사회정보처리

Social information processing
기타 용도는 사회 정보 처리(동음이의)를 참조하십시오.

사회정보처리는 "인간의 집단행동이 지식을 [1]조직하는 활동"이다.그것은 한 무리의 사람들에 의한 정보의 생성과 처리이다.사회정보처리는 학술 분야로서 네트워크화된 사회시스템의 정보처리 능력을 연구한다.

일반적으로 다음과 같은 컴퓨터 도구가 사용됩니다.

네트워킹과 협업을 용이하게 하기 위해 컴퓨터가 사용되는 경우가 많지만 반드시 필요한 것은 아닙니다.예를 들어 1982년의 사전은 전적으로 종이와 펜에 기반을 두고 있었으며, 인근 소셜 네트워크와 도서관에 의존했다.19세기에 옥스포드 영어 사전의 설립은 주로 신문과 우편을 통해 보내진 종이 조각에 의해 조직된 익명의 자원 봉사자들의 도움으로 이루어졌다.

지식 현황

AAAI 2008 Spring Sumpium on Social Information Processing 웹사이트는 다음과 같은 주제와 질문을 [2]제안했습니다.

태그 부착
태그 부착은 이미 AI 커뮤니티의 관심을 끌고 있다.태그 부착의 초기 목적은 사용자가 자신의 문서를 정리하고 관리하는 데 도움이 되는 것이었지만, 그 이후 일반 문서의 집합 태그 부착을 사용하여 포크노믹이라 불리는 비공식 분류 시스템을 통해 정보를 구성할 수 있다는 것이 제안되어 왔다.포크노믹스가 결국 시멘틱 웹의 약속을 이행하는 데 도움이 될 것이라는 희망이[who?] 있다.
인간 기반 계산 및 집단 인텔리전스
인간 군집 컴퓨팅 접근법에는 어떤 종류의 문제가 있습니까?어떻게 하면 문제 해결 요구에 도움이 되는 "군중의 지혜" 효과를 설계할 수 있을까요?
참가 장려금
사용자로부터 양질의 메타데이터와 콘텐츠를 이끌어내는 방법은?태그 부착에 내성이 있는 사용자에게 콘텐츠에 태그를 붙이도록 권장하려면 어떻게 해야 합니까?
소셜 네트워크
사용자는 친구, 직장 또는 자신이 존경하는 사용자의 의견을 추적하는 등 다양한 이유로 소셜 네트워크를 구축하지만 네트워크 정보는 많은 애플리케이션에서 중요합니다.세계적으로 정보 생태계는 사용자 간, 사용자와 콘텐츠 간의 상호작용을 통해 형성될 수 있습니다.특정 토픽에 관심이 있는 사용자 커뮤니티는 시간이 지남에 따라 나타나며, 다른 커뮤니티와의 연계로 토픽 간의 관계에 대한 통찰력을 얻을 수 있습니다.
소셜 미디어 및 정보 생태계의 진화
콘텐츠와 콘텐츠의 품질은 시간에 따라 어떻게 변합니까?예를 들어 Linux나 Wikipedia와 같은 일부 오픈 소스 프로젝트가 어떻게 그리고 왜 성공하는지에 대한 피어 프로덕션 시스템에 대한 관심이 높아지고 있습니다.어떤 상황에서 사용자 생성 콘텐츠 사이트가 성공할 가능성이 높으며, 커뮤니티 내 정보 공유 및 학습에 어떤 영향을 미칩니까?
알고리즘
소셜 정보 처리 능력을 활용하기 전에 구조화된 데이터 분석, 특히 소셜 네트워크와 태그 부착 등 다양한 유형의 메타데이터를 합성하기 위한 알고리즘에 대한 새로운 접근 방식이 필요합니다.이 영역의 연구는 소셜 검색, 정보 발견 및 개인화 및 소셜 정보 처리의 힘을 이용하는 다른 접근방식을 위한 새로운 알고리즘 개발을 위한 원칙적인 기반을 제공할 것이다.

