社會化媒體謠言自凈化機制的定量模擬研究

夏志杰 吳忠 王筱莉 謝妍曦

摘要：[目的/意義]利用社會化媒體的自凈化特性是應對謠言傳播的一種重要思路，但目前的相關研究大多是定性和案例研究，缺乏理解其內在作用規律的定量研究。[過程/方法]為彌補這一不足，在經典謠言仿真模型SIR模型基礎上，引入謠言凈化者概念，構建考慮自凈化機制的社會化媒體謠言傳播模型，求解謠言傳播閾值并對模型進行多角度模擬仿真。[結果/結論]仿真結果表明，社會化媒體謠言存在自凈化的潛力，但效果決定于用戶的辨別能力、批判性思維習慣、潛在凈化者參與意愿及其影響力等;根據這些結果，提出更好利用自凈化機制來應對社會化媒體謠言傳播的策略建議。

關鍵詞：社會化媒體;謠言;自凈化機制;仿真

DOI：10.3969/j.issn.1008-0821.2019.03.011

〔中圖分類號〕G206〔文獻標識碼〕A〔文章編號〕1008-0821（2019）03-0101-08

近年來，以微博、微信等為代表的社會化媒體正成為公眾信息傳播和資源共享的重要平臺，在突發事件應急中也有大量的應用[1-3]，但由于社會化媒體平臺信息生成傳播的快速性和巨量性，很難有一個驗證機制可以及時判斷社會化媒體信息的真實性，其面臨大量不實信息和謠言傳播問題的挑

戰[4-5]，謠言信息的大量傳播會降低社會化媒體信息質量、給公眾帶來困擾，甚至引發大規模危機事件等[6-8]，是社會化媒體應用領域面臨的重要研究課題。

目前應對社會化媒體謠言傳播的方法大致可分為兩類：抑制謠言傳播和盡力傳播真相，但在實踐中都存在成本高、真相難以及時確認、外部采取干預行動時謠言已經大量傳播等問題[9]。因此，有研究開始討論如何利用社會化媒體的自凈化（Self-purification）特性[10]來應對謠言傳播（也有研究稱之為自糾正（Self-correcting）特性或自調節（self-regulating）特性）[11-12]，即鼓勵通過用戶發布信息的互補、糾錯，以及對虛假信息進行舉證、質疑，從而抑制謠言的傳播。在傳統媒體和官方渠道，一些信息難以被證實，但社會化媒體可以通過大量的用戶生成內容（User Generated Content，UGC）去應對謠言傳播[7，13]，同時社會化媒體平臺的一些特別功能也使得利用群體應對謠言傳播變得更加容易，不少研究已從不同角度討論了社會化媒體自凈化機制實現的可能性[4，8，14]。

但目前關于社會化媒體謠言自凈化機制的相關研究大多是定性或案例研究，缺乏科學系統的定量分析，其復雜作用的演變過程暫時未能得到很好地刻畫和描述[15]，使得決策者難以采用適當的策略，讓這種自凈化機制在控制社會化媒體謠言傳播上發揮其應有的作用。鑒于此，本文在討論謠言傳播經典的SIR模型[16]基礎上，引入謠言凈化者（Rumor Purifier）這一角色，構建考慮自凈化機制的謠言傳播模型，并進行模擬仿真，以幫助更好地理解社會化媒體謠言自凈化機制的作用機理，為管理者利用這種機制應對社會化媒體謠言傳播提供策略建議。

1社會化媒體謠言自凈化機制模型構建

1.1社會化媒體謠言自凈化機制與潛在的謠言凈化者

本研究界定的社會化媒體謠言自凈化機制為：謠言在社會化媒體中傳播的同時，隨著大量用戶自發地討論、質疑、互補、糾錯以及相關權威信息的發布與傳播，謠言的影響力逐漸下降，并最終失去生命力，社會化媒體謠言實現自凈化。國內外的大量研究表明，社會化媒體謠言是有可能實現自凈化的，如Mendoza M等通過比較智利地震中推特上傳播的真實信息和不實信息這兩類信息表明，不實信息被公眾質疑的概率要遠高于真實信息[12];Tanaka Y等人的研究表明，公眾對謠言信息的質疑和批判會影響個人的判斷，使得謠言傳播能夠被阻止[8]。Li H等也通過實驗表明了社會化媒體環境下群體觀點（Collective Ppinion）能影響一個人對某條信息真假的判斷，并影響其是否決定轉發這條信息，被群體大量質疑的信息傳播的廣度和深度大大下降[14]。國內劉云霄[17]、劉景景[18]等人針對微博謠言的研究也提出了類似的觀點。

