محمدصادق عارف
محمدصادق عارف
خواندن ۲۶ دقیقه·۳ ماه پیش

تاثیر بازی‌گونه‌سازی در انتشارات اطلاعات در شبکه‌های پیچیده پویا

عکس تزئینی
عکس تزئینی

چکیده

این پژوهش به بررسی مفهوم بازی‌گونه‌سازی (گیمیفیکیشن) و تأثیر آن بر انتشار اطلاعات در شبکه‌های پیچیده پرداخته است. بازی‌گونه‌سازی، با استفاده از مکانیزم‌های تشویقی و پاداش‌دهی، می‌تواند فرآیند انتقال دانش و اطلاعات را در شبکه‌های اجتماعی و سازمانی بهبود بخشد. با ارائه یک شبیه‌سازی مبتنی بر مدل‌های شبکه Watts-Strogatz و انتشار SIS، تفاوت میان دو حالت با و بدون گیمیفیکیشن مورد بررسی قرار گرفته و نتایج نشان‌دهنده‌ی افزایش سرعت و گستردگی انتشار اطلاعات در حالت بازی‌گونه‌شده است. این پژوهش به‌طور جامع به تحلیل این یافته‌ها پرداخته و کاربردهای عملی آن‌ها را در بهینه‌سازی سیستم‌های اطلاعاتی و سازمانی بررسی می‌کند.


مقدمه و بیان مسئله

یکی از مباحث مهم مطرح شده در شبکه‌های پیچیده پویا، انتشار اطلاعات در شبکه است. بررسی اینکه شبکه تا چه میزان توانایی انتشار یا جلوگیری از انتشار اطلاعات را دارد. این موضوع از جنبه‌های مختلفی می‌تواند مورد بررسی قرار گیرد و در تصمیم‌گیری‌ها و اقدامات آینده کمک‌کننده باشد. ویژگی‌های شبکه پیچیده مانند گره‌های شبکه، یال‌های بین گره‌ها، انجمن‌های تشکیل شده در شبکه پیچیده، چگالی شبکه و همچنین الگوریتم‌های انتشار، همگی می‌توانند در انتشار اطلاعات در شبکه پیچیده پویا اثرگذار باشند. یکی از این جنبه‌ها، میزان مشارکت گره‌های شبکه در انتشار اطلاعات در شبکه است. در مواردی که بایستی اطلاع‌رسانی در شبکه صورت بگیرد، سرعت و میزان کیفیت انتقال و انتشار اطلاعات در شبکه به یک مسئله مهم تبدیل می‌شود. برای نمونه، بخشی از آموزش‌های موجود در ارتباط با جلوگیری از انتقال ویروس covid-19 در شبکه‌های اجتماعی صورت می‌گرفت که مشارکت کاربران شبکه‌های اجتماعی (گره‌های شبکه اجتماعی) نقش مهمی در تحقق این مسئله ایفا می‌کرد. در نمونه‌ای دیگر، برای یک سازمان بزرگ یا متوسط، اگر اعضای یک معاونت به‌طور مداوم اطلاعات مربوط به پیشرفت پروژه‌ها و چالش‌های پیش روی معاونت خود را با اعضای معاونت خود و سایر معاونت‌های مرتبط با سازمان به اشتراک بگذارند، این امر می‌تواند به تنظیم استراتژی‌ها و تصمیم‌گیری‌های هماهنگ با توسعه سازمان منجر شود و در نهایت، به هماهنگی و بهبود شرایط سازمان کمک کند. در سازمان‌ها، یکی از مشکلات رایج، تکرار کارها به دلیل عدم دسترسی به اطلاعات قبلی یا پروژه‌های مشابه است. انتشار کارآمد اطلاعات می‌تواند از این مشکل جلوگیری کند. به عنوان مثال، اگر تیم‌ها به داده‌ها و گزارش‌های پروژه‌های گذشته دسترسی داشته باشند، می‌توانند از تجربیات و آموخته‌های قبلی استفاده کنند و از تکرار اشتباهات جلوگیری نمایند، که این امر به بهبود بهره‌وری سازمان کمک می‌کند.

با توجه به اهمیت وجود مشارکت گره‌های شبکه در انتشار اطلاعات در نمونه‌های ذکر شده، می‌توان ضمن بررسی الگوریتم‌های موجود در انتشار اطلاعات، به بررسی راه‌های افزایش مشارکت در امر انتشار اطلاعات در شبکه‌های پیچیده پرداخت. یکی از متداول‌ترین این راه‌ها استفاده از بازی‌گونه‌سازی است. بازی‌گونه‌سازی ابتدا برای افزایش مشارکت در امر آموزش مورد استفاده قرار می‌گرفت. در سال‌های گذشته اما دامنه استفاده از بازی‌گونه‌سازی فراتر از آموزش رفته است و در فضای کار و سازمان‌ها نیز از آن استفاده می‌شود تا جایی که پلتفرم‌های مبتنی بر بازی‌گونه‌سازی جهت دیجیتالی‌کردن و خودکارسازی فرآیند بازی‌گونه‌سازی به وجود آمده است. بازی‌گونه‌سازی در امر انتشار اطلاعات نیز می‌تواند یک ابزار و تفکر محرک و تاثیرگذار باشد. استفاده از المان‌های بازی‌گونه‌سازی می‌تواند در افزایش مشارکت گره‌های شبکه پیچیده تاثیرگذار باشد و باعث افزایش انتشار اطلاعات در شبکه پیچیده گردد.

پژوهش پیش رو قصد دارد در ابتدا روش‌های بهبود انتشار اطلاعات در شبکه‌های پیچیده پویا را با تمرکز بر نقش گره‌ها مورد بررسی قرار دهد و در گام دوم به کمک شبیه‌سازی، تاثیر استفاده از بازی‌گونه‌سازی در افزایش انتشار اطلاعات را نشان دهد. اگرچه این پژوهش به کمک شبیه‌سازی و بدون استفاده از داده‌های واقعی به بررسی این کار می‌پردازد، اما این شبیه‌سازی می‌تواند مبنایی برای پژوهش‌های آینده و انجام مطالعات موردی در سازمان‌ها برای بررسی نقش بازی‌گونه‌سازی در انتشار اطلاعات باشد.


