- 对话失控：发现对话失败的早期迹象;
- O.D.E.S.：基于CMS Wordpress插件的在线动态检查系统;
- MIMiS：对智能手机用户行为的最小侵入性挖掘;
- Crowdbreaks：使用公共社交媒体数据和众包追踪健康趋势;
- 用机器学习预测Facebook帖子的指标;
- 社会复杂性、经济物理学和社会物理学研究国际中心的提案;
- 新词汇约定谈判中复杂性的减少;
- 整个医院的接触流;
- 社会网络中的朴素贝叶斯学习;
对话失控：发现对话失败的早期迹象
原文标题： Conversations Gone Awry: Detecting Early Signs of Conversational Failure
地址： http://arxiv.org/abs/1805.05345
作者： Justine Zhang, Jonathan P. Chang, Cristian Danescu-Niculescu-Mizil, Lucas Dixon, Yiqing Hua, Nithum Thain, Dario Taraborelli
摘要： 在线社交系统面临的主要挑战之一是反社会行为的普遍存在，比如骚扰和人身攻击。在这项工作中，我们介绍了从谈话一开始就预测它是否会失控的任务。与在事后检测到不良行为相反，此任务旨在在对话仍可挽救的时候启用早期的可操作预测。为此，我们开发了一个捕捉务实策略的框架 - 如礼貌策略和修辞提示 - 用于开始对话，并分析它们与未来轨迹的关系。在受控环境下应用此框架，我们证明了在线讨论中检测反社会行为早期预警信号的可行性。
O.D.E.S.：基于CMS Wordpress插件的在线动态检查系统
原文标题： O.D.E.S. : An Online Dynamic Examination System based on a CMS Wordpress plugin
地址： http://arxiv.org/abs/1805.05426
作者： George F. Fragulis, Lazaros Lazaridis, Maria Papatsimouli, Ioannis A. Skordas
摘要： 本文描述了根据开源软件原理开发的名为O.D.E.S.的在线动态检查应用程序插件，其中使用CMS Wordpress作为程序员/编码人员具有从头安全开发应用程序的潜力。 ODES应用程序中存在两种类型的用户：admin / teacher和student。管理员/教师可以创建/编辑/删除/查看问题，问题类别和试卷。这些问题分为两类，多选题（包括真/假）和长答题（散文）。教师可以创建考试，选择问题数量以及先前创建的问题池中存在的问题类型。选择由应用程序随机完成，教师只需确定多选或长答题的总数以及每个答案的重要性（权重）（包括负数等级）。学生参加随机生成的考试并获得他/她的成绩。多项选择题的等级是自动完成的，而对于长期回答问题，教师有责任对其进行评分。完成考试后，教师可以通过控制面板或报告查看学生的最终成绩。
MIMiS：对智能手机用户行为的最小侵入性挖掘
原文标题： MIMiS: Minimally Intrusive Mining of Smartphone User Behaviors
地址： http://arxiv.org/abs/1805.05476
作者： Pravallika Devineni, Evangelos E. Papalexakis, Kalina Michalska, Michalis Faloutsos
摘要： 真正需要拯救生命的用户监控应用程序有多干扰？虽然大多数以前的研究都集中在分析社交媒体和智能手机用户的心理状态，但在这些分析中很少保护用户隐私。分析用户行为的挑战在于，数据不仅具有多种用户活动的多维度，而且这些活动以不同的时间速率发生。我们工作的首要问题是：给定一组敏感用户特征，将具有类似行为的用户分组所需的最小信息量是多少？此外，这种用户行为与他们的精神状态有关吗？为了回答这些问题，我们的贡献有两个方面：我们引入了隐私表面的概念，它将不同级别的侵入性敏感用户数据结合起来。作为我们的第二个贡献，我们引入了MIMiS，这是一个无监督的隐私感知框架，它将给定隐私表面配置中的用户关于它们的时间签名集合到同质群组中。此外，我们还探讨了侵入性和预测准确性之间的权衡。 MIMiS采用多集分解来处理用户活动中不兼容的时间粒度。我们广泛评估真实数据的MIMiS。在各种隐私表面上，MIMiS确定了关于自我报告的心理健康得分高度同质的群体。最后，我们对已发现的集群进行深入探索，确定其行为符合学术期限的团体。
Crowdbreaks：使用公共社交媒体数据和众包追踪健康趋势
原文标题： Crowdbreaks: Tracking Health Trends using Public Social Media Data and Crowdsourcing
地址： http://arxiv.org/abs/1805.05491
作者： Martin Mueller, Marcel Salathé
