一般的な承認：人、マウス、いいね、チーズ

賞賛、承認、受け入れ、褒め言葉-社会的相互作用のこれらすべての要素は非常に快適であり、人の人生を通して細い線を通過します。子供の頃、夕食を終えたり、愛らしい絵を描いたり（抽象芸術の専門家だけが理解できる）、学校での成績が良かったことなどで賞賛されています。大人になると、褒め言葉は必要なくなりますが、それでも喜びをもたらします。



インターネットとソーシャルメディアの出現により、コミュニケーションとソーシャルエンゲージメントは劇的に変化しました。距離と時間は、異なる都市に住む人々の間のコミュニケーションにおける決定的な要因ではなくなりました。もちろん、メッセージの内容が減少することもありますが、利便性は向上しています。同時に、誰もが他の人と言葉を交わすことなく、他の人の人生を調べる機会を得ました。ソーシャルネットワークの仕組みの観点から、「いいね」の概念も重要です。誰かがそれらを気にしない、誰かにとってそれはただの好奇心が強い機能であり、最近の休暇からの写真が望ましい数のハートまたは親指を上げていない場合、誰かは安らかに眠ることができません。疑問が生じます-なぜ一部の人々はインターネットでの承認にそれほど飢えているのですか？何が彼らを動かしますか？ニューヨーク大学の科学者たちは、人間の好きなものへの渇望と実験用げっ歯類で食べ物を見つけるプロセスとの間に類似点があることを発見しました。類似点は何ですか、好きなものへの渇望の根底にある神経学的基盤は何ですか、そして得られたデータは実際にどのように適用できますか？これについては、科学者の報告から学びます。行く。

研究の基礎

インターネットとソーシャルネットワークにより、私たちは情報を交換し、アイデア、考え、経験を共有し、世界中の人々とコミュニケーションをとることができます。これは本当に驚くべき非常に有用な発明であり、害を及ぼすことはありません。ある程度誘惑できる人間性を知らなかったら言いたいです。



ソーシャルメディアは、自分の業績を自慢する人もいれば、嫌いな人もいる場所になっているように見えることがあります。もちろん、これは状況の非常に悲観的な見方ですが、それには一粒の真実さえあります。



「インターネット上で誰かが間違っている」というフレーズは誰もが知っています。これは、その根底にあるものについての無数の意見を示しています。誰かがこれを冷静に受け入れることはできますが、誰かがネットワーク上で絶え間ない口頭での小競り合いなしに生きることはできません。



「ソーシャルネットワーク」のユーザーの中には、インターネット紛争の形でスリルを求めている人もいれば、承認、無料のコメント、普遍的な愛を求めている人もいます。これらは人間の精神の完全に正常な症状ですが、すべてに独自の健康的な限界があります。いいねがネットワーク上の社会活動の副産物である場合、これは合理的です。好きが人間の存在の理由、目的、エンジンになった場合は、真剣に考える時が来ました。



この問題を科学的な観点から考えると、多くの研究者は、インターネット上での人の行動の違い、ソーシャルネットワークに依存するようになる理由、好きなものを切望する理由などを理解しようとしました。当然のことながら、これらの質問に対する答えは非常に個人的なものになる可能性があります。なぜなら、過去に非常に多くの心理的手荷物が蓄積された人が何人いるからです。



一般的に、多くの研究は、ソフトウェアを改善することよりも人間の性質を理解することを目的としておらず、この性質をこの研究の背後にあるソーシャルネットワークの利益のために使用することができます。それにもかかわらず、科学者が言うように、そのような作品でさえ、あなたは多くの興味深いことを学ぶことができます。



たとえば、投稿に対して否定的な反応（嫌いなど）を受けると、後続の投稿の品質が低下し、改善されないことがわかりました。他の研究は、人がより多くの回答を受け取ったフォーラムでより多くの時間を費やすであろうことを示しました。これらの事例は、インターネット上の人間の行動と自然界の多くの生物の両方の根底にある報酬メカニズムを示しています。



私たちが今日検討している研究では、科学者は、報酬の学習の一形態としてソーシャルネットワークでの相互作用を包括的に特徴づけることが可能かどうかをテストすることを決定しました。この調査では、さまざまなプラットフォームの4,000人のユーザーからの100万を超えるメッセージ（投稿）を分析しました。データは、コンピューターシミュレーションを使用して評価されました。



研究の著者が取り組んでいる仮説は、機械学習アルゴリズムの開発と分析で使用される計算論的学習の理論に基づいています。この理論は、ネットワーク上の人間の行動を「学習に対する報酬」形式に変換することができます。



