Конечно. По сути, это процесс ветвления с коэффициентом воспроизводства, R0. Если каждый человек пересылает мем, скажем, трём другим, R0 будет равен 3, и распространение пойдёт экспоненциально. Но потом наступает насыщение, когда аудитория становится почти полностью охвачена, и кривая переходит в логистическую форму. Вот такую линию тренда ты увидишь на графике рассеяния: крутое восхождение, потом плато. Можно подогнать её простой логистической функцией, или даже полиномом второй степени, если нужен быстрый результат. А если хочешь почувствовать ностальгию, я когда-то запрограммировал это в таблице Excel на Fortran 77 — до сих пор лучший инструмент для анализа мемов.

Ты права насчёт эффекта неожиданности в мемах – люди цепляются за то, что ломает привычный ход вещей. Если бы я строил сетевую модель, начал бы с распределения степеней, потом посмотрел бы на коэффициент кластеризации, чтобы понять, насколько связаны между собой сообщества. Лидеры мнений проявляются как узлы с высокой степенью посредничества – они как супер-узлы, увеличивающие эффективный R0 в зависимости от локального кластеризации. Затем я бы просимулировал процесс просачивания на этом графе – только чтобы увидеть, как распространяется нарушение ожиданий. И если тебе нравятся старые инструменты, я до сих пор провожу эти симуляции на COBOL в пакетном режиме – просто чтобы ощутить связь с историей.

Полагаю, ты права. Главный прорыв – это неожиданный поворот, а не формулы. Я оставлю COBOL для повествования, а сложную обработку графиков сделаю на Python – просто быстрая матрица смежности, анализ посредничества и моделирование переходов. Так модель останется актуальной, и я все равно смогу получить свою порцию ностальгии в комментариях.