祁 凱 黎冰雪 楊 志
(1.哈爾濱師范大學管理學院 哈爾濱 150025; 2.哈爾濱工程大學經(jīng)濟管理學院 哈爾濱 150001)
互聯(lián)網(wǎng)技術的發(fā)展,使得網(wǎng)絡平臺空間延伸、時間開放等特點得到了充分的放大,這為網(wǎng)絡媒體平臺的觀點信息數(shù)量呈現(xiàn)出爆炸式增長的態(tài)勢提供了技術基礎。輿情信息復雜性與對抗性的特征變得更為明晰,占據(jù)網(wǎng)絡媒體平臺傳播主要流量的非官方信息中存在著大量真?zhèn)坞y辨的謠言與非理性聲音。而這些被曲解、放大了公眾不理智情緒的觀點信息經(jīng)由互聯(lián)網(wǎng)的傳播將導致各種網(wǎng)絡輿情危機,引發(fā)一系列社會風險,并對社會大系統(tǒng)穩(wěn)定造成威脅。因此,對社交網(wǎng)絡中的群體觀點演化進行研究,對輿情引導工作具有重要意義。在學術界,對互聯(lián)網(wǎng)媒體平臺中的群體觀點演化研究已逐步成為熱點。近年來研究該問題的經(jīng)典研究方法是引入從交叉學科視角建立觀點演化模型,如應用較為廣泛的Deffuant-Weisbuch(DW)模型[1-2]、Hegselmann-Krause(HK)[3]模型等典型有界信任模型(Bounded confidence models)。
在新技術背景下,復雜的個人推薦機制在智能算法的助推下得以衍生,并促成了“回音室”效應的產(chǎn)生[4],使得網(wǎng)民困于“信息繭房”[5],這無疑將加大政府進行網(wǎng)絡輿論引導和控制的壓力。而對群體觀點演化規(guī)律挖掘是網(wǎng)絡輿情引導和控制的必由之路,傳統(tǒng)有界信任模型卻不能夠很好地描述現(xiàn)實網(wǎng)絡媒體平臺中網(wǎng)民的觀點交互情景,如果忽視現(xiàn)實網(wǎng)絡媒體平臺中網(wǎng)民的觀點交互特征變化,不對有界信任模型進行適時的修正擴展,群體觀點演化的潛在風險識別能力沒有得到相應的提高,就將給輿情導控工作帶來巨大挑戰(zhàn)。因此,為了更好地探尋網(wǎng)絡群體觀點演化的內(nèi)在規(guī)律,需要根據(jù)現(xiàn)實情境的發(fā)展,對現(xiàn)有群體觀點演化模型進行改進。本研究從網(wǎng)絡媒體平臺的現(xiàn)實情形出發(fā)對DW模型提出改進策略,通過計算機仿真實驗對模型的合理性進行驗證,并對有無智能推薦機制時的群體觀點變化進行了對比分析。在社會輿情正在發(fā)生深刻變革的生態(tài)環(huán)境下,對有限信任交互機制下的群體觀點演化模型進行進一步的擴展,對探析網(wǎng)絡輿情演化規(guī)律,完善輿情導控具有重要的社會實踐意義。
離散型輿情動力學模型是早期觀點演化研究的經(jīng)典范式,然而,因其對于個體觀點的取值無法描述出處于贊同與反對兩個極端之間的模糊態(tài)度,此類模型適用范圍受限。因此,研究者提出了一種連續(xù)型輿情動態(tài)模型,用于解決觀點連續(xù)演化問題?;谟薪缧湃螚l件的DW模型、HK模型就是代表性連續(xù)觀點演化模型。有界信任模型所構建的觀點交互機制十分形象地揭示了社會群體中個體觀點交互規(guī)律,雖然模型中的相關參數(shù)設定都圍繞著微觀層面上的個體觀點交互進行展開,但不斷迭加的個體交互行為也能夠反映出宏觀層面上的群體觀點演化規(guī)律[6]。這也是從網(wǎng)絡輿情傳播視角下進行群體觀點演化研究的適用基礎。目前,國內(nèi)外學者基于有限信任模型對群體觀點演化過程所進行的研究主要集中在模型擴展、豐富群體決策應用情境這兩個方面。
