网络群体极化现象的形成机理及仿真实验研究

陈庭贵 杨俊蓉

(浙江工商大学， 杭州 310018)

网络群体性事件是指发生在互联网上的有较多网民参与讨论的事件。网络群体极化现象，是指网民个体一开始在观点上有某些偏向，在关注或参与讨论后，其观点集中朝某个方向偏移而形成极端观点的现象。互联网传播的交互性、时效性和便捷性强，生活中分散的独立个体在互联网中容易聚集起来，通过观点的交流和碰撞及各种外在因素的刺激和相互影响，便容易形成网络群体极化现象。本次研究，将探讨导致网络群体极化的原因，并通过建立群体极化的模型，分析有关影响因素的作用及网络群体极化的形成机理。

1 网络群体极化的系统动力学模型

网络群体是由于偏好相似而汇聚起来的。我们将先对各项影响因素进行层次分析，然后将得到的态度值用经典的J-A模型进行仿真实验，由此探讨网络极化现象的一般规律。

1.1 D-W及J-A模型简介

在D-W模型中，个体的观点状态使用连续值来表示，在全连接网络基础上对连续观点进行多 agent模型构建[1]。其中，个体只有接收维度，且无立场维度，因此只需要考虑个体态度之间的同化效应。此外，对agent交互机制可以参照社会心理学中的个体观点连续值表示方法来进行描述。由于仅考虑了社会评价理论中的同化效应，而未考虑相斥效应，D-W模型不能很好地描述现实中的观点极化过程。与D-W模型相比，W.Jager与F. Amblard提出的J-A模型[2]，在全连接网络上考虑了社会评价理论中的同化效应、相斥效应以及中立情况。

(1) 同化规则。如果a和b之间的态度距离小于d1，则a、b两节点的态度值更新为：

(1)

(2)

其中，μ∈(0，0.5]，为影响参数；xa与xb为a、b两节点更新前的态度值。

(2) 相斥原则。如果a和b之间的态度距离大于d2，则a、b两节点的态度值更新为：

(3)

(4)

其中，μ∈(0，0.5]，为影响参数；且有定义：

(3) 中立规则。在上述2种情况以外，a、b两节点的态度值不发生改变。

1.2 影响因素及其权重的确定

借鉴文献[3]和[4]对影响因素的归纳，将一些具有代表性的影响态度值变化的因素引入J-A模型中。这些因素主要是舆情热度、环境透明度和网民理性度。不同因素对极化结果有不同的影响，采用层次分析法确定各影响因素的权重。

1.2.1 舆情热度

舆情热度受到发帖热度、关注热度、时间热度和环境热度的共同影响。其中，关注热度指互联网上的网民和媒体对某网络事件的关注程度；时间热度指网民和媒体关注某个网络事件的时间跨度，也就是在某个网络事件出现后，网民和媒体由开始关注、关注度升高、关注度降低至最后失去关注兴趣这个过程所延续的时间；环境热度指媒体和政府参与到网络事件的情况，主要通过媒体(包括网络媒体和传统媒体)对网络事件发布的新闻数量来衡量。通过层次分析法确定各元素的权重，建立的层次模型如图1所示。

图1 舆情热度层次分析

将准则层4个因素对目标层(A)的影响程度进行两两比较，然后将比较结果进行量化，得到比较矩阵(见表1)。

表1 各因素的影响程度

根据比较矩阵得各层次的权重值，再通过一致性检验，得到发帖热度、关注热度、时间热度和环境热度的权重，分别为56.88%、23.72%、6.59%和12.80%。对各影响因素的计算，参考文献[4]给出的方法。

发帖热度(B)：可以根据当时的热点事件(i)统计新浪微博的网民评论数，计算网民发表的与事件相关的微博总数(B1)。事件i的发帖热度，Bi=10×B1i÷max(B1j)(j=1，2，3，…，m)。B的取值范围为[0，10]。