當謠言開始傳播時，社會化媒體中與謠言傳播相關的用戶可分為3類：制造謠言的人，質疑或反駁謠言的人，傳播謠言、傳播他人反駁質疑或兩者都傳播的人[8]。3類人中后兩類人都可能是潛在的謠言凈化者（Potential Rumor Purifier）。能夠反駁謠言的人是顯然的潛在謠言凈化者，針對不同類型謠言這類人的身份特征是不一樣的，如科普類謠言，行業專家可以反駁，而與危機事件相關的謠言事件相關者或知情人可以直接舉證辟謠，但這類人相對數量較少，僅靠他們實現自凈化效果有限。還有一類人并不能直接反駁謠言，但基于自己的理性思考和批判性思維，會質疑社交媒體上的各種信息，并通過社交媒體平臺的一些特別功能傳播這種質疑，上一段中提及的很多國內外研究已經表明，這種方式也能有效抑制謠言的傳播[4，8，14]，因此質疑者和傳播質疑的用戶也是潛在謠言凈化者，且人數基數大。已有研究基于SIR模型討論過謠言的質疑機制[19]，但其討論的質疑機制是鼓勵公眾質疑后努力尋找證據再反駁謠言，本質上仍只考慮了擁有反駁證據的公眾對謠言傳播的影響，沒有考慮到上面提及的第二類人數基數更大的人群，本文構建的模型將彌補這一不足。

1.2模型構建

本文構建的模型仍然基于經典的SIR模型。假設謠言是在一個封閉的存在N個節點的混合均勻網絡中傳播，每個節點代表一個可傳播信息的用戶，且節點總數N不變，信息是有向傳播的。社會化媒體謠言自凈化機制模型中謠言傳播示意圖如圖1所示，網絡中用戶分為無知者（Ignorant）、傳播者（Spreader）、潛在謠言凈化者（Potential Purifier）、免疫者（Removal）、謠言凈化者（Purifier）5類。本文通過免疫者最終密度衡量謠言傳播的影響力，自凈化過程中謠言傳播遵守以下規則。

1）當一個無知者遇到一個傳播者時，若無知者相信并傳播謠言，則以λ的概率轉變為傳播者;若無知者因個人認知水平等原因察覺了謠言或產生質疑，則以γ的概率轉變為潛在謠言凈化者;若無知者對謠言不感興趣，則以η的概率轉變為免疫者。無知者遇到謠言傳播者后，表明他已經知道了謠言，從而就從對謠言的無知狀態轉為知謠狀態，因此λ+γ+η=1成立。

2）當一個潛在謠言凈化者愿意辟謠時，則以θ的概率轉變為謠言凈化者，通過θ的取值來衡量潛在謠言凈化者參與辟謠的意愿度;若潛在謠言凈化者不愿意花費時間和精力來辟謠，則以1-θ的概率轉變為免疫者。θ受很多因素影響，如網絡環境、謠言類型、社交媒體平臺是否提供激勵機制和方便有效的凈化手段等。

3）當一個傳播者遇到一個免疫者時，則以α的概率轉變為免疫者;若因傳播者自身對謠言遺忘、不感興趣或注意力轉移，則以δ的比率轉變為免疫者。由于社交媒體信息更新的快速性，遺忘機制對謠言傳播的影響也很明顯[20-21]。

4）社會化媒體環境下，當傳播者傳播信息后，其朋友圈會出現各種評論，如果傳播者通過查看這些評論，意識到其傳播的可能是謠言，則可能會轉變為謠言凈化者[14]，不妨設概率為ε;傳播者除了傳播謠言，也會傳播舉證和質疑信息，當其遇到一個凈化者，若傳播者愿意傳播凈化者的反駁和質疑信息，則可能轉變為事實上的凈化者[4，8，14]，不妨設概率為β，β的取值可來衡量凈化者對傳播者的影響力;若傳播者并不相信謠言凈化者，則仍處于傳播謠言的狀態。

