社交媒体舆论演化下个体观点交互的可信度研究

汪明艳+陈梅+YibingZhu

〔摘要〕建立改进的CODA模型来分析研究个体观点可信度及倾向性的形成和变化过程，模拟并揭示群体观点极化的演化条件及演化过程。研究结果显示，高可信度（ρj=0.7-0.9）演化情况下个体最终形成集群，而低可信度（ρj=0.2-0.4）个体观点呈现分散状态。高、低可信度的差值越大，网络观点演化效率越明显；高可信度个体推动了群体极化现象的发生；而当低可信度值低于0.2时，也会出现群体极化现象。进一步探讨了网络群体极化的现实效应，针对高低可信度的演变边界，提出了网络舆论的干预方案，防控网络群体极化的危害。

〔关键词〕社交媒体；个体观点；网络舆论；观点交互；高可信度；低可信度；群体极化

DOI：10.3969/j.issn.1008-0821.2017.01.011

〔中图分类号〕G206〔文献标识码〕A〔文章编号〕1008-0821（2017）01-0057-09

〔Abstract〕With an improved CODA model，the paper studied the formation and change process of credibility and tendentiousness of individual opinion，which simulated and explained the forming conditions and process of group opinion polarization.Research results showed that in the high credibility（ρj=0.7-0.9）cases，individual eventually evolved to form a cluster；while under low credibility（ρj=0.2-0.4）situation，individuals opinion was presented in a decentralized state.The greater the difference between high and low credibility，the more conspicuous the conversion efficiency would be.The High credibility individuals promoted an occurrence of a phenomenon of group polarization；meanwhile，the polarization phenomenon also occurred when the low credibility value was less than 0.2.This study further discussed the network group polarization reality effect，proposed public opinion intervene strategies aimed at high and low credibility evolution boundary，and has a practical significance in prevention and control the group polarization of public opinion.

〔Key words〕social media；individual opinion interaction；public opinion；opinion interaction；high credibility；low credibility；group polarization

在網络舆论中，用户从周围人群获得信息并将信息传递给邻居，讨论热点新闻，在各自的社会关系中造成影响，渐渐形成用户拓扑关系。当前的社交媒体是舆论演化最快的温床，不当言论、谣言、分裂信息、恐怖言论等在这样的平台中得到快速的传播与发展，扭曲了社会的价值观，影响社会和谐，甚至影响国家安定。而当前的网络舆情情报演化方面应用性研究还不丰富，个体舆论观点的交互而导致的网络群体极化现象的演化机理还不明确，个体舆论观点的演化机理还不明确还不能完全应用于实际。

因此，本文通过建立改进CODA模型来分析研究个体观点可信性，分析可信度差异带来的影响，模拟并揭示群体观点极化的演化条件及演化过程。使之能够帮助舆论监管者能够更深刻的了解网络背景下的信息传播过程和观点演化模式，从而进一步研究如何促进或阻碍信息的流动，避免群体极化，为公众舆论监测和应急预警提供参考。

1研究回顾与评述

目前就舆论演化方法而言，有学者利用细胞自动机模型，注重个体之间的信息交互[1-2]，加入网民表达观点的倾向度和主观能动性[3]，考虑元胞坚定性的移动元胞遍历算法[4]，有学者利用CODA模型[5]，利用投票者模型（Voter）和Sznajd模型进行个体交互模拟，展现个体的内在观点倾向变化过程[6]等，呈现网民对事件的态度。这些研究结果均表明，网络舆论演变中存在观点极化和群体极化等现象。群体极化现象，网络极化被认为是一种潜在社会网络现象，由高度连接且具有组间连通性薄弱的小群体组成[7]。Guerra等[8]（2013），Gruzd and Roy[9]（2014）针对Twitter和Facebook的社交媒体网络的观点交互而导致的群体极化现象进行了分析和研究。观点极化使得不同观点相互碰撞、同化与消亡等过程，最终形成两个对立的、极端的状态。而群体极化则是观点极化的现实效应，形成两个不同的派别，积极的观点更正面，而消极的观点则更极端，走向深渊，演变成不当的言论或是更严重的政治事件，最终危害国家和人民的利益。

