명합니다. 이는 대화의 '지형'을 알면 여론이 어떻게 움직일지 예측할 수 있음을 의미합니다.

요약 비유

기후 논쟁을 볼링장이라고 생각해 보세요.

• 두 개의 홈 (두 가지 극단적인 의견) 이 있습니다.
• 대부분의 사람들은 두 홈 중 하나에 걸리는 볼링공들입니다.
• 부인론 홈은 매우 끈적한 바닥을 가지고 있습니다; 공이 일단 들어가면 거의 움직이지 않습니다.
• 기후 지지 홈은 약간 미끄러운 바닥을 가지고 있습니다; 공이 조금 더 굴러다닙니다.
• 레인의 중간은 공을 빠르게 두 홈 중 하나로 밀어내는 경사로입니다.

이 논문의 주요 성과는 이러한 홈들이 얼마나 끈적하고 미끄러운지 정확히 측정하여, 소셜 미디어의 혼란 속에서도 우리가 논쟁하고 동의하는 방식에 숨겨진 수학적 질서가 있음을 증명했다는 점입니다.

기술 요약

기술적 요약: D-MODD – 온라인 데이터에서 유도된 의견 역학 확산 모델

문제 제기

의견 역학 모델 (예: DeGroot, 경계 신뢰, 유권자 모델) 은 합의, 양극화, 에코 챔버를 이해하기 위한 이론적 틀을 제공해 왔으나, 실제 세계의 시계열 데이터를 사용하여 보정된 모델은 거의 없습니다. 기존 실증 연구들은 종종 정적 설문 조사 스냅샷이나 집계된 감정 측정에 의존하여 개별 의견의 연속적인 진화를 포착하지 못합니다. furthermore, 에이전트 기반 시뮬레이션은 창발적 행동을 재현할 수 있지만, 미시적 행동을 지배하는 구체적인 확률 법칙을 식별하는 능력이 부족한 경우가 많습니다. 개별 수준의 행동 흔적을 연속 시간 개념화를 통해 분석적으로 거시적 결과와 연결하는 데에는 중요한 격차가 존재합니다. 본 논문은 종단적 소셜 미디어 데이터를 사용하여 양극화된 주제에 대한 의견 역학의 확률 모델을 실증적으로 유도하는 과제를 다룹니다.

방법론

데이터 수집 및 전처리

본 연구는 트위터의 추적 API 를 통해 수집된 2022 년 기후 변화와 관련된 5,700 만 개의 트윗으로 구성된 Climatoscope 데이터 세트를 활용합니다. 이 데이터 세트는 기후 회의론자/부인론자와 기후 지지 사용자 간의 강력하게 양극화된 지형을 보여줍니다.

• 그래프 구성: 3 주 기간의 리트윗 네트워크를 사용하여 7 일 슬라이딩 윈도우로 동적 상호작용 그래프를 구성하여 연간 50 개의 그래프를 생성했습니다. 에지는 리트윗 횟수를 나타내며, 임계값 ($>1$) 으로 필터링하여 691,993 명의 고유 사용자를 포함시켰습니다.
• 잠재 공간 임베딩: node2vec를 사용하여 그래프를 임베딩했습니다. 기후 지지 또는 부인론 입장으로 알려진 "앵커 계정"을 기반으로 훈련된 감독형 UMAP 2 차원 축소 기법을 적용했습니다.
• 좌표 변환: 기후 지지 및 부인론 앵커의 무게중심을 각각 좌표 $(+2, +2)$와 $(-2, -2)$에 정렬하도록 선형 변환을 적용했습니다. 이로써 사용자의 좌표 $(x_i, y_i)$가 그들의 의견 상태를 나타내는 2 차원 잠재 공간 $O$가 생성되었습니다. 첫 번째 좌표인 $x(t)$는 안정성과 분리 주축으로서의 역할로 인해 주요 연속 의견 변수로 선택되었습니다.

추론된 의견의 검증

추론된 의견 궤적은 두 가지 주요 방법을 통해 검증되었습니다:

1. 클러스터링과의 비교: 이전 연구 [16] 에서 분류된 27,700 개의 계정과 비교한 결과, 기후 지지 사용자 ($x > 1$) 에 대해 99%, 부인론 사용자 ($x < -1$) 에 대해 97% 의 일치율을 보였습니다.
2. LLM 기반 입장 분류: 무작위로 선택된 사용자의 원본 트윗 입장을 분류하기 위해 Llama-3.1을 사용하여 독립적인 검증을 수행했습니다. 일관된 텍스트 기반 입장 ($\pm 2$) 을 가진 사용자의 경우, 자동화된 동적 임베딩은 96% 의 정밀도 일치를 보여주었습니다.

확률적 재구성

저자들은 의견 증가분 $\Delta x = x_{t+\Delta t} - x_t$의 조건부 모멘트를 계산하여 드리프트 $A(x)$와 확산 $D(x)$ 함수를 추정했습니다:
$$A(x) = \frac{1}{\Delta t} \mathbb{E}[\Delta x \mid x_t = x]$$
$$D(x) = \frac{1}{2\Delta t} \mathbb{V}[\Delta x \mid x_t = x]$$
이러한 실증 함수는 의견 밀도 $p(x,t)$의 진화를 지배하는 Fokker–Planck 연산자의 계수에 해당합니다.

