Ces résultats suggèrent que notre modèle est capable de reproduire à la fois les phénomènes d`adoption de micro (au niveau de la ville) et macro (au niveau national) et peut apporter une amélioration substantielle par rapport aux cadres existants tels que les modèles SI ou Bass. Nous demandons cependant une certaine prudence dans l`interprétation de nos résultats. Parce que notre simulation repose sur la fraction d`une ville notée comme adoptants précoces et cette fraction a été mesurée empiriquement à partir de données, le modèle peut être sensible aux erreurs dans cette mesure. Alors que nos résultats empiriques sont intuitifs, par exemple en trouvant que la Silicon Valley et les villes collégiales ont les adoptants les plus précoces d`une application Web virale, ils ne peuvent pas tenir pour d`autres produits tels que les biens durables. Notre modèle est mieux appliqué aux biens et services qui sont très peu coûteux, très facile à raconter à quelqu`un, et afficher de grandes externalités positives. Ensuite, nous élargissez notre modèle pour traiter le volume de nouvelles comme endogène de telle sorte que l`adoption peut être simulée sans nécessiter des données empiriques externes sur l`influence des médias. Nous introduisons un média de masse endogène, mis en œuvre comme décrit ci-dessus à l`étape III. de notre modèle d`introduction. Reflétant les tendances observées dans les données réelles, la croissance du volume des médias est super-linéaire en ce qui concerne les adoptants et les pics aléatoires dans la couverture médiatique sont introduits pour refléter des événements médiatiques discrets et imprévisibles. Pour ces simulations, nous avons trouvé un exposant de la croissance des médias en ce qui concerne les adoptants, a produit des ajustements raisonnables à des données réelles. La Fig.

8 affiche les résultats de simulation pour les différents réglages du modèle décrits dans ce document. Alors que les réseaux d`amitié spatiale sont capables de reproduire les tendances de l`adoption précoce, les données réelles diverge rapidement dans les temps ultérieurs. L`introduction d`un agent de Mass Media endogène qui pousse Super-linéairement dans le nombre d`adopteurs actuels produit, avec des pointes de médias aléatoires, produit des tendances d`adoption beaucoup plus précises et reflète des caractéristiques vu la couverture médiatique réelle. La Fig. 8 compare les prédictions d`adoption nationale avec les conditions du modèle ci-dessus. Examinant le volume des nouvelles recueillies par Google, nous notons que les simulations purement de bouche à oreille commencent à diverger de la réalité autour de la semaine 120 après le lancement. C`est juste autour du moment où les médias de masse commence à rapporter sur l`application Web. En raison de cette transition forte, nous pouvons mesurer la force relative de la propagation de bouche à oreille par rapport à l`influence des médias de masse. Ensuite, nous ajoutons une géographie plus diversifiée au modèle sous la forme de populations urbaines, d`amitiés géographiquement distribuées et d`adoptants précoces qui sont trois fois plus susceptibles d`adopter que les adoptants réguliers ().

Pour comprendre comment ces ajouts affectent l`adoption au niveau local, nous examinons d`abord l`importance de la structure du réseau en présence de deux types d`agents. Nous espérons que cela inspire les travaux futurs dans la région. Plus précisément, il serait intéressant de comparer et de contraster la diffusion spatiale d`applications Web telles que Twitter, avec des produits plus tangibles tels que des gadgets, des médicaments ou des voitures. Par exemple, il peut être possible d`utiliser la composition des villes comme caractérisée par l`adoption de Twitter pour prédire ou même essayer d`accélérer l`adoption d`autres types connexes d`innovations technologiques. Pour faciliter de nouvelles recherches dans ce domaine, nous avons fourni un fichier readme et de données, text S1 et DataSet S1, contenant des compositions de niveau ville ainsi que des données de séries chronologiques dans les informations de support en ligne ainsi que notre page Web, http://humnet.scripts.mit.edu/wordpress/2011/06/13/project-modeling-the-diffusion-of-social-contagion/. Ce travail représente également des progrès dans les modèles de propagation dans les réseaux où le roulement de la démographie, c.-à-d.

Share →