- 网络间接互惠动力学中的平衡-不平衡过渡;
- 推荐中面向用户的公平;
- 使用统计验证过的知识图谱的宏观经济预测;
- 作为巫术量子力学的计算化学：模型、参数化和软件;
- 个人如何改变语言;
- 足球集体动力学的随机模型;
- 以概念和解决方案不确定性为特征的邪恶环境问题的社会和认知维度;
- 电网频率波动的时空复杂度;
- 在线错误信息对美国COVID-19疫苗接种的影响;
- 在新案例兴起期间通过深度学习进行的COVID-19情感分析;
网络间接互惠动力学中的平衡-不平衡过渡
原文标题： Balanced-imbalanced transitions in indirect reciprocity dynamics on networks
地址： http://arxiv.org/abs/2104.10568
作者： Koji Oishi, Shuhei Miyano, Kimmo Kaski, Takashi Shimada
摘要： 在这里，我们研究了网络上间接互惠的动力，这是一种社会动力，其中个体对他人的合作或敌对态度通过其行为和相互监视而随时间变化。当我们改变网络的链路或边密度时，我们观察到吸收态相变。当边密度足够小或足够大时，意见很快就会达到一种吸收状态，一旦达成意见，意见就永远不会改变。相反，如果边密度在中间范围内，则不能达到吸收状态，并且该状态不断变化，因此是活跃的。结果显示了社会网络对自发群体形成的新影响。
推荐中面向用户的公平
原文标题： User-oriented Fairness in Recommendation
地址： http://arxiv.org/abs/2104.10671
作者： Yunqi Li, Hanxiong Chen, Zuohui Fu, Yingqiang Ge, Yongfeng Zhang
摘要： 作为高度数据驱动的应用程序，推荐系统可能会受到数据偏差的影响，从而导致不同数据组的结果不公平，这可能是影响系统性能的原因。因此，识别并解决推荐方案中的不公平问题很重要。在本文中，我们从用户角度解决了推荐系统中的不公平问题。我们根据用户的活动水平将其分为优势和劣势群体，并进行实验以表明当前的推荐系统在两组用户之间的行为将不公平。具体而言，仅在数据中占很小比例的有利用户（活动）比那些不利用户（不活动）享有更高的推荐质量。这种偏见也会影响整体性能，因为弱势用户占多数。为理解决此问题，我们提供了一种重新排序方法，通过在评估指标上添加约束来减轻此不公平问题。我们在具有各种推荐算法的几个真实世界数据集上进行的实验表明，我们的方法不仅可以提高推荐者系统中用户的群体公平性，而且可以实现更好的总体推荐性能。
使用统计验证过的知识图谱的宏观经济预测
原文标题： Macroeconomic forecasting with statistically validated knowledge graphs
地址： http://arxiv.org/abs/2104.10457
作者： Sonja Tilly, Giacomo Livan
摘要： 这项研究利用全球报纸的叙述来构建有关世界事件的基于主题的知识图，证明与许多基准相比，从这些图中提取的特征可以改善三个大型经济体的工业生产预测。我们的分析依赖于一种过滤方法，该方法可从大型图数据集中提取具有统计意义的边的“骨架”。我们发现，这种骨干中节点的特征向量中心性的变化刻画了不同主题之间相对重要性的变化，明显优于图相似度。我们通过可解释性分析来补充我们的结果，结果表明主题类别“疾病”和“经济”在我们考虑的时间段内具有最强的预测能力。我们的工作是构建基于主题的简约（但内容丰富）知识图谱的蓝图，以实时监控社会经济系统中相关现象的演变。
作为巫术量子力学的计算化学：模型、参数化和软件
原文标题： Computational Chemistry as Voodoo Quantum Mechanics : Models, Parameterization, and Software
地址： http://arxiv.org/abs/1812.00995
作者： Frédéric Wieber, Alexandre Hocquet
