🔬 physics

Direct and Indirect Influence on Likes in Social Media

Met behulp van een grootschalige VKontakte-dataset onthult deze studie dat de waarschijnlijkheid dat een gebruiker een bericht leuk vindt, primair wordt gedreven door directe en indirecte sociale besmetting van actieve buren binnen twee graden van scheiding, waarbij de structurele diversiteit van deze actieve verbindingen dient als een significante voorspeller van betrokkenheid.

Oorspronkelijke auteurs: Ivan Kozitsin, Anton V. Proskurnikov

Gepubliceerd 2026-06-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ivan Kozitsin, Anton V. Proskurnikov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je je social media-feed voor als een groot, bruisend dorpsplein. Je staat in het midden en je ziet een nieuwe poster (een post) op een muur. De vraag die deze studie stelt is: Wat maakt jou de beslissing om een "Like"-sticker op die poster te plakken?

De meeste mensen gaan ervan uit dat het alleen over je directe vrienden gaat. Als je beste vriend het leuk vindt, doe jij dat misschien ook. Maar dit onderzoek, uitgevoerd op het Russische sociale netwerk VKontakte (vergelijkbaar met Facebook), graaft dieper om te zien of je "vrienden van je vrienden" (je connecties van de tweede graad) en de structuur van je sociale kring ook een rol spelen.

Hier is de uitsplitsing van hun bevindingen met behulp van eenvoudige analogieën:

1. De "Echo" van Vrienden-van-Vrienden

Denk aan je sociale netwerk als een kamer vol mensen.

Directe Vrienden (Afstand 1): Dit zijn de mensen die direct naast je staan. Als zij klappen, hoor jij dat onmiddellijk.
Vrienden-van-Vrienden (Afstand 2): Dit zijn de mensen die naast je vrienden staan. Zij staan een stap verder weg.

De studie vond dat zelfs als je directe vrienden nog niet hebben geklapt, het horen van het geklap van de mensen die naast hen staan, je veel eerder aanzet om zelf ook te klappen.

Het is als een gerucht dat zich verspreidt. Je hoort het misschien niet van je beste vriend, maar als je drie verschillende mensen in de kring van je vriend over hetzelfde onderwerp hoort praten, begin je te denken: "Oh, dit moet wel belangrijk zijn," en je doet mee. De onderzoekers ontdekten dat deze "tweedehands" invloed erg sterk is, zelfs als je directe vrienden stil blijven.

2. De "Drukke Kamer" versus de "Diverse Menigte"

De onderzoekers keken naar hoe je vrienden met elkaar verbonden zijn.

Het "Cliques"-scenario: Stel je voor dat al je vrienden die de post leuk vinden, ook allemaal beste vrienden met elkaar zijn. Ze zitten in één nauwe cirkel. Als zij het allemaal leuk vinden, is het alsof je dezelfde boodschap herhaald hoort worden door dezelfde groep mensen.
Het "Diverse" scenario: Stel je voor dat de vrienden die de post leuk vinden afkomstig zijn uit totaal verschillende groepen mensen (verschillende scholen, hobby's of buurten) die elkaar niet kennen.

De studie vond dat diversiteit belangrijker is dan alleen het aantal likes. Als je een "Like"-signaal krijgt van vijf verschillende, ongerelateerde groepen mensen, is de kans veel groter dat je de post ook leuk vindt dan wanneer je vijf "Likes" krijgt van één enkele, hechte groep. Het is het verschil tussen het horen van een liedje gespeeld door één band in een kleine kamer versus het heden van datzelfde liedje gespeeld door vijf verschillende bands in vijf verschillende steden.

3. De "Super-Connector" Metriek (De $m^*$ -index)

De onderzoekers hebben een nieuwe manier uitgevonden om invloed te meten, die ze de Extended Induced Index noemen.

De Oude Manier: Ze telden hoe vaak je actieve vrienden actieve vrienden hadden.
De Nieuwe Manier (De Ontdekking van de Studie): Ze telden het maximale aantal actieve vrienden dat gevonden werd over al je vrienden, zelfs degenen die de post nog niet leuk hebben gevonden.