ادبیات موضوع

این فصل به بررسی ادیبات موضوع اختصاص دارد. فرض بر این است که خواننده این پژوهش دانش اولیه در خصوص شبکه‌های پیچیده پویا را داشته باشد و از بیان مفاهیم اولیه در خصوص شبکه‌های پیچیده صرف‌نظر شده است. اما در خصوص بازی‌گونه‌سازی سعی شده شرح دقیقی از بازی، بازی‌های کاربردی و اجزا و عناصر بازی‌گونه‌سازی ارائه شود.

انتشار اطلاعات شبکه‌های پیچیده پویا

انتشار اطلاعات در شبکه‌های پیچیده پویا یکی از جنبه‌های حیاتی تحلیل این نوع شبکه‌ها است و به درک تعاملات و دینامیک‌های پیچیده درون آنها کمک می‌کند. در این شبکه‌ها، گره‌ها و ارتباطات آنها به صورت مداوم در حال تغییر هستند، که می‌تواند شامل ورود یا خروج گره‌ها، تغییرات در وزن‌ها و قدرت‌های ارتباطی، و یا تغییرات در قوانین انتقال باشد. این ویژگی‌های دینامیک، باعث می‌شود که انتشار اطلاعات به شکلی پویا و غیرقابل پیش‌بینی انجام شود. برای تحلیل این فرآیند، مدل‌های مختلفی مانند مدل‌های SI، SIR، SIS و SEIR به کار گرفته می‌شوند که هر یک از این مدل‌ها نحوه تعامل و انتشار اطلاعات را در شرایط خاص بررسی می‌کنند. این مدل‌ها به ویژه در شبیه‌سازی و پیش‌بینی رفتارهای پیچیده شبکه‌های اجتماعی و سازمانی کاربرد دارند و به محققان امکان می‌دهند تا نحوه گسترش اطلاعات یا شایعات، تغییرات در وضعیت سلامت، یا پیشرفت‌های علمی و فناورانه را درک کنند.

مدل SI ساده‌ترین و ابتدایی‌ترین مدل در زمینه انتشار اطلاعات است که در آن دو حالت اصلی وجود دارد: حساس (Susceptible) و آلوده (Infected). در این مدل، گره‌ها (افراد) در ابتدا در حالت حساس هستند و به محض اینکه با یک گره آلوده تعامل می‌کنند، به حالت آلوده تغییر وضعیت می‌دهند. این مدل بیشتر برای شبیه‌سازی فرآیندهایی که در آن اطلاعات یا بیماری‌ها به سرعت و بدون برگشت به حالت قبلی انتشار می‌یابند، مورد استفاده قرار می‌گیرد. مثلاً در شیوع بیماری‌های عفونی یا انتشار شایعات و اخبار در شبکه‌های اجتماعی.

مدل SIR پیچیده‌تر از مدل SI است و شامل سه حالت اصلی است: حساس (Susceptible)، آلوده (Infected)، و بهبود یافته (Recovered). در این مدل، پس از اینکه گره‌ای به حالت آلوده در می‌آید، بعد از مدت زمانی مشخص به حالت بهبودی می‌رسد و از آن به بعد دیگر نمی‌تواند به حالت آلوده بازگردد. این مدل برای شبیه‌سازی فرآیندهایی که در آنها اطلاعات یا بیماری‌ها پس از مدتی به مرحله‌ای می‌رسند که دیگر قادر به انتشار نیستند، مناسب است. به عنوان مثال، در بررسی فرآیندهای پایان‌پذیر اطلاعات یا بیماری‌های با دوره بهبود مشخص.

مدل SIS مشابه مدل SIR است اما با تفاوت اساسی که پس از بهبودی، گره‌ها دوباره به حالت حساس برمی‌گردند. به عبارت دیگر، گره‌هایی که از حالت آلوده به حالت بهبودی منتقل شده‌اند، دوباره ممکن است به حالت آلوده برگردند. این مدل برای شبیه‌سازی فرآیندهایی که در آنها گره‌ها پس از بهبود دوباره ممکن است دچار عفونت یا دریافت اطلاعات جدید شوند، مناسب است. به عنوان مثال، این مدل می‌تواند در شبیه‌سازی فرآیندهای یادگیری مداوم یا بیماری‌های مزمن مورد استفاده قرار گیرد.

مدل SIRS شامل سه حالت است: حساس (Susceptible)، آلوده (Infected)، و بهبود یافته (Recovered). در این مدل، پس از اینکه گره‌ای به حالت حساس دچار یک منبع عفونت یا اطلاعات جدید می‌شود، به حالت آلوده تغییر وضعیت می‌دهد و می‌تواند دیگران را نیز آلوده کند. پس از بهبودی، گره به حالت بهبود یافته منتقل می‌شود، اما برخلاف مدل‌های مشابه، ایمنی دائمی نیست و گره ممکن است دوباره به حالت حساس بازگردد. این مدل به ویژه برای شبیه‌سازی فرآیندهایی مناسب است که در آنها ایمنی پس از بهبودی موقتی است، مانند برخی از بیماری‌های واگیردار یا انتشار اطلاعاتی که ممکن است دوباره مورد توجه قرار گیرد.

عوامل مختلفی بر روی فرآیند انتشار اطلاعات در شبکه‌های پیچیده پویا تأثیر می‌گذارند. یکی از این عوامل، ساختار و توپولوژی شبکه است که می‌تواند شامل ویژگی‌هایی مانند مراکز قدرت، گره‌های کلیدی و توزیع‌های متنوع اتصال‌ها باشد. همچنین، خصوصیات فردی گره‌ها، از جمله حساسیت به اطلاعات و تمایل به اشتراک‌گذاری، نقش مهمی در نحوه و سرعت انتشار اطلاعات ایفا می‌کند. علاوه بر این، مکانیزم‌های بازی‌گونه‌سازی و انگیزشی می‌توانند به طور قابل توجهی بر روند انتشار اطلاعات تأثیر بگذارند، چرا که می‌توانند رفتار کاربران را تحت تأثیر قرار داده و انگیزه‌های جدیدی برای مشارکت و تعامل ایجاد کنند. به طور کلی، درک نحوه انتشار اطلاعات در این شبکه‌های پیچیده، به ویژه در شرایط پویای آنها، نیازمند تحلیل دقیق و مدل‌سازی پیشرفته است که می‌تواند به بهبود استراتژی‌های مدیریتی، افزایش کارایی سازمان‌ها و فهم بهتری از تعاملات اجتماعی منجر شود.