摘要： 在过去的十年中，由于世界各地大量采用社交媒体的强大组合，以及越来越强大的硬件和软件，使我们能够与这些新的大数据流合作，使用社交媒体数据跟踪健康趋势显示出巨大的前景。同时，确定了许多具有挑战性的问题。首先，在线数据的快速变化速度和算法更新速度之间通常存在不匹配，这意味着随着时间的推移，过去数据的训练算法的可重用性有限。其次，尽管公共卫生机构需要灵活的工具来实时评估多种演变情况，但大部分工作都集中在过去某个具体问题上。第三，提供此类功能的大多数工具都是私有系统，算法或数据透明度很小，因此很少从全球公共卫生和研究界购买。在这里，我们介绍Crowdbreaks，这是一个开放的平台，通过利用公共社交媒体内容的连续众包标签来追踪健康趋势。该系统的构建方式是将机器学习分类器的数据收集，过滤，标记和培训等典型工作流程自动化，因此可以大大加快公共卫生领域的研究进程。本工作介绍该平台的技术方面并探讨其未来的使用案例。
用机器学习预测Facebook帖子的指标
原文标题： Prediction of Facebook Post Metrics using Machine Learning
地址： http://arxiv.org/abs/1805.05579
作者： Emmanuel Sam, Sergey Yarushev, Sebastián Basterrech, Alexey Averkin
摘要： 在这篇简短的论文中，我们评估了三种着名的机器学习技术的性能，用于预测Facebook中的帖子的影响。社交媒体对社交行为有巨大影响。因此，开发一个预测社交媒体中的帖子影响的自动模型可能对社会有用。在本文中，我们分析了支持向量回归（SVR），回声状态网络（ESN）和自适应网络模糊注入系统（ANFIS）三种流行技术对后期影响的预测效率。评估是通过一个公共和众所周知的基准数据集完成的。
社会复杂性、经济物理学和社会物理学研究国际中心的提案
原文标题： International Center for Social Complexity, Econophysics & Sociophysics Studies: A Proposal
地址： http://arxiv.org/abs/1805.05586
作者： Bikas K. Chakrabarti
摘要： 2017年11月15日至18日在Jawharlal Nehru大学和德里大学召开的联合国际会议题为Econophys-2017和亚太地区经济学会议（APEC）-2017的结束会议上，介绍了该提案的简要说明。参与者收到了几条热烈的评论。本说明基于这些讨论。
新词汇约定谈判中复杂性的减少
原文标题： Complexity Reduction in the Negotiation of New Lexical Conventions
地址： http://arxiv.org/abs/1805.05631
作者： William Schueller, Vittorio Loreto, Pierre-Yves Oudeyer
摘要： 在集体为人口中的新概念创造新词的过程中，冲突可能会迅速变成众多，以同义词和同名词的形式出现。记住所有这些可能会花费太多的内存，记住太少可能会减慢整个过程。有没有一种有效的行为可以帮助平衡两者？命名博弈是语言出现的多代理计算模型，着重于新词汇约定的谈判，在这种约定中，一个普通的词典自组织，但经历了一个高度复杂的阶段。以前的工作是通过允许代理商主动选择他们所谈论的内容来控制这个特定模型中的复杂性增长。但是，这些策略依赖于高度依赖于参数微调的特设启发式。我们在此定义一个新的原则性措施和一个新的策略，基于每个代理人对全球人口状况的信念。测量不依赖于繁重的计算，并且认知上合理。新策略可以有效控制复杂性增长，同时加快协议流程。此外，我们表明短期记忆足以构建关于全球词汇的相关信念。
整个医院的接触流
原文标题： The Link Stream of Contacts in a Whole Hospital
地址： http://arxiv.org/abs/1805.05752
作者： Lucie Martinet, Christophe Crespelle, Eric Fleury, Pierre-Yves Boëlle, Didier Guillemot
摘要： 我们在康复医院的整个人群中分析了6个月内由传感器网络收集的大量非常精确的接触数据。我们调查了医院中每天接触的平均流量的拓扑结构以及这些接触逐渐演变的时间结构。我们的主要结果是在所考虑的医院中揭示这两种结构的显著特性，并提出一种可用于分析节点分组为组的任何链路流的方法。
社会网络中的朴素贝叶斯学习
原文标题： Naive Bayesian Learning in Social Networks
地址： http://arxiv.org/abs/1805.05878
作者： Jerry Anunrojwong, Nat Sothanaphan
摘要： 天真的社交学习DeGroot模型假设代理只传达标量意见。在实践中，代理人不仅传达他们的意见，而且传达他们对这些意见的信心。我们提出了一个模型，通过将信号信息纳入幼稚的社会学习情景来捕捉沟通的这个方面。我们提出的模型捕捉贝叶斯和天真学习的方面。我们模型中的代理人使用贝叶斯规则结合邻居的信念，但代理人天真地认为他们的邻居的信念是独立的。根据最初的信念，我们模型中的代理人可能未达成共识，但我们表明代理人将在初始信念的温和连续性和有界性假设下达成共识。这个最终的共识可以根据每个代理人的中心性和信号信息性来明确计算，从而可以准确理解联合效应。我们将理论应用于采用新技术。与Banerjee等人相反。 [2018]，我们表明，有关新技术的信息最初可以在没有信息损失的紧密集群中进行播种，但前提是代理商可以表达自己的信念。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。