ETD

• large language model
• network science
• polarization
• social media

Online social platforms are central arenas for contemporary public discourse.
Yet, a growing body of research shows that the interplay between human cognitive biases and algorithmic mediation can foster concerning dynamics such as opinion polarization, radicalization, and the formation of echo chambers.
These phenomena arise from the interaction patterns that determine who encounters whom (or what), and under what conditions.
In this context, user mixing (i.e., how users with similar/different attributes cluster) constitutes a fundamental mechanism linking individual behavior to collective outcomes.
Existing work on mixing, however, has focused predominantly on static, pairwise network representations.
This leaves open important questions about how mixing patterns persist and transform when interactions are time-varying and/or organized in higher-order structures.
Addressing this gap, by studying mixing across multiple structural and temporal scales, is key both for developing explanatory theories of online social dynamics and for informing the design of more inclusive and algorithmically fair platforms.
\\ \ \\
Building on Part I, which provides social and technical background, this thesis sets three complementary objectives.
The first objective is to characterize how pairwise mixing between classes of users shapes online debates. To this end, Part II focuses on dyadic interactions in large-scale social media data.
In a Covid-19 vaccination debate on Italian Twitter, the thesis quantifies how authority accounts influence the opinions of their audiences, capturing both cross-stance exposure and opinion shifts.
In a second case study on climate change discussions, we study acrophily, a peer-level mixing pattern where users preferentially interact with ideologically extreme in-group members, and show statistically significant cross-class differences.

The second objective is to extend the analysis of mixing patterns from dyads to groups and higher-order interaction structures.
To this end, Part III introduces Attributed Stream Hypergraphs (ASH), a temporal model of node-attributed higher-order interactions.
ASH supports a family of structural and mixing-related measures that jointly capture how users move through, and are exposed to, heterogeneous group contexts over time.
Finally, it proposes a general schema to extend classical graph-based mixing indices to hypergraphs and introduces a novel local random-walk-based measure that quantifies how strongly nodes and interaction contexts are trapped within same-class neighborhoods.

The third objective is to mitigate data-access limitations and to create methodological tools that support the long-term study of mixing and influence in online environments.
Part IV addresses this by (i) constructing and releasing a large-scale high-coverage dataset that combines social ties, content, and algorithmic activity, and (ii) developing LLM-driven simulation environments for opinion dynamics and social media ``digital twins''. These simulated settings make it possible to study the interplay between algorithmic and human behaviors under controlled and reproducible conditions that are increasingly hard to obtain from real platforms alone.

Taken together, the contributions of this thesis provide (i) conceptual frameworks for thinking about mixing patterns beyond static dyads, (ii) methodological tools for quantifying temporal, pairwise, and higher-order mixing in both observational and simulated data, and (iii) empirical insights into how user behavior and platform design interact to produce homophilic and heterophilic patterns in online social systems.
Most importantly, we show that temporal and higher-order perspectives are non-trivial to obtain, yet they reveal mixing and exposure structures that remain hidden in static pairwise representations.

Le piattaforme social online costituiscono arene centrali del discorso pubblico contemporaneo. Tuttavia, un corpus crescente di ricerche mostra che l’interazione tra bias cognitivi umani e mediazione algoritmica può favorire dinamiche preoccupanti, quali polarizzazione delle opinioni, radicalizzazione e formazione di camere dell’eco. Questi fenomeni emergono dai pattern di interazione che determinano chi entra in contatto con chi, o con che cosa, e a quali condizioni. In questo contesto, il mixing degli utenti, cioè il modo in cui utenti con attributi simili o diversi si aggregano, costituisce un meccanismo fondamentale che collega il comportamento individuale agli esiti collettivi. Tuttavia, i lavori esistenti sul mixing si sono concentrati prevalentemente su rappresentazioni di rete statiche e a coppie. Ciò lascia aperte importanti questioni su come i pattern di mixing persistano e si trasformino quando le interazioni variano nel tempo e/o sono organizzate in strutture di ordine superiore. Colmare questa lacuna, studiando il mixing a molteplici scale strutturali e temporali, è essenziale sia per sviluppare teorie esplicative delle dinamiche sociali online, sia per informare la progettazione di piattaforme più inclusive e algoritmicamente eque.

Sulla base della Parte I, che fornisce il contesto sociale e tecnico, questa tesi si pone tre obiettivi complementari. Il primo obiettivo è caratterizzare il modo in cui il mixing a coppie tra classi di utenti plasma i dibattiti online. A tal fine, la Parte II si concentra sulle interazioni diadiche in dati social media su larga scala. In un dibattito sulla vaccinazione contro il Covid-19 su Twitter italiano, la tesi quantifica in che modo gli account autorevoli influenzano le opinioni delle proprie audience, catturando sia l’esposizione a posizioni opposte sia gli spostamenti di opinione. In un secondo caso di studio sulle discussioni relative al cambiamento climatico, studiamo l’acrofilia, un pattern di mixing a livello dei pari in cui gli utenti interagiscono preferenzialmente con membri ideologicamente estremi del proprio gruppo, e mostriamo differenze statisticamente significative tra classi.

Il secondo obiettivo è estendere l’analisi dei pattern di mixing dalle diadi ai gruppi e alle strutture di interazione di ordine superiore. A tal fine, la Parte III introduce gli Attributed Stream Hypergraphs (ASH), un modello temporale di interazioni di ordine superiore con attributi sui nodi. ASH supporta una famiglia di misure strutturali e relative al mixing che catturano congiuntamente come gli utenti si muovono attraverso contesti di gruppo eterogenei, e a essi sono esposti, nel tempo. Infine, propone uno schema generale per estendere agli ipergrafi gli indici classici di mixing basati su grafi e introduce una nuova misura locale basata su random walk che quantifica quanto fortemente nodi e contesti di interazione restino intrappolati in vicinati della stessa classe.

Il terzo obiettivo è mitigare le limitazioni nell’accesso ai dati e creare strumenti metodologici che supportino lo studio di lungo periodo del mixing e dell’influenza negli ambienti online. La Parte IV affronta questo aspetto attraverso: (i) la costruzione e il rilascio di un dataset su larga scala e ad alta copertura che combina legami sociali, contenuti e attività algoritmica; e (ii) lo sviluppo di ambienti di simulazione basati su LLM per le dinamiche di opinione e per “gemelli digitali” dei social media. Questi contesti simulati rendono possibile studiare l’interazione tra comportamenti algoritmici e umani in condizioni controllate e riproducibili, sempre più difficili da ottenere ricorrendo alle sole piattaforme reali.

Nel loro insieme, i contributi di questa tesi forniscono: (i) cornici concettuali per pensare i pattern di mixing oltre le diadi statiche; (ii) strumenti metodologici per quantificare il mixing temporale, a coppie e di ordine superiore sia in dati osservazionali sia in dati simulati; e (iii) evidenze empiriche su come il comportamento degli utenti e il design delle piattaforme interagiscano nel produrre pattern omofilici ed eterofilici nei sistemi sociali online. Soprattutto, mostriamo che le prospettive temporali e di ordine superiore sono non banali da ottenere, ma rivelano strutture di mixing ed esposizione che restano nascoste nelle rappresentazioni statiche a coppie.