在對有限信任原始模型進行群體觀點交互演化規(guī)律擴展研究時,意見領袖、收斂參數(shù)修改、關系強度、噪聲環(huán)境等方面因素成為了許多研究者的關注點。在將意見領袖因素引入研究方面:Chen[7]的研究結果表明,領導者的意見對于影響正常個體獲得真理具有重要作用,此外,對于某些情況下,定義個體特征的參數(shù)的微小變化會導致社會群體的大規(guī)模變化。同時,朱曉霞等[8]通過對其構建的意見領袖——跟隨者觀點演化模型進行仿真實驗分析,也證明了意見領袖對公眾觀點聚合演化具有較大的影響力,且完全跟隨者的存在數(shù)量對意見領袖的觀點傳播效果起重要作用。
許多學者對有界信任模型及其修正變體模型的收斂性質進行研究。Schawe等[9]在其研究中考慮了HK有界信任模型的異質性置信水平問題,發(fā)現(xiàn)了在某一區(qū)域階段內(nèi),同質情況下預計出現(xiàn)意見分裂的反直覺行為機制。還有學者強調(diào)了DW模型的收斂特性在數(shù)值上雖然可以基于合理猜想而進行觀察,但在技術上難以分析的特征。由此對加權因子不小于1∕2的異質DW模型的收斂問題進行求解,并得出了異質DW模型達成共識的一些充分條件[10]。此外,也在對收斂性質進行研究時考慮了其在時間函數(shù)上的變化[11-12]。
此外,有研究發(fā)現(xiàn)關系強度的水平高低與個體愿意進行信息交流的程度之間具有明顯的相關關系[13],在群體層面上,學界也開始關注到關系強度對群體觀點演化的影響。Zhang等[14]在BA網(wǎng)絡模型條件下將整合度、網(wǎng)絡關系強度等影響因素集成到DW模型擴展過程中,并采用多智能體蒙特卡羅方法對模型有效性進行驗證,其結果表明整合參數(shù)和關系強度對群體觀點極化過程的加速和減速都有雙重影響。李根強等[15-16]通過構建基于社會關系強度等因素改進的DW模型,發(fā)現(xiàn)高水平的關系強度對網(wǎng)絡社群觀點聚合速度具有推動作用,而且相較于關系強度水平較低的環(huán)境穩(wěn)定時態(tài)條件下的觀點數(shù)量及其分布方差都要更小。
傳統(tǒng)有界信任模型的個體總是處于無噪聲環(huán)境進行觀點交互的,模型初始設定過于理想化,因此有許多研究這一局限進行了完善??籽刨坏萚17]在區(qū)分內(nèi)外部噪音的基礎上[18]借鑒DW模型構建決策觀點演化模型,結果表明無論是內(nèi)、外部噪音都會導致群體觀點一致的達成時間被延長,從而使得決策系統(tǒng)有序性減低。有研究考慮了環(huán)境和通信噪聲在異質HK 模型中的作用,對環(huán)境噪聲存在的情況下的相變和收斂時間進行了研究,該研究證明了個體的異質性對觀點實現(xiàn)同步化的阻礙作用[19]。還有許多學者從觀點頑固者[20]、個體偏好行為[21]、意見反轉等多個方面[22]對有界信任觀點交互模型的擴展進行了深入研究。
將有界信任模型帶入實踐應用的相關研究方面,較多研究者在群體決策的相關研究中通過有界信任規(guī)則建立不同的反饋機制,為決策者提供偏好調(diào)整建議,以提高群體共識水平。Zhang等[23]在面臨社會網(wǎng)絡環(huán)境下專家對方案的模糊偏好關系所產(chǎn)生的群體決策問題時,將專家領導力和有限信任水平考慮進新的模型構建過程中。Zha等[24-25]主張將有界信任模型融入到群體共識模型的構建中,以此為決策者提供更多可接受的建議。隨著研究的不斷深入,有限信任模型的應用情境被拓展到了群體推薦、危機處置、風險管理等群體決策問題上:Shao[26]將時間變量引入復雜網(wǎng)絡環(huán)境下的有界信任連續(xù)觀點模型,建立了消費者咨詢網(wǎng)絡的廣義自適應模型。模型的提出對探索消費建議網(wǎng)絡的動態(tài)特征以及消費者群體推薦有一定的實踐意義。趙海峰等[27]在其研究中結合有限信任模型,在考慮地鐵突發(fā)事件的特性的基礎上引入局部溝通和有限理性因素,建立了相應的信息傳播模型,以提升突發(fā)事件中的危機處置能力。趙奕奕等[28]也曾以“搶鹽恐慌”為例構建噪音異質輿情傳播模型,對搶購突發(fā)事件下群體觀點演化規(guī)律在進行探尋。針對事前風險管理,有學者通過建立一個有界信任兩階段優(yōu)化模型提出了新的反饋調(diào)整機制的共識達成模型,并將共識達成機制融入到事故前風險管理技術FMEA的框架中[29]。
