ツイッターでのバズり方は普遍的なのか？

【イントロ】
　Twitter(ツイッター)[1]は、「「ツイート」と呼ばれる280文字（韓国語、中国語、日本語は140文字）以内のメッセージや画像、動画、URLを投稿できる」Webサービスです[2]。日常の些細な出来事から、重大な案件のプレスリリースまで幅広く、毎日たくさんの”つぶやき”(ツイート)が現れては消えていきます。色んな意見がみれたり、いろいろな人とつながれたり、適当なことをつぶやいて偉い先生から怒られが発生[3]したり、色々なことを経験できるおもしろいサービスです。
　個々のツイートは”いいね”(いいねとはいっていない）で個人的に記録したり、”リツイート”で他のユーザーに拡散したりすることができます。この”リツイート”でツイートが次々と拡散され爆発的に多くの人に取り上げられることを”バズる”といいます。どんなツイートがバズるかは呟くまでわからないものです。「これはリツイートされるやろ～」とおもった渾身のつぶやきが無反応な一方で、「スマイルプリキュア」と呟くだけで10万RT[4]されることもあり、人生わからないものです。にゃーん。
　さて、いろいろなバズったツイートをみていてふと思い浮かんだ疑問は、「バズり方に普遍性はあるのか」というものです。気になったからには調べないと。。。
　本記事では、バズった2つの異なるツイートのリツイート数の時間変化を調べ、そこに共通の構造が存在するか明らかにすることを目的としました。


【実験方法】
　「バズった2つの異なるツイートのリツイート数の時間変化を調べる」というのは、どのツイートがバズるかわからない以上、自分のツイートにしろ他人のツイートにしろ狙って実施することは困難です。そこで、本研究では「バズるまでとにかく待つ」という手法を選択しました。あまりフォロワー数が多くなくても極たまにバズることがあるため、その機会を活かすことにしました。次にバズり始めるとツイッターからの通知が増え始めます。その通知が来る度にその時点でのリツイート数(RT数)を呟くことで、現在時刻とリツイート数の記録を取りました。バズが一段落したあと、その記録を集計することでリツイートの時間依存性のグラフを作成しました。
一体オレは何をしているんだ。。。

【結果】
　今回、記録をとったツイートは以下の2つのツイートです。ともに面白いと思った記事に一言感想をつけて呟いたツイートで、たまたま休日に重なったため記録を取ることができました。Fig.１の「CEO頭おかしい」[5]は998RT、Fig. 2の「有機EL」[6]は2294RTを記録しました。本記事では、このRT数が3倍程度異なる２つのツイートを比較しました。

Fig.1　「CEO頭おかしい」

Fig.2 「有機EL」

　この2つのツイートのRT数の時間依存性を記録したのがFig. 3です。

Fig.3 RT数の時間依存性
　すごい飽和を感じる。。。どちらのツイートも一定の時刻から急速に立ち上がり、最終的にRT数が飽和している傾向が見て取れます。なお、急速に立ち上がる時間はフォロワー数が多かったり影響力のある方にRTされた通知が来たタイミングと重なっています。
　どちらのツイートも80000秒経過下時点で一旦飽和したようにみえて再度RT数が増え始めています。こちらの理由は簡単でその時間帯がちょうど深夜帯だったからです。筆者もその時間は寝ているので記録は取れていません。( ˘ω˘)ｽﾔｧ…
　さらに比較をわかりやすくするため、RT数と経過時間をほぼ飽和したとみられるRT数とその時点での時間で規格化したグラフがFig.4です。

Fig.4 規格化したRT数の時間依存性

　かなりキレイに重なってる（ようにみえる）！RT数が3倍程度異なる2つのツイートですが、規格化してみるとかなりよく似た時間依存性を持っているように見えます。２つだけのツイートの比較ですが、ここまでキレイに重なるのはすこしびっくりしたのが正直な感想です。一体、この振る舞いはどんな関数形で表されるんだろう。。。

【まとめ】
　本記事では、「バズった2つの異なるツイートのリツイート数の時間変化を調べる」を調べることでバズり方に普遍性があるかどうかを調べました。RT数の3倍異なる２つのツイートを比較することで、２つが同様のRT数の時間依存性を持つことを明らかにしました。
　おそらくこの背景には各アカウントのネットワークを反映した数理モデルが存在していると思いますが、勉強不足のためそこまでは調べることができませんでした。今後はそういう方面の勉強もしていきたいなぁと思った今回の調査でした。
　知識が足りないとおもしろいものをおもしろく理解できないから悲しいですね。

【参考記事】
３，Private heart-broken.

