Post on 16-Feb-2019
transcript
Quantifying In
formatio
n Flow During
Emergencies
A cura di:Massimiliano Leone
massimiliano.leone@studio.unibo.ithttp://plus.google.com/+MassimilianoLeone
Quantifying In
formatio
n Flow During Emergencie
s
Di:L. Gao, C. Song, Z. Gao,
A.L. Barabási, J. P. Bagrow & D. Wang
Analisi delle emergenze
Obiettivi
Metodi
Risultati
Conclusioni
Intento: comprensione quantitativa del comportamento umano in situazioni di emergenza.
In particolare:✔ Cambio di comportamenti✔ Tipologie di interazioni✔ Dinamiche sociali
Dinamiche sociali
Obiettivi
Metodi
Risultati
Conclusioni
Studi precedenti mostrano come la social propagation
sia alla base dellasituational awareness.
Le analisi (di cui sopra) sono state condotte sulle comunicazioni mobili(voce, sms, dati).
Precedenti risultati
Obiettivi
Metodi
Risultati
Conclusioni
Sempre gli studi precedenti evidenziano:
✔ notevoli aumenti di attività durante eventi anomali
✔ la possibilità di localizzare le suddette attività temporalmente e geograficamente
Classificazione
Obiettivi
Metodi
Risultati
Conclusioni
Analisi della rete di contatti degli utenti:
✔ G0: utenti coinvolti nell'emergenza
✔ G1: altri utenti contattati dagli appartenenti a G0
L'attenzione di questo studio è rivolta ai comportamenti di degli utenti di G1.
Qualche interrogativo
Obiettivi
Metodi
Risultati
Conclusioni
Tre interrogativi circa i comportamenti degli utenti di G1:
1. A quale ampiezza (di volume di attività) essi cambiano il loro comportamento?
2. Qual è la causa dei cambi di comportamento? E la caratteristica principale dei loro comportamenti?
3. Preferiscono: ricontattare (call back) gli utenti di G0 per conforto/supporto/altro?vs contattare altri (call forward) per diffondere la notizia?
I dati
Obiettivi
Metodi
Risultati
Conclusioni
Sono stati utilizzati i dati delle comunicazioni di 10 milioni di utenti europei, in 4 anni: chiamate, sms, dati.
✔ Le chiamate e gli sms hanno fornito i dettagli temporali (inizio – fine) e spaziali (geoposizione dei ripetitori)
✔ I dati 3G sono referenti a flussi di conversazioni da news.google.com, utilizzando come keywords: “emergency“, “disaster“, “concert“, etc
Dettagli tecnici
Obiettivi
Metodi
Risultati
Conclusioni
Sia z(t) = ΔV(t)/ (Vσ normal):
✔ ΔV(t) = Vevent(t) − <Vnormal> (0)
✔ Vevent(t): volume di chiamate in un giorno “evento“
✔ <Vnormal>: media del volume di chiamate in un giorno “normale“
✔ (Vσ normal): deviazione standard
✔ tstart, tstop: inizio e fine di un evento
✔ [tstart, tstop]: intervallo contiguo massimo di indagine, calcolato con z(t) > zthr e zthr cutoff pari a 1.5 (per congruenza con studi precedenti)
Classificazione evoluta
Obiettivi
Metodi
Risultati
Conclusioni
Classificazione espansa, a 'cascata':✔ G0: utenti coinvolti nell'emergenza
✔ G1: altri utenti contattati dagli appartenenti a G0
✔ G2: ulteriori utenti contattati dagli appartenenti a G1
Ulteriore classificazione:➢ G (gruppi referenti ai giorni di 'evento')
➢ g (gruppi referenti ai giorni 'normali')
=> Differenti sotto'cascate':
{G0, g1, g2, …} vs {G0, G1, G2, …} con G0 = g0 (per definizione)
Questa differenzazione permette di analizzare meglio il volume di comunicazioni tra gli utenti, nei giorni “hot“ e quelli “normali“.