綜上所述,隨著理論分析與實踐問題的發(fā)展,在引用傳統(tǒng)有界信任模型的基礎上對群體觀點演化的研究也日趨豐富。在研究方法方面,已有研究成果大多數(shù)是基于理論或經(jīng)驗對復雜現(xiàn)實情境中各種可能對群體觀點交互產(chǎn)生影響的因素進行模型化抽象,做出合理假設,以此構建相應的群體觀點演化模型,并借助計算機模擬仿真軟件進行分析歸納,其最終演繹結論對群體意見演化過程也具有很好的現(xiàn)實解釋力。然而,縱觀對有界信任模型進行擴展、應用的相關研究的現(xiàn)狀,可以發(fā)現(xiàn)盡管已有學者為更加接近真實的社會網(wǎng)絡結構而引入小世界網(wǎng)絡[30]或BA網(wǎng)絡[31]作為現(xiàn)實情形的模擬。但在現(xiàn)實情境變量的引入上,將現(xiàn)實網(wǎng)絡空間中個體對平臺信息置信程度的異質性,交互話題的敏感程度,以及由于媒體平臺信息的不同內(nèi)容推送機制所導致的觀點交互對象抽取范圍差異等因素納入對DW模型的擴展修正研究目前還尚有不足。鑒于此,本研究從網(wǎng)絡媒體平臺現(xiàn)狀入手,考慮將交互對象范圍、平臺影響力、話題區(qū)分、信息內(nèi)容推薦機制差異對比引入DW模型并對其進行改進,通過仿真實驗對模型的有效性進行驗證。
2.1 DW模型DW模型是輿情動力學中用來反映群體觀點演化過程的一種典型傳播模型。對于輿情傳播而言,傳統(tǒng)DW模型的基本設定是,在時刻t從擁有N個行為主體的社會群體中,隨機抽取i和j兩個獨立個體,將二者的觀點標記為xi(t)與xj(t),其中xi(t),xj(t)∈[0,1],且xi(t),xj(t)在[0,1]中連續(xù),即個體觀點xi,xj在時刻t上越接近0反對態(tài)度越強烈,反之則具有強烈的支持態(tài)度。給定信任閾值參數(shù)ε∈[0,1],當|xi(t)-xj(t)|>ε時被隨機配對進行觀點交互的個體i和個體j將保持自身觀點,即:
(1)
而當|xi(t)-xj(t)|≤ε時二者將更新其所持觀點:
(2)
具體而言,就是在參與觀點交互的個體的觀點差值滿足小于信任閾值的條件時,雙方將產(chǎn)生觀點交互并更新觀點;否則參與交互的個體將忽略對方超出信任閾值的觀點,即堅持原有觀點。而α∈[0,0.5]是會對群體觀點演化產(chǎn)生影響的收斂參數(shù)[32]。
2.2改進后的DW模型DW模型在對觀點定量過程中不再局限于觀點二元形式,而是將觀點假設為給定值域中的任意實數(shù),并引入信任閾值,合理映射了實際生活中的個體交互行為,在一定程度上揭示了群體觀點的演化規(guī)律。然而,具有跨越時間和空間的技術特性的互聯(lián)網(wǎng)信息技術在快速發(fā)展的過程中給傳統(tǒng)溝通媒介帶來了顛覆性影響。傳統(tǒng)DW模型中的交互對象選取單一、收斂參數(shù)固定化、不受任何外部因素影響的理想化交互情境等初始設定并不能很好地反映處于網(wǎng)絡媒體環(huán)境中的群體中的個體觀點交互規(guī)則。根據(jù)現(xiàn)實中的網(wǎng)絡群體中的個體觀點交互特性,本研究將從以下三個方面進行改進:a.增加交互對象數(shù)量,使其適用于一對多的交互環(huán)境即考慮多平臺的交互環(huán)境差異。b.重新設定收斂參數(shù)α,在引入網(wǎng)絡平臺影響力的同時,本研究提出了行為主體觀點接納程度函數(shù)用于量化群體對不同話題的接納程度。c.將智能推薦機制納入模型,并就改進b中所提及的兩種話題,對有無智能推薦機制情形下的觀點交互演化過程進行仿真和對比。改進對照如圖1所示。