بازی‌گونه‌سازی

بازی‌ها به‌طور کلی به عنوان فعالیت‌هایی با قوانین مشخص و هدفمند تعریف می‌شوند که به منظور ایجاد تجربه‌ای سرگرم‌کننده و اغلب چالش‌برانگیز طراحی شده‌اند. بازی‌ها دارای شش ویژگی اساسی هستند که آن‌ها را از سایر فعالیت‌های انسانی متمایز می‌کند. این ویژگی‌ها شامل قوانین مشخص، نتیجه متغیر و قابل‌اندازه‌گیری، ارزش‌گذاری به نتایج مختلف، تلاش بازیکن، وابستگی بازیکن به نتیجه، و عواقب قابل‌مذاکره است. این ویژگی‌ها باعث می‌شود که بازی‌ها علاوه بر سرگرمی، زمینه‌ای برای تعامل، یادگیری و رقابت فراهم کنند.

قوانین مشخص یکی از اساسی‌ترین ویژگی‌های بازی‌ها است. قوانین بازی به‌عنوان سیستم‌های رسمی، چارچوبی برای فعالیت‌های بازی ایجاد می‌کنند که بدون آن‌ها بازی نمی‌تواند معنا یا ساختار مشخصی داشته باشد. این قوانین ممکن است به صورت فیزیکی، ذهنی یا دیجیتال اعمال شوند و تعیین می‌کنند که بازیکنان چه کارهایی می‌توانند انجام دهند و چگونه می‌توانند در بازی پیشرفت کنند. **نتیجه متغیر و قابل‌اندازه‌گیری** نیز ویژگی دیگری است که به بازی‌ها معنا و جهت می‌بخشد. در هر بازی، نتایج مختلفی وجود دارد که بازیکنان برای رسیدن به آن‌ها تلاش می‌کنند و این نتایج باید به‌گونه‌ای باشند که بازیکنان بتوانند آن‌ها را اندازه‌گیری و ارزیابی کنند.

یکی دیگر از جنبه‌های کلیدی بازی‌ها، تلاش بازیکن و وابستگی بازیکن به نتیجه است. بازیکنان در بازی‌ها تلاش می‌کنند تا نتایج مطلوب را به دست آورند و این تلاش‌ها به احساسات و انگیزه‌های آن‌ها وابسته است. به عبارت دیگر، بازیکنان به نتایج بازی اهمیت می‌دهند و این وابستگی روانی بخشی از تجربه بازی را تشکیل می‌دهد. همچنین، **عواقب قابل‌مذاکره** یکی دیگر از ویژگی‌های بازی‌ها است که آن‌ها را از فعالیت‌های جدی و واقعی متمایز می‌کند. این ویژگی به این معناست که هر بازی می‌تواند به طور دلخواه با عواقب واقعی یا بدون آن‌ها انجام شود، بسته به توافق بازیکنان و زمینه بازی. این ویژگی‌ها در کنار یکدیگر بازی‌ها را به یک فعالیت جذاب و متمایز تبدیل می‌کنند که نه تنها برای سرگرمی بلکه برای آموزش، تمرین و رقابت نیز مورد استفاده قرار می‌گیرد.

بازی‌گونه‌سازی (Gamification) به معنای استفاده از عناصر و تکنیک‌های طراحی بازی در زمینه‌های غیر بازی است. این مفهوم در سال‌های اخیر به‌طور گسترده‌ای در حوزه‌های مختلفی از جمله کسب‌وکار، آموزش، بهداشت، و دولت به کار گرفته شده است. بازی‌گونه‌سازی با هدف افزایش تعامل، انگیزه و بهره‌وری کاربران طراحی می‌شود و به طور خاص بر رفتار انسان‌ها تمرکز دارد. این مفهوم از قدرت انگیزشی بازی‌ها بهره‌برداری می‌کند تا فعالیت‌های جدی و واقعی را جذاب‌تر و مؤثرتر کند. به عبارت دیگر، بازی‌گونه‌سازی تلاش می‌کند تا از روان‌شناسی و اصول بازی‌ها برای تغییر رفتار و دستیابی به اهدافی که ممکن است در غیر این صورت دشوار به دست آیند، استفاده کند.

بازی‌گونه‌سازی بر مبنای سه عنصر اصلی شکل می‌گیرد: عناصر بازی، تکنیک‌های طراحی بازی و زمینه‌های غیر بازی. عناصر بازی شامل اجزای مختلفی مانند امتیازات، نشان‌ها، جدول‌های رده‌بندی، چالش‌ها، و پاداش‌ها می‌شود که هر یک به‌گونه‌ای طراحی شده‌اند تا کاربران را به انجام وظایف و کسب نتایج مطلوب ترغیب کنند. تکنیک‌های طراحی بازی به معنای به‌کارگیری رویکردها و روش‌هایی است که بازی‌سازان برای ایجاد تجربه‌های جذاب و انگیزشی از آن‌ها استفاده می‌کنند. این تکنیک‌ها می‌توانند شامل طراحی چالش‌های مرحله‌به‌مرحله، ایجاد سیستم‌های بازخورد سریع و قابل مشاهده، و ایجاد حس رقابت و پیشرفت باشند.

