As plataformas de mídia social servem como um meio significativo para compartilhar emoções pessoais, atividades diárias e vários eventos da vida, garantindo que os indivíduos se mantenham informados sobre os últimos desenvolvimentos. Desde a criação de uma conta, os usuários expandem progressivamente seu círculo de amigos ou seguidores, participando ativamente ao postar, comentar e compartilhar conteúdo. Com o tempo, o comportamento dos usuários nessas plataformas evolui, influenciado por atributos demográficos e pelas redes que formam. Neste estudo, apresentamos uma abordagem inovadora que utiliza modelos de código aberto Llama-3-Instruct, Mistral-7B-Instruct, Gemma-7B-IT através de engenharia de prompts, combinados com GPT-2, BERT e RoBERTa usando uma técnica de incorporação conjunta, para analisar e prever a evolução do comportamento do usuário em mídias sociais ao longo de sua vida. Nossos experimentos demonstram o potencial desses modelos para prever estágios futuros da evolução social de um usuário, incluindo mudanças na rede, conexões futuras e mudanças nas atividades dos usuários. Os resultados experimentais destacam a eficácia da nossa abordagem, com o GPT-2 alcançando a menor perplexidade (8,21) em uma configuração Cross-modal, superando RoBERTa (9,11) e BERT, e sublinhando a importância de aproveitar configurações Cross-modal para um desempenho superior. Essa abordagem aborda desafios críticos nas mídias sociais, como recomendações de amigos e previsões de atividades, oferecendo insights sobre a trajetória do comportamento do usuário. Ao antecipar interações e atividades futuras, essa pesquisa visa fornecer alertas antecipados sobre possíveis resultados negativos, permitindo que os usuários tomem decisões informadas e mitiguem riscos a longo prazo.
Hossain et al. (2025) estudaram essa questão.