圖1 模型存在問題與改進策略對照
2.2.2 重新設定收斂參數(shù) 傳統(tǒng)DW模型通過固定的收斂系數(shù)α反映行為主體在觀點交互過程中對他人觀點的接受程度。顯然,固定的收斂系數(shù)使得觀點交互過程中的影響因素的差異性沒有得到較為準確地反映。為此,本研究引入兩個主要變量對收斂系數(shù)進行重新設定以體現(xiàn)出個體對他人觀點的接納程度。接納程度越高,在觀點更新過程中觀點變化程度越大。
首先考慮平臺影響強度?;ヂ?lián)網(wǎng)信息技術的普及與發(fā)展使得擁有文字、音頻以及視頻等多樣化的信息交互方式的各類社交、媒體傳播應用層出不窮。各類應用在市場營銷的基礎理論下,對市場進行細分,尋找受眾,搶占瓜分流量市場,導致不同媒體平臺在用戶結構上具有較為明顯的差異,媒體平臺上的觀點分化存在顯著的跨平臺差異[34]。另外,作為信息消費者的網(wǎng)民也會因個人經(jīng)歷與背景的不同而對不同媒體平臺表現(xiàn)出異質性的偏好,從而影響其對平臺上的某一主流觀點的接受程度。換而言之,就同一個體而言,網(wǎng)絡媒體平臺對其觀點的影響強度水平并不是均一化的,而是存在著平臺差異。故在模型中引入λ參數(shù)以表示平臺對個體i的影響強度。
其次將f(1-|xi(t)|)引入作為行為主體觀點接納程度參數(shù)來考慮個體意見交互時進行觀點更新的程度。在實際交互情形中,由于受到話題內(nèi)容以及參與交互的個體對自身觀點的自信程度和堅定程度的影響,導致不同的個體在不同敏感程度的話題內(nèi)容下的觀點更新程度不同。細而言之,本研究總結了兩種話題類型:
a.話題一,在具有明顯價值偏好特性內(nèi)容的話題中,觀點越極端的個體所持觀點的堅定程度越高,對與之不同的觀點接納程度越低。
b.話題二,在涉及一般性的取舍判斷、客觀性傾向明顯的討論中,持較中庸、綜合觀點的個體對所持觀點的堅定程度較高。
當然,對某一事件的話題討論類型不會是一成不變的,它有可能會隨著時間的變化,討論深度的演變而發(fā)生轉化。此外,交互個體自身初始所具有的觀點接納能力也具有異質性,即部分個體對其他觀點接納程度高(思想開放者),部分個體對其他觀點接納程度低(封閉思想的行為者)。但由于個體的接納程度具有較大的隨機性,在大樣本情況下會被均化,故建模過程中不納入考慮。基于此,本研究設置了兩種接納程度分布函數(shù)來對應表示上述兩種話題內(nèi)容描述的情況。
話題一:觀點越極端的個體對其他觀點的接納程度越低,即當|xi(t)|越趨近于1時,f(1-|xi(t)|)越接近于0,此時個體對其他觀點接納程度越低。在大量預實驗的基礎上將這種情況下的f1(x)設置為線性激活函數(shù),具體表達式為:
(3)
式(3)中ξ是個較小的數(shù),持有觀點絕對值在1到1-ξ范圍內(nèi)的個體完全不接納其他觀點,持有觀點態(tài)度在0到1-ξ范圍內(nèi)的個體的接納程度隨觀點強度絕對值增加而線性下降。
話題二:持較綜合觀點的個體對其他觀點的接納程度較低,即當|xi(t)|越趨近于[0,1]內(nèi)某個值時,f(1-|xi(t)|)越接近于0,個體對其他觀點的接納程度越低。在大量預實驗的基礎上將這種情況下的f2(x)設置為均值0.5,方差為1的正態(tài)分布的變形,具體表達式為:
(4)
式(4)中,持有觀點絕對值為0.5的個體對其他觀點完全不接納,持有觀點絕對值與0.5相差越大的個體對其他觀點的接納程度越高。
此外,本文用[-1,1]代替[0,1]來表示個體觀點的分布。這種等量代換可以獲得更簡潔的數(shù)學表達式與更對稱的演化軌跡。基于上述分析,對DW模型觀點演化公式進行改寫。首先,將初始DW迭代公式改寫成微分形式得到:
(5)
結合以上對現(xiàn)實中的網(wǎng)絡平臺的輿情觀點演化特征的分析,并對DW模型進行改進,得到新的微分模型為:
