Assessing polarization in Online Social Networks through community boundaries: the ERIS approach

Detection and characterization of polarization are of major interest in Social Network Analysis, especially to identify conflictual topics that animate the interactions between users. As gatekeepers of their community, users in the boundaries significantly contribute to its polarization. We propose ERIS, a formal graph approach relying on community boundaries and users’ interactions to compute two metrics : the community antagonism and the porosity of boundaries. These values assess the degree of opposition between communities and their aversion to external exposure, allowing an understanding of the overall polarization through the behaviors of the different communities. We also present an implementation based on matrix computations, freely available online. We compare our method with existing solutions. Finally, we apply our proposal on real data harvested from Twitter with a case study about the vaccines and the COVID-19.

La détection et la caractérisation de la polarisation d’un réseau sont des problématiques majeures en analyse des réseaux sociaux. Par ce biais, les sujets conflictuels qui animent les interactions entre les utilisateurs peuvent être mis en évidence et mieux compris. En tant qu’intermédiaires avec l’extérieur de leur communauté, les individus situés aux frontières contribuent de manière significative à sa polarisation. Nous proposons ERIS, une approche formelle basée sur les graphes, qui exploite les frontières des communautés et les interactions entre les individus pour évaluer deux indicateurs : l’antagonisme des communautés et la porosité de leurs frontières. Ces valeurs représentent respectivement le degré d’opposition entre les communautés et leur tendance à s’exposer hors de la communauté. Conjointement, elles décrivent les comportements et rôles des différentes communautés et permettent ainsi de mieux comprendre la polarisation du réseau. Nous présentons également un algorithme pour calculer ces indicateurs, basé sur des opérations matricielles et dont le code source est librement accessible en ligne. Nous proposons une comparaison de notre méthode par rapport aux solutions existantes. Pour finir, nous appliquons notre proposition sur des données réelles, collectées à partir de Twitter, au travers d’une étude de cas portant sur les vaccins et la COVID-19.

Social Networks Polarization Community Boundaries Community Structure Graph Mining

Réseaux Sociaux Polarisation Frontière de communauté Structure de communauté Fouille de graphe