How False News Goes Viral — Here’s the Mathematics

How False News Goes Viral — Here’s the Mathematics

1.कैसे फर्जी खबर वायरल होती है - यहाँ गणित है(How False News Goes Viral — Here’s the Mathematics)-

बीमारी को ट्रैक करने के लिए इस्तेमाल किए जाने वाले मॉडल से पता चलता है कि जब बहुत अधिक जानकारी सोशल मीडिया नेटवर्क को हिट करती है तो क्या होता है
नासा मंगल ग्रह पर एक बच्चा-दास कॉलोनी चलाता है!

How False News Goes Viral — Here’s the Mathematics

चीनी ऑर्बिटर द्वारा खींची गई तस्वीरों से चाँद पर एक विदेशी बस्ती का पता चलता है!

मानव दिमाग को नियंत्रित कर सकने वाले आकार बदलने वाले सरीसृप रेंगने वाले अमेरिकी राज्य सरकार चला रहे हैं!

ऐसी कहानियों की आश्चर्यजनक लोकप्रियता क्या है? क्या हम एक विशेष रूप से भोला प्रजाति हैं? शायद नहीं - शायद हम सिर्फ अभिभूत हैं। नेचर ह्यूमन बिहेवियर में जून में प्रकाशित होने वाली सोशल मीडिया पर खबरें कैसे फैलती हैं, इसका एक नंगे-हड्डी मॉडल से संकेत मिलता है कि बस कुछ भी वायरल हो सकता है। एक आदर्श दुनिया में भी, जहां हर कोई वास्तविक समाचार साझा करना चाहता है और हर दावे की सत्यता का मूल्यांकन करने में सक्षम है, कुछ नकली समाचार अभी भी हजारों (या लाखों) लोगों तक पहुंचेंगे, बस जानकारी अधिभार के कारण। एक समाचार फ़ीड में आने वाली हर चीज़ को देखना अक्सर असंभव होता है, इसकी पुष्टि अकेले करें। "यदि आप एक ऐसी दुनिया में रहते हैं, जहां आप कबाड़ से बमबारी कर रहे हैं - भले ही आप भेदभाव करने में अच्छे हैं - आप केवल वहाँ से बाहर क्या है का एक हिस्सा देख रहे हैं, तो आप अभी भी गलत सूचना साझा कर सकते हैं," बताते हैं, कंप्यूटर वैज्ञानिक फिलीपो मेन्केर के इंडियाना मॉडल के सह-लेखकों में से एक, यूनिवर्सिटी ब्लूमिंगटन (IU)। "प्रतियोगिता इतनी कठोर है कि अच्छा सामान ऊपर तक नहीं जा सकता।"
संभावना है कि आभासी दुनिया में, एक तस्वीर की सुंदरता या एक लेख की दृढ़ता एक "मेम" को फैलाने में मदद करती है - शब्द और उसके सहयोगियों का उपयोग ऑनलाइन लिंक, वीडियो, वाक्यांश या ऑनलाइन जानकारी की अन्य इकाई के लिए करते हैं। हालांकि, शोधकर्ता बताते हैं कि सिर्फ तीन अक्षम्य कारक नेटवर्क की अक्षमता को स्पष्ट कर सकते हैं कि सच्चाई को मेमों में झूठ से अलग कर सकते हैं, भले ही व्यक्ति कर सकते हैं। वे हैं: भारी मात्रा में जानकारी; समय और ध्यान की सीमित मात्रा में लोग अपने समाचार फ़ीड के माध्यम से स्क्रॉल करने और साझा करने के लिए क्या चुन सकते हैं; और अंतर्निहित सामाजिक नेटवर्क की संरचना। सभी तीन सबसे अच्छे लोगों की कीमत पर कुछ सबसे खराब मेमों को फैलाने के लिए मानते हैं।

2.सोशल मीडिया नेटवर्क पर मेम्स कैसे फैलते हैं(how memes spread on social media networks)- 