(6)
2.2.3 差異化信息推送機制的引入 現(xiàn)實中,在輿情演化網(wǎng)絡中不同網(wǎng)絡媒體推送信息的機制是有差異的,主要分類標準為是否使用智能推薦機制。實際上,在市場趨近飽和與計算機網(wǎng)絡技術發(fā)展的雙重條件加持下,為了保持用戶留存率,許多網(wǎng)絡內(nèi)容智能分發(fā)平臺通過挖取并分析用戶的瀏覽習慣與行為特征獲取用戶興趣偏好,有針對性地進行相關內(nèi)容的持續(xù)性智能推送。除此以外,市場上同樣還存在著具有新聞采訪權,由編輯人工進行文稿撰寫與信息資源組織的移動新聞客戶端,這種類型的網(wǎng)絡內(nèi)容智能分發(fā)平臺則通過統(tǒng)一的無差別推送機制向用戶發(fā)布信息內(nèi)容[35]。
而當平臺濫用智能推薦算法時,容易產(chǎn)生“過濾氣泡”,形成“信息繭房”。在這樣的現(xiàn)實情形下,作為信息接收者與消費者的互聯(lián)網(wǎng)個體用戶之間會因瀏覽習慣、觀點喜好、自身興趣等因素之間的巨大差異而使得其客戶端中被推送的話題、觀點具有明顯的標簽和分類。因此,對于某一行為主體因智能推薦機制被動的信息過濾而長時間持續(xù)接收重復信息受困于“信息繭房”時,不考慮推薦機制對人群的分割效應隨機選取個體進行DW動力學模型構建將不再適用,在群體輿情演化機理的闡述中必須考慮到智能推薦機制對個體觀點交互產(chǎn)生的影響。為了能更好地刻畫網(wǎng)絡群體中個體之間的觀點交互狀況,通過平臺是否使用智能推薦機制,對網(wǎng)絡媒體用戶的觀點交互情景進行分類界定。因此本研究將對應內(nèi)容智能分發(fā)平臺與移動新聞客戶端兩種典型網(wǎng)絡媒體平臺分別設置有無智能推薦機制兩種輿情傳播情形,并使用仿真模擬實現(xiàn)。
設置網(wǎng)絡節(jié)點個數(shù)為N=100且擁有一定無標度特性。為了更好地研究兩種話題下行為主體在使用不同推薦機制的網(wǎng)絡內(nèi)容智能分發(fā)平臺中信息交互觀點演化的過程,下面將通過一系列計算機仿真實驗對兩種話題下有無智能推薦機制共四種不同的情況進行逐一研究。此外,仿真實驗還從群體水平上觀察了觀點均值和方差的變化,以確定群體觀點的平均傾向和分歧程度。使用Matlab2020a依照已設定的交互規(guī)則,對改進后的DW模型進行仿真實驗,迭代次數(shù)T=80000,在大量預實驗基礎上,設置λ=10-2、λ=10-1.5、λ=10-1、λ=10-0.5四種平臺影響強度。個體觀點按照式(4)規(guī)則更新,繪制相關曲線時沿時間軸均勻采樣200個點。
3.1無智能推薦機制情形下的觀點演化在群體樣本極大的情況下,在不使用智能推薦機制的移動新聞客戶端中持有支持態(tài)度或者反對態(tài)度的個體數(shù)量維持均衡,因此在群體水平上的觀點并不會表現(xiàn)出明顯的傾向性,但在個體水平上的觀點存在較大差異。當媒體客戶端無推薦機制時,每個個體所收到的信息是隨機的,對應的模型中的交互對象為群體中隨機個體。
3.1.1 無智能推薦機制時話題一的觀點演化 對于在無智能推薦機制的網(wǎng)絡內(nèi)容智能分發(fā)平臺進行信息交互的情境下,群體觀點的演化過程與結果受到個體i與有近鄰關系的N個個體jn觀點交互行為的影響,并且受討論話題一的接納程度函數(shù)f1(x)影響。得到四種平臺影響程度下的個體觀點演化情景,如圖2所示。
(a) (b)
3.1.2 無智能推薦機制時話題二的觀點演化 對于在話題二無智能推薦機制的網(wǎng)絡內(nèi)容智能分發(fā)平臺進行信息交互的情境下,群體觀點的演化過程受討論話題二的接納程度函數(shù)f2(x)影響。依舊設置λ=10-2,λ=10-1.5,λ=10-1,λ=10-0.5四種平臺影響強度,個體觀點按照式(4)規(guī)則更新。得到四種平臺影響程度下的個體觀點演化情景,如圖4所示。