Michela Del Vicario（2016）[10]等发现用户倾向于选择与他们拥有共同信念的个体，志同道合的个体之间的观点交互加强了群体认同[11]，而想法不同个体之间的观点交互加强了内群体和外群体关系。人们就会受到比以前更广泛的观点，但受限的能力使得其无法进行有意义的讨论。用户的参与度直接影响其共同的情感行为[10]。通常情况下，相较积极事件而言，更多的活跃用户对消极事件展现出更快的传播速度。

然而，网络用户的行为高度复杂化和多样化，所发生的舆论现象及其演化规律极为复杂，并不能依靠传统的单一研究方法来解释，个体未必会充分表达自己的意见[12]，也无法准确地描述个体的差异性与交互特性。对大多数问题来说，每个个体只能观察到其他个体的外在决策而观察不到他们的内部观点时，交互个体不会像有界信任模型[13-14]收敛于平均结果。相反，每个不同的个体将根据同伴的决策而改变其连续的主观概率。并且个体交互过程中，双方是基于相互的熟悉程度与可信程度来建立关注的过程。A.C.R.Martins[5]（2008）基于贝叶斯定理对个体的内在观点倾向变化过程进行了建模，并提出连续观点离散系统模型（Continuous Opinions and Discrete Actions，CODA）模型。CODA[15]中使用离散选择模型，只有二元选择，因此对探索动态系统的影响是有意义的，增加不同意见间的接触可以减少极端。另外当引入第三个选择时，对研究极端主义特别重要[6，16]。可信度越高，其对一方的说服力越强，同时会同化对方的观点；可信度低，对其他个体的影响效果低，几乎没有说服力。

2连续观点离散系统模型（Continuous Opinions and Discrete Actions）假设个体i的决策Si=±1是一个二维离散变量，分别代表决策A和决策B，假设概率P（A）=pi为个体i对A的倾向性，概率P（B）=1-pi是个体i对B的倾向性，且pi∈[0，1]。个体根据其内在意愿决定哪个决策更优。如果某个体观察到其他个体认同其所做决策A，那么将会使pi值增大。为了实现贝叶斯更新，个体需要交互作用，更新其自身观点，因此我们需要相关的邻居决策。因此，假设α=P（Sj=+1A）为当决策A最优时，i的鄰居j认同决策A的概率，那么1-α=P（Sj=-1A）则为邻居j认同决策B的概率；同样地，假设当个体i更认同决策B时，其邻居j认同决策B的概率为β=P（Sj=-1B），那么1-β=P（Sj=+1B）为邻居j认同决策A的概率[5]。

3.2仿真方法设计

本文采用MATLAB来模拟仿真模型演化过程，具体步骤及相关代码如下：

初始参数设置一个维数为128*128的个体空间，随机给每个个体赋值0.4～0.6的倾向度。个体与上、下、左、右4个邻居进行观点交互。个体在初始条件下，中立者占50%，支持者及反对者各占25%，假设大多个体都会选择符合常理的正确观点，所以设置α为0.7。

3.3仿真分析

3.3.1演化情况总体集群分析

张彦超[17]（2012）研究表明，网络中大部分个体的可信度较低，在0.26～0.40之间；只有少数个体的可信度较高，在0.85～0.87左右。赵奕奕[14]（2014）也认为，当0.2时，舆论领袖的观点根本不值得信任或民众对他们抱有较大的怀疑。当信任度因子超过0.6后，舆论领袖引导力持续增加的幅度减弱了，跟随舆论领袖的从属层个体比例逐步趋于稳定。因此本文将高可信度定义为ρj=0.7-0.9，低可信度为ρj=0.2-0.4。

图1、图2显示的是个体的倾向度密度随着演化次数的更新而更新，分别从高可信度0.7～0.9与低可信度0.2～0.4的研究角度展开相关分析。

1）初始情况下个体观点均呈现分散状态

在初始条件下（演化1次），根据初始的设置，持赞成的个体个数与持反对的个体数量持平，各个自信度指数状态的个体观点均呈现分散状态，遍布于整个空间。

2）高可信度演化情况下个体最终形成集群

从图1可以看出，经过多次演变，红色的色块逐渐减少，最终大部分全变成黑色色块，并呈现聚集的状态。即持某一态度的个体演变后几乎都改变了原始的观点，最终服从了大多数个体的意见。同时，高可信度（ρj=0.7-0.9）演化500次比低可信度（ρj=0.2-0.4）演化500次呈现的结果更明显。个体在演化50次以内时，仍处于分散的状态，经过100次演化后，逐渐形成群体聚集的现象。在500次演化时，已经可以看到明显的群体聚集情况。高可信度的个体经过历次演化，持相同观点的个体聚集成群体的速度更快，可信度越高，演化速度越快，群体分化严重。