コメント

コメントを投稿

このブログの人気の投稿

交代磁性があるのかないのかどっちなんだい！～RuO2の場合～

イメージ
 【イントロ】 博士「はぁ～交代じゃ、交代じゃ」 学生「どうしたんですか？キャバクラですか？」 博士「違う違う違う違う今日は違う！交代は交代でも、交代磁性のことを調べておったんじゃ」 学生「交代磁性？」 博士「なんじゃ知らんのか？交代磁性とは、強磁性と反強磁性に次ぐ第三の磁性として最近発見された、新しい磁気状態のことなんじゃ。」 学生「知ってますよ、 Šmejkal（流暢な発音）が提案 してるやつでしょ？強磁性体のようにバンド構造にスピン分裂が生じるけれど、反強磁性体のようにNetの磁性はゼロとなっている、副格子間の反強磁性状態と解釈できる磁性体のことですよね。」 博士「そうじゃ、Šmejkal（流暢な発音）達の提案が大きなきっかけとなった研究分野じゃな。なんじゃ、知っとるじゃないか」 学生「当然です。中学入試程度です。交代磁性って、 MnTe や CrSb 、それに RuO2 で確立された概念じゃないんですか？」 よく見ると(b)がない（ 引用元 ） 博士「 どこ中出身 じゃ。。。うむ、それらの物質でARPESが行われ、交代磁性の特徴の1つであるバンド構造の巨大なスピン分裂が観測されて Nature や PRB に報告されるなど研究が加熱しておる。」 学生「ならいいんじゃないですか？流行物質どんとこい。ビッグウェーブに乗って論文を量産するタイミングですよ。h-index稼ぎましょう」 博士「しかし、そのうちの１つ、RuO2が実は交代磁性体ではなく、非磁性体なのではないかという報告がなされ議論を呼んでおるのじゃ。」 学生「どういうことですか？？？RuO2は 異常ホール効果 が見えたり、 REX（共鳴弾性X線散乱） や 中性子散乱実験 で反強磁性秩序がすでに観測されたんじゃないんですか？？？陰謀ですか？？？？」 博士「それでは今回は、独ヴュルツブルク大学のPhilipp Keßler博士らによる論文、 Philipp Keßler, et al. , Absence of magnetic order in RuO2: insights from μSR spectroscopy and neutron diffraction , arXiv:2405.10820 を読んでいくかのお」 学生「Absence論文、盛り上がるやつですね」 【どんな実験したの？】
続きを読む

狂気！室温超伝導体は脳内にあった！！！

イメージ
 【イントロ】 博士「これはすごい・・・これはすごいぞ！！！」 学生「どうしたんですか？自分の愚かさのことですか？」 博士「そうではない！ワシは出会ったんじゃ！科学史上最高の論文に！」 学生「どんな論文ですか一体」 博士「なんと 室温超伝導体 が見つかったという話じゃ！」 学生「え！室温超伝導体といえば、室温で電気抵抗がゼロになる物質で、世界を支えるエレクトロニクスに不可避なエネルギーの散逸、発熱の問題を一気に解決し、 世界のエネルギー問題を救うキーテクノロジーになる物質 じゃないですか！」 博士「その通りじゃ！」 学生「気になってきました、早く教えて下さい、その論文！」 博士「うむ…驚くなよ、なんと、 生物の脳の中では超伝導状態が実現しておる のじゃ！！！」 学生「・・・」 博士「ふふふ、あまりの衝撃に言葉もないようじゃな。」 学生「あの」 博士「では、今回は、 P. Mikheenko, Possible Superconductivity in the Brain , Journal of Superconductivity and Novel Magnetism, 2018, No 5, p. 1121-1134 （ Arxiv版 ） を読んでいくぞい！」 学生「帰っていいですか？」 【論文誌がすごい！】 博士「まずは、この論文のなにが凄いかといえば、査読を通って論文誌に掲載されておるのじゃ」 学生「ほんとですよ、どうなってんですか」 博士「そして、掲載された Journal of Superconductivity and Novel Magnetismの2022年度のImpact Factor は1.8なんじゃ。これがどういうことかわかるか？」 学生「そ、それは日本の物理学会が発行するJournal of the Physical Society of Japan、いわゆる JPSJのImpact Factor 、1.7を超えています・・・！」 博士「そうじゃな、つまり論文誌としての影響力としてはJPSJよりも大きな雑誌に掲載された論文ということじゃ」 学生「JPSJもっとがんばってくださいよ」 博士「しかもこの論文は8回も引用されておる」 学生「 みなしPRL じゃないですか・・・」 博士「これだけで如何にこの論文が本物であるか納得してもらえ
続きを読む

まだ最小二乗法で消耗してるの？ ～Passing Bablok法について～

イメージ
【イントロ】 与えられたデータの傾向を見る、つまり回帰分析の一つとして、直線でフィッティングする方法が挙げられます。 ココで問題となるのが、「どうやって直線の傾き(と切片)を求めるか」という点です。 代表的な方法が最小二乗法です。目的の直線を $y=ax$ と仮定します。データ点$y$と求めたい直線との差の二乗を誤差として、すべての点に対する誤差の和を最小化する傾き$a$を求める方法です。 具体的には誤差の和を $E=\sum_{i=1}^{n}(y_i－ax_i)^2$ とすると、$a$について最小値が欲しいので、 $\frac{\partial E}{\partial a}=0$ となる$a$を求めれば良いです。整理すると、 $a=\frac{\sum_{i=1}^{n}(x_i－x_{average})(y_i－y_{average})}{\sum_{i=1}^{n}(x-x_{average})^2}$ となります。 　最小二乗法は直観的にもちょうどよい直線を見つけてくれそうで、最強の方法に見えます。しかし、 いくつかの課題 があります。まず一つが、外れ値に弱いという点です。えっちですね。つまり、ノイズ等の影響でデータ点の集合から大きくハズレた点が存在すると、その点に引きずられて傾き$a$が大きく変化してしまうという点です。 　また、別の問題として、最小二乗法は暗にデータが正規分布に従った誤差を持つことを仮定している点が挙げられます。今回最小化すべき誤差をデータ点と直線の差の二乗和として与えましたが、これはデータ点の周りに分散一定の誤差が正規分布している場合に導かれる最尤推定解と対応しています。詳細は PRML を参照。 さて、それではこうした最小二乗法の呪縛から解き放たれた、 回帰モデルは存在するでしょうか？そうしたモデルとしては 主成分分析 等があります 本記事では、そうした手法の中でもノンパラメトリック回帰モデルの一つである”Passing-Bablok法”について、 原論文 に従った解説とPythonでの実装に取り組みました。 【方法】 Passing-Bablok法はその名の通り、PassingとBablok(PB)により提案された、一次の比例関係を比較するノンパラメトリック回
続きを読む