Verbeterd graf-coevolutie netwerk voor sociale netwerkanalyse met het Assimilation Modified Emotional-algoritme

Waarom emoties in netwerken ertoe doen

Sociale media en online gemeenschappen zijn niet slechts netwerken van verbindingen; het zijn stromen van emotie. Platforms zoals Facebook, X of online forums pulseren voortdurend met vreugde, woede, angst en meer. Begrijpen hoe deze gevoelens zich verspreiden en clusteren kan aanbevelingssystemen verbeteren, schadelijke inhoud detecteren of de publieke stemming tijdens crises volgen. Dit artikel introduceert een nieuwe manier om emotionele patronen in sociale netwerken te modelleren, met als doel niet alleen vast te leggen wie met wie verbonden is, maar ook hoe complexe emoties door online gemeenschappen stromen en zich nestelen.

Van eenvoudige labels naar rijke emotionele profielen

De meeste bestaande tools voor het analyseren van gemeenschappen in netwerken vertrouwen op wat labelpropagatie wordt genoemd: een methode die groepslidmaatschap afleidt door labels van knoop naar knoop te laten verspreiden langs verbindingen. Traditioneel krijgt elke persoon (of knoop) één enkel label, zoals “blij” of “verdrietig”, op basis van welke emotie de hoogste score heeft van een machine-learningmodel. Deze één-label-per-persoon-aanpak gooit waardevolle nuance weg. Twee gebruikers kunnen bijvoorbeeld allebei als “blij” worden aangemerkt, terwijl de één licht positief is en de ander bijna extatisch. Het nieuwe Assimilation Modified Emotional (AME)-algoritme bewaart de volledige waarschijnlijkheidsmix van emoties voor elke gebruiker in plaats van alles samen te vatten in één tag, waardoor subtiele verschillen in emotionele toon behouden blijven.

Emoties laten evolueren als een random walk

AME modelleert emotionele veranderingen met een wiskundig idee dat bekendstaat als een Markov-keten, die beschrijft hoe iets zich stap voor stap tussen toestanden verplaatst volgens waarschijnlijkheden. Hier zijn de “toestanden” emotionele profielen. Binnen elke gemeenschap in het netwerk selecteert AME enkele bijzonder invloedrijke leden en gebruikt hun emotionele waarschijnlijkheden om een gedeeld “transitie”-patroon te bouwen: hoe waarschijnlijk het is dat emoties in de loop van de tijd verschuiven naarmate mensen met elkaar omgaan. Dit proces bootst het psychologische assimilatie-effect na, waarbij attitudes van mensen naar die van hun omgeving neigen te verschuiven. In plaats van aan te nemen dat labels vaststaan, werkt AME herhaaldelijk de emotionele verdeling van elke gemeenschap bij, waardoor de groepsstemming stabiliseert op een manier die sociale invloed realistischer weerspiegelt.

Het netwerk verkleinen en opnieuw verbinden

Nadat de emotionele invloeden binnen elke gemeenschap zijn gesimuleerd, vereenvoudigt AME het netwerk via een procedure die graf-coarsening wordt genoemd. In gewone bewoordingen betekent dit het samenvoegen van hecht verbonden delen van het netwerk tot compactere, representatieve eenheden zonder hun essentiële structuur te verliezen. Na deze compressie gebruikt AME linkvoorspelling — het inschatten welke paren knopen waarschijnlijk verbonden zullen zijn — om verbindingen tussen deze compacte gemeenschappen opnieuw op te bouwen. Het eindresultaat is een opgeschoonde versie van het oorspronkelijke netwerk waarin gemeenschappen scherper gedefinieerd zijn en emotionele patronen consistenter, waardoor de structuur gemakkelijker is voor downstream AI-modellen om van te leren.

Het algoritme toetsen

De auteurs hebben AME getest in een reeks experimenten op zowel gesimuleerde als echte sociale netwerken. Ze gebruikten eerst grote tekstdatasets van emotionele berichten en verwerkten die met een voorgetraind transformer-model om emotiewaarschijnlijkheden aan elk bericht en de bijbehorende netwerkknoop toe te wijzen. Vervolgens vergeleken ze AME met meerdere bekende methoden voor gemeenschapsdetectie op drie typen grafen: willekeurig verbonden netwerken, netwerken met enkele sterk verbonden hubs en echte Facebook- en e-mailnetwerken. In alle instellingen produceerde AME gemeenschappen die gemakkelijker waren voor een op grafen gebaseerd neuraal netwerk om van te leren, en behaalde consequent hogere nauwkeurigheid en lagere fout dan de concurrerende methoden. Aanvullende tests toonden aan dat het behouden van volledige waarschijnlijkheidsverdelingen en het toepassen van graf-coarsening elk afzonderlijk de prestaties verbeterde.

Wat dit betekent voor alledaagse technologie

In eenvoudige bewoordingen biedt het AME-algoritme een slimmer manier om emoties te volgen en te begrijpen terwijl ze door online gemeenschappen bewegen. Door emotionele nuance te behouden in plaats van mensen te verpletteren tot één label, en door na te bootsen hoe groepsstemmingen in de loop van de tijd convergeren, levert het schonere, meer informatieve netwerktopologieën op voor AI-systemen om te analyseren. Dit kan leiden tot meer gevoelige, stemmingbewuste tools — bijvoorbeeld systemen die beter opkomende vijandigheid detecteren, ondersteunende gemeenschappen identificeren of content aanpassen aan de emotionele context van gebruikers. De resultaten van de studie suggereren dat AME als een robuuste ruggengraat kan dienen voor toekomstige emotie-gevoelige AI in sociale netwerken en andere complexe, onderling verbonden systemen.

Bronvermelding: Li, HH., Chang, PC. & Liao, YH. Enhanced graph coevolution network for social network analysis using assimilation modified emotional algorithm. Sci Rep 16, 7936 (2026). https://doi.org/10.1038/s41598-025-18482-0

Trefwoorden: analyse van sociale netwerken, emotieherkenning, grafalgoritmen, gemeenschapsdetectie, labelpropagatie