زمینه‌های غیر بازی که بازی‌گونه‌سازی در آن‌ها به کار می‌رود، می‌توانند متنوع و گسترده باشند؛ از محیط‌های کاری و آموزشی گرفته تا برنامه‌های بهداشتی و اجتماعی. برای مثال، در محیط‌های کاری، بازی‌گونه‌سازی می‌تواند به افزایش بهره‌وری و انگیزه کارکنان کمک کند. به عنوان نمونه، یک شرکت ممکن است از سیستم امتیازدهی و نشان‌ها برای تشویق کارکنان به تکمیل آموزش‌های امنیتی استفاده کند. در آموزش، بازی‌گونه‌سازی می‌تواند تجربه یادگیری را تعاملی‌تر و جذاب‌تر کند، به‌گونه‌ای که دانش‌آموزان و دانشجویان به صورت فعال در فرآیند یادگیری شرکت کنند. به طور خلاصه، بازی‌گونه‌سازی یک ابزار قدرتمند برای ایجاد انگیزه، تعامل و بهره‌وری در زمینه‌های مختلف است و می‌تواند به طور چشمگیری تجربه کاربران را بهبود بخشد.

در پژوهش پیش رو با توجه به امر شبیه‌سازی، امکان اجرای هر سه عنصر بازی‌گونه‌سازی وجود ندارد. در واقع فرض بر آن است که تکنیک‌های طراحی بازی و چالش‌ها خارج از فضای شبیه‌سازی انجام شده و در پژوهش صرفا به استفاده از عناصر بازی و مکانیزم امتیازدهی پرداخته می‌شود. می‌توان در پژوهش‌های آینده، سایر عناصر بازی‌گونه‌سازی را نیز در این شبیه‌سازی درگیر کرد.


پژوهش‌های انجام شده

هیچ مقاله‌ای تا کنون به صورت مستقیم از بازی‌گونه‌سازی در امر انتشار اطلاعات استفاده نکرده است. حتی در حوزه شبکه‌های پیچیده پویا نیز از گیمیفیکیشن خیلی کم استفاده شده است. در ادامه تعدادی از این مقالات که مورد بررسی شده است تشریح می‌گردد.

نخستین پژوهش به تحلیل تأثیر ترکیب گیمیفیکیشن و شبکه‌های اجتماعی در فرآیند یادگیری در دوره‌های آموزش الکترونیکی پرداخته است. این مطالعه در یک دوره کارشناسی که با استفاده از ابزارهای گیمیفیکیشن و شبکه‌های اجتماعی طراحی شده بود، انجام شد. در این دوره، فعالیت‌های گیمیفیکیشن به منظور تشویق مشارکت دانشجویان و ایجاد یک محیط یادگیری تعاملی و جذاب به کار گرفته شد. ساختار شبکه اجتماعی شکل‌گرفته در این دوره به عنوان یک شبکه "کوچک‌جهانی" (Small-World) شناسایی شد. این نوع شبکه‌ها ویژگی‌هایی مانند پیوندهای کوتاه و متراکم بین اعضا را دارند که امکان دسترسی سریع به اطلاعات و منابع را حتی در شبکه‌های گسترده فراهم می‌کنند. تحلیل شبکه اجتماعی (SNA) به‌عنوان ابزار اصلی برای ارزیابی این ساختار و بررسی تأثیر موقعیت هر دانشجو در شبکه بر عملکرد تحصیلی او مورد استفاده قرار گرفت. نتایج نشان داد که برخی معیارهای شبکه مانند مرکزیت و تعداد پیوندها می‌توانند به‌طور معناداری، هرچند محدود، عملکرد تحصیلی دانشجویان را پیش‌بینی کنند. این یافته‌ها حاکی از آن است که موقعیت یک دانشجو در شبکه اجتماعی می‌تواند نقش مهمی در دسترسی او به اطلاعات و منابع آموزشی و در نتیجه موفقیت تحصیلی او داشته باشد.

علاوه بر این، این مطالعه نشان داد که گیمیفیکیشن می‌تواند انگیزه دانشجویان را به طور قابل توجهی افزایش داده و تعاملات اجتماعی آن‌ها را بهبود بخشد. اما تأثیرات گیمیفیکیشن بر یادگیری دانشجویان وابسته به نوع فعالیت‌ها و موقعیت‌های خاص آن‌ها در شبکه است، که این امر بر پیچیدگی و اهمیت طراحی دقیق این نوع برنامه‌های آموزشی تأکید دارد. به‌ویژه، گیمیفیکیشن در ایجاد رقابت سالم، تشویق به مشارکت و تقویت حس جامعه‌پذیری میان دانشجویان مؤثر بوده است. این تحقیق همچنین نشان داد که پیوندهای محلی و جایگاه دانشجویان در شبکه نه تنها بر اساس معیارهای کمی مانند تعداد پیوندها، بلکه بر اساس کیفیت تعاملات اجتماعی نیز می‌تواند بر نتایج تحصیلی تأثیرگذار باشد. این یافته‌ها برای پژوهشگران و طراحان آموزشی حائز اهمیت است، زیرا می‌توانند با درک بهتر از دینامیک‌های شبکه‌های اجتماعی و گیمیفیکیشن، محیط‌های یادگیری را به گونه‌ای طراحی کنند که انگیزش و تعاملات اجتماعی را بهبود بخشیده و در نتیجه، یادگیری دانشجویان را تقویت کنند.

