ИГРА БЛОТТО В ПРОПАГАНДИСТСКОЙ БИТВЕ

В работе рассматривается следующий процесс. Две партии, вовлечены в информационную войну по двум темам, которые понимаются как поля сражений. Каждая сторона имеет ограниченный ресурс вещания для пропаганды, и распределяет свой ресурс между этими двумя темами. Каждый индивид поддерживает одну из сторон по каждой теме. Если индивид поддерживает разные партии по разным темам, то он считается сторонником партии, которую он поддерживает по более значимой теме. Сторонники партии участвуют в партиципаторной пропаганде, проводя кампанию по одной или обеим темам, по которым они поддерживают свою партию. Значимость темы зависит от объема вещания СМИ по ней. Число сторонников партии меняется с течением времени под влиянием средств массовой информации и партийной пропаганды. Задача заключается в том, чтобы определить наилучшие стратегии сторон.

Каждая сторона распределяет свой вещательный ресурс между двумя темами, тем самым выбирая свою стратегию. Таким образом, появляется игра Блотто, т.е. игра двух игроков с нулевой суммой, в которой игроки распределяют ограниченные ресурсы по нескольким полям сражений. В этой матричной игре выигрыш партий – это количество их сторонников в конце пропагандистской битвы. Были проведены численные эксперименты, в ходе которых эти выигрыши были численно рассчитаны.

Как правило, наилучшими стратегиями являются те, в которых ресурсы распределяются между темами неравномерно. Более того, часто лучшая стратегия – потратить все ресурсы на одну тему.

1. McCombs, M., Stroud, N.J.: Psychology of agenda-setting effects: Mapping the paths of information processing. Review of Communication Research, 2(1), 2014, pp. 68-93.

2. Alkhodair, S. A., Ding, S. H., Fung, B. C., & Liu, J. Detecting breaking news rumors of emerging topics in social media. Information Processing & Management, 57(2), 2020, pp. 102018.

3. Wang, Z., Liang, J., Nie, H., Zhao, H. A 3SI3R model for the propagation of two rumors with mutual promotion. Advances in Difference Equations, 2020, 1, pp. 1-19.

4. Xiao, Y., Yang, Q., Sang, C., Liu, Y. Rumor diffusion model based on representation learning and anti-rumor. IEEE Transactions on Network and Service Management, 2020, 17(3), pp. 1910-1923.

5. A.P. Mikhailov, G.B. Pronchev, O.G. Proncheva. Mathematical Modeling of Information Warfare in Techno-Social Environments // Techno-Social Systems for Modern Economical and Governmental Infrastructures. IGI Global, 2019. pp. 174-210. DOI: 10.4018/978-1-5225-5586-5.ch008.

6. Chkhartishvili, A.G., Gubanov, D.A. and Novikov, D.A. Social Networks: Models of Information Influence, Control and Confrontation, Springer, 2018, Vol. 189.

7. .V. Kozitsin, A general framework to link theory and empirics in opinion formation models, Scientific reports, 2022, Vol. 12, p. 5543.

8. I.V. Kozitsin, Formal models of opinion formation and their application to real data: evidence from online social networks, The Journal of Mathematical Sociology, 2022, 46(2), pp. 120-47.

9. A.G. Chkhartishvili, D.A. Gubanov, On the Concept of an Informational Community in a Social Network, Journal of Physics: Conference Series, 2021, Vol. 1864, No. 1, pp. 012052.

10. Boldyreva, A., Sobolevskiy, O., Alexandrov, M., Danilova,V. Creating collections of descriptors of events and processes based on Internet queries, In: Proc. of 14-th Mexican Intern. Conf. on Artif. Intell. (MICAI-2016), Springer Cham, LNAI, Vol. 10061, (chapter 26), 2016, pp. 303-314.

11. V. Danilova, S. Popova, M. Alexandrov, “Multilingual Protest Event Data Collection with GATE,” Proc. of 21-th Intern. Conf. on Natural Languages and Data Base (NLDB-2016), Springer, Vol. 9612, 2016, pp. 115-126.

12. A.P. Petrov, S.A. Lebedev. Online Political Flashmob: the Case of 632305222316434 // Computational mathematics and information technologies, 2019, No 1, pp. 17–28. DOI: 10.23947/2587-8999-2019-1-1-17-28.

13. Podlipskaia O.G. (2022) Duration of the Public Attention to Terrorist Attacks in the United States: Does It Depend on Political Opinion? Monitoring of Public Opinion: Economic and Social Changes, No 1, pp. 5-21. https://doi.org/10.14515/monitoring.2022.1.2019. (In Russ.)

14. A. Akhremenko, A. Petrov. Modeling the Protest-Repression Nexus // Proceedings of the Conference on Modeling and Analysis of Complex Systems and Processes, 2020, pp. 1-11. http://ceur-ws.org/Vol-2795/paper1.pdf

15. Pronchev G.B., Shisharina E.V., Proncheva N.G. Cyber threats for modern Russia in the context of the coronavirus pandemic // Political Science Issues, Vol. 11, pp. 26-34. DOI: 10.35775/PSI.2021.48.1.003.

16. Proncheva, O. A Model of Propaganda Battle with Individuals’ Opinions on Topics Saliency.13th International Conference Management of largescale system development, 2020, pp. 1-4. DOI: 10.1109/MLSD49919.2020.9247796.

17. A. Petrov, O. Proncheva. Identifying the Topics of Russian Political Talk Shows // Proceedings of the Conference on Modeling and Analysis of Complex Systems and Processes, 2020, pp. 79-86. DOI: 10.6084/m9.figshare.15109338, http://ceur-ws.org/Vol-2795/short1.pdf.