根底にある経験的理解は、動物（スキナーボックスの齧歯動物など）がその機器の応答のタイミング（レバーを押すタイミングと頻度など）を選択できる場合、応答待ち時間（応答率の逆数）が悪影響を与えるということです発生した報酬の量。





スキナーボックス図の例-動物の行動の制御された研究に必要な特別な実験室。



言い換えれば、報酬が悪いほど、応答の遅延が大きくなります。げっ歯類を使った実験では、被験者は、行動が速いほど報酬が頻繁になり、行動が遅いと次の報酬までの遅延時間が長くなることにすぐに気付きました。これをこの調査のフレームワークに変換すると、人が受け取る報酬が多いほど、応答間の平均遅延は短くなります。これは、アクションが遅いほど、次の報酬までの遅延が長くなるためです。

実験の準備

メッセージ（投稿）の形でのインターネット上の社会的行動が学習に対する報酬の理論の原則に従うという理論をテストするために、科学者はコンピューターシミュレーションを使用してさまざまなソーシャルネットワークからのデータセットを分析しました。合計で、4,168人のユーザーからの1,046,857件の投稿が調査に使用されました。研究はいくつかの段階に分けられました。



最初の段階（2039ユーザー）では、Instagramの投稿の大規模なデータセット（1人あたりの平均投稿数= 418）で仮説がテストされました。このソーシャルネットワークには約10億人のユーザーがいて、投稿の形式は非常に単純で、「いいね」の形での応答も同様です。しかし、研究の著者によると、Instagramは他の多くの現代のソーシャルメディアと同様です。ネットワーク、経済的利益は重要な役割を果たします。これは、複数の偽のユーザーや偽のいいねにつながる可能性があります。



このため、第1フェーズは2,127ユーザーに拡大され、第2フェーズに移行しました。追加のデータは、金銭的な動機があまりない（1人あたりの平均投稿数= 91）テーマ別サイト（男性のファッション、女性のファッション、ガーデニングに関するディスカッションフォーラム）から取得されました。



第3段階は、176人が参加したオンライン実験を実施することでした。この実験は、科学者がソーシャル報酬のレベルを操作して、応答の遅延に対する因果関係をテストできる、ソーシャルメディアの重要な側面を模倣することを目的としていました。



ソーシャルネットワーク（Instagramなど）での人間の行動を、スキナー箱での齧歯動物の行動と比較しました。投稿-レバーのアクティブ化。のように報酬です。

ソーシャルメディアの行動は報酬に依存しているという事実を確立した後、科学者は人間以外の動物の自由オペランドの理論に基づいた生成モデルを開発しました。この理論の重要な信条は、平均純額（つまり、利益から損失を差し引いたもの）を最大化するために、被験者は応答努力のコストと受動性の機会費用（つまり、投稿せずに見逃した出版関連の報酬）のバランスを取る必要があるということです。金利。この結果、平均報酬率が高いほど、平均応答遅延は少なくなります。このテクニックは、インスタント報酬の場合と、投稿と報酬の間に一定の時間が経過した場合の両方に適用できます。



これらの原則に直接基づいて、作成されたモデルは、被験者が応答待ち時間を調整して、正味報酬®の平均レベルを最大化する方法を決定します。





画像＃1は



正式には、モデルは、（τ、連続する出版物の間の遅延に関する決定のシーケンスなどのソーシャルメディアの使用説明 _後、 1A人は適応τ調整することで報酬率を最大化する）、 _郵便各受信した報酬を観察した後に。



心理的にτ _ポスト公開のしきい値に対する動機付けの蓄積と見なすことができます。 τ判定閾値 _ポストを受信し報酬の基準レベルとの差-動的正味報酬（δ）の予測誤差に基づいて調整されます。



参照レベルは、労力のコストに対する個人の感度（たとえば、写真撮影とアップロードの主観的なコスト）と、平均正味報酬率の主観的な評価（1bおよび 1c）の両方によって定義され ます。努力のコストと機会費用は、応答遅延τに依存 _ポスト..。言い換えると、最適な応答待ち時間は、これら2つのコストのバランスを取り、正味の報酬δ（1d）を最大化し ます。



その結果、ランダムなパラメーター値を持つ1000人のシミュレートされたユーザーからの約250,000のデータポイントでモデルが作成されました。学習理論によると、τ _ポストは平均報酬率が比較的高い場合に低くすべきです。これをテストするために、Rを標準化し、変数を0で二分*して、「低対高R」（低対高R）の定性的予測子を取得しました。

二分法* -連続データをバイナリ変数であるかのように扱います。

分析はτに低域と高Rの明確な効果を明らかにした _後の予想通り、。言い換えると、モデルは（シミュレーションパラメータのセットが与えられた場合）、平均報酬率が低い場合と高い場合（1e）に、平均応答遅延が約18％長くなると予測します 。