3）低可信度演化情况下个体难以形成集群

从图2可以看出，经过多次演变，红色的色块减少速度缓慢，经过500次演化后，大部分扔为原始的红色色块，并呈现分散的状态。可信度在0.2～0.3时，经过演化，几乎不形成集群。个体因信赖邻居（交互对象），不断调整自己的决策，但当可信度较低0.2～0.3时，个体因不信任与其交互的上下左右4个个体，而持有与交互对象相反的态度，使得个体观点呈现分散状态，相邻个体的观点相互对立。

3.3.2演化结果信度差异分析

1）高信度分析

从图3、图4中可以看到，系统最初的设置为：针对观点A的中立个体占50%，支持个体及反对个体各占25%。随即个体间进行观点交互，红黑色块变化明显。

在局部演化（演化50次以内）时，各高可信度的演化趋势大致相同。演化到第2次时，反对与支持个体的比例达到第一个峰值，接下来又跌到波谷；随后反对个体波动上升，支持个体出现波动下降，而后两者逐渐分极化；而中立个体的比例只有最初设置时最高，接下来经过3次波动，在第8次左右减少到0，直到演化结束。

ρj=0.9，演化到第2次时，反对个体的比例达到第一个峰值，由25%直到50%，立刻又跌入波谷，为43%，经过几次小波动后，缓缓上升，在演化50次时达到61%，在演化第500次时达到100%；而支持个体的比例第2次演化时达到波峰为50%，在第4次演化时达到低谷，接下来经过平缓逐渐上升、平缓下降，在第50次演化时达值为39%，而后逐渐下降，直到演化500次时，支持个体跌为0%。

ρj=0.8；演化到第2次时，反对个体的比例达到波峰，为50%，接下来又跌入波谷，为43%，经过缓缓上升波动后，最终在演化500次时达到最大值98%；而支持个体的比例在第4次演化时达到低谷为40%，接下来平缓上升，下降，最终支持比率仅剩2%。

ρj=0.7；演化到第2次时，反对个体的比例达到波峰，为50%，接下来又跌入波谷，为43%，经过缓缓上升波动后，最终在演化500次时达到最大值96%；而支持个体的比例在第4次演化时达到低谷，接下来平缓上升达到下一个小峰值为47%，接下来逐步下降，最终支持比率为4%。

在全局演化（演化500次）时，支持个体及反对个体的数量均出现一个突然的下降或上升，并在此之后又趋于平稳，而随着中立个体几次大的波动并迅速由50%趋于0，使得反对个体与支持个体呈现分极化的趋势。较高的可信度（ρj=0.9）在第400次左右便出现了一方压倒的现象，而很高可信度（ρj=0.7）在演化500次时仍未使得一方独大的现象。即当一方观点个体占多数时，舆论会越来越偏向该观点，最终造成一方独大的现象，而随可信度越高，该现象越明显。

2）低信度分析

从图5、图6中可以看到，系统最初的设置为：中立个体占50%，支持个体及反对个体各占25%，随即个体间进行观点交互，图中的红黑色方块的变化相对不大。

ρj=0.2，从第2次演化开始，中立个体的比例开始大幅下降，历经几次波动，在第8次左右跌到0，至此开始一直保持微小波动，到500次演化结束时也为0。而反对个体与支持个体的经过几次小波动后，从第8次后保持平缓状态，此时二者比例为1∶1；从第130次演化开始，反对个体与支持个体分离，反对个体比例下降到47%，支持者53%，而后二者保持平缓波动，直到500次演化结束。