关注热度(C)：获取某网络热点事件百度指数中的搜索峰值(C1)，由此计算事件i的关注热度，Ci=10×C1i÷max(C1j)。C的取值范围为[0，10]。

时间热度(T)：统计事件发生后持续的总天数(T1)和百度指数超过1 000的天数(T2)，然后计算时间热度。T=10×T2÷T1。T的取值范围为[0，10]。

环境热度(D)：统计四大门户网站发布的新闻数(D1)、各省政府网站发布的新闻数(D2)。如果传统媒体发布过该事件的新闻，则在环境热度上加2。计算事件i的环境热度，Di=2+4×D1i÷max(D1j)+4×D2i。D的取值范围为[0，10]。

舆情热度A的取值范围为[0，10]。

1.2.2 环境透明度

网民对事件的了解程度会随着时间的推移逐渐增强，事件的透明度也会随时间的推移而逐渐提高。对环境透明度(E)，通过环境热度(D)来观察[5]。

1.2.3 网民理性度

网民对某事件的看法会由于自身不同的背景、个性等因素而不同。根据中国互联网络信息中心第41次发布的《中国互联网络发展状况统计报告》中的网民年龄和学历分布，估计网民的理性度(H)[6]，其取值范围为[0，10]。

2 仿真实验思路及流程

对群体极化最终的态度值(P)通过舆情热度、环境透明度和网民理性度3个维度来描述。基于层次分析法确定各维度不同的权重，综合得出网民的态度值，然后以J-A模型进行仿真分析。

融入多因素的态度极化J-A模型仿真思路是：首先，在计算机中建立单独的个体，代表拥有不同观点的网络主体；然后，基于BA网络，将这些个体按照一定的简单规则相互连接，形成群体交互网络；最后，观察群体中个体的特性及群体极化演变规律。这个过程可以分为以下几个步骤：(1)研究网络舆情演化中网络群体成员的行为以及成员间的交互规则，抽取相关参数；(2)模拟成员间的交互，验证相关参数对产生群体极化的影响，研究不同情景下可能产生的群体极化现象；(3)对结果进行可视化处理，显示网络舆情演化中群体极化的过程。

根据上述思路，这里使用Matlab编程构建人工社会系统。其中，每个agent代表社会网络中参与信息交互的一个网民个体，它具有一个维度为n的状态特征参量(本文中n=3，即发帖热度、网民理性度和环境透明度)，表示每个网民个体的多维态度值。agent之间以经典J-A模型中的规则进行交互，而agent之间的联结关系则由网络邻接矩阵来定义。在每一次实验时，通过随机取样的方法抽取2个实验个体充当网络节点，然后根据BA网络的连接概率来判断它们是否相连。如果满足连接条件，则根据模型中的规定进行相互作用；若不相连接，则进入下一个演化时间步长。对节点相互作用规则设置如下：首先，计算这2个个体的态度值差异的绝对值。如果态度差异值小于收敛参数d1，则认为这2个个体处于社会评价理论中的同化效应带，按式(1)和式(2)计算更新其态度向量，表明其态度会进一步接近；如果态度差异值大于发散参数d2，则认为这2个个体处于社会评价理论中的相斥效应带，按式(3)和式(4)计算更新其态度向量，表明其态度差异会进一步增大；如果态度差异值在d1和d2之间，则他们的态度均保持不变。反复执行此过程，观察群体涌现现象中的态度演化情况。其流程如图2所示。

图2 群体态度演化仿真流程

3 仿真实验结果与分析

3.1 实验设置

选取100个网民在一段时间内的态度值，通过百度、微博等大流量的网站和平台收集有关某一突发网络事件的数据；运用层次分析法对数据进行初步处理，得到最终影响态度值的三因素的值；利用Matlab将数据导入模型，分析演化机理及影响因素。采用BA网络来模拟网民之间的交互，在经典J-A模型基础上结合层次分析法，分析舆情热度即网民态度值，最终通过仿真手段分析网络舆情群体极化过程。这里设定网民初始态度值为-1和1的离散数据。

3.2 实验结果与分析

3.2.1 各因素对极化的影响

本次仿真实验分3次进行。第一次实验，舆情热度的权重为90%，环境透明度和网民理性度的权重均为5%。第二次实验，环境透明度的权重为90%，舆情热度和网民理性度的权重均为5%。第三次实验，网民理性度的权重为90%，舆情热度和环境透明度的权重均为5%。取100个网民的数据进行分析。参数设置：交互次数Time=200，d1=0.1，d2=0.9，μ1=0.3，μ2=0.6。实验结果如图3至图5所示。

图3 第一次实验结果

图4 第二次实验结果

图5 第三次实验结果

第一次实验结果见图3。当舆情热度占据较大权重时，网络群体出现多重极化现象。从交互开始到Time=50，舆情热度较高，各种观点层出不穷，而且都占有一定比例，从而形成多极化现象。

第二次实验结果见图4。当环境透明度占据较大权重时，在较短时间内网络群体就出现了两极分化现象。

第三次实验结果见图5。当网民理性度占据较大权重时，网络群体同样在较短时间内出现了两极分化现象。

从实验结果来看，舆情热度、环境透明度和网民理性度3个因素的改变，都会造成极化结果的不同，使群体向不同的态度值聚集。当舆情热度占据影响因素的主导地位时，网民在网上对事件的讨论热度极高，越来越多的观点不断涌现，使得观点较难统一，导致最终极化形成的态度值急速变化，并出现多个极化值。外界环境的变化或多或少地影响着舆情演化中网络群体的态度向极端态度值的发展，当某一影响因素的权重变得很大时，网络舆情极化的速度则趋于缓慢。最后随着时间的推移，网民关注度逐渐降低，舆情事件慢慢退出人们的视野。

3.2.2 群体态度随时间的演化

设置影响态度值的3个因素的权重相同，即舆情热度、环境透明度以及网民理性度权重均为33.3%，其他参数不变，观察不同交互次数下网络群体极化的规律(结果见图6、图7、图8，对应的交互次数分别为0、20、50)。

图6 Time=0时群体态度的演化结果

图7 Time=20时群体态度的演化结果

图8 Time=50时群体态度的演化结果

在Time=0时，态度值在-1至1之间散乱分布。经过Time=20的迭代后，此时网络群体的态度值还是散乱分布，但其中有几个态度值的分布已经相对集中。经过Time=50的迭代后，网络群体的态度值形成了极化现象。

3.2.3d1和d2的取值对极化的影响

各种影响因素和参数不变，仅改变d1和d2的取值。实验发现，d1、d2的取值均为0.5时，极化过程相对缓慢，而且在中间阶段未出现极化现象(见图9)；当d1为0.1、d2为0.5或d1为0.5、d2为0.1时，虽然最终的结果是态度值向-1和1两端极化，但中间阶段会出现多个态度极值的现象(见图10、图11)。

从实验结果可知：随着迭代进程的发展，个体的态度值分布逐渐向一个或多个态度值集中，处于中间状态的个体比例越来越低，并且也呈现出逐渐向两端聚集的趋势。这表明，随着时间的推移和个体交互的进行，个体态度值产生了明显的极化现象。舆情热度、环境透明度和网民理性度等外界因素对群体极化的影响明显，但影响程度各不相同。对应于同化效应与排斥效应带的参数d1和d2也会影响态度演化过程和群体态度值的极化分布，对每个节点赋予不同的d1和d2值，群体极化的时间则会有所不同。

图10 d1为0.1、d2为0.5时的群体态度值分布

图11 d1为0.5、d2为0.1时的群体态度值分布

4 结 语

本次研究分析了网络群体极化现象的影响因素，提出了改进的极化模型。针对影响群体极化的舆情热度、环境透明度和网民理性度3个主要因素，采用层次分析法确定各因素的权重，将其多维态度值引入J-A模型中，分析不同权重下的影响因素对极化过程及结果的影响；然后基于多主体社会系统，仿真具有100个节点的BA网络下多维态度的群体极化过程；最后分析了收敛参数d1和发散参数d2对群体极化的影响。实验结果表明，参数的变化会影响极化过程，但不能改变极化的最终结果。多维态度评价有利于减少极端情形的发生。