摘要： 计算化学在“桌面建模”的新时代中发展，这与对建模软件（尤其是制药行业）的需求不断增长相吻合。在计算化学中对模型进行参数化是一项艰巨的任务，我们认为，在这种特定的情况下，这种活动导致科学家之间的紧张关系，即缺乏参数化方法及其实现软件的认识透明性。为了揭示这些紧张关系，我们依靠适合于揭示它们的语料库，即专业化学讨论论坛“计算化学邮件列表”（CCL）。我们将这一语料库中的一场火焰大战联系起来，以详细评估建模方法，参数化，软件及其各种形式的封装或披露之间的关系。我们的主张是，参数化问题是认知不透明的根源，并且这种不透明被方法和软件所纠缠。必须同时处理模型和软件，以理解所面临的认识论张力。
个人如何改变语言
原文标题： How individuals change language
地址： http://arxiv.org/abs/2104.10210
作者： Richard A Blythe, William Croft
摘要： 通过各个说话者之间的互动，语言在人口层次上出现并随时间变化。但是，很难直接观察到单个讲话者的语言创新如何促使该语言在整个人群中发生变化，并且存在许多理论上的建议。我们引入了一个非常通用的数学模型，该模型包含了各种各样的个人级别的语言行为，并提供了由此产生的人口级别变化的统计预测。通过该模型，我们可以在个人学习和使用语言的方式不同的假设下，比较多种语言中的定冠词和不定冠词的经验证明变化的可能性。我们发现，历史数据很少支持主要引起童年语言习得错误的语言变化，而那些允许说话者在整个生命周期内逐渐变化的语言则更为合理，尤其是在与社会网络效应相结合的情况下。
足球集体动力学的随机模型
原文标题： Stochastic model for football's collective dynamics
地址： http://arxiv.org/abs/2104.10272
作者： A. Chacoma, N. Almeira, J.I. Perotti, O.V. Billoni
摘要： 在本文中，我们研究了足球比赛中出现的集体互动动力学。为此，我们调查了一个数据库，其中包含在三场职业足球比赛中测得的人体传感器轨迹，在该数据库中，我们观察到了统计模式，这些统计模式用于为运动员在场上的运动提出随机模型。该模型基于线性交互，可以很好地刻画足球队的时空动态。因此，我们的理论框架成为揭示足球复杂性背后的潜在合作机制的有效分析工具。此外，我们证明了它可以为教练提供方便的理论支持，以评估他们在竞争情景中的团队和球员表现。
以概念和解决方案不确定性为特征的邪恶环境问题的社会和认知维度
原文标题： On the social and cognitive dimensions of wicked environmental problems characterized by conceptual and solution uncertainty
地址： http://arxiv.org/abs/2104.10279
作者： Felber Arroyave, Oscar Yandy Romero Goyeneche, Meredith Gore, Gaston Heimeriks, Jeffrey Jenkins, Alexander Petersen
摘要： 我们开发了一个定量框架，用于理解在自然，社会和技术复杂系统的交叉点出现的邪恶问题的类别。邪恶的问题反映了我们对相互依存的全球系统及其构成的高风险的不完全理解；这样的问题逃脱理解决方案，因为它们通常是问题解决者及其所组成的社区定义不清，因而被错误地识别和低估了。由于可以从各种角度剖析跨界问题，因此，这种多样性可能会给对问题的集体理解造成混乱。我们通过分析三个邪恶领域内的主题社区和学术社区的发展来说明这种悖论：森林砍伐，入侵物种和野生动植物贸易研究。通过对每个领域内和周围出现的主题社区和协作社区的全面文献计量分析，我们可以根据对代表每个领域的知识轨迹的巩固或多样化的定量评估，确定邪恶的不确定性的症状特征。我们认为，这样的知识轨迹表明每个研究领域的潜在不确定性，这往往会加剧问题本身的邪恶性。值得注意的是，我们的结果表明，由于不确定性高，研究匮乏和知识整合延迟，野生动植物贸易可能成为被忽视的邪恶问题。
电网频率波动的时空复杂度
原文标题： Spatio-temporal complexity of power-grid frequency fluctuations