주요 개념

소셜 추천 시스템

소셜 과부하는 소셜 웹 상의 많은 양의 정보와 상호작용에 해당합니다.소셜 과부하는 소셜 미디어 웹사이트와 그 사용자 모두의 [3]측면에서 몇 가지 문제를 일으킨다.사용자들은 많은 양의 정보를 다루고 다른 소셜 네트워크 애플리케이션들 사이에서 결정을 내려야 하는 반면, 소셜 네트워크 사이트들은 그들의 기존 사용자들을 유지하고 그들의 사이트를 사용자들에게 흥미 있게 만들기 위해 노력한다.소셜 오버로드를 극복하기 위해 소셜 리코멘더 시스템을 활용하여 소셜 미디어 웹사이트에서 사용자를 참여시키고, 사용자가 추천 [3]기법을 사용하여 보다 개인화된 콘텐츠를 받을 수 있도록 하였습니다.소셜 추천자 시스템은 소셜 미디어를 위해 설계되고 추천의 효과를 높이기 위해 소셜 미디어에서 가져온 새로운 종류의 데이터(좋아요, 댓글, 태그 등)를 활용하는 특정 유형의 추천 시스템이다.소셜 미디어에서의 추천은 소셜 미디어 콘텐츠, 사람, 그룹 및 태그의 추천과 같은 몇 가지 측면이 있습니다.

콘텐츠

소셜 미디어는 사용자가 소셜 미디어 웹 사이트 사용자가 작성한 콘텐츠에 대해 다른 사람이 공유한 콘텐츠에 대한 코멘트 또는 마음에 드는 콘텐츠에 대한 피드백을 제공하고 태그 부착을 통해 자신이 만든 콘텐츠에 주석을 달 수 있도록 합니다.소셜 미디어에서 새롭게 도입된 메타데이터는 [3]소셜 미디어 콘텐츠에 대한 추천을 얻는 데 효과적입니다.또한 소셜 미디어는 우정과 팔로워/팔로워와 같은 사용자 간의 명시적 관계를 추출할 수 있습니다.이를 통해 사용자는 이제 관계를 [3]맺고 있는 사람에 따라 제공되는 권장 사항을 판단할 수 있으므로 협업 필터링 시스템을 더욱 개선할 수 있습니다.기존의 협업 필터링 기반 시스템, 특히 영화 및 서적 [4][5]추천 시스템과 비교하여 소셜 미디어에서 사용자 간의 관계를 활용하는 추천 시스템의 효과를 보여주는 연구가 있었다.소셜 미디어가 추천 시스템에 가져온 또 다른 개선 사항은 신규 사용자의 [3]콜드 스타트 문제를 해결하는 것입니다.

소셜 미디어 콘텐츠 추천의 주요 응용 분야에는 블로그 및 블로그 게시물 추천, YouTube 비디오 등의 멀티미디어 콘텐츠 추천, 소셜 질의응답 웹사이트의 질문자와 답변자에 대한 질문 및 답변 추천, 직업 추천(Linked In), 소셜 뉴 애그리게이터 si 뉴스 추천 등이 있습니다.tes(Digg, GoogleReader, Reddit 등), 마이크로 블로그(Twitter [3]등)에 대한 짧은 메시지 권장 사항.

사람

소셜 매칭(Terveen과 McDonald에 의해 제안됨)으로도 알려진 사람들 추천 시스템은 소셜 미디어에서 사람들을 추천하는 것을 다룬다.사람들이 기존의 추천자 시스템과 구별되어 특별한 주의를 요하는 측면은 기본적으로 프라이버시, 사용자 간의 신뢰,[6] 평판이다.소셜 네트워킹 사이트(SNS)에서 추천하는 사람들을 위한 추천 기법의 선택에 영향을 미치는 몇 가지 요인이 있다.이러한 요인은 소셜 네트워킹 사이트에서의 사람 간의 관계 유형(대칭 대 비대칭, 애드혹 대 장기,[3] 확인된 대 확인되지 않은 관계 등)과 관련이 있습니다.

추천인 제도의 범위는 친숙한 사람을 추천하는 것, 팔로우 추천하는 것, 낯선 사람을 추천하는 것 등 [3]세 가지로 나눌 수 있다.낯선 사람을 추천하는 것은 아이디어를 교환하고, 새로운 기회를 얻고, 누군가의 평판을 높이는 것과 같은 기회들로 이어지기 때문에 친숙한 사람들을 추천하는 것만큼 가치 있는 것으로 여겨진다.