圖4 話題二:無智能推薦機制時不同λ條件下個體觀點演化
根據(jù)圖 4所展現(xiàn)的不同λ條件下的個體觀點交互過程可以發(fā)現(xiàn),在話題二無智能推薦機制時的情況下,在相同的時間尺度下個體觀點演化過程更加平緩且溫和。在平臺影響強度較低的情況下(λ=10-2,λ=10-1.5)群體觀點變化較小,在平臺影響強度較高的情況下(λ=10-1,λ=10-0.5)群體觀點出現(xiàn)部分聚合,總體呈現(xiàn)了觀點的多元化,這與接納函數(shù)f2(x)的設定背景一致。同時圖像上觀點的聚合位置位于0附近,這是因為這個區(qū)域的接納函數(shù)f2(x)的值相對較低,容易與他人的觀點進行交互后改變觀點。另一接納函數(shù)f2(x)的值相對較低為兩端,與情況一的穩(wěn)定不同,本例中兩端的極端個體會向非極端的方向逐漸演化。在本例中,話題二無智能推薦機制的觀點均值基本保持在0上下浮動,見圖5(a)。而方差隨平臺影響強度增加而減小,見圖5(b),表明平臺影響力越大,平臺用戶分歧相對越小。
(a) (b)
3.2存在智能推薦機制情形下的觀點演化在群體樣本極大的情況下,個體水平上的觀點存在較大差異,但每個觀點都有許多支持者且相近觀點之間的差異會縮小。智能推薦機制通過分析瀏覽偏好給用戶打上標簽,便于針對性推送相近觀點。當內(nèi)容分發(fā)平臺使用推薦機制時,每個個體所收到的信息是被系統(tǒng)挑選的,對應模型中的交互對象為個體對應觀點值xi(t)一定范圍內(nèi)的個體,m用來智能推送范圍。即與觀點值在[xi(t)+m,xi(t)-m]的隨機個體進行觀點交互。m越小智能推送機制的強度越高,在本文所述智能推薦機制中,設定m=0.3。
3.2.1 存在智能推薦機制時話題一的觀點演化 在有智能推薦機制的網(wǎng)絡內(nèi)容智能分發(fā)平臺進行信息交互的情境下,群體觀點的演化過程與結果不僅受討論話題一的接納程度函數(shù)f1(x)影響,還受到系統(tǒng)智能推薦機制的影響。保持各項參數(shù)不變,僅添加推薦機制,得到四種平臺影響程度下的個體觀點演化情景,如圖6所示。
圖6 話題一:有智能推薦機制時不同λ條件下個體觀點演化
根據(jù)圖6所展現(xiàn)的不同λ條件下的個體觀點交互過程可以發(fā)現(xiàn),在話題一有智能推薦機制的情況下,群體觀點的演化結果與無智能推薦機制時比較接近,均主要表現(xiàn)為極端個體的觀點穩(wěn)定和非極端個體的觀點聚合。但在話題一有推薦機制的情況下,觀點聚合的速度大幅提升,且在平臺影響強度差異較大的情況下均能在有限時間內(nèi)實現(xiàn)演化穩(wěn)定。本例的均值隨λ變化的變化不顯著,方差隨λ增大略微增大,見圖7(a)和7(b)。這表明在較高的智能推送強度下,群體的觀點分歧會有所加重。這表明智能推薦機制可以增加群體觀點演化尤其是觀點聚合的速度,此外還表明了在智能推薦機制的作用下,一些影響力較低的平臺也可以通過智能推送來影響群體的觀點走向、影響個體的觀點偏好。
(a)
(b)
3.2.2 存在智能推薦機制時話題二的觀點演化 在有智能推薦機制的網(wǎng)絡內(nèi)容智能分發(fā)平臺進行信息交互的情境下,群體觀點的演化過程與結果不僅受討論話題的接納程度函數(shù)f2(x)影響,還受到系統(tǒng)智能推薦機制的影響。保持各項參數(shù)不變,僅引入推薦機制,得到四種平臺影響程度下的個體觀點演化情景,如圖8所示。
