《动态社会技术系统建模和分析》249页

社会技术系统是人类和算法的集合，它们在分散控制器的部分监督下进行交互。这些系统通常显示出复杂的动态变化，并以其独特的突发行为为特征。在这项工作中，我们描述、分析和模拟了三类不同的社会技术系统：金融市场、社交媒体平台和选举。虽然我们的工作在主题内容上多种多样，但通过研究社会系统中由进化和适应驱动的变化以及开发用于推断这种变化的方法，我们的工作是统一的。

首先在基于智能体的模型（ABM）中分析了金融市场微观结构的进化动态。ABM 的匹配引擎实现了频繁的批量拍卖，这是最近开发的一种价格发现机制。我们使用各种选择机制让智能体承受进化压力，证明基于量化的选择机制与较低的全市场波动性相关。然后，我们在 ABM 中进化深度神经网络，并证明精英个体在真实外汇数据的回溯测试中是有利可图的，尽管在进化过程中它们的适应性从未在任何真实金融数据上进行过评估。

然后，转向从社会技术系统生成的大型时间序列面板中提取多时间尺度的功能信号。我们引入了离散小震子变换（DST）和相关的相似性搜索算法--小震子变换和排序算法（STAR）来完成这项任务。我们通过经验证明了 STAR 算法对定量功能参数化的不变性，并提供了使用案例。在特征提取任务中，STAR 算法与 Twitter 的异常检测算法进行了比较。最后，我们使用 STAR 算法，利用 Twitter 词语使用时间序列面板，自动构建了社会重大事件的叙事时间轴。

最后，模拟了试图干涉他国选举的外国情报机构（红队）与选举所在国国内情报机构（蓝队）之间的战略互动。我们推导出红方和蓝方的亚博弈完全纳什均衡策略，并展示了当任何一方对干涉事件的结果持 "全有或全无 "态度时，军备竞赛干涉动态的出现。然后，将 2016 年美国总统大选的数据与本文模型进行了对比，在这次大选中，俄罗斯军事情报机构进行了干预。本文了证明，在研究的大部分时间里，本文了模型捕捉到了这种干预的定性动态。