Modelagem de dinâmicas sociais interagentes em redes complexas

• Processo: 19/22277-0
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de janeiro de 2021
• Vigência (Término): 30 de abril de 2024
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Francisco Aparecido Rodrigues
• Beneficiário: Aruane Mello Pineda
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Bolsa(s) vinculada(s): 21/13843-2 - Aprendizado de máquina automático de dinâmicas sociais em redes complexas, BE.EP.DR
• Assunto(s): Redes complexas Desinformação Mídias sociais Twitter
• Palavra(s)-Chave do Pesquisador: Modelos de dinâmica social | Propagação de rumores | Redes Complexas | Redes Complexas

Resumo

Nesse projeto, estamos interessados em aperfeiçoar modelos de propagação de informação em redes complexas. Particularmente, estamos interessados em modelar competição entre rumores, onde agentes tentam conter a propagação de uma informação. Objetivamos determinar quais vértices são os mais adequados para diminuir a propagação de um rumor que pode, por exemplo, estar associado a informações erradas. Além disso, vamos desenvolver um modelo em que a informação pode gerar opiniões contrárias ao esperado. Nesse caso, o indivíduo que recebe a informação pode mudar de opinião com uma certa probabilidade. Tais modelos serão simulados em redes complexas e a análise matemática será feita via aproximação de campo médio. Dados de redes reais, tais como Twitter, serão coletados para validar alguns dos resultados obtidos, onde será monitorada a propagação de informação entre indivíduos. Redes formadas por múltiplas camadas, bem como redes de agentes móveis, deverão ser consideradas.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

ALVES, CAROLINE L.; PINEDA, ARUANE M.; ROSTER, KIRSTIN; THIELEMANN, CHRISTIANE; RODRIGUES, FRANCISCO A.. EEG functional connectivity and deep learning for automatic diagnosis of brain disorders: Alzheimer's disease and schizophrenia. JOURNAL OF PHYSICS-COMPLEXITY, v. 3, n. 2, p. 13-pg., 2022-06-01. (19/23293-0, 19/26595-7, 19/22277-0)

ALVES, CAROLINE L.; CURY, RUBENS GISBERT; ROSTER, KIRSTIN; PINEDA, ARUANE M.; RODRIGUES, FRANCISCO A.; THIELEMANN, CHRISTIANE; CIBA, MANUEL. Application of machine learning and complex network measures to an EEG dataset from ayahuasca experiments. PLoS One, v. 17, n. 12, p. 26-pg., 2022-12-16. (19/22277-0, 19/23293-0, 19/26595-7)