在資訊傳播行為中, 最常遇見的就是沉默螺旋效應, 集體迷思效應, 這通常代表的資訊的本質會隨著傳遞者個性與行為有所不一樣. 而此論文是基於 『林克傳說』製作開發, 而搜集到使用者的資料, 來去應用這媒體效應的理論, 算出個人的意見與傾向, 並提出即使無法獲得使用者的意見表達, 也可以從其交友模式與閱讀行為判讀出使用者的想法, 並驗證其成果.

1. 從社群資訊獲取行為
來分析個人意見傾向
(與2014選舉結果比較)
Gene Hong/洪進吉
2014-12-06

2. QR Code http://goo.gl/lZhnj8
http://goo.gl/lZhnj8

3. 系統原始目的
1. 量化團體迷思 (Group Thinking)
2. 量化沉默螺旋
3. 如何在不表態中, 找出個人傾向
4. 計算與現實的差距

4. 系統中間階段目的
1. 知道社會議題趨勢
2. 了解媒體在社群的狀況
3. 判斷個人的意見傾向

5. 系統要求
效能性: 以 UX 出發
實用性: 使用者會想來用
實驗性: 新創的演算法
實證性: 證明其準確
個人化: 每一個人看到的資料是不一樣

6. 幾個重要議題
1. 使用者看的資訊是否與社會偏離度很大
2. 授權樣本與真實數字的差異
3. 如何 Visualization 視覺化呈現資料
4. 如何簡化觀察者的工作
5. 找出不表態使用者的想法
6. 如何 Open Data

7. 系統階段
1. 林克傳說
2. 社群排行榜
3. 彼得塔之鏡
4. 我的想法我做主

8. 林克傳說
1. 透過臉書授權獲得使用者可以讀到動態牆的
資訊
2. 計算分享連結的覆蓋率
3. 匯入與建立資料庫
4. 定義標籤聯結議題
5. 計算以標籤與議題之覆蓋率

9. 社群排行榜
1. 透過林克傳說資料找出候選連結
2. 透過臉書 API 抓取目前社群訊號
3. 推估每天的數值
4. 計算跟林克傳說的差異

10. 彼得塔之鏡
1. 挑選某些傾向的粉絲團做比較
2. 計算使用者朋友加入這些粉絲團的數目
3. 正規化其數值
4. 算出使用者的強度比例
5. 傾向之間做比較

11. 我的想法我做主
1. 隨時改變自己的想法與立場
2. 可以看到與參考別人的想法與立場分布
3. 知道朋友有那些人跟你的想法一樣或不一樣
4. 了解自己想法改變的歷史
5. 讓別人知道你的想法與立場

12. 資訊獲取行為層級
1. 閱讀
2. 按讚
3. 搜尋
4. 留言
5. 分享
6. 發表
7. 行動

13. BDM 基本論述
要知道一個人的傾向, 可以從他閱讀的方向
要知道一個人的, 可以從朋友了解

14. Ken Worker Algorithm
一個人的行為獲得的機會很少
行為與語意往往不夠明確
可以從特定行為解讀使用者
社群訊號的獲得有限
要從單一使用者的特定行為選擇解空間又太少
從朋友的共同行為 (閱讀) 推算

15. 彼得塔之鏡

16. 計算一個人的傾向

17. 外部只計算粉絲團的問題
1. 認為粉絲團加入就是個絕對值
2. 人是相當複雜的
3. 反串的問題
4. 人加入粉絲團的機率不高
(分布與機率)

18. BDM 演算法
1. 算出朋友數
2. 計算出朋友加入數
3. 正規化成一個分數
4. 計算出此分數的排名
5. 再正規化一次
6. 之間做比較

19. Comeout.tw

20. 計算與現實差距

21. 從 2014 大選來看
得票率與傾向率相關係數 0.91
若定義出網路群眾比例就可以更精確
可以知道當選機率的名目序
切割出一個數字就可以知道當選與否

22. 結論
從資訊閱讀方向, 可以判讀出人的傾向
從朋友的傾向, 可以判讀出人的傾向
傾向之間做比較有許多正規化要做

23. ToDo
表態度是否也是種行為特徵
從交友行為的變異如何定義出集體迷思度
非模擬的計算

24. Project
閱讀行為的進化
從語意分析職業與學習階段

25. 延伸閱讀
● 我潛意識中心裏真正支持的台北市長
● 從網路行為層級來看網路民意趨探...
● 彼得塔之鏡 (Big Data Mirror)
● 在未來從網路大數字就可以知道當選的可能
性 （社群資料大數據對大選預測後的經驗）

26. http://link.que.tw/
http://social.board.tw/
http://fans.que.tw/
http://comeout.tw/
genehong@gmail.com