دومین پژوهش بررسی شده به بررسی رفتار بازی در شبکه‌های پیچیده پرداخته است. این مطالعه با استفاده از مدل‌های مختلف شبکه‌های پیچیده، نظیر شبکه‌های تصادفی، شبکه‌های بدون مقیاس (BA scale-free network) و شبکه‌های کوچک‌جهانی، سعی در تحلیل چگونگی تأثیر این ساختارها بر رفتار همکاری و خیانت در شرایط بازی‌های تئوری بازی دارد. با توجه به پیشرفت‌های فناوری کامپیوتر، این تحقیق به دنبال مدلسازی و تحلیل رفتارهای دینامیک در این شبکه‌ها است و نتایج آن می‌تواند به کاربردهای متعددی در سیستم‌های شبکه‌ای پیچیده منجر شود. در این مطالعه، ابتدا تأثیر تراکم اولیه استراتژی‌های مختلف بر روی میانگین منافع همکاران و خیانت‌کاران در مدل شکار گوزن (Deer Hunting Model) بررسی شده است. یافته‌ها نشان می‌دهد که در این مدل، با افزایش تراکم اولیه استراتژی همکاری، منافع همکاران و خیانت‌کاران به طور قابل توجهی افزایش می‌یابد. در شرایط تراکم پایین، بازیگران تمایل به خیانت دارند، اما با افزایش تراکم اولیه استراتژی همکاری، تمایل به همکاری بیشتر می‌شود. سپس، تراکم تعادلی همکاران در شبکه‌های BA scale-free و شبکه‌های تصادفی تحت شرایط مختلف شبیه‌سازی و مقایسه شد. نتایج نشان می‌دهد که با افزایش وسوسه خیانت، تراکم تعادلی همکاران کاهش می‌یابد، اما افزایش تعداد افراد در شبکه منجر به افزایش تراکم تعادلی همکاران می‌شود. در نهایت، مقاله به مقایسه تراکم تعادلی بازی معمای زندانی (Prisoner's Dilemma) در دو نوع شبکه BA scale-free و شبکه تصادفی پرداخته است. نتایج نشان می‌دهد که شبکه‌های BA scale-free بیشتر از شبکه‌های تصادفی به ظهور رفتارهای همکاری کمک می‌کنند و این شبکه‌ها مقاومت بیشتری در برابر وسوسه خیانت دارند. به عبارتی، شبکه‌های BA scale-free نه تنها در تسهیل همکاری بلکه در مقاومت در برابر خیانت نیز موثرتر عمل می‌کنند. این مقاله همچنین به اهمیت استفاده از مدل‌های احتمالی بهتر در تحقیقات آینده اشاره دارد تا نتایج شبیه‌سازی‌ها بیشتر به واقعیت نزدیک شود. از دیدگاه عملی، این پژوهش به محققان کمک می‌کند تا رفتارهای شبکه‌ای پیچیده را بهتر درک کنند و از این دانش برای طراحی سیستم‌های شبکه‌ای موثرتر و قابل اعتمادتر استفاده کنند. نتیجه‌گیری‌های این مقاله می‌تواند در زمینه‌های مختلفی از جمله سیستم‌های حمل و نقل، برنامه‌ریزی و امنیت شبکه‌ها و حتی مدیریت بیماری‌های واگیردار کاربرد داشته باشد.

سومین مقاله به بررسی جامع مدل‌ها و روش‌های انتشار اطلاعات در شبکه‌های اجتماعی آنلاین می‌پردازد. این مقاله به عنوان یک مرور بر ادبیات پژوهشی موجود، مدل‌های مختلفی را که برای توضیح و پیش‌بینی فرایند انتشار اطلاعات به کار می‌روند، تحلیل و مقایسه می‌کند. هدف اصلی این مقاله، ارائه‌ی یک چارچوب کلی از مدل‌های انتشار اطلاعات و بررسی نقاط قوت و ضعف هر یک از این مدل‌ها است. مقاله ابتدا به معرفی کلی شبکه‌های اجتماعی و اهمیت انتشار اطلاعات در این شبکه‌ها می‌پردازد. سپس، به سه سؤال اساسی در زمینه انتشار اطلاعات می‌پردازد که به "مسئله 3W" معروف است:

  1. What: چه اطلاعاتی در شبکه‌های اجتماعی نهفته است؟
  2. Why: چرا اطلاعات به این شکل خاص انتشار می‌یابد؟
  3. Where: اطلاعات به کجا انتشار خواهد یافت؟

مقاله مدل‌های انتشار اطلاعات را به دو دسته کلی تقسیم می‌کند: مدل‌های توضیحی و مدل‌های پیش‌بینی‌کننده.

  1. مدل‌های توضیحی: این مدل‌ها بیشتر به تبیین و تحلیل عوامل مؤثر بر انتشار اطلاعات می‌پردازند. مدل‌های اپیدمیک مانند SIS، SIR، SI، و SIRS در این دسته قرار می‌گیرند. این مدل‌ها با استفاده از مفاهیم مشابه با شیوع بیماری‌ها، سعی در مدل‌سازی فرایند انتشار اطلاعات دارند. برای مثال، مدل SIS فرض می‌کند که افراد پس از آلوده شدن به اطلاعات، می‌توانند دوباره به حالت حساس به اطلاعات بازگردند و این فرایند می‌تواند تکرار شود.
  2. مدل‌های پیش‌بینی‌کننده: این مدل‌ها تلاش می‌کنند تا بر اساس عوامل مختلف، فرایند انتشار آینده‌ی اطلاعات را پیش‌بینی کنند. مدل‌هایی مانند "مدل آبشار مستقل" (Independent Cascade Model - ICM) و "مدل آستانه خطی" (Linear Threshold Model - LTM) از جمله مدل‌های پیش‌بینی‌کننده مورد بررسی هستند. این مدل‌ها بیشتر بر روی چگونگی تاثیرگذاری کاربران بر یکدیگر و یافتن نقاط شروع انتشار اطلاعات تمرکز دارند.

مدل SIS در مقاله به عنوان یکی از مدل‌های کلیدی در تحلیل انتشار اطلاعات معرفی می‌شود. این مدل به ویژه در تحلیل رفتارهایی که در آن افراد ممکن است به صورت مکرر تحت تأثیر یک اطلاعات قرار گیرند، مؤثر است. از این رو، این مدل می‌تواند برای مسائلی چون کنترل شایعات، تحلیل رفتارهای کاربران، و بهینه‌سازی استراتژی‌های بازاریابی دیجیتال کاربردهای گسترده‌ای داشته باشد. مقاله نتیجه‌گیری می‌کند که مدل‌های انتشار اطلاعات در شبکه‌های اجتماعی همواره باید با در نظر گرفتن ماهیت پیچیده و پویای این شبکه‌ها بهبود یابند. مدل‌های مختلف اپیدمیک، از جمله SIS، می‌توانند به عنوان ابزارهای قدرتمندی برای فهم و پیش‌بینی چگونگی انتشار اطلاعات در این شبکه‌ها عمل کنند. با این حال، نیاز به مدل‌های پیشرفته‌تر و ترکیبی که بتوانند پیچیدگی‌های بیشتری را پوشش دهند، همچنان وجود دارد.