Rescaling
Obiettivi
Metodi
Risultati
Conclusioni
Poiché Gi [users] >> gi [users] , è necessario un rescaling delle serie temporali (generalizzate) riguardanti i giorni “normali“ ovvero V(t|gi) ), rispetto alle serie dei giorni di 'evento' (ovvero V(t|Gi) ). Ne consegue un fattore moltiplicativo a i :
L'integrale rispetto a Gi è effettuato su un intervallo di 24h nei 2 giorni antecedenti l'evento d'emergenza, e a i
è scelto in modo che l'equazione (1) risulti bilanciata.
Misurazioni pergruppo
Obiettivi
Metodi
Risultati
Conclusioni
Da ΔV(t) = Vevent(t) − <Vnormal> (0) [pag. 8]
si giunge quindi a:
Il primo addendo rappresenta, intuitivamente, il volume delle chiamate nei giorni di emergenza, mentre il secondo è la media delle chiamate nei giorni “normali“, equalizzato con un fattore ai. Entrambi referenti al gruppo iesimo preso in esame.
Misurazioni: grafici dei volumi
Obiettivi
Metodi
Risultati
Conclusioni
Grafici del volume di chiamate per 4 tipi di eventi, di cui l'ultimo non di tipo “emergenza“:si noti come, nei grafici a,b,c, i picchi di entrambi i gruppi siano temporalmente sincroni.
Blu (continuo):da G
0 a G
1
Rosso (tratteggiato): da G
1 a G
0
(call back)
Interazioni (1)
Obiettivi
Metodi
Risultati
Conclusioni
Basandosi sulla classificazione a cascata in [9], sono misurate le interazioni tra i vari gruppi (ovvero 'chi contatta chi, e perchè').
Si distinguono quindi tre tipi di comunicazione:
✔ C10: “call back“ da G1 verso G0
✔ C11: “call forward (self)“ da G1 verso altri utenti di G1
✔ C12: “call forward“ da G1 verso G2
Interazioni (2): grafici
Obiettivi
Metodi
Risultati
Conclusioni
L'immagine mostra un esempio di interazione tra i 3 gruppi durante un bombardamento, e come la tipologia C11 presenti una misurazione trascurabile, quasi ininfluente.
È un risultato inaspettato, che tuttavia (di)mostra la presenza della 'triadic closure' nelle interazioni sociali.
Interazioni (3)
Obiettivi
Metodi
Risultati
Conclusioni
La 'triadic closure' è un concetto introdotto dal sociologo George Simmel all'inizio del '900.“Dati A, B, e C, se esiste un legame forte (strong tie) tra A e B e A e C, allora deve esistere un legame (forte/debole – strong/tie) tra B e C.“o anche:“Se due nodi hanno vicini comuni, esiste una probabilità di legame tra essi“.
Nella Teoria dei Grafi, la presenza di questa proprietà si misura tramite il coefficiente di clusterizzazione o la transitività¹.
-> Riferendosi a questo studio, è intuitivo come la transitività del gruppo G1 sia praticamente inesistente.
Analisi granulare (1)
Obiettivi
Metodi
Risultati
Conclusioni
I risultati dell'analisi precedente hanno spinto a indagare ulteriormente sui messaggi dei gruppi C10 e C12, al fine di trovare i valori temporali in corrispondenza dei quali esistono incrementi significativi del loro volume di attività.
Le equazioni precedenti diventano parametrizzate:
dando luogo a nuovi differenti grafici.
Analisi granulare (3)
Obiettivi
Metodi
Risultati
Conclusioni
Il nuovo grafico dimostra come:✔ I picchi di V(C10) sono temporalmente vicini a quelli di ΔV(t|G1) [slide 12]
✔ Il numero di comunicazioni “callback“ (C10) è molto maggiore di quelle “callforward“ (C10 ): gli utenti di G1 preferiscono quindi interagire con G0, a discapito della propagazione dell'informazione.