Denk aan een brandalarmensysteem.

De oude methode controleerde alleen of de mensen die momenteel "Brand!" riepen, ook buren hadden die ook "Brand!" riepen.
De nieuwe methode controleert of iemand in jouw directe kring een buur heeft die "Brand!" roept, ongeacht of de persoon naast je op dit moment aan het schreeuwen is of gewoon daar staat.

Ze ontdekten dat deze "Nieuwe Manier" de beste voorspeller was of jij op "Like" zou klikken. Het vangt de "buzz" in de hele buurt op, niet alleen de mensen die op dit moment aan het schreeuwen zijn.

4. De Verrassende Wending: Te Veel Directe Vrienden Kan Slecht Zijn

Dit is de meest contra-intuïtieve bevinding.
Wanneer de onderzoekers naar de ruwe cijfers keken, maakte het hebben van meer directe vrienden die de post leuk vonden je meer geneigd om de post ook leuk te vinden. Echter, zodra ze rekening hielden met de "Diverse Menigte" en de "Tweedehands Buzz", gebeurde er iets vreemds: Het hebben van te veel directe vrienden die de post leuk vonden, verlaagde je kans om de post leuk te vinden juist.

De Analogie: Stel je voor dat je probeert naar een gesprek te luisteren in een lawaaierige kamer.

Als je vrienden in alle verschillende hoeken van de kamer zijn (Divers), hoor je het nieuws van overal.
Als al je vrienden in één kleine hoek bij elkaar staan (Hoge Directe Activiteit, Lage Diversiteit), kan het algoritme van het platform (de "lawaaimachine") denken: "Oh, deze persoon geeft alleen maar om die ene hoek," en stopt het met het tonen van berichten uit de rest van de kamer.
Omdat je beperkte aandacht hebt, mis je het bredere signaal. De studie suggereert dat wanneer je directe vrienden te geconcentreerd zijn, het platform je blik kan vernauwen, waardoor je minder geneigd bent om met de post te interageren.

5. De "Drie Graden" Regel

Er bestaat een beroemd idee in de sociologie dat invloed kan reizen tot drie graden van scheiding (jij -> vriend -> vriend van een vriend -> vriend van een vriend van een vriend).

Het Oordeel van de Studie: In deze specifieke dataset stopte de "magie" bij twee graden.
Invloed van de vrienden van je vrienden (Afstand 2) was sterk en duidelijk.
Invloed van de vrienden van de vrienden van je vrienden (Afstand 3) was te zwak om te detecteren. Het is alsof je probeert een fluistering te horen vanuit drie kamers verderop; tegen die tijd is het signaal verdwenen.

Samenvatting

Dit artikel vertelt ons dat op sociale media wie een post leuk vindt minder belangrijk is dan waar die mensen vandaan komen.

Tweedehands invloed is echt: De vrienden van je vrienden kunnen je stimuleren om iets leuk te vinden, zelfs als je directe vrienden dat nog niet hebben gedaan.
Diversiteit wint: Een "Like" krijgen van veel verschillende sociale kringen is een sterkere trigger dan veel "Likes" krijgen van één enkele groep.
Het algoritme speelt een rol: Het rankingsysteem van het platform versterkt waarschijnlijk deze effecten door je content te tonen waar je bredere netwerk mee bezig is, maar het kan content verbergen als je directe kring te veel "geclusterd" is.

De studie concludeert dat om te begrijpen waarom we op "Like" klikken, we verder moeten kijken dan onze directe vrienden en de complexe, diverse web van verbindingen moeten beschouwen die ons omringen.