需要說明的是，模型中ε和β兩個參數蘊含的實際含義有較大不同，如在微博或微信平臺上，其中ε是由關注自己的用戶決定的，而β是由被自己關注的用戶決定的，一般而言，自己關注的用戶對其的影響會超過關注自己的用戶對其的影響。

5）謠言在傳播過程中，不考慮社會化媒體用戶的增加與減少。

3模型模擬仿真

利用龍格—庫塔方法（Runge-Kuntt）求解微分方程組（1）～（5），并分析知道真相用戶辟謠的意愿、謠言凈化者的影響力以及網絡環境等對社會化媒體謠言自凈化的影響。假設謠言是在一個有N個節點的混合均勻網絡中傳播的，每個節點代表1個人，N=106，初始狀態只有一個傳播者，即I（0）=106-1106，S（0）=1106，R2（0）=R1（0）=I′（0）=0。

在λ=0.4、γ=0.5、η=0.1、β=0.3、α=0.2、〈k〉=10、δ=0.2、ε=0.1、θ=0.7時網絡中傳播者、無知者、免疫者、凈化者、潛在凈化者等5類人群密度隨時間的變化趨勢如圖2所示。謠言傳播過程中，傳播者密度和潛在凈化者密度先增大，達到最大值后開始減小，最后為0;無知者密度大幅度減小，最后趨于穩定;凈化者密度和免疫者密度增大至最大值后達到穩定狀態。在用戶辨識、質疑信息的能力和辟謠的積極性都很高即γ、θ取值較大時，通過對比傳播者和潛在凈化者的密度曲線可知，反駁謠言的人群力量在很短時間內就超過了傳播謠言的人群力量;謠言傳播結束時，謠言凈化者人群密度遠大于免疫者密度，并且還有相當一部分無知者，使謠言在小范圍內傳播了很短一段時間就失去生命力。仿真結果表明，當滿足一定條件時，社會化媒體謠言可以實現自凈化。

圖2無知者、傳播者、免疫者、凈化者及潛在凈化者等人群密度隨時間變化趨勢

首先考慮潛在凈化者參與凈化的意愿參數θ自凈化效果帶來的影響。在λ=0.5、γ=0.4、η=0.1、β=0.3、α=0.2、〈k〉=10、δ=0.1、ε=0.1時網絡中傳播者（S）、謠言凈化者（R2）、免疫者（R1）等3類人群的密度隨時間的變化如圖3所示。仿真結果表明：隨著潛在凈化者參與糾正的意愿增大，傳播者密度峰值有一定幅度的降低，免疫者密度有大幅度降低，謠言凈化者人群密度有大幅度增加，θ對社會化媒體謠言自凈化的最終效果有重要影響。

接著考慮凈化者影響力參數β對自凈化結果的影響。在λ=0.6、γ=0.3、η=0.1、α=0.2、ε=0.1、θ=0.6、〈k〉=10、δ=0.1時，由圖4可知，隨著謠言凈化者影響力的增大，謠言傳播的時間在逐漸縮短。在凈化主體影響力較小時，傳播者密度峰值遠大于凈化者密度峰值，謠言大范圍傳播，傳播時間較長，社會化媒體謠言的自凈化很難實現，即使此時用戶參與辟謠的積極性較高（θ=0.6）。仿真結果表明：凈化者影響力參數β對自凈化結果有顯著影響。

4結果及建議

根據本文構建的模型及對模型的模擬仿真可知，社會化媒體謠言有自凈化的可能，其效果決定于用戶的辨別能力、批判性思維習慣、潛在凈化者的凈化參與意愿及其影響力等。針對社會化媒體謠言傳播的應對策略，很多研究都提出了類似的建議，如提升網民對謠言的免疫能力、鼓勵意見領袖參與辟謠等。這些建議對本文同樣適合，考慮本文的研究主題，融合以上研究結論，針對社會化媒體平臺提出更多建議。

1）增加潛在凈化者的相對人數，即增大模型中的γ。本文提出的潛在凈化者不僅包括反駁者，還包括所有對謠言提出質疑的人，雖然具備對一條謠言直接反駁的人相對較少，很多研究開始討論謠言信息具有一定的特征，如基于用戶的特征、基于來源的特征和基于內容的特征等[22]。如果社會化媒體在其平臺上顯著的位置提供這些知識信息，讓用戶有能力認識到哪些消息可能是謠言，將會幫助更多的用戶成為潛在凈化者。