根據(jù)圖8所展現(xiàn)的不同λ條件下的個體觀點交互過程可以發(fā)現(xiàn),在話題二有智能推薦機制時的情況下,群體觀點的交互速度大幅度上升,且在早期就出現(xiàn)了分簇的情況。與無推薦機制時不同,有推薦機制時觀點主要收斂于±0.5附近,即接納函數(shù)f2(x)的極小值附近。本例的均值和方差隨λ變化的變化不顯著,但仍可以看出λ越大均值和方差的波動越大,不穩(wěn)定程度越高,見圖9(a)和圖9(b)。將本例與情況二無智能推薦機制進行對比,可以看出智能推薦機制不僅加快了群體觀點演化的速度、促進觀點聚合,還影響了群體觀點聚合的穩(wěn)定位置。無推薦機制時,群體聚合的穩(wěn)定位置與接納函數(shù)f2(x)的整體分布關系更大,因為f2(x)關于0對稱,所以聚合在0處附近。而有推薦機制時,群體聚合的穩(wěn)定位置與接納函數(shù)f2(x)的極值關系更大,因為f2(x)極小值在±0.5附近,所以觀點的聚合點也在附近。這與模型的理論推導也是相符的,智能推薦機制下會形成多個觀點簇,這些觀點簇的分布不再如同傳統(tǒng)DW模型一樣表現(xiàn)出近似均勻分布的特征,而是集中分布在接納函數(shù)極小值附近。現(xiàn)實中則體現(xiàn)為觀點開放度更高的個體會更多受固執(zhí)個體影響,這種情況在文化討論中非常普遍。情況二的仿真結果也較好地體現(xiàn)了模型反映部分現(xiàn)實情況的能力。
3.4信任閾值對觀點簇數(shù)量和收斂速度的影響在傳統(tǒng)的輿情動態(tài)模型中,信任閾值ε的大小對群體觀點交互演化形成的最終觀點數(shù)量簇有著決定性的影響。因此,需要進一步考察不同取值水平的信任閾值ε對改進后的DW群體觀點演化模型的收斂速度和最終數(shù)量簇的影響。根據(jù)前文所劃分的兩種話題在有/無智能推薦機制下的四種情形下的演化規(guī)則進行仿真實驗,在仿真實驗中分別設置三個不同水平的信任閾值:ε=0.1,ε=0.3,ε=0.5[37],得到線性時間內(nèi)觀點數(shù)量簇和收斂速度的演化狀況,如圖10所示。
(a)話題一:無智能推薦機制時 (b)話題一:有智能推薦機制時
(c)話題二:無智能推薦機制時 (d)話題二:有智能推薦機制時
實驗結果顯示,在四種規(guī)定情形下,隨著信任閾值ε的增大,觀點演化的收斂速率均有所提升,部分情形下最終收斂的觀點數(shù)量簇減少。此外,信任閾值ε對設定的兩種話題類型所產(chǎn)生的影響呈現(xiàn)出不同的特征:在話題一所對應的兩種情形下,ε對群體觀點演化收斂速率的影響較為顯著,反映了人們對于具有明顯個體偏好性的話題類型更容易因為相似的觀點而產(chǎn)生交互的現(xiàn)象。而ε對在智能推薦機制情形下群體對于話題二的觀點演化收斂速率、最終觀點數(shù)量簇都有重要影響:當信任閾值較低時(如ε=0.1),無智能推薦機制情形和有智能推薦情形具有差異,存在智能推薦機制的情形中最終觀點數(shù)量簇較少,即有智能推薦機制平臺中所產(chǎn)生的“信息繭房”使得觀點相似的個體更容易聚集起來,形成一致的群體觀點;當信任閾值較高時(如ε=0.5),有智能推薦機制情形下群體觀點演化收斂速度更快,且有著明顯的觀點聚合趨勢??梢哉J識到,信任閾值ε始終對群體觀點演化具有十分重要的影響作用。
為了驗證本研究基于平臺推薦機制環(huán)境提出的DW改進模型的科學性和可靠性,選取“做題家朝丁真撒氣”這一事件作為案例,并對本文提出的DW改進模型進行仿真,將真實事件的觀點值演化數(shù)據(jù)與模擬數(shù)據(jù)進行對比。
2020年12月20日中國青年報發(fā)表名為《做題家們的怨氣為何要往丁真身上撒》的文章,此文一出更是激化了“爆紅”全網(wǎng)的四川理塘藏族男孩丁真的支持者與不滿其“爆紅”現(xiàn)象的反對者之間的矛盾,引發(fā)了“做題家朝丁真撒氣”的微博話題討論。該案例正對應了本文所述的具有明顯價值偏好的話題一類型,基于此,選取具有智能推薦機制的新浪微博平臺作為數(shù)據(jù)源,爬取了“做題家朝丁真撒氣”微博話題下的5908條微博數(shù)據(jù)。經(jīng)過初步人工數(shù)據(jù)篩選、過濾無關微博(如明顯的轉發(fā)廣告)后共得到3673條微博,并刪除文本中無用內(nèi)容(如“轉發(fā)微博”“回復”“@XXX”等)以減少后期對觀點取值分析結果的干擾。