과제들

소셜 스트림을 사용한 대처는 소셜 추천자 시스템이 [3]직면한 과제 중 하나입니다.소셜 스트림은 소셜 미디어 웹 사이트의 뉴스 피드에 풀링된 사용자 활동 데이터로 설명할 수 있습니다.소셜 스트림 데이터는 빠른 흐름, 다양한 데이터(텍스트 콘텐츠 대 이종 콘텐츠) 및 신선도 요구 등 고유한 특성을 가지고 있습니다.기존의 소셜 미디어 데이터에 비해 스트림 데이터의 고유한 특성은 소셜 추천 시스템에 문제를 일으킵니다.사회적 추천의 또 다른 과제는 기존의 추천자 [3]시스템과 마찬가지로 교차 도메인 추천을 수행하는 것입니다.그 이유는 다른 도메인의 소셜 미디어 웹사이트가 사용자에 대한 다른 정보를 포함하고 있으며, 다른 맥락 내에서 정보를 병합하는 것은 유용한 권장사항으로 이어지지 않을 수 있기 때문이다.예를 들어, 한 소셜 미디어 사이트에서 사용자가 선호하는 레시피를 사용하는 것은 효과적인 직업 추천에 대한 신뢰할 수 있는 정보원이 아닐 수 있습니다.

사회적 인식

일반적으로 온라인 커뮤니티에 대한 사람들의 참여는 실제 집단적 맥락에서의 참여 행동과 다르다.일상생활에서 인간은 결정과 행동을 안내하기 위해 "사회적 신호"를 사용하는 데 익숙하다. 예를 들어, 사람들이 점심을 먹기 위해 좋은 레스토랑을 찾는다면, 그들은 비어 있는 레스토랑 대신 안에 손님이 있는 지역에 들어가는 것을 선택할 가능성이 높다(더 붐비는 레스토랑은 팝을 반영할 수 있다).그 결과 서비스의 질에 영향을 미칩니다).그러나 온라인 소셜 환경에서는 일반적으로 시스템에 기록되는 이러한 정보 소스에 접근하는 방법이 간단하지 않지만 사용자에게 공개되지 않는다.

이러한 사회적 인식이 실제 시나리오에서 사람들의 행동에 어떻게 영향을 미칠 수 있는지를 설명하는 몇 가지 이론들이 있다.미국의 철학자 조지 허버트 미드는 모든 개인의 행동은 일반적인 행동의 [7]틀로 작용하는 더 큰 사회적 관행에 의해 영향을 받기 때문에 사람들의 행동은 그들이 속한 전체 집단의 행동으로부터 분리될 수 없다는 점에서 인간은 사회적 창조물이라고 말한다.캐나다의 사회학자 Erving Goffman은 그의 수행 프레임워크에서, 개인은 매일의 사회적 상호작용에서 다른 사람들로부터 정보를 먼저 수집함으로써 그들의 행동을 수행하고, 그들이 그들에게서 무엇을 기대할 수 있는지 미리 알고, 그리고 이러한 방식으로 더 [8]효과적으로 행동할 수 있는 방법을 계획할 수 있다고 가정한다.

혜택들

현실에서와 마찬가지로 가상 커뮤니티에서 소셜 신호를 제공하는 것은 사람들이 이러한 환경에서 직면하는 상황을 보다 잘 이해할 수 있도록 도와줍니다.또, 보다 정보에 근거한 선택에의 액세스를 가능하게 함으로써, 의사결정 프로세스를 경감할 수 있습니다.또, 거기서 행해지는 활동에 참가하도록 설득할 수도 있습니다.개인 활동 및 그룹 활동 일정을 보다 효율적으로 조정하십시오.[9]

이 기준 프레임에서는 디지털 시나리오에서 실제 또는 가상 환경의 사회적 정보를 보여주기 위해 "소셜 컨텍스트 디스플레이"라고 불리는 접근방식이 제안되었다.이는 그래픽 표현을 사용하여 그룹의 존재와 활동 흔적을 시각화함으로써 사용자에게 커뮤니티 내에서 일어나고 있는 일(즉, 적극적으로 참여하고 있거나 그룹의 노력에 기여하지 않는 일 등)에 대한 제3자의 관점을 제공한다.이러한 소셜 컨텍스트 공개 접근 방식은 다양한 시나리오(예: IBM 화상 회의 소프트웨어, NOMATIC*VIZ라는 공유 공간에 소셜 활동 흔적을 표시하는 대규모 커뮤니티)에서 연구되어 왔으며, 애플리케이션이 사용자에게 더 많은 정보를 제공하여 베팅할 수 있는 등 여러 가지 이점을 제공할 수 있다는 것이 입증되었습니다.실제 [9]생활에서의 행동을 통해 디스플레이 내의 자기 및 그룹 표현 관리에 적극적인 태도를 취하도록 동기를 부여한다.