2）讓更多的潛在凈化者成為真正的凈化者，即增大模型中的θ。影響潛在凈化者成為真正凈化

圖5不同ε值下傳播者、免疫者及凈化者人群密度隨時間變化趨勢

者的因素很多，類似的研究如討論社會化媒體用戶是否愿意轉發信息的影響因素，比如易用性（Ease of Use）、利他主義（Altruism）和提高個人聲譽（Reputation）等[23-24]。建議社會化媒體平臺管理者讓平臺提供一些激勵機制（如新浪微博的“打賞”機制），或提高用戶界面的易用性，讓潛在凈化者更加愿意和容易及時發出與謠言相矛盾的證據或質疑信息。

3）增加凈化者在辟謠過程中的影響力，即增大模型中的β，同時也盡可能增大ε。在很多社會化媒體平臺中，一則消息只能出現“關注”了人的評論（如微博），但由于一個人的社交圈具有同質性，這減小了其在自己社交圈中發現反對意見的概率[25]，這也是模型中ε通常對自凈化效果影響有限的原因之一。因此社會化媒體平臺有選擇地提供一些信息，鼓勵用戶更多地關注權威用戶是部分解決這一問題的一個策略;社會化媒體中有影響力的凈化者一般“關注者”會比較多，評論也會很多，一些重要的信息容易被忽略，因此建議社會化媒體平臺對內容相似的評論進行聚類，盡可能多地出現不同的觀點，這會提高凈化者影響用戶的概率。

4）更好地利用社會化媒體用戶的群體智慧（Collective Intelligence）。社會化媒體的一個非常有用的功能是能夠收集和展示群體觀點，而個體可以從群體觀點中學習并獲取其不了解的知識[26]。在應對社會化媒體謠言的過程中，更好地利用群體智慧對模型中的4個參數γ、θ、β和ε都有正向影響，如鼓勵用戶進行批判性思考是應對謠言的一種策略，利用少數具備這種能力形成的群體智慧可以讓更多的人成為潛在的謠言凈化者;同樣，加強群體間的信息共享和協同，更好地形成和利用群體智慧可以讓謠言凈化者的影響力變得更大。

5結語

本文在經典謠言傳播SIR模型的基礎上，分析社會化媒體謠言自我凈化的實現路徑，構建考慮自凈化機制的社會化媒體謠言傳播模型，給出相應的平均場方程，求解謠言傳播閾值，并利用Matlab對模型進行數值模擬仿真，得出了一些有意義的結論，最后根據這些結論提出了若干抑制社會化媒體謠言傳播的策略建議。論文嘗試了使用定量模型方法研究社會化媒體謠言的自凈化問題，對目前類似研究大都使用的定性方法是一個很好的補充，但影響社會化媒體信息傳播的因素很多，如網絡結構[27-28]、信息內容[26]、不同場景下公眾對信息的感知度[29]等，本文的模型沒有完全考慮到這些因素，希望后續的研究能夠進一步拓展。

參考文獻

[1]Graham M W，Avery E J，Park S.The Role of Social Media in Local Government Crisis Communications[J].Public Relations Review，2015，41（3）：386-394.

[2]Spence P R，Lachlan K A，Rainear A M.Social Media and Crisis Research：Data Collection and Directions[J].Computers in Human Behavior，2016，54：667-672.

[3]Oeldorf-Hirsch A，Sundar S S.Posting，Commenting，and Tagging：Effects of Sharing News Stories on Facebook[J].Computers in Human Behavior，2015，44：240-249.

[4]Friggeri A，Adamic L A，Eckles D，et al.Rumor Cascades[C]//Proceedings of the Eighth International AAAI Conference on Weblogs and Social Media，2014.

[5]Kumar K P K，Geethakumari G.Detecting Misinformation in Online Social Networks Using Cognitive Psychology[J].Human-centric Computing and Information Sciences，2014，4（1）：14.

[6]Starbird K，Maddock J，Orand M，et al.Rumors，False Flags，and Digital Vigilantes：Misinformation on Twitter After the 2013 Boston Marathon Bombing[C].iConference 2014 Proceedings，2014.

[7]Lewandowsky S，Ecker U K H，Seifert C M，et al.Misinformation and Its Correction Continued Influence and Successful Debiasing[J].Psychological Science in the Public Interest，2012，13（3）：106-131.