Technische Samenvatting: Directe en Indirecte Invloed op 'Likes' in Sociale Media

Probleemstelling
Deze studie onderzoekt de mechanismen van sociale besmetting binnen online sociale netwerken, met een specifieke focus op het "liken"-gedrag van gebruikers op het platform VKontakte (VK). Terwijl de bestaande literatuur uitgebreid de invloed van directe buren (afstand $d=1$ ) op gedragsadoptie documenteert, blijft de mate waarin indirecte invloed van vrienden-van-vrienden (afstand $d=2$ ) onafhankelijk de gebruikersgedrag vormgeeft minder goed begrepen, met name in grootschalige omgevingen met algoritmische contentcuratie. Een centrale uitdaging in dit domein is het onderscheiden van genuante sociale invloed van verstorende factoren zoals homofilie (de neiging van gelijke individuen om verbinding te maken) en door het platform gemedieerde blootstelling (waarbij algoritmen content naar voren schuiven op basis van de netwerkstructuur in plaats van directe gebruikersinteractie). De auteurs beogen te bepalen of de waarschijnlijkheid dat een gebruiker een bericht 'liket' afhangt van de activiteit van tweede-orde buren, zelfs wanneer wordt gecontroleerd voor de activiteit van directe vrienden.

Methodologie
De auteurs maakten gebruik van een grootschalige dataset bestaande uit ongeveer 290.000 gebruikers van het VKontakte-platform, waarbij specifiek werd gefocust op de grootste samenhangende component van gebruikers in de oblast Tomsk, Rusland. De dataset bevat vriendschapsbanden en chronologische records van 'likes' op 308 lokale nieuwsberichten, wat in totaal 36.286 likes oplevert (waarvan 19.599 afkomstig zijn van gebruikers binnen de geanalyseerde netwerkcomponent).

De analyse maakt gebruik van een combinatie van beschrijvende statistiek en logistische regressiemodellering. De belangrijkste methodologische componenten zijn:

Netwerkmetrieken: De studie definieert en analyseert verschillende metrieken om de activiteit van de buurt te kwantificeren:
- $k_1$ : Het aantal actieve directe vrienden ( $d=1$ ).
- $k_2$ : Het aantal actieve vrienden-van-vrienden ( $d=2$ ).
- $s$ : De index van structurele diversiteit, gedefinieerd als het aantal samenhangende componenten onder de actieve vrienden.
- $m$ (Induced Index): Het maximale aantal actieve buren onder de actieve directe buren van een focusknooppunt (volgens Xie et al., 2022).
- $m^*$ (Extended Induced Index): Een nieuwe metriek gedefinieerd als het maximale aantal actieve vrienden over alle directe buren van een focusknooppunt, ongeacht of die buren zelf actief zijn.
Regressieanalyse: De auteurs schatten een reeks logistische regressiemodellen om de waarschijnlijkheid te voorspellen dat een gebruiker een bericht 'liket'. Deze modellen incorporeerden progressief covariaten, waaronder $k_1$ , de dichtheid van banden tussen actieve vrienden ( $\rho_1$ ), structurele diversiteit ( $s$ ), en diverse formuleringen van tweede-orde activiteit ( $k_2$ , $m$ , $m^*$ ).
Controles en Filtering: Om causale inferentie met betrekking tot timing te waarborgen, paste de analyse chronologische filtering toe, waarbij de staat van de actieve buurt direct vóór een 'like' van een gebruiker werd gemeten. Robuustheidscontroles werden uitgevoerd door de data te stratificeren naar knoopgraad en lokale clusteringcoëfficiënten.

Belangrijkste Bijdragen

Introductie van de Extended Induced Index ( $m^*$ ): Het artikel stelt $m^*$ voor als een superieure metriek voor het vastleggen van indirecte invloed vergeleken met de oorspronkelijke induced index $m$ en de ruwe aantallen $d=2$ knopen. In tegenstelling tot $m$ , dat conditioneert op actieve directe buren, houdt $m^*$ rekening met tweede-orde activiteit die bereikbaar is via inactieve directe buren, waardoor blootstellingspaden worden gevangen die onzichtbaar zijn voor de oorspronkelijke index.
Empirische Validatie van Indirecte Invloed: De studie levert empirisch bewijs dat tweede-orde activiteit ( $d=2$ ) een significante voorspeller is van 'liking'-gedrag, zelfs wanneer er wordt gecontroleerd voor de activiteit van directe vrienden.
Herwaardering van Directe Buur-effecten: De analyse onthult een contra-intuïtieve bevinding: hoewel het ruwe aantal actieve directe vrienden ( $k_1$ ) in beschrijvende statistieken positief geassocieerd is met 'liking', wordt de conditionele coëfficiënt negatief in regressiemodellen die structurele diversiteit en tweede-orde activiteitsmetrieken bevatten.