걱정

사용자의 활동 흔적을 다른 사람이 접근할 수 있도록 공개함으로써 생성되는 데이터에 대한 사용자의 권리, 정보에 액세스할 수 있는 최종 사용자 및 개인 정보 [9]정책을 알고 제어할 수 있는 방법과 관련된 사용자의 우려를 불러일으킬 수 있는 것은 당연하다.이 프라이버시 문제를 컨텍스트화하려고 하는 관점이 몇 가지 있습니다.한 가지 관점은 프라이버시를 개인 공간에 대한 침해의 정도와 사용자가 온라인 활동 [10]흔적을 공개함으로써 사회 시스템에서 인식할 수 있는 혜택의 수 사이의 균형으로 보는 것이다.또 다른 관점은 사회 시스템 내 사람들의 가시성과 그들의 사생활 수준 사이의 양보를 검토하는 것이다. 이 양보는 다른 사람들이 그들의 정보에 접근할 수 있도록 하기 위한 특정한 허가를 확립함으로써 개인 또는 그룹 차원에서 관리될 수 있다.다른 저자들은 사용자가 프라이버시 설정을 설정하고 통제하도록 강요하는 대신, 소셜 시스템은 사용자가 [9]다른 사용자 그룹에서 기대하는 반응에 따라 온라인 행동을 관리할 수 있도록 대상 사용자가 누구인지에 대한 인식을 높이는 데 초점을 맞출 수 있다고 말한다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ AAAI (March 2008), Social Information Processing, AAAI Spring Symposium, Stanford University
  2. ^ "Social Information Processing Symposium".
  3. ^ a b c d e f g h i j Guy, Ido (1 January 2015). "Social Recommender Systems". Recommender Systems Handbook. pp. 511–543. doi:10.1007/978-1-4899-7637-6_15. ISBN 978-1-4899-7636-9. {{cite book}}:누락 또는 비어 있음 title=(도움말)
  4. ^ Sinha, Rashmi; Swearingen, Kirsten (2001). "Comparing Recommendations Made by Online Systems and Friends". DELOS Workshop: Personalisation and Recommender Systems in Digital Libraries. 106.
  5. ^ Golbeck, Jennifer (2006-05-16). "Generating Predictive Movie Recommendations from Trust in Social Networks". Trust Management. Lecture Notes in Computer Science. Vol. 3986. pp. 93–104. doi:10.1007/11755593_8. ISBN 978-3-540-34295-3. {{cite book}}:누락 또는 비어 있음 title=(도움말)
  6. ^ Terveen, Loren; McDonald, David W. (2005-09-01). "Social Matching: A Framework and Research Agenda". ACM Trans. Comput.-Hum. Interact. 12 (3): 401–434. doi:10.1145/1096737.1096740. ISSN 1073-0516. S2CID 6481687.
  7. ^ Mead, George. H. (1934). Mind, Self, and Society: From the Standpoint of a Social Behaviorist. Chicago: University of Chicago Press.
  8. ^ Goffman, Erving (1990). The presentation of self in everyday life. London: Penguin. ISBN 978-0-14-013571-8.
  9. ^ a b c d Ding, Xianghua; Erickson, Thomas; Kellogg, Wendy A.; Patterson, Donald J. (2011). "Informing and performing: investigating how mediated sociality becomes visible". Personal and Ubiquitous Computing. 16 (8): 1095–1117. doi:10.1007/s00779-011-0443-8. ISSN 1617-4909. S2CID 1121330.
  10. ^ Patil, Sameer; Lai, Jennifer (2005). "Who gets to know what when". Who gets to know what when: configuring privacy permissions in an awareness application. p. 101. doi:10.1145/1054972.1054987. ISBN 978-1581139983. S2CID 12102947.

추가 정보