مقاله چهارم به بررسی چگونگی ترکیب بازی‌ها و مدل‌های مبتنی بر عامل (ABMs) برای مطالعه پیچیدگی‌های اجتماعی می‌پردازد. این تحقیق از شش نوع طراحی پژوهشی مختلف برای ادغام بازی‌ها و مدل‌های مبتنی بر عامل استفاده می‌کند و نشان می‌دهد که این ترکیب می‌تواند به طور موثری در تحلیل پدیده‌های اجتماعی پیچیده مورد استفاده قرار گیرد. بازی‌ها به عنوان محیط‌هایی جذاب و تعاملی در نظر گرفته می‌شوند که می‌توانند بینش‌هایی در مورد دینامیک اجتماعی، ادراکات و رفتارها فراهم کنند، در حالی که مدل‌های مبتنی بر عامل به محققان اجازه می‌دهند تا پیچیدگی‌های سیستم‌های اجتماعی را با تحلیل دقیق و سیستماتیک بررسی کنند. با توجه به اینکه هر دو روش قابلیت دریافت و تولید داده‌های کیفی و کمی را دارند، ترکیب آن‌ها به عنوان یک رویکرد جامع و چند منظوره در تحقیقات بین‌رشته‌ای ظاهر می‌شود.

مقاله نشان می‌دهد که چگونه این ترکیب، به ویژه در حوزه‌های مدیریت منابع طبیعی، دینامیک گروهی، بهداشت عمومی، و لجستیک شهری، به کار گرفته شده است. برای بهبود فرآیند پژوهش و افزایش قابلیت استفاده مجدد و سیستماتیک، نویسندگان پیشنهاد می‌کنند که یک طرح مستند سازی اختصاصی برای مطالعاتی که این دو روش را ترکیب می‌کنند، به کار گرفته شود. این طرح مستند سازی می‌تواند به پژوهشگران کمک کند تا فرآیند طراحی و اجرای مطالعات ترکیبی خود را بهتر ثبت کنند و از این طریق به توسعه و تثبیت این رویکرد پژوهشی کمک نمایند. این مطالعه به نوعی راهنمای جامع برای پژوهشگران در زمینه طراحی مطالعات با استفاده از ترکیب بازی‌ها و مدل‌های مبتنی بر عامل ارائه می‌دهد و آن‌ها را تشویق می‌کند تا از این رویکرد در تحقیقاتی که نیاز به تحلیل‌های پیچیده و چندبعدی دارند، استفاده کنند.

مطالعه این پژوهش‌ها دیدگاه جامعی درباره چگونگی انتشار اطلاعات در شبکه‌های پیچیده پویا و روش‌های مختلف تحلیل آن‌ها ارائه می‌دهد. هر یک از این مقالات با رویکردهای متفاوتی به بررسی این موضوع پرداخته‌اند، از تحلیل تأثیر شبکه‌های اجتماعی و گیمیفیکیشن بر یادگیری گرفته تا استفاده از مدل‌های تئوری بازی و اپیدمیک برای مدل‌سازی انتشار اطلاعات. نقاط قوت اصلی این مقالات در ترکیب رویکردهای نظری و تجربی برای تحلیل رفتارهای اجتماعی و انتشار اطلاعات نهفته است. مقالات اول و دوم با تأکید بر کاربردهای عملی در محیط‌های آموزشی و شبکه‌های پیچیده، نتایج قابل‌توجهی در بهبود تعاملات اجتماعی و تصمیم‌گیری ارائه می‌دهند. مقاله سوم با مرور جامعی از مدل‌های اپیدمیک، چارچوب نظری محکمی برای تحلیل انتشار اطلاعات فراهم می‌کند. در نهایت، مقاله چهارم با ترکیب بازی‌ها و مدل‌های مبتنی بر عامل، یک رویکرد چندمنظوره و انعطاف‌پذیر برای بررسی پیچیدگی‌های اجتماعی معرفی می‌کند که می‌تواند در حوزه‌های مختلف به کار گرفته شود. از سوی دیگر، نقاط ضعف این مقالات شامل محدودیت در تعمیم‌پذیری نتایج به دیگر زمینه‌ها، پیچیدگی روش‌شناسی‌ها و نیاز به تخصص بین‌رشته‌ای برای اجرای آن‌ها است. همچنین، برخی از این مطالعات بیشتر بر نظریه‌ها تمرکز دارند و کمتر به اعتبارسنجی تجربی پرداخته‌اند.

مقایسه‌ای از این مقالات در قالب جدول زیر قابل مشاهده است:

مقایسه مقالات بررسی شده.
مقایسه مقالات بررسی شده.

روش و پیاده‌سازی کار

در این پژوهش، با توجه به دیدی که به انتشار اطلاعات در سازمان وجود دارد، از یکی از مدل‌‌های خاصی که برای شبیه‌سازی انتشار اطلاعات استفاده شده است استفاده می‌شود که انتخاب آن‌ بر اساس ویژگی‌های مورد نیاز و اهداف پژوهش صورت گرفته است. علاوه بر این، به دلیل اهمیت انگیزش کاربران در فرآیند انتشار اطلاعات، مکانیزم‌های گیمیفیکیشن به شبکه اضافه شده‌اند تا تأثیر این رویکرد نوآورانه بر رفتار کاربران و دینامیک شبکه بررسی شود.

روند کار بدین صورت است که در ابتدا مدل انتشار اطلاعات انتخاب می‌شود، پس از آن از بین مکانیزم‌های بازی‌گونه‌سازی بررسی می‌شود که کدام‌ یک توانایی استفاده در این پژوهش را دارند. پس از آن شبیه‌سازی انجام می‌شود به طوری که یک شبکه پیچیده پویای تصادفی ایجاد شده و مدل انتشار اطلاعات در آن بدون استفاده از بازی‌گونه‌سازی بیاده‌سازی و نتایج حاصل از آن استخراج می‌شود. پس از آن از مکانیزم‌های بازی‌گونه‌سازی استفاده کرده و اثر بازی‌گونه‌سازی بر نتایج حاصل از اجرای مدل انتشار استخراج شده و در نهایت در شاخص‌های تعیین شده مقایسه‌ای بین این دو روش صورت می‌گیرد. در ادامه هر یک از مراحل تشریح خواهد شد.

