人々はソーシャル メディアで友人よりも知人に対して悪口を言うことが多く、分析により偽のプロフィールを検出できる可能性があります

アメリカ人はオーストラリア人やイギリス人よりもソーシャルメディアでこの単語をより頻繁に使用しますが、オーストラリア人の方がその使い方がより創造的です。東フィンランド大学の最近の研究によると、15人未満のソーシャルネットワークではこの単語が使われることはほとんどなく、人々は友人よりも知人に対して悪口を言う傾向があるという。

に発表された研究 リンガでは、数十万人のソーシャル メディア ユーザーに基づいて、ソーシャル メディアでの悪口を調査し、親しい友人とやり取りするときと知人とやり取りするときに悪口が増えるかどうかを調査しました。筆頭著者である東フィンランド大学のミッコ・ライティネン教授によると、悪口は人間の言語の自然な部分であり、その研究は基礎的な言語研究の最高のものとなっている。

ソーシャルメディアからの新たな洞察

これまでの研究では、悪口は親しい友人の間で最も一般的に発生することが示唆されていましたが、それらの研究は小規模なデータセットと調査に基づいていました。特に調査では、社会的に非難されている現象を把握できない場合があります。

今回の研究では、ライティネン教授と研究チームは、数千のソーシャルネットワークの50万人近くの個人を対象として、2006年から2023年までのソーシャルメディアの更新情報とTwitterネットワークを分析した。分析には、場所やその他のコンテキスト情報などのメタデータも含まれます。

研究者らは、計算手法を使用して、これらのソーシャルネットワーク内の人々のつながりがどの程度緊密であるか、または疎であるかを評価しました。今回の研究では、データは英語圏のオーストラリア、英国、米国の 3 か国に絞り込まれました。

ネットワークの規模によって人々がどれだけ悪口を言うかが決まる

ソーシャル メディア コミュニケーションの不均一性を説明するために、この研究ではまず、データセット内の f-word の 2,300 以上のスペル バリエーションを特定しました。次に、これらを大規模なデータセットから検索しました。 3 つの興味深いパターンが明らかになりました。 1 つ目は、親しい友人と比較して、知り合いの場合は f-word を使用する傾向が明らかに増加するということです。第二に、非常に小規模なソーシャル ネットワークでは、どんなに緊密な関係であっても、悪口はほとんど発生せず、ネットワークの規模が悪口の主な決定要因であることを示唆しています。

第三に、同じことが反対側の極端な場合にも当てはまり、非常に大規模なソーシャル ネットワークでは、ソーシャル ネットワーク密度の重要性が薄れていきました。つまり、ネットワーク規模が 100 ～ 120 人程度になると、友人と知人の区別は意味をなさなくなります。この発見は、たとえば、信頼は大規模なネットワークよりも小規模なネットワークの方が強く、メンバーが約 100 人になると両者の違いは薄れるという以前の研究を反映しています。

偽情報を特定するツールとしての研究

悪口は学術研究にとっては軽いテーマのように思えるかもしれませんが、冒涜的な分析は、偽のプロフィールやソーシャル メディア上で意図的に偽情報や誤った情報を拡散する人物を特定するのに役立つ可能性があります。ライティネン教授によれば、この発見と手法はより幅広い用途に応用できるという。

「ソーシャルネットワークにおける言語の使用について知れば知るほど、本物の言語ユーザーの行動についてより多くを知ることができます。」

ライティネン氏は、生成AIは簡単にテキストを生成できるため、言語を分析するだけでは十分ではないと指摘する。代わりに、研究者は言語が使用されているネットワークも調査する必要があります。

「これらのネットワークは、ユーザーごとにデジタル指紋を作成するため、偽造するのが非常に困難です。ユーザーの以前のソーシャルメディアでの行動が反映され、プロフィールが特定可能になります。」

これらすべてのデータを言語使用に関する情報 (特定のネットワーク内での悪口の使用頻度など) と組み合わせることで、アカウントが本物であるか、それとも実際の言語ユーザーのプロフィールと一致しない偽情報の発信源であるかを判断するのに役立ちます。

このような研究には、技術的な専門知識と、ソーシャル ネットワークでの言語使用に関する完全な理解の両方が必要です。ライティネン教授のチームには言語学者だけでなくコンピューター科学者も含まれているのはこのためです。たとえば、偽情報の検出に関わる複雑なプロセスを理解するには、多分野の協力が必要です。

ライティネン教授は、人文科学および言語研究の専門知識と計算能力を組み合わせて、膨大なデータセットから関連するパターンを特定することで、将来の多くのアプリケーションを支えることができると考えています。