[8]Tanaka Y，Sakamoto Y，Matsuka T.Toward a Social-technological System that Inactivates False Rumors Through the Critical Thinking of Crowds[C]//System Sciences（HICSS），2013 46th Hawaii International Conference on.IEEE，2013：649-658.

[9]He Z，Cai Z，Wang X.Modeling Propagation Dynamics and Developing Optimized Countermeasures for Rumor Spreading in Online Social Networks[C]//Distributed Computing Systems（ICDCS），2015 IEEE 35th International Conference on.IEEE，2015：205-214.

[10]Ozturk P，Li H，Sakamoto Y.Combating Rumor Spread on Social Media：The Effectiveness of Refutation and Warning[C]//System Sciences（HICSS），2015 48th Hawaii International Conference on.IEEE，2015：2406-2414.

[11]Simon T，Goldberg A，Adini B.Socializing in Emergencies—A Review of the Use of Social Media in Emergency Situations[J].International Journal of Information Management，2015，35（5）：609-619.

[12]Mendoza M，Poblete B，Castillo C.Twitter Under Crisis：Can we Trust what we RT？[C]//Proceedings of the First Workshop on Social Media Analytics.ACM，2010：71-79.

[13]Ozturk P，Li H，Sakamoto Y.Combating Rumor Spread on Social Media：The Effectiveness of Refutation and Warning[C]//System Sciences（HICSS），2015 48th Hawaii International Conference on.IEEE，2015：2406-2414.

[14]Li H，Sakamoto Y.Social Impacts in Social Media：An Examination of Perceived Truthfulness and Sharing of Information[J].Computers in Human Behavior，2014，41：278-287.

[15]Tian R Y，Zhang X F，Liu Y J.SSIC Model：A Multi-layer Model for Intervention of Online Rumors Spreading[J].Physica A：Statistical Mechanics and Its Applications，2015，427：181-191.

[16]She L，Sheng Z.The SIR Epidemic Mode-based Analysis on the Group Behaviour Under the Situation of Unconventional Accident[J].Journal of Intelligence，2011，30（5）：14-17.

[17]劉云霄.微博自凈功能的局限性及影響因素——以新浪微博為例[J].新聞世界，2013，（3）：93-94.

[18]劉景景，申曙.微博謠言的成因及“自凈”機制[J].新聞世界，2012，（7）：167-168.

[19]王筱莉，趙來軍.社會網絡中具有懷疑機制的謠言傳播模型[J].上海理工大學學報，2012，34（5）：424-428.

[20]Zhao L，Wang Q，Cheng J，et al.Rumor Spreading Model with Consideration of Forgetting Mechanism：A Case of Online Blogging LiveJournal[J].Physica A：Statistical Mechanics and Its Applications，2011，390（13）：2619-2625.

[21]Zhao L， Qiu X.Rumor Spreading Model Considering Forgetting and Remembering Mechanisms in Inhomogeneous Networks[J].Physica A：Statistical Mechanics and Its Applications，2013，392（4）：987-994.

[22]Castillo C，Mendoza M，Poblete B.Predicting Information Credibility in Time-sensitive Social Media[J].Internet Research，2013，23（5）：560-588.

[23]Ayeh J K，Au N，Law R.Predicting the Intention to Use Consumer-generated Media for Travel Planning[J].Tourism Management，2013，35：132-143.

[24]夏志杰，王筱莉，王冰冰.突發事件中公眾社會化媒體使用意愿的影響因素研究[J].情報學報，2015，34（3）：313-323.

[25]McPherson M，Smith-Lovin L，Cook J M.Birds of a Feather：Homophily in Social Networks[J].Annual Review of Sociology，2001：415-444.

[26]Bandura A.Behavioral Modification Through Modeling Procedures[J].Research in Behavior Modification.New York：Holt，Rinehart & Winston，1965：310-340.

[27]Fang X，Hu P J H，Li Z，et al.Predicting Adoption Probabilities in Social Networks[J].Information Systems Research，2013，24（1）：128-145.

[28]Aral S，Walker D.Identifying Influential and Susceptible Members of Social Networks[J].Science，2012，337（6092）：337-341.

[29]German Neubaum，et al.Psychosocial Functions of Social Media Usage in a Disaster Situation：A Multi-methodological Approach[J].Computers in Human Behavior，2014，34：28-38.

（責任編輯：孫國雷）