ρj=0.3，在500次演化内，反对个体、中立个体、支持个体维持初始的状态，基本没有波动。

ρj=0.4，从演化开始，中立个体的数量直线下降，在第9次左右跌为0，而后波动不大，到500次演化为止维持0。从第2次演化开始，反对个体与支持个体的比例明显上升，在演化第9次左右都达到第一个最高值，反对个体为52%，支持个体比例为48%；在150次演化内基本保持这一比例。而后，二者呈现分极化发展，反对者比例折线形式上升，支持个体比例折线形式下降，到500次演化时，反对者与支持个体比例为73%∶27%。

在全局演化（演化500次）时，因为可信度较低，因此演化呈现不规律的现象（ρj=0.2、0.3），三方根据自身情况进行演化，但是可信度ρj0.4依旧表现出规律的现象，演化规律类似于高信度，如图6所示。在这里可以推测，ρj≥0.4时，在500次演化过程中，中立个体在10次内降为0，反对个体与支持个体呈现出现明显的分化现象，可信度越高分化越明显，演化速度越快。

3）可信度梯度分析

舆论初始状态时，对观点A、B的平均可信度不尽相同。接下来根据平均倾向度情况，区分高低可信度，分析信度差距为0.2～0.7的500次演化情况，其余条件不变。

当可信度差为0.2。当高可信度为0.6，低可信度为0.4，演化到第500次时，只剩下倾向度为1.0与倾向度为0.1两种情况，二者比例为96%：4%，如图7所示。可见低可信度在其中起了关键的作用，影响了最终的情况。

当可信度差为0.3。当高可信度为0.6，低可信度为0.3时，只有零星的0.5、0.6倾向度留存，出现了一方独大的现象，倾向度为1.0的支持者比例为96%；而当高可信度为0.7，低可信度为0.4时，仅剩倾向度为1.0与倾向度为0.1，二者比例为97%∶3%，如图8所示。低可信度的值越小，越易产生一方独大的现象。

当可信度差为0.4。当高可信度为0.6，低可信度为0.2时，只有倾向度为1.0的支持者，比例为100%；当高可信度为0.7，低可信度为0.3时，出现了零星的0.5、0.6倾向度留存，倾向度为1.0的支持者比例为96%；當高可信度为0.8，低可信度为0.4时，仅剩倾向度为1.0与倾向度为0.1，二者比例为97%∶3%；当低可信度值低于0.2时，便会出现一方独大的现象，如图9所示。

当可信度差为0.5。当低可信度低于0.2时，均出现了极化现象；当高可信度为0.8，低可信度为0.3时，出现了零星的0.5、0.6倾向度留存，倾向度为1.0的支持者比例为96%；当高可信度为0.9，低可信度为0.4时，仅剩倾向度为1.0与倾向度为0.1，二者比例为97%∶3%，如图10所示。

当可信度差为0.6。当低可信度低于0.2时，均出现了极化现象；当高可信度为0.9，低可信度为0.3时，仍有倾向度为0.5、0.6的零星留存，剩下的倾向度为1.0比例为96%，如图11所示。

当可信度差为0.7。当高可信度为0.9，低可信度为0.2时，只有倾向度为1.0的支持者，比例为100%，同之前情况一样，出现极化现象，如图12所示。

综上可以看出，经过500次演化后，个体的倾向度均集中于某一个或两个状态。出于对交互对方的信任度，个体的倾向度变化相对于初始设置值是十分明显的。若一方观点的平均可信度较高，其反对个体的数量会逐步减少，二者趋向两个极端，个体的倾向度分别也会逐渐向1.0与0.1靠拢。而且高、低可信度的差值越大，这种转换效率越快；当低可信度相同时，高可信度值越高，极化现象越明显；初始情况下处于某一观点状态的个体拥有更高的可信度，在系统演化过程中，具有较高可信度的个体，不仅使得本来持有正向观点的个体的倾向性更加倾向于正向，使其变得更加极端，而且还说服了本来持有反对意见的个体，使得反对个体改变自己的观点，使其转变为支持个体，最终呈现了一个观点的终态。可见，拥有较高可信度的个体能够影响别人，让其他个体向其靠拢，并不断吸引其他个体加入，而且，处于同一意见的个体之间不断交互加强彼此的观点倾向度，从而使得其倾向性越发极端化。高可信度个体推动了群体极化现象的发生。而当低可信度值低于0.2时，就会出现极化现象；低可信度的制约作用同样明显。