シミュレーション結果

すでに知っているように、調査の最初のフェーズは、Instagramでのオンライン行動のデータ分析に関連していました。最初に、ネットワーク内の人間の行動を説明できる2つのモデル、つまり「報酬の学習」の使用モデル（強化学習のRL ）とトレーニングなしのモデルを比較しました 。その結果、RLモデルはレビューされたユーザーとその投稿の70％以上に適していることがわかりました（ 2a）。





画像No.2



興味深いことに、Instagramのフォロワーが多い人々が、いいねの主観的価値（有用性）を非線形に減少させているという発見がありました。言い換えれば、いいねへの中毒があります-いいねの流れが大きくて安定しているほど、人は彼らのさらなる受け取りと増加に関与することが少なくなります。



科学者の理論によれば、ネットワーク内の人の反応は、彼らへの報酬が大きければ、より速く起こるはずです。これはInstagram（N _Obs = 851946、N _Users = 2039）でも確認されており 、いいね ®の数が比較的多いと投稿間の遅延が小さくなりました：β= -0.18、SE = 0.003、t = -54.59、p <0001（ 2b）。再計算すると、これは、報酬（いいね）が低いレベルから比較的高いレベルに増加すると、投稿間の待ち時間が18％減少したことを意味します（8時間に相当）。いいねが1％の直線的な増加の場合、投稿間の時間は0.34％（約5分）減少しました。



グラフ 図2c及び 2dはτとの関係を示して _ポスト2年間で一人のユーザの活動の例を用いて、R及びRLモデルの構造を。



研究の第2段階では、第1段階で得られた結果を、追加の変数を導入して検証する必要がありました。この場合、それらは追加のソーシャルプラットフォーム、つまり狭いテーマ（男性のファッション、女性のファッション、ガーデニング）のフォーラムでした。明らかに、そのようなプラットフォーム上の投稿のほとんどは、Instagramのように画像ではなく、テキストの形式です。それにもかかわらず、そのようなフォーラムには、主にグラフィックコンテンツ（たとえば、「今日は何を着ていますか？」、「庭の写真を共有する」など）を含む個別のトピックがあり、それぞれに数千の投稿が含まれていました。



繰り返しになりますが、Instagramの場合と同様に、RLモデルがオンライン行動の基本的なメカニズムであることが確認されました。3つのデータセットすべて（2,127人からの190,721件の投稿）で、特定のトピックに関係なく、モデルを比較すると、非トレーニングモデルではなくRLモデルがほとんどの場合に適していることがわかりました。





画像＃3



予想どおり、Rが高いほど、3つのデータセットすべて（3d - 3f）で応答が速くなると予測されました 。

• メンズファッション（N _Obs = 36 139、N _Users = 541）：β= –0.08、SE = 0.016、t = –5.1、p <0001;
• (N_Obs = 36 434, N_Users = 773): β = −0.16, SE = 0.02, t = −7.1, p <0001;
• (N_Obs = 118 148, N_Users = 813): β = −0.18, SE = 0.02, t = -12.09, p <0001).

したがって、これらのデータセットでは、平均報酬率が低いのではなく高い場合、発行間の遅延は8％、16％、および18％少なくなりました。その結果、主観的報酬率が1％増加するごとに、投稿間の平均遅延がそれぞれ0.18％、0.41％、0.38％減少します。



性質がまったく異なるプラットフォーム（Instagramとテーマ別フォーラム）を組み合わせて分析データを拡張すると、ソーシャルネットワークに関係なく、人間の行動はRLモデルの原則に従うことがわかります。



ここで、RLモデルのフレームワーク内で、さまざまな人々の行動に個人差があるかどうか、またそれらが何によって引き起こされる可能性があるかを確認する必要がありました。たとえば、学習率の個人差は、以前は人々の間の遺伝的差異と発達的差異の両方に関連付けられていました。そして、努力のコストに対する感受性の個人差は、ドーパミン作動性システム（満足感に関与する神経伝達物質ドーパミンの合成と生成）に関連していました。





画像No.4



多変量データで可能なサブグループを検索するために、ステージIおよびII（ユーザーの総数= 4168）から各人について推定された元のRLモデルの3つのパラメーターが、k-meansをクラスタリングするための入力として使用されました。いくつかの標準的な基準を使用した定量的評価は、4つの主要なクラスターを区別できることを示しました。 4つのサブグループ（ 4a）。これらのクラスターは、データセット全体の41％（1,739人）から7％（299人）の範囲でした。