सोशल मीडिया नेटवर्क पर मेम्स कैसे फैलते हैं इसकी खोज के लिए गणितीय मॉडल को एजेंट आधारित मॉडल के रूप में जाना जाता है क्योंकि उन्हें व्यक्तियों के लिए "एजेंट", एक तकनीकी शब्द की सक्रिय भागीदारी की आवश्यकता होती है। ये मॉडल सिमुलेशन के एक पुराने वर्ग से उत्पन्न होते हैं जो अध्ययन करते हैं कि कैसे एक समुदाय के माध्यम से बीमारियां फैलती हैं। एक आरेख के बारे में सोचें जिसमें प्रत्येक एजेंट को डॉट या नोड द्वारा दर्शाया गया है, और अन्य नोड्स के लिए लाइनों के माध्यम से जोड़ा गया है, दोस्तों या अनुयायियों का प्रतिनिधित्व कर रहा है। अगर, कहें, तो इन्फ्लूएंजा वायरस या नकली समाचार के एक टुकड़े से एलिस "संक्रमित" है, वह क्रमशः अपने दोस्तों बॉब और क्लाइव के साथ इन लिंक के साथ छूत को संचारित कर सकता है या हाथ मिलाते हुए या उनके साथ मेम साझा कर सकता है। बॉब और क्लाइव बारी-बारी से अपने संपर्कों और इसी तरह से विवाद को पार कर सकते थे। इस कंकाल की रूपरेखा के बारे में पता लगाने से, वैज्ञानिक यह अनुकरण करने की कोशिश करते हैं कि विभिन्न स्थितियों में एक मेम कितनी दूर तक फैल सकती है।

"सूचना एक वायरस नहीं है," हालांकि, दक्षिणी कैलिफोर्निया विश्वविद्यालय के वैज्ञानिक क्रिस्टीना लर्मन को ध्यान में रखते हुए, जो नए मॉडल को बनाने में शामिल नहीं थे। जबकि हम आम तौर पर एक समय में एक फ्लू के तनाव के साथ काम कर रहे हैं, या सबसे कम कुछ में, हमें संक्रमित करने के लिए मेम्स की संख्या चौंका रही है। मॉडलर इस प्रचुरता को यह कल्पना करके शामिल करते हैं कि प्रत्येक व्यक्ति के पास एक स्क्रीन है जिस पर वह आने वाले मेम्स को देखता है। मॉडल इस संभावना को एक मूल्य प्रदान करता है कि ऐलिस एक नया मेमे बनाएगा और साझा करेगा - कहें, एक वीडियो जो उसने अपने नृत्य कॉकटू से बनाया है - और यह सभी अन्य उपयोगकर्ताओं से उत्पन्न होने वाले सभी नए नए मेमों के लिए भी ऐसा करता है। क्योंकि नए मेमे सिस्टम में जानकारी की कुल मात्रा में वृद्धि करते हैं, ये मान उनकी स्क्रीन देखने वालों द्वारा अनुभव की गई जानकारी लोड को मापते हैं।
एक अन्य पैरामीटर आइटम की संख्या पर नज़र रखता है ऐलिस के बारे में उसकी लंबी न्यूज फीड पर एक नया मेम बनाने के बजाय उसके कनेक्शन के साथ एक मौजूदा मेम पास करने के लिए चुनने से पहले। यह पैरामीटर ध्यान की अवधि के लिए एक प्रॉक्सी के रूप में कार्य करता है - ऐलिस पर ध्यान केंद्रित करने वाली जानकारी। एक बार जब एलिस एक संदेश के साथ भेजता है, तो यह बॉब, क्लाइव और अन्य लोगों की स्क्रीन पर दिखाई देता है, जो बदले में यह चुनते हैं कि क्या अपने स्वयं के मेम बनाने के लिए या उनमें से एक को अपने फ़ीड से प्रसारित करना है या नहीं।

इस मॉडल के एक पुराने संस्करण का उपयोग करते हुए, Menczer और अन्य I.U. 2012 में दिखाया गया है कि कुछ मेमें वायरल हो जाएंगी, भले ही सभी मेम समान रूप से "संक्रामक" हों - अर्थात, हर बार देखे जाने पर समान रूप से साझा किए जाने की संभावना। दोनों मॉडलों में मेम लगभग एक "पावर लॉ" कहलाते हैं, जिसका अर्थ है कि एक मेम के ट्वीट किए जाने की संभावना या अन्यथा एक निश्चित संख्या में साझा किए जाने की संभावना उस संख्या के व्युत्क्रम शक्ति के रूप में घट जाती है। उदाहरण के लिए, एक मेम एक से दो बार ट्वीट किए जाने की संभावना चार गुना कम है। "यदि आप फ़्लिकर पर चित्रों के वितरण को देखते हैं या फ़ेसबुक पर लेख या ट्विटर पर हैशटैग - इन सभी में बिजली कानून हैं," Menczer कहते हैं। फिर भी, हजारों प्राप्तकर्ताओं तक पहुंचने वाले मेम्स आश्चर्यजनक रूप से सामान्य हैं।