انتخاب مدل انتشار

برای انتخاب مدل انتشار معیارهای زیر در نظر گرفته شد:

  • انتقال مستمر اطلاعات و تجربه‌ها
  • حفظ پویایی در انتقال اطلاعات
  • تکرار و بازبینی اطلاعات

با در نظر گرفتن معیارهای فوق، مدل SIS (Susceptible-Infected-Susceptible) به دلیل توانایی آن در مدل‌سازی تبادل مستمر و دوره‌ای اطلاعات، به‌خصوص در سازمان‌هایی که نیاز به انتقال مداوم دانش و تجربه دارند، مناسب‌ترین انتخاب است. این مدل به سازمان‌ها اجازه می‌دهد تا اطلاعات و تجربه‌ها را به طور پویایی منتشر کنند و اطمینان حاصل کنند که تمامی کارکنان در زمان‌های مختلف به دانش و اطلاعات به‌روز دسترسی دارند و می‌توانند از آن‌ها بهره‌برداری کنند.

انتخاب مدل شبکه پیچیده پویا

در انتخاب مدل شبکه پیچیده پویا معیارهای زیر در نظر گرفته شد:

  • معاونت‌های مختلف همانند انجمن‌های یک شبکه هستند و با هم ارتباطات ضعیفی دارند.
  • تغییرات سازمان می‌تواند شبکه کارمندان و معاونت‌ها را دستخوش تغییرات کند.
  • بایستی انتشار اطلاعات در شبکه ساخته شده، جدای از اثرات بازی‌گونه‌سازی کارآمد باشد.

مدل واتز استروگاتز (Watts-Strogatz Model) بهترین انتخاب برای این معیارها است. این مدل به‌خوبی ساختار معاونت‌ها و تیم‌های مختلف را با حفظ ارتباطات مؤثر درون تیمی و بین تیمی مدل‌سازی می‌کند. با استفاده از این مدل، می‌توان انتقال دانش و اطلاعات را در سراسر سازمان به‌صورت کارآمد و سریع انجام داد، در حالی که همچنان از مزایای انجمن‌ها و ارتباطات سست بین آن‌ها بهره برد.

انتخاب عناصر بازی‌گونه‌سازی

محیط بازی‌گونه‌سازی در پژوهش پیش رو از دو بخش تشکیل شده است. یکی بخشی که در شبکه منعکس می‌شود و می‌توان تاثیر آن را اندازه گیری کرد و بخش دیگر، قسمتی که در شبکه منعکس نمی‌شود و خارج از شبکه از قوانین سازمانی و ارتباطات میان افراد نشأت می‌گیرد.

ایده‌های زیادی می‌توان برای استفاده از عناصر بازی‌گونه‌سازی در شبکه ارائه داد اما در محدوده پژوهش پیش رو مشکلات و چالش‌های پیاده‌سازی نیز مطرح هست. به همین جهت صرفا به بررسی اثر امتیاز در شبکه پرداخته می‌شود. بدین صورت که به ازای هر عمل انتشار توسط یک گره، یک جایزه (امتیاز) به گره داده می‌شود و در انتشار بعدی این گره اثرگذار خواهد بود.

چند معیار نیز برای اندازه‌گیری اثر بازی‌گونه‌سازی در این پژوهش می‌توان در نظر گرفت که به شرح زیر می‌باشد:

  • سرعت انتشار اطلاعات: تعداد مراحل مورد نیاز برای انتشار اطلاعات از گره‌های اولیه به اکثر گره‌های موجود در شبکه، هم در شرایط با بازی‌گونه‌سازی و هم بدون بازی‌گونه‌سازی.
  • گستردگی انتشار: تعداد کل گره‌های آلوده در پایان شبیه‌سازی، هم در شرایط با بازی‌گونه‌شده و هم بدون بازی‌گونه‌سازی.

نتایج و تحلیل آن‌ها

در این فصل، نتایج حاصل از شبیه‌سازی‌های انجام‌شده با استفاده از مدل‌های انتخابی در فصل‌های قبل مورد تجزیه و تحلیل قرار می‌گیرند. هدف از این تحلیل، بررسی و مقایسه تأثیر گیمیفیکیشن بر سرعت و گستردگی انتشار اطلاعات در یک شبکه پیچیده پویا است. نتایج به‌دست‌آمده از دو سناریوی مختلف (با گیمیفیکیشن و بدون گیمیفیکیشن) به‌صورت گرافیکی و آماری مورد بحث قرار خواهند گرفت. در نهایت، نتایج با توجه به اهداف پژوهش و فرضیات اولیه مورد ارزیابی قرار می‌گیرند.

تحلیل روند کلی انتشار اطلاعات

نمودار‌های به‌دست‌آمده نشان می‌دهند که فرآیند انتشار اطلاعات در شبکه تحت دو سناریوی مختلف (با و بدون گیمیفیکیشن) به‌طور قابل‌توجهی متفاوت است. در حالت بدون گیمیفیکیشن، روند افزایش تعداد گره‌های آلوده به‌طور تدریجی و نسبتاً پایدار صورت گرفته است. این روند نشان می‌دهد که بدون استفاده از مکانیزم‌های تشویقی، سرعت انتشار اطلاعات محدود بوده و گره‌ها با احتمال ثابت و بدون انگیزه اضافی، اطلاعات را منتشر می‌کنند. در مقابل، در حالت با گیمیفیکیشن، روند انتشار اطلاعات به‌طور قابل‌ملاحظه‌ای سریع‌تر و گسترده‌تر بوده است. با افزودن مکانیزم‌های تشویقی (افزایش احتمال انتشار به ازای هر آلودگی موفق)، گره‌ها تمایل بیشتری به انتشار اطلاعات پیدا کرده‌اند. این امر منجر به افزایش سریع تعداد گره‌های آلوده در مراحل اولیه شبیه‌سازی شده است. این نتایج نشان می‌دهند که گیمیفیکیشن به‌عنوان یک ابزار مؤثر، توانسته است انتشار اطلاعات را تسریع کند و گستردگی آن را افزایش دهد.

