Аннотация. 

В статье представлена информационная модель прогнозирования потенциально негативных согласованных действий акторов в программных продуктах с сетевым эффектом. Основой разработанной модели является адаптированный подход к прогнозированию резкого увеличения активности акторов, ранее применявшийся для анализа динамики общественных процессов. Модель обеспечивает выявление ранних сигналов аномальной активности акторов по отклонению ключевых метрик прогноза от типичных значений. В статье представлены информационная модель прогнозирования, архитектура программного комплекса, схема базы данных, схема алгоритма автоматического определения ключевых параметров модели. Представлены результаты апробации программного комплекса, реализующего разработанную модель с использованием открытых данных о комментариях и публикациях в социальной сети Reddit.

Ключевые слова: 

программный продукт с сетевым эффектом, информационная модель, прогнозирование, социальные сети.

DOI 10.14357/20718632260104

EDN OONHVM

Стр. 41-53.

Литература

1. Lin S., Wang K., Liu X.Y. Analyzing cascading outbreak of GameStop event: a practical approach using network analysis and large language models // Proceedings of the 5th ACM International Conference on AI in Finance (New York, November 14-17, 2024). New York: ACM, 2024. P. 428–436. https://doi.org/10.1145/3677052.3698636 

2. Fedotova N., Shirokova O. Destructive trends of digital culture: "side effects" of new media // European Proceedings of Social and Behavioural Sciences. 2020. Vol. 92. P. 597–603. https://doi.org/10.15405/epsbs.2021.05.02.73

3. Коротаев А. В., Исаев Л. М., Мардасов А. Г. Протесты 2019 г. в Египте: предварительный анализ // Системный мониторинг глобальных и региональных рисков: ежегодник. Т. 10. / ред. Л.E. Гринин, А.В. Коротаев, К.В. Мещерина. Волгоград: Учитель, 2019. С. 518–534.

4. Muthiah S., Huang B., Arredondo J., Mares D., Getoor L., Katz G., Ramakrishnan, N. Planned protest modeling in news and social media. // Proceedings of the AAAI Conference on Artificial Intelligence. 2015. Vol. 29. No. 2. P. 3920–3927. https://doi.org/10.1609/aaai.v29i2.19048

5. Alsuwaylimi A. A. Comparison of ARIMA, ANN and hybrid ARIMA-ANN models for time series forecasting // Information Sciences Letters. 2023.Vol. 12. No. 2. P. 1003–1016. https://doi.org/10.18576/isl/120238

6. Amba Hombaiah S., Chen T., Zhang M., Bendersky M., Najork M. Dynamic language models for continuously evolving content // Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining (August 14-18, 2021). New York: ACM, 2021. P. 2514–2524. https://doi.org/10.1145/3447548.346716

7. ГОСТ Р 57700.22-2025. Компьютерные модели и моделирование физических процессов. Классификация. М: Стандартинформ, 2025. 8c. 

8. Рябов В. В., Немтинов В. А. Поиск прогнозных сигналов о резком росте активности в сообществе социальной сети по данным о комментариях: свидетельство о государственной регистрации программы для ЭВМ № 2025615409; заявитель ФГБОУ ВО «Тамбовский государственный технический университет»; Зарегистрировано 04.03.2025.

9. Кузнецов И. В., Родкин М. В., Серебряков Д. В. Прогноз скачков тяжких преступлений на основе иерархичности режима преступности // Препринты ИПМ им. М.В. Келдыша. 2005. № 12. С. 1-24

10. Ryabov V.V., Nemtinov V.A., Protasova Yu.S., Praveen P.K., Morozov V.V. Prospects for Predicting Coordinated Actions by Large Groups of Users Based on the Hierarchy of Activity in Social Networks // Business Intelligence and Data Analytics. Lecture Notes in Business Information Processing. 2025. Vol. 413. P. 12–23. https://doi.org/10.1007/978-981-97-7717-4_2

11. Рябов В. В., Немтинов В. А., Алексеев В. В. Прогнозирование согласованных действий акторов в программном продукте с сетевым эффектом // Информационные технологии и вычислительные системы. 2025. № 2 С. 38–50. EDN: CGMHSO. https://doi.org/10.14357/20718632250204

12. Gupta V., Gupta M. Social media mining: a new framework and literature review // International Journal of Business Analytics. 2016. Vol. 3. No. 1. P. 58–68. https://doi.org/10.4018/IJBAN.2016010104

13. Carneiro J., Saraiva P., Martinho D., Marreiros G., Novais, P. Representing decision-makers using styles of behavior: an approach designed for group decision support systems // Cognitive Systems Research. 2018. Vol. 47. P. 109–132. https://doi.org/10.1016/j.cogsys.2017.09.002

14. Scheller T., Kühn E. Automated measurement of API usability: The API concepts framework // Information and Software Technology. 2015. Vol. 61. P. 145–162. EDN: VCARNQ. https://doi.org/10.1016/j.infsof.2015.01.009

15. Britvin A., Alrawashdeh J. H., Tkachuck, R. Client-server system for parsing data from web pages // Advances in cyber-physical systems. 2022. Vol. 7. No. 1. P. 8–14. EDN: WQEZOI. https://doi.org/10.23939/acps2022.01.008

16. Baumgartner J., Zannettou S., Keegan B., Squire M., Blackburn J. The Pushshift Reddit dataset // Proceedings of the International AAAI Conference on Web and Social Media. 2020. Vol. 14. P. 830–839. https://doi.org/10.1609/icwsm.v14i1.7347

17. Carrington A. M., Manuel D. G., Fieguth P. W., Ramsay T., Osmani V., Wernly B., Holzinger, A. Deep ROC analysis and AUC as balanced average accuracy, for improved classifier selection, audit and explanation // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 45. No. 1. P. 329–341. https://doi.org/10.1109/TPAMI.2022.3145392

18. Čudanov M., Rakićević A., Savoiu G. Composite indicator of the organisational information and communication technologies infrastructure — a novel statistical index tool // Mathematics. 2022. Vol. 10. No. 15. P. 2607. EDN: GAGGMX. https://doi.org/10.3390/math10152607

19. Chatterjee S., Hadi A. S. Regression analysis by example. Hoboken: Wiley; 2015. 384 p. 

20. Box G. E. P., Jenkins G. M., Reinsel G. C., Ljung G. M. Time series analysis: forecasting and control. Hoboken: John Wiley & Sons; 2015. 712 p. 

21. Зоткина А. А., Мартышкин А. И. Системы мониторинга социальных сетей // Современные информационные технологии. 2023. № 38(38). С. 69–73. EDN: RCYNDY. 

22. Gil-Lafuente A. M., Zopounidis C. Decision making and knowledge decision support systems. Barcelona: Springer Cham; 2015. 223 P. https://doi.org/10.1007/978-3-319-03907-7

23. McKinney W. Python for data analysis: data wrangling with Pandas, NumPy, and IPython. Sebastopol: O’Reilly Media: 2012. 452 p.