4基于个体可信度的群体极化干预策略

网络社交平台的舆论需要有效的监控，防止恶意信息污染整个网络环境，扰乱公众视听。为了避免群体极化现象的发生，要从网络环境和网络人两个角度进行监管。

4.1自由的网络环境要抑制不当言论的形成

网络中的个体观点最初都是呈现分散状态，随着舆论热度的提高，舆论不断地演化，使得持中立观点的个体逐渐减少，支持、反对观点的个体呈现分极化的趋势。网民的观点会随着高可信度（ρj=0.7-0.9）、低可信度（ρj=0.2-0.4）两种舆论的引导，最终高可信度的人群拥有绝大部分力量，持相同观点的个体聚集成群体的速度更快，交互中强化自己的观点，进而同化对立观点，使得群体分化明显。在网站方面也要加大控制群体极化的力度。聚集在某一贴吧、论坛的网民会自由的表达自己的观点，也更容易在该网站上找到更多和他们的想法有共同点的言论，相互联系在一起，越发坚定自己的观点，逐渐变得更加大胆。杭家蓓[18]也指出 “原创帖”比“转帖”更容易出现态度极化。因此一些热门的社交媒体平台，微信、微博、贴吧、社区等要加大对不当言论的监管，网民的从众性也是舆论演进中不可忽略的因素[19]，同时要积极引导正向舆论。网站中个体的正面能动性越高，使得极端主义越无生存环境[5]。政府机构、主流媒体（高可信度（ρj=0.7-0.9））也要发挥主观能动性，积极引导正面言论，对不实信息、不当言论及时进行辟谣与纠正，净化舆论空间。

4.2“网络红人”要做出表率，引导正确舆论走向

郭勇陈，沈洋，马静[20]认为，意见领袖理论适用于网络论坛环境，网络论坛中“意见领袖”对事件的关注可以明显延长舆情事件的存在时间。“网络红人”在社交平台上拥有超高人气，他们的帖子、微博等有百万级至千万级的点击量与转发（转帖）量，这些高可信度（ρj=0.7-0.9）人群的言论被无限的传播，相对于那些低可信度（值低于0.2）的人群的言论，产生压倒性观点，影响作用不可估量，高可信度个体推动了群体极化现象的发生。而且高、低可信度的差值越大，使得舆论的转换效率越快。对于普通的网民其可信度差别不大，值都比较低，而“网络红人”他们的高可信度值越高，极化现象越明显。拥有较高可信度的个体能够影响别人，让其他个体向其靠拢，并不断吸引其他个体加入，而且处于同一意见的个体之间不断交互加强彼此的观点倾向度，从而使得其倾向性越发极端化。例如在最近的某明星离婚事件中，舆论在3天内爆发，传播速度极快，群体分化严重，便出现了一边倒的现象。任立肖，张亮，张春莉[21]也证实了逐渐不断地改变意见领袖意见值，能比较有效引导舆情传播。让这些高可信度的人群能够正面引导舆论走向，使一些负面极端言论没有生存环境。

4.3沉默网民要积极、理性地表达自己，规范自己的言论低可信度多次演化会出现分散、消亡的现象。也就是说网络中一些群众倾向于发泄自己在现实中受到的不当待遇，发泄自己内心的阴暗面，所以常会在网络中看到各种谩骂攻击等黑暗言论，也会出现许多子虚乌有的事件，然而他们的负面意见得不到大众的支持，经过与其他观点彼此碰撞，相互辩论，最终被同化、消亡，难以形成舆论。而且这种低可信度（0.2～0.3）的值越低，其被群众同化的速度越快。低可信度的普通网民，其观点被关注的概率低，个体间因不信任，使得个体观点呈现分散状态，容易使得网民只“看”，不“评”，使得一些正面的观点、言论被淹没。因此要避免“沉默的螺旋”，激发那些潜水的群众勇于表达自己的正面观点，逐渐形成更强势的正面极化力量。例如，在最近的中菲关系中，很多沉默的群众表达了自己的爱国观点，一些不理性的观点也在正面观点的影响下得到了很好的引导。还有一群不能忽视的人群就是学生，这些人在小范围内形成群体，有极强的传播作用与极快的事件响应速度，因此要积极引导这些同质化的网民，利用同伴教育，同伴模范等方式，避免其散播不当言论，降低群体极化所带来的负面效应。

