Kann Wikipedia Vorhersagen der Zukunft... der Kassenschlager?

Schlagen an diesem Wochenende wird die Geschichte von einem mörderischen Amoklauf erzählt in "The Frozen Ground" mit Nicolas Cage, der romantischen Komödie "Trinken Buddies" mit Anna Kendrick? Vielleicht kann uns Wikipedia sagen – noch bevor diese Filme öffnen.

Neue Forschung schlägt vor, dass die Daten von Benutzeraktivitäten auf Filme Wikipedia-Seiten verwendet werden können, um vorherzusagen, welche Filme Blockbuster werden werden.

Die Forscher analysierten die Wikipedia-Seiten 312 amerikanische Filme aus der Seitenerstellung zu den Filmen-Release-Termine im Jahr 2010. Blick auf mehrere Faktoren, wie Seitenaufrufe und die Anzahl der Kinos den Film screening identifiziert sie, welche Elemente mit den kommerziellen Erfolg eines Films über seinem Öffnung Wochenende korreliert sind.

Die Forscher dann ein mathematisches Modell, basierend auf den identifizierten Faktoren, einschließlich der Anzahl der Änderungen auf der Seite des Films, die Anzahl der Redakteure, die einen Beitrag zur Seite und die Vielfalt der Online-Nutzer gebaut. Das Modell wurde mehrfach getestet, um die richtige Balance zwischen allen Faktoren in der Gleichung zu finden. [Infografik: Modell Vorhersagen vs. eigentlichen Film Einnahmen]

Wenn die Modellvorhersagen mit einem eigentlichen Release Wochenende Umsatz verglichen wurden, zeigten ein hohes Maß an Korrelation, laut der Studie veröffentlicht gestern (Aug. 21) in der Fachzeitschrift PLOS ONE.

Die Ergebnisse "zeigen wie einfache Verwendung von User generated Daten in einem sozialen Umfeld wie Wikipedia unsere Fähigkeit, die kollektive Reaktion der Gesellschaft auf ein kulturelles Produkt Vorhersagen verbessern kann", sagte der Forscher.

Onlinedaten Geschichten erzählen können

Digitale Spuren von Online-Aktivitäten der Menschen werden zunehmend erforscht, um gesellschaftliche Veranstaltungen folgen und verborgene Muster im Verhalten der Bevölkerung und das kollektive Bewusstsein zu finden. Zuvor diente Daten aus Twitter sofort erkennen, Veranstaltungen von Erdbeben zu Staus oder Vorhersagen Kassenerfolg am nächsten Morgen. Ein weiteres Beispiel beteiligt mit Bearbeitungen auf Wikipedia-Seiten um zu kontroverse Themen zwischen Gruppen von Menschen auf der ganzen Welt zu identifizieren.

Vorhersage die Reaktion der Gesellschaft auf ein neues Produkt ist eine weitere mögliche Verwendung von massiven Daten online, die Forscher gesagt, und Wikipedia zu wählen, da eine Datenquelle Vorteile gegenüber anderen Datenbanken oder social Media bieten.

"Bearbeiten von Wikipedia hat höhere Kosten in Bezug auf Aufwand im Vergleich zu, zum Beispiel twittern, und es spiegelt irgendwie aktive Teilnahme", sagte Studie Co-Autor Taha Yasseri, Forscher an der University of Oxford. "Es zeigt die Popularität und das Interesse an der Sache genauer als andere social Media."

Die Forscher verglichen die Richtigkeit ihres neuen Ansatzes mit einem früheren Modell basierend auf Twitter-Daten. Die Ergebnisse zeigten, dass die Wikipedia-basiertes Modell übertrifft die Twitter-basiertes Modell gute Vorhersagen zu machen und zu einem früheren Zeitpunkt.

"Deshalb, weil Menschen Wikipedia-Seiten Filme bearbeiten und lesen sie viel früher als die Zeit, die sie darüber twittern. Letzteres geschieht gerade in der Regel sehr nah an den Film und die meiste Zeit danach"Yasseri sagte.

Ein besseres Modell für bessere Filme

Das Modell war ein genauer Indikator für erfolgreicher Filme gemessen am Umsatz. Schätzungen auf den kommerziellen Vertrieb für "Iron Man 2", "Alice im Wunderland" "Toy Story 3" und "Inception" war korrekt, aber das Modell scheiterte, genau vorherzusagen, die finanzielle Rendite weniger erfolgreichen Filmen wie "Never Let Me Go," "Animal Kingdom", "The Girl in the Train" "The Killer Inside Me" und "Lotterie".

Der Grund dafür, das das Modell besser für erfolgreiche Filme funktioniert mag, dass sie mehr Online-Daten im Vergleich mit Filmen, die zum Scheitern verurteilt zu generieren, sagte der Forscher. Mehr User generated Daten in der Regel reduziert irrelevante Daten (Lärm) und wiederum genauere Vorhersagen, sagten sie.

Bahar Gholipour mailen oder ihr folgen @alterwired . Folgen Sie LiveScience @livescience, Facebook & Google +