2014 में आयरलैंड में यूनिवर्सिटी ऑफ़ लिमरिक के गणितज्ञ जेम्स ग्लीसन और अन्य ने मेन्ज़र द्वारा दूसरों पर किए गए प्रकार के मॉडल के बीच गणितीय समानता का प्रदर्शन किया, और अन्य लोगों के बीच "सैंडलपीस" - कैनोनिकल सिस्टम जिसे भौतिक विज्ञानी "स्व-संगठित जीवन शक्ति" कहते हैं। एक सपाट सतह पर धीरे-धीरे रेत खींचता है, यह तब तक ढेर होगा जब तक कि इसकी ढलान एक महत्वपूर्ण कोण तक नहीं पहुंच जाती। रेत के कुछ अतिरिक्त अनाज के कारण कुछ भी नहीं हो सकता है, लेकिन अचानक एक और अनाज एक हिमस्खलन को ट्रिगर करेगा: एक मेम के वायरल होने के बराबर। ग्लीसन के विश्लेषण से पता चलता है कि सिस्टम के आंतरिक गुण, एक मेम की विशिष्टताओं के विपरीत, वर्जिनिटी चला रहे हैं।
नवीनतम पेपर मेंनज़र, ज़ायोयान किउ और अन्य में I.U. यदि कुछ मेमें दूसरों की तुलना में अधिक संक्रामक हैं तो क्या होता है, इसकी जांच करें। वे पाते हैं कि यदि सूचना भार कम है और ध्यान अवधि अधिक है, तो अधिक आकर्षक यादें प्रबल होती हैं। ध्यान और सूचना अधिभार की वास्तविक ट्रैकिंग, ट्विटर और टंबलर डेटा से प्राप्त की गई है, हालांकि, यह इंगित करती है कि वास्तविक जीवन में जानकारी की व्यापक मात्रा आमतौर पर हमें अभिभूत करती है। "आपको यह मानने की ज़रूरत नहीं है कि जंक फैलने का कारण यह है कि लोग इसे पसंद करते हैं या क्योंकि वे अंतर नहीं बता सकते हैं," Menczer बताते हैं। "आप मान सकते हैं कि लोगों को अंतर पता है, और अभी भी नकली सामान वायरल हो जाएगा, बस जानकारी अधिभार के कारण।"

मेम्स के प्रसार को प्रभावित करने वाला एक प्रमुख कारक अंतर्निहित सोशल मीडिया नेटवर्क में कनेक्शन का पैटर्न है। लॉस एंजिल्स के कैलिफोर्निया विश्वविद्यालय के गणितज्ञ मेसन पोर्टर का कहना है, "कुछ नेटवर्क संरचनाएं तेजी से फैलने को बढ़ावा देंगी और अन्य लोग प्रसार को रोकेंगे।" उदाहरण के लिए, प्रतियोगिता-संचालित मॉडल में सिम्युलेटेड नेटवर्क को यादृच्छिक माना जाता है, तो - इसका अर्थ है कि कनेक्शन बेतरतीब ढंग से नेटवर्क पर नोड्स के बीच वितरित किए जाते हैं - कोई मेम वायरल नहीं जाते हैं। वास्तविक सोशल मीडिया नेटवर्क लिंक के मोटे तौर पर बिजली-कानून वितरण को प्रदर्शित करते हैं, हालांकि - एक सुविधा Menczer और उनके सहयोगियों को अपने सिमुलेशन में शामिल करते हैं। इसलिए जबकि हम में से अधिकांश - ट्विटर पर प्रत्येक नोड, उदाहरण के लिए - मुट्ठी भर अनुयायी हैं, कुछ आउटलेयर में हजारों की संख्या में हो सकते हैं। यदि इनमें से कोई भी "सुपरकनेक्टेड" व्यक्ति, या हब, एक नकली मेम से संक्रमित हो जाता है, तो वे संभवतः इसे दूर-दूर तक पहुंचा सकते हैं।