5研究不足與展望

本文的研究视角从基于可信度在个体观点交互过程中的作用效果，及可信度的差异是否对舆论演化趋势产生影响而开展了相关研究。因此，为深刻了解社交媒体网络中的个体观点交互的演化过程，本研究利用了改进的CODA模型，并且将模拟个体的交互对象设置为其周围4个相邻的个体。也许现实的交互情况更复杂，个体差异性影响了可信度，而可信度往往是个区间且伴随舆论演化而动态改变。故在未来的研究中，将更专注于交互个体的差异性、交互的多元性、可信度的区间性等因素，使研究结果更好地反映个体观点交互的演化趋势。

参考文献

[1]曾祥平，方勇，袁媛，等.基于元胞自动机的网络舆论激励模型[J].计算机应用，2007，（11）：2686-2688.

[2]刘云，丁飞，张振江.舆论形成和演进模型的研究综述[J].北京交通大学学报，2010，（5）：83-88.

[3]王根生，勒中坚.小世界效应的网络舆情演化迁移元胞模型[J].小型微型计算机系统，2011，（12）：2523-2528.

[4]方薇，何留进，宋良图.因特网舆情传播的协同元胞自动机模型[J].计算机应用，2012，（2）：399-402.

[5]Martins A C.Mobility and Social Network Effects on Extremist Opinions[J].Physical Review E Statistical Nonlinear & Soft Matter Physics，2008，78（32）：2365-2389.

[6]Martins，André C.R..A middle option for choices in the Continuous Opinions and Discrete Actions model[J].Adv.appl.stat.sci，2009，（2）：333-345.

[7]Conover，M.D.；Gonalves，B.；Flammini，A.；Menczer，F.Partisan Asymmetries in Online Political Activity[J].EPJ Data Science，2012，（1）：1-19.

[8]Guerra，P.H.C.；Meira Jr，W.；Cardie，C.；Kleinberg，R.A Measure of Polarization on Social Media Networks Based on Community Boundaries[J].International AAAI Conference on Weblogs and Social Media，2013.

[9]Gruzd，A.；Roy，J.Investigating Political Polarization on Twitter：A Canadian Perspective[J].Policy & Internet，2014，6（1）：28-45.

[10]Michela Del Vicariol，Gianna Vivaldol，Alessandro Bessil.etc.Echo Chambers：Emotional Contagion and Group Polarization on Facebook[J].Physics.Soc-ph，2016，（6）：1-14.

[11]Sarita Yardi and Danah Boyd.Dynamic Debates：An Analysis of Group Polarization Over Time on Twitter[J].Bulletin of Science，Technology & Society，2010，30（5）：316-327.

[12]D.Urbig.Attitude dynamics with limited verbalization capabilities[J].Journal of Articial Societies and Social Simulations，2003，6（1）.

[13]J.Lorenz.Continuous opinion dynamics under bounded confidence：A survey[J].Intern-ational Journal of Modern Physics C，2007，18（12）：1819-1838.

[14]趙奕奕.突发性群体事件下基于有界信任规则的舆论传播机理研究[D].成都：电子科技大学，2014.

[15]Martins，André C.R..Modeling scientific agents for a better science[J].Adv.Complex Syst，2010，（13）：519-533.

[16]S.Gekle，L.Peliti，and S.Galam.Opinion dynamics in a three-choice system[J].Eur.Phys.J.B，2005，（45）：569-585.

[17]张彦超.社交网络服务中信息传播模式与舆论演进过程研究[D].北京：北京交通大学，2012.

[18]杭家蓓.网络社群参与公共决策的群体极化效应理论研究及实证分析[D].南京：南京理工大学，2012.

[19]熊菲.互联网用户行为分析及信息演化模式研究[D].北京：北京交通大学，2013.

[20]郭勇陈，沈洋，马静.基于意见领袖的网络论坛舆情演化多主体仿真研究[J].情报杂志，2015，（2）：13-21.

[21]任立肖，张亮，张春莉.无标度网络机制下网络舆情传播演化规律分析[J].现代情报，2014，（2）：8-12.

（本文责任编辑：郭沫含）