線上社群網路研究之演變：現狀反思與未來展望

Concetti Chiave

線上社群網路研究領域發展至今，雖已累積豐富成果，但研究方向過度集中於少數平台（如推特），且受限於資料取得政策，研究成果恐難以反映真實世界社群網路生態。

Sintesi

這篇研究論文回顧並分析了自 2006 年至今，線上社群網路 (OSN) 研究領域的發展趨勢。作者透過分析超過 13,842 篇相關論文的資料，揭示了該領域的現狀，並探討了未來發展方向。
研究方法
作者首先建立了一個名為「Minerva-OSN」的資料集，其中包含了 135 個學術期刊和會議論文集中，與 OSN 相關的論文。接著，他們利用主題模型分析技術，將這些論文歸類為 17 個主要研究主題。最後，作者透過分析論文發表年份、作者所屬國家和機構等資訊，探討了 OSN 研究領域的發展趨勢。
主要發現

研究平台集中化： 研究發現，推特是目前學術界最常研究的 OSN 平台，其次是臉書、維基百科和 YouTube。然而，相較於其他平台，推特在真實世界中的使用率正在下降，這顯示學術研究與現實世界之間存在著落差。
研究主題趨勢： 研究主題的熱門程度會隨著時間推移而變化。例如，「仇恨言論偵測」和「假新聞偵測」是近年來新興的研究主題，而「情感分析」和「安全與隱私風險」則是長期以來備受關注的主題。
地理分佈不均： 美國是 OSN 研究領域的領先國家，但近年來中國和印度的研究產出正在迅速增加。此外，研究也發現，歐洲經濟區 (EEA) 和美國的研究人員在 2018 年後發表 OSN 相關論文的數量明顯下降，這可能與歐盟通用資料保護規則 (GDPR) 的實施有關。
資料取得限制： 研究指出，許多 OSN 平台的資料取得政策日趨嚴格，這對學術研究造成了一定的阻礙。例如，領英的資料取得政策相對封閉，導致學術界對其研究較少。
研究結論
作者認為，現有的 OSN 研究成果並不能完全反映真實世界的社群網路生態。未來研究應更加關注新興的 OSN 平台，並探討資料取得政策對研究的影響。此外，作者也建議 OSN 平台業者應更加積極地參與學術研究，提供更多開放資料和研究資源，以促進該領域的發展。

Statistiche

研究分析了超過 13,842 篇與線上社群網路相關的論文。
這些論文發表於 2006 年至 2023 年之間。
研究使用了名為「Minerva-OSN」的資料集。
資料集中包含了 135 個學術期刊和會議論文集。
研究透過主題模型分析技術，將論文歸類為 17 個主要研究主題。
推特是目前學術界最常研究的 OSN 平台。
2018 年後，歐洲經濟區 (EEA) 和美國的研究人員發表 OSN 相關論文的數量明顯下降。

Approfondimenti chiave tratti da

Elephant in the Room: Dissecting and Reflecting on the Evolution of Online Social Network Research

by Luca... alle arxiv.org 11-22-2024

https://arxiv.org/pdf/2411.13681.pdf

Domande più approfondite

新興的社群網路平台 (如 TikTok、BeReal) 的哪些特性，可能會對現有的 OSN 研究方法論帶來挑戰？

新興社群網路平台如 TikTok 和 BeReal 的獨特特性，為現有的 OSN 研究方法論帶來了許多挑戰：

內容形式的轉變: 與以文字為主的平台（如早期的 Twitter）不同，TikTok 和 BeReal 更側重於短影音和圖片分享。現有的 OSN 研究方法多以文字分析為主，需要開發新的方法來分析和理解這些多媒體內容，例如電腦視覺、自然語言處理技術的結合。

演算法推薦機制: 新興平台高度依賴演算法推薦，用戶看到的内容並非單純基於時間排序或社交關係，而是由演算法根據用戶畫像和平台策略推送。這使得研究者難以捕捉平台全貌和用戶行為，需要更深入地理解平台演算法邏輯，甚至需要與平台合作才能獲取更全面的數據。

隱私保護意識提升: 隨著用戶對隱私和數據安全的關注日益增加，新興平台在數據獲取和使用方面更加謹慎。研究者需要在遵守平台政策和保護用戶隱私的前提下進行研究，例如採用差分隱私、聯邦學習等技術，在不影響用戶隱私的情況下進行數據分析。

平台發展速度快: 新興平台發展迅速，功能和用戶行為變化頻繁，研究者需要不斷調整研究方法和工具，才能跟上平台的發展步伐。這需要研究者具備更强的適應能力和跨學科知識，例如將計算社會科學、傳播學等領域的理論和方法應用到 OSN 研究中。

若線上社群網路平台完全開放資料給學術界使用，是否就能解決研究與現實世界脫節的問題？

完全開放資料給學術界使用雖然有助於縮小研究與現實世界的差距，但並不能完全解決問題。
優點:

數據規模和廣度: 開放資料可以提供更大規模、更具代表性的數據集，讓研究者能夠更全面地了解平台生態和用戶行為。
研究可重複性: 公開透明的數據可以提高研究的可重複性和可驗證性，促進學術交流和進步。
新興議題研究: 更豐富的數據資源可以促進對新興議題的研究，例如平台治理、演算法倫理等。
挑戰:

隱私和倫理問題: 開放資料需要平衡研究需求和用戶隱私，避免敏感信息的洩露和濫用。
數據偏差: 即使是完全開放的數據，也可能存在偏差，例如平台用戶群體的代表性、數據收集方法的局限性等。
研究方法的局限: 僅僅依靠數據分析並不能完全解決問題，研究者還需要結合其他方法，例如訪談、問卷調查等，才能更深入地理解用戶行為背後的動機和影響因素。
結論:
開放資料是縮小研究與現實世界差距的重要一步，但並非萬靈丹。研究者需要在保護用戶隱私的前提下，結合多種研究方法和數據來源，才能更全面、客觀地理解線上社群網路的影響。

人工智慧技術的快速發展，將如何影響未來線上社群網路的研究方向？

人工智慧技術的快速發展，將為線上社群網路研究帶來新的机遇和挑戰，並推動研究方向的轉變：

更精準的數據分析: 人工智慧技術，特別是自然語言處理、電腦視覺、機器學習等技術的進步，可以幫助研究者更有效地分析海量、多模態的社群網路數據，例如自動識別和分類用戶情緒、話題、圖像和影片內容，以及分析用戶行為模式和社交關係。

對抗惡意行為: 人工智慧技術可以應用於檢測和防範社群網路上的假新聞、仇恨言論、網路霸凌等惡意行為，例如開發更精準的垃圾郵件過濾器、虛假帳號識別系統等，維護平台的健康發展。

理解演算法影響: 人工智慧技術可以幫助研究者更好地理解平台演算法對用戶行為和信息傳播的影響，例如分析演算法推薦機制如何塑造用戶的信息接收和觀點形成，以及如何影響社會輿論和政治參與。

模擬和預測: 人工智慧技術可以應用於構建更精確的社群網路模型，模擬和預測用戶行為、信息傳播和社會影響，例如預測熱點話題的發展趨勢、虛假信息的傳播範圍等，為平台管理和政策制定提供參考。

人機合作研究: 未來 OSN 研究將更加注重人機合作，人工智慧技術可以輔助研究者進行數據收集、分析和可視化，而研究者則可以利用專業知識和經驗來解讀數據、提出假設和驗證結論。

總之，人工智慧技術的發展將推動線上社群網路研究朝著更數據驅動、更智能化、更注重倫理和社會影響的方向發展。