地址： http://arxiv.org/abs/2104.10479
作者： Leonardo Rydin Gorjão, Benjamin Schäfer, Dirk Witthaut, Christian Beck
摘要： 电网系统是最复杂的人造空间扩展结构之一。它们在严格的操作范围内运行，以确保整个网格之间的同步。这对于电网频率特别重要，电网频率严格在 50 ， Hz（ 60 ， Hz）下运行。然而，在非常短的时间尺度（<2 秒）内，平均频率附近存在微小波动，并且可能表现出高度复杂的时空行为。在这里，我们将超统计数据分析技术应用于北欧电网中测得的频率波动。我们研究增量统计，并从数据中提取相关的时间尺度和超统计分布函数。我们表明，电网频率的不同同步记录在不同的空间位置具有不同类型的超统计量的非常明显的随机波动，并且当增量统计量的时间滞后发生变化时，会从一种超统计量过渡到另一种超统计量。
在线错误信息对美国COVID-19疫苗接种的影响
原文标题： The impact of online misinformation on U.S. COVID-19 vaccinations
地址： http://arxiv.org/abs/2104.10635
作者： Francesco Pierri, Brea Perry, Matthew R. DeVerna, Kai-Cheng Yang, Alessandro Flammini, Filippo Menczer, John Bryden
摘要： 为了获得牛群免疫，必须广泛吸收COVID-19疫苗。但是，调查发现一些犹豫或不愿接种疫苗的美国成年人。在线错误信息可能在疫苗犹豫中起重要作用，但我们尚不清楚它会在多大程度上影响疫苗的摄取。在这里，我们研究了疫苗接种率和疫苗犹豫如何与160万Twitter用户共享的关于疫苗的在线错误信息水平相关，这些Twitter用户位于美国各州和县级。我们发现最近的错误信息水平与每日疫苗接种率之间存在负相关关系。一致地，对疫苗的负面看法与错误信息相关。疫苗犹豫与共和党的投票份额也密切相关，但是，在考虑政治以及人口和社会经济因素时，疫苗结果与错误信息之间的联系仍然很重要。错误信息较多的民主县的犹豫程度与共和党县的犹豫程度相匹配。这些结果表明，解决在线错误信息必须是旨在最大程度提高疫苗接种运动有效性的干预措施的关键组成部分。
在新案例兴起期间通过深度学习进行的COVID-19情感分析
原文标题： COVID-19 sentiment analysis via deep learning during the rise of novel cases
地址： http://arxiv.org/abs/2104.10662
作者： Rohitash Chandra, Aswin Krishna
摘要： 社会科学家和心理学家对理解人们在应对自然灾害，政治动荡和恐怖主义等灾难性事件时如何表达情绪或情感感兴趣。 COVID-19大流行是一场灾难性事件，引发了许多心理问题，例如由于突然的社会变革和缺乏就业而导致的抑郁症。在COVID-19案件增多且封锁更加严格的过程中，人们一直在社交媒体中表达自己的观点，这些观点可以使人们深刻理解人们对灾难性事件的生理反应。在本文中，我们通过长短期记忆（LSTM）递归神经网络将基于深度学习的语言模型用于Twitter上的情感分析，重点是印度新案件的兴起。在构建语言模型时，我们将LSTM模型与全局矢量（GloVe）结合使用来表示单词。我们回顾了针对特定月份表达的情绪，这些情绪涵盖了2020年新病例的主要高峰。我们提出了一个框架，该框架专注于使用LSTM模型和GloVe嵌入的多标签情绪分类，其中可以一次表达多个情绪。我们的结果表明，在印度COVID-19案件上升期间，大多数推文都带有积极乐观的乐观态度。我们发现，在新案件的高峰期，推文的数量大大降低了。我们发现，乐观和开玩笑的推文主要在每月的推文中占主导地位，并且负面情绪的表达数量要低得多。这可能意味着大多数人总体上是积极的，有些人对当局在达到高峰时处理这种大流行的方式感到恼火。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。