Resultaten

Tweede-orde Invloed: Er is een substantiële positieve associatie tussen tweede-orde activiteit en de waarschijnlijkheid van het 'liken'. De extended induced index $m^*$ bleek de sterkste enkele voorspeller van 'liking'-gedrag te zijn, waarmee zowel de ruwe telling van actieve vrienden-van-vrienden ( $k_2$ ) als de oorspronkelijke induced index ( $m$ ) werd overtroffen. De relatie tussen $m^*$ en de waarschijnlijkheid van 'liking' bleek bijna lineair te zijn.
Drempeleffecten: De oorspronkelijke induced index $m$ vertoonde een trapsgewijs patroon, met scherpe stijgingen in de waarschijnlijkheid van 'liking' bij $m=1$ en $m=3$ , wat wijst op potentiële lokale versterkingsdrempels.
Structurele Diversiteit: Het aantal samenhangende componenten onder actieve vrienden ( $s$ ) was positief geassocieerd met de waarschijnlijkheid van 'liking' in modellen die $m^*$ gebruikten, wat de hypothese van structurele diversiteit ondersteunt.
Negatieve Associatie van Directe Buren: In modellen die controleren voor structurele diversiteit en tweede-orde activiteit, vertoonde het aantal actieve directe buren ( $k_1$ ) een negatieve associatie met de waarschijnlijkheid van 'liking'. De auteurs interpreteren dit niet als een suppressie-effect, maar als een indicatie dat $k_1$ fungeert als een proxy voor de concentratie van signalen binnen een enkele gemeenschap, wat de effectieve structurele diversiteit die de gebruiker ervaart potentieel vermindert door beperkte aandacht en platform-rankingalgoritmen.
Afname door Afstand (Distance Decay): Geen significante associatie werd gedetecteerd voor knopen op afstand $d \ge 3$ zodra de activiteiten op $d=1$ en $d=2$ waren meegerekend.
Demografie: Het mannelijk geslacht was over het algemeen geassocieerd met een lagere waarschijnlijkheid van 'liking', hoewel dit effect varieerde in submonsters met een hoge clustering of hoge graad. Knoopgraad was positief geassocieerd met de waarschijnlijkheid van 'liking'.

Betekenis en Claims
Het artikel beweert empirische steun te bieden voor mechanismen van 'induced percolation' in grootschalige online sociale netwerken, en laat zien dat indirecte invloedspaden (specifiek $d=2$ ) een centrale rol spelen bij het vormen van gedragsdiffusie. De auteurs stellen dat de superieure verklarende kracht van de extended induced index $m^*$ suggereert dat door het platform gemedieerde zichtbaarheidsmechanismen (zoals aanbevelings- en rangschikkingsalgoritmen) gebruikers blootstellen aan content die wordt onderschreven door vrienden-van-vrienden, zelfs in de afwezigheid van directe signalen van directe buren.

De studie concludeert dat hogere-orde netwerkstructuur cruciaal is voor het begrijpen van gedragsdiffusie op online platforms. Het suggereert dat de "three degrees of influence"-hypothese stand kan houden, maar dat het sterkste detecteerbare niet-lokale signaal in deze dataset geconcentreerd is op afstand $d=2$ . De bevindingen impliceren dat sociale besmetting niet louter een functie is van directe groepsdruk, maar aanzienlijk wordt gemoduleerd door de structurele diversiteit van het netwerk en de zichtbaarheid van tweede-orde verbindingen, bemiddeld door de algoritmen van het platform. De auteurs merken op dat hun interpretatie van de door het platform gemedieerde blootstelling speculatief blijft vanwege het gebrek aan toegang tot interne rankingdata, maar de resultaten zijn consistent met dergelijke mechanismen.