Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Modellering av åsiktsdynamik med maskininlärning
KTH, School of Engineering Sciences (SCI).
2019 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Modelling of Opinion Dynamics Using Machine Learning (English)
Abstract [sv]

Åsiktsdynamik handlar om hur åsikter hos personer, även kallade agenter, i en grupp förändras med tiden. Syftet med arbetet var att ta reda på om det är möjligt att använda maskininlärning med artificiella neuronnät för att utifrån ett givet initialtillstånd beräkna hur åsiktsdynamiken kommer se ut för agenterna i gruppen. Tusentals initialtillstånd för agenternas åsikter slumpades fram och dynamiken beräknades enligt en modell från R. Hegselmann och U. Krause. De beräknade lösningarna användes sedan som data för träning av artificiella neuronnät. När de tränade neuronnäten sedan användes på helt nya initialtillstånd kunde dessa, med varierande resultat beroende på metod och antal agenter, återskapa åsiktsdynamiken och ge lösningar som låg nära de rätta lösningarna. Antalet agenter som undersöktes var mellan två och tio. Bäst resultat blev det när grupper med två agenter undersöktes. Ju fler agenter som fanns i gruppen desto större blev felen i lösningarna med maskininlärning, men lösningarna hade ändå tillräckligt små fel för att de kan anses ha lyckats med att återskapa åsiktsdynamiken.

 

Abstract [en]

Opinion dynamics is about how opinions of people, also called agents, in a group changes in time. The aim of this report was to find out if it is possible to use machine learning with artificial neural networks to, from a given initial condition, compute the opinion dynamics for the agents in the group. Thousands of random initial conditions were generated and the dynamics were calculated using a model from R. Hegselmann and U. Krause. The solutions were then used as data to train artificial neural networks. When the trained neural networks were used on new initial conditions it was found that these could, with varying results depending on the method and number of agents, recreate the opinion dynamics and give answers that were close to the real solutions. The number of agents used were between two and ten. The best results were obtained when groups with two agents were examined. When the number of agents increased the errors in the solutions with machine learning also increased, but the errors were still small enough so that the solutions can be considered as good recreations of the opinion dynamics.

Place, publisher, year, edition, pages
2019.
Series
TRITA-SCI-GRU ; 2019:195
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-255690OAI: oai:DiVA.org:kth-255690DiVA, id: diva2:1341279
Supervisors
Examiners
Available from: 2019-08-08 Created: 2019-08-08 Last updated: 2019-08-08Bibliographically approved

Open Access in DiVA

fulltext(1141 kB)9 downloads
File information
File name FULLTEXT01.pdfFile size 1141 kBChecksum SHA-512
0439ad0b0b7402c264158f2a114c0b27a58d2c625ce313539a82cdc2445550460aab199e58ea8b550740c926c7ab21d12ddb4461ffd140a23fec43e2e25660a9
Type fulltextMimetype application/pdf

By organisation
School of Engineering Sciences (SCI)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 9 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 20 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf