Economics and Mathematical MethodsEconomics and Mathematical MethodsЭкономика и математические методы0424-73883034-6177The Russian Academy of Sciences65329810.31857/S0424738824020028Theoretical and methodological problemsТеоретические и методологические проблемыResearch ArticleInformation wars in the contemporary world and simulation of news disseminationИнформационные войны современности и моделирование распространения новостейLosikI. V.ЛосикИ. В.
Russian Federation

presenter of evening news “Itogi Dnya” (“Results of the Day”) of “Zvezda” (“The Star”) TV and Radio Company of the Armed Forces of the Russian Federation; President of “Heirs of the Winners” Fund for the Preservation of the Cultural and Historical Memory of War Heroes; graduate student of the Higher School of Public Audit, Faculty of Lomonosov Moscow State University

ведущая вечерних новостей «Итоги дня» телерадиокомпании ВС РФ «Звезда», Фонд сохранения культурно-исторической памяти героев войны «Наследники Победителей», аспирант факультета ВШГА МГУ имени М. В. Ломоносова

iralosiknews@mail.ruSidorenkoS. V.СидоренкоС. В.
Russian Federation

Department of Scientific & Methodological Supervision and Expert Activity

Управление научно-методического руководства и экспертной деятельности

sidor@presidium.ras.ruSidorenkoM. Y.СидоренкоМ. Ю.
Russian Federation

Department of Scientific & Information Activity of the RAS and Interaction with the Scientific & Educational Community; Scientific & Publishing Council

Управление научно-информационной деятельности РАН и взаимодействия с научно-образовательным сообществом, Научно-издательский совет

myusidorenko@pran.ruBakhtizinA. R.БахтизинА. Р.
Russian Federation

Corresponding Member of the Russian Academy of Sciences

член-корреспондент РАН

albert.bakhtizin@gmail.com“Zvezda” (“The Star”) TV and Radio Company of the Armed Forces of the Russian FederationТелерадиокомпания ВС РФ «Звезда»“Heirs of the Winners” Fund for the Preservation of the Cultural and Historical Memory of War HeroesФонд сохранения культурно-исторической памяти героев войны «Наследники Победителей»Lomonosov Moscow State UniversityМГУ имени М. В. ЛомоносоваThe Russian Academy of SciencesРоссийская академия наукCentral Economics and Mathematics Institute, Russian Academy of SciencesЦЭМИ РАН04092024602142603022025Copyright ©; 2024, Russian Academy of SciencesCopyright ©; 2024, Российская академия наук2024Russian Academy of SciencesРоссийская академия наукhttps://journals.eco-vector.com/0424-7388/article/view/653298

The paper considers information wars that are part of modern hybrid conflicts. They were analyzed using computer models that implement the process of information dissemination in social communities. The typology of the most relevant and cited tools made possible to find an effective algorithm for implementing the authors’ agent-oriented model that takes into account individual characteristics of people and allows differentiated assessment of the impact of information messages only on a certain group. Within the framework of computational experiments, the speed of information dissemination in the constructed digital twin of a social network was estimated depending on the change in the number of opinion leaders and the number of initially informed agents, as well as on the decrease in the average level of reputation of network agents. The instrument designed may be used separately, as well as along within the complex models, including demographic and economic components.

В работе рассматриваются информационные войны, являющиеся частью современных гибридных конфликтов. Их анализ проведен средствами компьютерных моделей, имитирующих процесс распространения информации в социальных сообществах. Типология наиболее релевантных и цитируемых инструментов позволила определить эффективный алгоритм для создания авторской агент-ориентированной модели, учитывающей индивидуальные особенности людей и позволяющей давать дифференцированную оценку влияния информационных сообщений на определенную группу. В рамках вычислительных экспериментов оценивалась скорость распространения информации в построенном цифровом двойнике социальной сети в зависимости от изменения числа лидеров мнений и изначально информированных агентов, а также от снижения среднего уровня репутации агентов сети. Построенный инструмент может использоваться самостоятельно, но также и в составе более сложных моделей, включающих демографическую и экономическую составляющие.

agent-oriented modelssimulation of information disseminationhybrid warsагент-ориентированные моделимоделирование распространения информациигибридные войныАкопов А. С., Бекларян Л. А., Бекларян А. Л. (2021). Мультисекторная модель ограниченного соседства: сегрегация агентов и оптимизация характеристик среды // Математическое моделирование. Т. 33. № 11. С. 95– 114. DOI: 10.20948/mm-2021-11-06 [Akopov A. S., Beklaryan L. A., Beklaryan A. L. (2021). Multisector bounded-neighborhood model: Agent segregation and optimization of environment’s characteristics. Matematicheskoe Modelirovanie, 33, 11, 95–114. DOI: 10.20948/mm-2021-11-06 (in Russian); Akopov A. S., Beklaryan L. A., Beklaryan A. L. (2022). Multisector bounded-neighborhood model: Agent segregation and optimization of environment’s characteristics. Mathematical Models and Computer Simulations, 14, 3, 503–515. DOI: 10.1134/S2070048222030024 (in English).]Губанов Д. А. (2021). Модели и методы информационного влияния и управления в активных сетевых структурах. Дис. … уч. степ. докт. техн. наук. М.: ИПУ РАН. 307 с. [Gubanov D. A. (2021). Models and methods of information influence and management in active network structures. Dissertation for the degree of Doctor of Technical Sciences Moscow: Institute of Control Sciences RAS. 307 p. (in Russian).]Мачуева Д. А., Ажмухамедов И. М. (2018). Моделирование процесса информационного взаимодействия в социальных системах // Системы управления, связи и безопасности. № 2. С. 18–39. Режим доступа: http://sccs.intelgr.com/archive/2018-02/02-Machueva.pdf [Machueva D. A., Azhmuhamedov I. M. (2018). Modeling the information interaction process social systems. Systems of Control, Communication and Security, 2, 18–39. Available at: http://sccs.intelgr.com/archive/2018-02/02-Machueva.pdf (in Russian).]Adämmer P., Schüssler R. A. (2019). Forecasting the equity premium: Mind the news. Review of Finance. Forthcoming. SSRN: 3370424. DOI: 10.2139/ssrn.3370424Arruda H. F., Cardoso F. M., Arruda G. F., Hernandez A. R., Costa L. D., Moreno Y. (2022). Modelling how social network algorithms can influence opinion polarization. Information Sciences, 588, 265–278. ISSN: 0020-0255. DOI: 10.1016/j.ins.2021.12.069Bass F. (1969). A new product growth for model consumer durables. Management Science, 15 (5), 215–227. DOI: 10.1287/mnsc.15.5.215Beklaryan A. L., Beklaryan L. A., Akopov A. S. (2022). Implementation of the deffuant model within the FLAME GPU framework. Advances in Systems Science and Applications, 21, 4, 87–99. DOI: 10.25728/assa.2021.21.4.1161Bruine de Bruin W., Parker A. M., Strough J. (2020). Age differences in reported social networks and well-being. Psychology and Aging, March, 35 (2), 159–168. doi: 10.1037/pag0000415Cai M., Luo H., Meng X. et al. (2022). Influence of information attributes on information dissemination in public health emergencies. Humanities Social Sciences Communications, 9, 257. DOI: 10.1057/s41599-022-01278-2Calomiris C. W., Mamaysky H. (2019). How news and its context drive risk and returns around the world. Journal of Financial Economics, 133, 2, 299–336. DOI: 10.1016/j.jfineco.2018.11.009Gonçalves B., Perra N., Vespignani A. (2011). Modeling users’ activity on twitter networks: Validation of Dunbar’s number. PLoS One, 6 (8), e22656. doi: 10.1371/journal.pone.0022656 Available at: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3149601Hong Y., Jiang F., Meng L., Xue B. (2022). Forecasting inflation with economic narratives and machine learning. SSRN: https://ssrn.com/abstract=4175749 or DOI: 10.2139/ssrn.4175749Kumar N. (2019). Information diffusion and summarization in social networks. A thesis submitted to Indian institute of technology Hyderabad in partial fulfillment of the requirements for the degree of doctor of philosophy. Hyderabad: Indian Institute of Technology. Available at: https://core.ac.uk/reader/224956800Kumar P., Sinha A. (2021). Information diffusion modeling and analysis for socially interacting networks. Social Network Analysis and Mining, 11, 1. DOI: 10.1007/s13278-020-00719-7Kumar S., Saini M., Goel M. et al. (2021). Modeling information diffusion in online social networks using a modified forest-fire model. Journal of Intelligent Information Systems, 56, 355–377. DOI: 10.1007/s10844-020-00623-8Larsen V. H., Thorsrud L. A., Zhulanova J. (2021). News-driven inflation expectations and information rigidities. Journal of Monetary Economics, 117, 507–520. DOI: 10.1016/j.jmoneco.2020.03.004Li M., Wang X., Gao K., Zhang S. (2017). A survey on information diffusion in online social networks: Models and methods. Information, 8, 118. DOI: 10.3390/info8040118Liu L., Qu B., Chen B., Hanjalic A., Wang H. (2018). Modeling of information diffusion on social networks with applications to WeChat. Physica A: Statistical Mechanics and its Applications, 496, 318–329. DOI: 10.1016/j.physa.2017.12.026Pond T., Magsarjav S., South T., Mitchell L., Bagrow J. P. (2020). Complex contagion features without social reinforcement in a model of social information flow. Entropy, 22 (3), 265.Qiang Z., Pasiliao E. L., Zheng Q. P. (2019). Model-based learning of information diffusion in social media networks. Applied Network Science, 4. Article number: 111. DOI: 10.1007/s41109-019-0215-3Rand W., Herrmann J., Schein B., Vodopivec N. (2015). An agent-based model of urgent diffusion in social media. Journal of Artificial Societies and Social Simulation, 18 (2), 1. doi: 10.18564/jasss.2616 or Available at: http://jasss.soc.surrey.ac.uk/18/2/1.htmlRand W., Rust R. T. (2011). Agent-based modeling in marketing: Guidelines for rigor. International Journal of Research in Marketing, 28 (3), 181–193. DOI: 10.1016/j.ijresmar.2011.04.002Razaque A., Rizvi S., Khan M. J., Almiani M., Rahayfeh A. A. (2022). State-of-art review of information diffusion models and their impact on social network vulnerabilities. Journal of King Saud University — Computer and Information Sciences, 34, 1, 1275–1294. ISSN: 1319–1578. DOI: 10.1016/j.jksuci.2019.08.008 or Available at: https://www.sciencedirect.com/science/article/pii/S131915781930388XRöchert D., Cargnino M., Neubaum G. (2022). Two sides of the same leader: An agent-based model to analyze the effect of ambivalent opinion leaders in social networks. Journal of Computational Social Science, 5, 1159–1205. DOI: 10.1007/s42001-022-00161-zSchawe H., Beiró M. G., Alvarez-Hamelin J.I. et al. (2023). Understanding who talks about what: Comparison between the information treatment in traditional media and online discussions. Sci. Reports, 13, 3809. DOI: 10.1038/s41598-023-30367-8Vosoughi S., Roy D., Aral S. (2018). The spread of true and false news online. Science, Mar, 359, 6380, 1146–1151. DOI: 10.1126/science.aap9559Wang Y., Li G. (2018). The spreading of information in online social networks through cellular automata. Complexity, 1–9. DOI: 10.1155/2018/1890643