✔ Nonostante il contributo di C12 sia inferiore (ce lo si aspettava), risulta comunque utile nella misurazione totale del volume della comunicazione generata da G1.
[N.d.R.: È interessante notare l'anomala predominanza di C12 su
C10 nel grafico “Bombing“ forse per impossibilità di comunicazione tra G1 e G0 ?]
Reciprocità (1)
Obiettivi
Metodi
Risultati
Conclusioni
L'alta presenza di “callback“ induce a chiedersi quale sia l'origine di questa intenzione di comunicazioni reciproche; 2 probabili risposte:
1. La natura eterogenea dei legami sociali2. Il cambio di comportamento dei „vicini“ (il gruppo G1) dopo aver appreso dell'evento di emergenza.
È possibile misurare questo fenomeno?
Reciprocità (2)
Obiettivi
Metodi
Risultati
Conclusioni
Una definizione generica di reciprocità (in una rete non pesata) è la misura della tendenza di due nodi nel formare connessioni comuni, e:
✔ R = 1, per una connessione bidirezionale✔ R = 0, se unidirezionale
Considerando la natura pesata di una rete di contatti, la reciprocità di comunicazioni tra G1 e G0, una formulazione di R diviene:
Con Vx y rappresentanti le chiamate dall'utente x all'utente y →nell'intervallo di tempo analizzato, e |.| valore assoluto.
Reciprocità (4)
Obiettivi
Metodi
Risultati
Conclusioni
L'istogramma precedente mostra:✔ in blu, il valore della reciprocità per i giorni 'normali'✔ in rosso per i giorni di 'emergenza' ✔ in viola, lo scarto quadratico tra i due valoriI valori sono calcolati come media dei totali.
Si noti come la reciprocità aumenti significativamente nelle situazioni di emergenza, e ciò dimostra che l'alterazione del comportamento durante le comunicazioni dipende effettivamente dal tipo di situazione.
(Infatti, per “Concert“ si riscontra una notevole diminuzione).
Reciprocità (6): analisi demografica (2)
Obiettivi
Metodi
Risultati
Conclusioni
Una più approfondita analisi sull'analisi dei dati sulla reciprocità è quindi effettuato distinguendo tramite genere (qualora possibile, ovvero l'88% dei dati totali); ne conseguono 4 combinazioni possibili e 2 raggruppamenti:
✔ MM: malemale (una comunicazione tra due utenti di sesso maschile)
✔ MF: malefemale✔ FM: femalemale✔ FF: femalefemale✔ CG: crossgender (ovvero la media dei MF e FM)✔ SG: samegenere (ovvero la media dei MM e FF)
È interessante osservare come, qualora la reciprocità subisca un incremento notevole, questo riguardi indistintamente entrambi i generi (a: JetScare e b: PlaneCrash).
CONCLUSIONI
Obiettivi
Metodi
Risultati
Conclusioni
Granularizzando i dati delle comunicazioni durante le emergenze, si è quindi dimostrato che:
✔ un gran contributo è apportato dai “callback“, e ciò dimostra la forte intenzione/necessità di interazione con le vittime delle situazioni di pericolo, a discapito della ripropagazione dell'informazione medesima
✔ La „reciprocità“ delle interazioni è si correlata al tipo di evento, ma non influenzata dalla diversità di genere
ReferencesOriginal text:
✔ http://www.nature.com/srep/2014/140206/srep03997/full/srep03997.html
Useful resources:
✔ http://www.stanford.edu/dept/soc/people/mgranovetter/documents/granstrengthweakties.pdf
✔ https://www.cs.cornell.edu/home/kleinber/networksbook/networksbookch03.pdf
✔ http://theory.eecs.northwestern.edu/courses/socialnetworks101/files/Social_Networks_Lecture6.pptx
✔ http://www.cs.duke.edu/courses/spring11/cps096/notes/lect054up.pdf
✔ http://www.stats.ox.ac.uk/~snijders/Trans_Triads_ha.pdf