लेकिन U.S.C का लर्मन अलग होना शुरू कर देता है। रोग मॉडल में, अत्यधिक जुड़े हुए लोगों को "सुपरस्प्रेडर्स" कहा जाता है क्योंकि वे महामारी को चलाने में मदद करते हैं। हालांकि, वास्तविक ट्विटर उपयोगकर्ताओं के व्यवहार की जांच करते हुए, उसने 2016 में प्रदर्शित किया कि सुपरकनेक्टेड एजेंट्स को प्राप्त होने वाले मेमों में से बहुत कम पर पास होते हैं। ऐसा इसलिए है क्योंकि वे संभवतः नहीं देख सकते हैं, अकेले पढ़ते हैं, उनके कंपित रूप से लंबे फीड में सब कुछ। "जो लोग अत्यधिक जुड़े हुए हैं, वे कुछ भी देखने की संभावना नहीं रखते हैं जो पांच मिनट का है, क्योंकि यह अभी तक उनकी फ़ीड से नीचे है," वह नोट करती है। इस प्रकार सूचना अधिभार सुनिश्चित करता है कि वे पहली बार में संक्रमित होने की संभावना कम हैं। उनके विचार में, हब्स मेम्स के विशाल बहुमत को दबाते हैं, लेकिन कुछ को फैलाने में मदद कर सकते हैं।
पौरुष में भी भूमिका निभाते हुए: दोस्तों में गुच्छों का निर्माण होता है। इसलिए, उदाहरण के लिए, क्योंकि ऐलिस बॉब और क्लाइव को जानता है, बाद की संभावना एक दूसरे को भी जानते हैं, और कई मुद्दों पर समान विचार साझा करते हैं। ये क्लस्टर सामाजिक मीडिया aficionados को "इको चैंबर" के रूप में क्या स्थापित करने में मदद करते हैं, हम में से अधिकांश कई बार कुछ मेमों को देखते हैं, इस संभावना को बढ़ाते हैं कि हम भी उन्हें साझा करेंगे। मामलों को बदतर बनाते हुए, एक मेमे की संक्रामकता - एक फ्लू वायरस के विपरीत - यह निर्भर करता है कि इसे कितनी बार साझा किया गया है। 14,000 से अधिक स्वयंसेवकों में शामिल एक वेब-आधारित प्रयोग में, समाजशास्त्री मैथ्यू सालगनिक, फिर कोलंबिया विश्वविद्यालय में, और अन्य ने 2006 में दिखाया कि रंगरूटों को किसी विशेष गीत को डाउनलोड करने की अधिक संभावना थी अगर वे जानते थे कि उनके साथियों ने इसे पसंद किया है।

इस तरह के "सामाजिक सुदृढीकरण" यह सुनिश्चित कर सकते हैं कि जोखिम की एक निश्चित सीमा पार होने के बाद संक्रामक तेजी से बढ़ जाती है। "आप एक व्यक्ति पोस्ट देखते हैं, 'नासा के मंगल ग्रह पर दास उपनिवेश हैं,' और आपको लगता है, 'यह हास्यास्पद है," पोर्टर बताते हैं। "आप एक दूसरे व्यक्ति की पोस्ट देखते हैं,’ नासा का मंगल ग्रह पर दास उपनिवेश है। 'आप इसे कई बार देखते हैं, और यह किसी भी तरह इसे देखने के बाद अधिक बार हो जाता है। "और इसलिए आप इसे साझा करते हैं, भी। कई शोध समूह जटिल संज्ञानात्मक प्रक्रियाओं की खोज कर रहे हैं जो एक मेम को दूसरे पर चुने जाने की ओर ले जाती हैं।

हालांकि, इस शोध में इस्तेमाल किए गए मॉडलों की सटीकता पर बहस जारी है। "सामान्य तौर पर, मैं एजेंट-आधारित मॉडल पर संदेह करने की प्रवृत्ति रखता हूं क्योंकि बहुत सारे knobs हैं जो आप ट्विक कर सकते हैं," Lerman कहते हैं। Menczer का मानना ​​है कि मानव संज्ञानात्मक व्यवहार की सभी सूक्ष्मताओं को पुन: उत्पन्न करने के प्रयास में उपयोग किए जाने वाले किसी भी मॉडल में कई अज्ञात पैरामीटर होंगे - या "knobs" - जो उनके परिणामों को व्याख्या करने के लिए कठिन बना देगा। लेकिन यह इस तरह के न्यूनतर मॉडल (जिसे अक्सर "खिलौना मॉडल" कहा जाता है) के साथ एक समस्या कम है, जो केवल व्यापक-ब्रश सुविधाओं का पता लगाने के लिए चाहते हैं। "जब तक वे बहुत सरल हैं, तब तक वे उपयोगी होते हैं," मेन्केजर कहते हैं - क्योंकि वे आश्चर्यजनक रूप से शक्तिशाली सत्य प्रकट करते हैं।