주요 기여 및 결과

1. D-MODD 모델

본 논문은 행동 궤적에서 직접 보정된 연속 시간 Langevin 모델인 D-MODD(데이터에서 유도된 의견 역학 확산 모델) 를 소개합니다. 사용자 $x(t)$의 의견 진화는 확률 미분 방정식으로 설명됩니다:
$$dx_t = F(x_t) dt + \sqrt{2D(x_t)} dW_t$$
여기서 $W_t$는 표준 위너 과정입니다. 드리프트 필드 $F(x)$는 흡인자 ($x^* = \pm 2$) 로 향하는 실증적으로 관찰된 복원력을 유지하면서 전역 안정성을 보장하도록 모델링되었습니다:
$$F(x) = |A(x)| (x^* - x)$$
확산 항 $D(x)$는 상태 의존적 노이즈를 포착하여, 흡인자 근처에서는 변동이 최소화되지만 결정론적 복원력이 약화되는 영역에서는 증폭됨을 보여줍니다.

2. 전이 커널의 실증적 재구성

대규모 온라인 소셜 네트워크에서 최초로 저자들은 데이터에서 직접 1 단계 조건부 전이 확률 $P(x_{t+\Delta t} \mid x_t)$ 전체를 재구성했습니다.

• 마코프성 검증: 연구는 Chapman–Kolmogorov (CK) 일관성 조건을 테스트했습니다. CK 로 예측된 2 단계 커널은 실증적 2 단계 커널과 밀접하게 일치했습니다 (평균 Wasserstein-1 편차 0.7 배). 이는 이 양극화된 주제에 대한 단시간尺度 의견 역학이 마코프적 설명을 허용한다는 직접적인 증거를 제공합니다.
• 모델 충실도: D-MODD 모델은 실증적 전이 커널을 성공적으로 재현했습니다. 전이 연산자의 스펙트럼 분석은 실증적 및 모델 고유값 분포 간의 높은 중첩 (Wasserstein 거리 $W_1 = 7.2 \times 10^{-3}$) 을 보여주었으며, 이는 모델이 완화 시간 척도 및 혼합 행동을 포함한 전역 동적 구조를 포착함을 나타냅니다.

3. 의견 안정성의 비대칭성

사용자 프로필 분석은 두 흡인자 분지 사이에 상당한 비대칭성을 드러냈습니다:

• 부인론 흡인자: 부인론 분지 ($x < -1$) 의 사용자는 더 낮은 의견 변동성 (표준 편차 $\langle \sigma_x \rangle = 0.89$) 과 더 극단적인 평균 의견 ($\langle x \rangle = -1.95$) 을 보였습니다. 가장 안정적인 계정 (가장 낮은 $\sigma_x$) 을 수동으로 검사한 결과, 이들은 주로 미국 기반이며 MAGA 와 동조하는 개인으로, 강경하고 일관된 입장을 가진 것으로 확인되었습니다.
• 기후 지지 흡인자: 기후 지지 분지 ($x > 1$) 의 사용자는 더 높은 변동성 ($\langle \sigma_x \rangle = 1.21$) 과 약간 덜 극단적인 평균 의견 ($\langle x \rangle = 1.86$) 을 보였습니다. 고변동성 계정은 종종 NGO, 언론인, 과학자 등 다양한 콘텐츠를 가진 기관 또는 전문적인 계정들이었으며, 이로 인해 더 이질적인 상호작용 패턴이 나타났습니다.

중요성 및 주장

본 논문은 양극화된 주제에 대한 온라인 의견 역학이 연산자 수준에서 마코프 과정으로 설명될 수 있다는 최초의 직접적 증거를 제공한다고 주장합니다. 사회물리학, 행동 데이터, 복잡계 모델링을 연결함으로써 저자들은 다음을 입증합니다:

1. 효과적 확률 연산자: 실제 세계의 의견 변동은 무구조적인 노이즈가 아니라, 뚜렷한 흡인자 분지와 공간적으로 이질적인 노이즈를 가진 일관된 확산과 유사한 과정을 따릅니다.
2. 데이터 기반 보정: D-MODD 프레임워크는 이론적 모델을 실증적 행동 데이터에 대해 직접 보정, 테스트, 정교화할 수 있게 하여 순수 에이전트 기반 시뮬레이션을 넘어섭니다.
3. 양극화 메커니즘: 본 연구는 양극화의 지속성이 상태 의존적 변동성에 의해 주도될 수 있음을 시사합니다. 여기서 특정 하위 집단 (부인론자) 의 "고집"(낮은 변동성) 이 더 안정적인 흡인자를 생성하여 외부 정보 신호와 무관하게 합의로의 수렴을 방해할 수 있습니다.

저자들은 이 접근법이 미시적 사용자 궤적을 컴팩트한 거시적 설명과 연결하는 엄격한 생성 모델을 제공하며, 대규모 사회 시스템에서의 정보 흐름 및 집단 행동 예측 모델링의 기초를 마련한다고 결론지었습니다.