図 4bは、本質的に行動的である4つの推定コンピューター表現型を示しています。たとえば、クラスター1の人々は、学習率が比較的低くなっています（ɑ）。これらの人々は、ソーシャルメディアの行動において社会的報酬に最も敏感ではありません。クラスター2の人々は、低い労力コストと平均学習率を特徴としていますが、クラスター4は、学習率と労力コストの間に反対の関係を示しています（クラスター3は中間です）。したがって、クラスター2と4の人々は、根本的なメカニズムは異なりますが、社会的報酬に応じてメッセージを簡単に公開します。



研究の最終段階で、社会的報酬のレベルが投稿の遅延に影響を与えるという直接的な証拠が得られました。これを行うために、科学者が社会的報酬を操作し、反応を観察できるオンライン実験が実施されました。



参加者（n = 176）は、25分間のセッション中にいつでも「ミーム」を投稿できました（投稿の総数= 2206）。次に、実験の同じ参加者と偽のユーザーの両方からいいね（0から19）を受け取りました。



社会的報酬率が高いほど投稿応答の待ち時間が短くなるかどうかをテストするために、セッションの前半と後半の間に参加者が受け取ったいいねの平均数を増減しました（低い報酬：投稿あたり0〜9のいいね、高い報酬：投稿ごとに10〜19件のいいね）。



科学者が予想したように、報酬が低い場合（投稿あたり0〜9いいね）、投稿間の平均遅延は、高い（投稿あたり10〜19いいね）と比較して大幅に大きく、10.9％の差に相当します（画像＃5 ）。





画像No.5



また、実際のソーシャルネットワークに多数のフォロワーがいる実験の参加者が、実験自体の間に彼らの行動に対するいいねの影響が弱いことを示したのも面白いです。



実際のこの小さな実験は、報酬（いいね）と人のさらなる行動（反応）の間に直接的な相関関係があるという理論の妥当性を示しました。



研究のニュアンスについてのより詳細な知識については、科学者のレポートとそれに 追加された資料を調べることをお勧めします 。

エピローグ

多くの人が文字通りソーシャルネットワーク、いいね、再投稿などなしでは生きられないという事実は、私たちは何の研究もなしに知っています。しかし、この作品は、デバイスの画面上の投稿の下にある幻想的な心臓の形であっても、ネットワーク上での人の行動と報酬への渇望との関係を詳細に説明することができました。



基本的に、インターネットでの生活は、いくつかの要素を除いて、現実の世界での生活とそれほど変わりません。人の行動は、コミュニケーションの場所によって変わる可能性がありますが、行動的、心理的、さらには生理学的特性は変わりません。インターネットは、それらを誇張したり視覚的に変換したりするツールにすぎませんが、基本的にすべてが同じままです。



研究の著者自身は、彼らの研究がソーシャルネットワークへの依存の問題を研究するのに非常に役立つ可能性があると信じています。これは現代の世界では非常に現実的です。しかし、ソーシャルネットワークは長い間「インサイダーのためのクラブ」ではなくなり、数十億ドル規模の企業になったことを忘れてはなりません。したがって、この種の調査は、意図的ではありますが、ソーシャルネットワークがオーディエンスを拡大するために使用するツールの範囲の拡大に間接的に影響を与える可能性があります。同時に、プログレス製品の大部分は常にコインの両面を持っており、今後も持つため、慌てる必要はありません。そして、インターネットは、パラケルススが言った有名なフレーズの解釈の1つによって、かなり正確に説明することができます。「毒と薬の違いは、投与量にあります。」



ご清聴ありがとうございました。好奇心を持ち、良い一週間をお過ごしください。:)

ちょっとした宣伝

ご滞在ありがとうございます。あなたは私たちの記事が好きですか？もっと面白いコンテンツを見たいですか？注文や友人に推薦することにより、私たちをサポートして、 クラウドVPS $ 4.99からご開発者のための、 私たちはあなたのために発明したことをエントリーレベルのサーバのユニークなアナログ： VPSについて真実（KVM）E5-2697 v3の（6つのコア） 10GB DDR4 480GB SSD 1Gbpsが19ドルから、またはサーバーを正しく分割する方法は？（RAID1およびRAID10、最大24コアおよび最大40GB DDR4で利用可能なオプション）。



アムステルダムのMaincubesTier IVデータセンターでは、Dell R730xdの方が2倍安いですか？唯一の我々は 2×インテルテトラデカコアのXeon E5-2697v3 2倍の2.6GHzの14C 64ギガバイトDDR4 4x960GB SSD 1Gbpsの$ 199 100テレビオランダ！Dell R420-2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB-99ドルから！ビルのインフラストラクチャを構築する方法についてお読みください 。1ペニーで9000ユーロの費用でDellR730xd E5-2650 v4サーバーを使用するクラス？