نمدار انتشار اطلاعات با استفاده و بدون استفاده از گیمیفیکیشن
نمدار انتشار اطلاعات با استفاده و بدون استفاده از گیمیفیکیشن


مقایسه سرعت انتشار اطلاعات

سرعت انتشار اطلاعات یکی از معیارهای کلیدی برای ارزیابی عملکرد شبکه در دو حالت مختلف بود. در حالت بدون گیمیفیکیشن، تعداد گره‌های آلوده به‌طور تدریجی افزایش یافته و تا مرحله‌ی بیستم شبیه‌سازی به 58 گره رسیده است. این افزایش تدریجی نشان می‌دهد که بدون تشویق کاربران، انتشار اطلاعات با سرعت کمتری انجام می‌شود و بسیاری از گره‌ها در شبکه آلوده نمی‌شوند. در حالت با گیمیفیکیشن، تعداد گره‌های آلوده به سرعت افزایش یافته و در همان مراحل اولیه شبیه‌سازی به حداکثر خود (97 گره آلوده) رسیده است. این تفاوت در سرعت انتشار نشان می‌دهد که مکانیزم‌های گیمیفیکیشن می‌توانند به‌طور چشمگیری بر سرعت انتشار اطلاعات تأثیر بگذارند. به عبارت دیگر، افزایش انگیزه کاربران (یا گره‌ها) برای انتشار اطلاعات منجر به تسریع این فرآیند شده است.

تحلیل گستردگی انتشار اطلاعات

گستردگی انتشار اطلاعات، به تعداد گره‌های جدید آلوده‌شده در هر مرحله از شبیه‌سازی اشاره دارد. نتایج نشان می‌دهند که در حالت بدون گیمیفیکیشن، تعداد گره‌های جدید آلوده‌شده در هر مرحله نسبتاً ثابت بوده و به مرور زمان کاهش یافته است. این کاهش نشان‌دهنده آن است که با پیشروی شبیه‌سازی و آلوده شدن گره‌های بیشتر، احتمال آلوده‌سازی گره‌های باقی‌مانده کاهش می‌یابد. در حالت با گیمیفیکیشن، تعداد گره‌های جدید آلوده‌شده در مراحل اولیه به‌طور قابل توجهی بیشتر بوده است، اما با نزدیک شدن به اشباع شبکه، این تعداد کاهش یافته است. این روند نشان می‌دهد که گیمیفیکیشن باعث افزایش قابل‌توجه گستردگی انتشار در مراحل اولیه شبیه‌سازی شده است، اما با آلوده شدن اکثر گره‌ها، این تأثیر کاهش یافته است. به عبارت دیگر، گیمیفیکیشن به‌ویژه در مراحل اولیه انتشار اطلاعات نقش مهمی ایفا کرده و باعث شده که اطلاعات به تعداد بیشتری از گره‌ها در زمان کوتاه‌تری منتقل شود.

ارزیابی کلی نتایج

نتایج به‌دست‌آمده نشان می‌دهند که گیمیفیکیشن به‌طور کلی تأثیر مثبت و معناداری بر روند انتشار اطلاعات در شبکه داشته است. این تأثیرات به‌ویژه در سرعت و گستردگی انتشار مشاهده می‌شود. در حالت با گیمیفیکیشن، گره‌ها به دلیل دریافت پاداش (افزایش احتمال موفقیت در آلوده‌سازی) انگیزه بیشتری برای انتشار اطلاعات داشتند و این امر منجر به افزایش سرعت و گستردگی انتشار اطلاعات در شبکه شد. از سوی دیگر، نتایج همچنین نشان می‌دهند که اثر گیمیفیکیشن در مراحل پایانی شبیه‌سازی کمتر شده است. این کاهش اثر به دلیل نزدیک شدن شبکه به حالت اشباع و کاهش تعداد گره‌های حساس قابل‌توضیح است.

نتیجه‌گیری

بر اساس تحلیل‌های انجام‌شده، می‌توان نتیجه گرفت که گیمیفیکیشن به عنوان یک ابزار مؤثر می‌تواند سرعت و گستردگی انتشار اطلاعات در شبکه‌های پیچیده را بهبود بخشد. این یافته‌ها نشان می‌دهند که استفاده از مکانیزم‌های تشویقی مانند افزایش احتمال موفقیت در انتشار به ازای هر آلودگی موفق، می‌تواند به‌طور قابل‌توجهی بهره‌وری شبکه‌های اطلاعاتی و اجتماعی را افزایش دهد.

https://aparat.com/v/rsogmim

منابع

[1] Juul, J., 2003, January. The game, the player, the world: Looking for a heart of gameness. In Proceedings of DiGRA 2003 Conference: Level Up.

[2] Werbach, K. and Hunter, D., 2012. For the win (Vol. 51). Philadelphia: Wharton digital press.

[3] Chai, Y. and Wang, Y., 2022. Optimal Control of Information Diffusion in Temporal Networks. IEEE Transactions on Network and Service Management, 20(1), pp.104-119.

[4] De-Marcos, L., García-López, E., García-Cabot, A., Medina-Merodio, J.A., Domínguez, A., Martínez-Herráiz, J.J. and Diez-Folledo, T., 2016. Social network analysis of a gamified e-learning course: Small-world phenomenon and network metrics as predictors of academic performance. Computers in Human Behavior, 60, pp.312-321.

[5] Yuhang, W., Lin, X., Wenqing, N., Lei, G. and Guangsong, Y., 2023. Research on the game behavior over complex networks.

[6] Li, M., Wang, X., Gao, K. and Zhang, S., 2017. A survey on information diffusion in online social networks: Models and methods. Information, 8(4), p.118.

[7] Szczepanska, T., Antosz, P., Berndt, J.O., Borit, M., Chattoe-Brown, E., Mehryar, S., Meyer, R., Onggo, S. and Verhagen, H., 2022. GAM on! Six ways to explore social complexity by combining games and agent-based models. International Journal of Social Research Methodology, 25(4), pp.541-555.





گیمیفیکیشنشبکه پیچیده پویاشبکه‌های اجتماعیشبکه‌های پیچیدهانتشار اطلاعات در شبکه
دانشجوی مهندسی کامپیوتر دانشگاه یزد
شاید از این پست‌ها خوشتان بیاید