圖11 群體觀點演化對比圖
如圖11所示,案例方差數(shù)據(jù)和本模型的模擬演化方差數(shù)據(jù)較為接近,與傳統(tǒng)DW模型演化方差數(shù)據(jù)和趨勢差別較大,為證明模型的可靠性提供了支撐。與案例數(shù)據(jù)最接近的兩條模擬曲線為有智能推薦機制情形下的話題一和話題二,且案例曲線前期演化狀況接近話題一在有推薦機制情形下的演化,而后期演化狀況接近話題二在有推薦機制情形下的演化。這與群體在對現(xiàn)實中“做題家朝丁真撒氣”事件討論的話題側重點演化過程相類似:最初對于該話題的討論集中在“討厭”或者“喜歡”丁真,即此時的話題具有明顯價值偏好特性。隨著對事件討論的深入,群體開始意識到丁真偶然走紅之后持續(xù)不減的熱度讓更多的人認識到了理塘扶貧政策落地中基層工作人員的奉獻以及該地區(qū)豐富的旅游資源,這也將為理塘脫貧成功添上濃墨重彩的一筆。此時,群體的視角開始轉向丁真“爆紅”現(xiàn)象是理塘扶貧工作的縮影的客觀討論中。案例事件中的實際觀點演化與話題一、二兩種話題觀點演化的對比特征說明了現(xiàn)實中對某一事件的討論不能用單一話題去概括,其往往是兩種乃至更多種復雜話題的結合體,需要進一步的探索和嘗試以得出更接近的擬合方式。
本文對DW模型中個體交互過程進行了重構,分析了平臺影響力、話題類型影響和智能推薦機制對觀點交互過程的影響并對DW模型進行了相應的改進,通過模擬群體觀點自由演化的仿真實驗的結果來分析不同參數(shù)設置下群體觀點演化的趨勢并引申到實際情形中,使DW模型的應用背景得到了擴展。本文實驗結果表明:第一,平臺對用戶的影響程度會影響群體觀點收斂速率,若無推薦機制一般不影響用戶觀點交互的結果。第二,不論是否存在智能推薦機制,不同話題下的觀點交互過程都有較大差異,具有明顯價值偏好的話題容易使群體分歧,而敏感程度低的客觀話題容易使群體聚合。第三,智能推薦機制可以影響觀點交互的收斂速率和結果。通常情況下,具有智能推薦機制的平臺上的觀點演化至穩(wěn)定的時間減少,形成的穩(wěn)定觀點簇更集中于接納函數(shù)均值。
本研究的結論對于具有多話題、多平臺、有智能推薦機制等特點的復雜觀點交互過程的進一步研究有一定的幫助。同時研究結論對實踐中的觀點導向有所啟示:一方面,對不同的話題要采用不同的導向方法,要順應話題自然交互模型的規(guī)律。另一方面,合理利用推薦機制可以影響群體的觀點交互過程和演化結果,如政府部門可以合理利用智能推薦機制來進行輿情導向和政治宣傳,同時也要防止推薦機制被濫用或惡意利用。另外,通過前文對信任閾值ε的分析可知其在多種平臺情形下都對群體觀點演化具有重要影響,因而需要注意到信任閾值水平這一參數(shù)背后所蘊含的群體交互特性:處于封閉社交網(wǎng)絡環(huán)境中的用戶憑借著強關系紐帶形成的低信任閾值將使得用戶在某些方面產(chǎn)生群體規(guī)范意識,容易產(chǎn)生帶有偏向性的極化觀點。雖然與具有較強凝聚力的“小圈子”社會形成的半開放圈群中的私密表達相比,公開社交平臺上推薦機制帶來的“信息繭房”帶來的輿情效果總是聲勢浩大的。但隱蔽性輿情場域所產(chǎn)生的也能夠對整個網(wǎng)絡輿情發(fā)展演化產(chǎn)生重要影響,因此需要加強收集和整理對半開放圈群的輿情信息,以此提高對可能出現(xiàn)的輿情風險的預測能力。
本研究對DW交互模型的改進很好地模擬了現(xiàn)實輿情傳播情況,有助于對現(xiàn)實中觀點交互進行分類和仿真,也有助于進一步探究群體觀點交互的深層次機理。然而現(xiàn)實世界更為復雜,進一步的研究可以結合實際案例對本研究所做出的改進加以調(diào)整和優(yōu)化。