社会化媒体谣言自净化机制的定量模拟研究

夏志杰 吴忠 王筱莉 谢妍曦

摘要：[目的/意义]利用社会化媒体的自净化特性是应对谣言传播的一种重要思路，但目前的相关研究大多是定性和案例研究，缺乏理解其内在作用规律的定量研究。[过程/方法]为弥补这一不足，在经典谣言仿真模型SIR模型基础上，引入谣言净化者概念，构建考虑自净化机制的社会化媒体谣言传播模型，求解谣言传播阈值并对模型进行多角度模拟仿真。[结果/结论]仿真结果表明，社会化媒体谣言存在自净化的潜力，但效果决定于用户的辨别能力、批判性思维习惯、潜在净化者参与意愿及其影响力等;根据这些结果，提出更好利用自净化机制来应对社会化媒体谣言传播的策略建议。

关键词：社会化媒体;谣言;自净化机制;仿真

DOI：10.3969/j.issn.1008-0821.2019.03.011

〔中图分类号〕G206〔文献标识码〕A〔文章编号〕1008-0821（2019）03-0101-08

近年来，以微博、微信等为代表的社会化媒体正成为公众信息传播和资源共享的重要平台，在突发事件应急中也有大量的应用[1-3]，但由于社会化媒体平台信息生成传播的快速性和巨量性，很难有一个验证机制可以及时判断社会化媒体信息的真实性，其面临大量不实信息和谣言传播问题的挑

战[4-5]，谣言信息的大量传播会降低社会化媒体信息质量、给公众带来困扰，甚至引发大规模危机事件等[6-8]，是社会化媒体应用领域面临的重要研究课题。

目前应对社会化媒体谣言传播的方法大致可分为两类：抑制谣言传播和尽力传播真相，但在实践中都存在成本高、真相难以及时确认、外部采取干预行动时谣言已经大量传播等问题[9]。因此，有研究开始讨论如何利用社会化媒体的自净化（Self-purification）特性[10]来应对谣言传播（也有研究称之为自纠正（Self-correcting）特性或自调节（self-regulating）特性）[11-12]，即鼓勵通过用户发布信息的互补、纠错，以及对虚假信息进行举证、质疑，从而抑制谣言的传播。在传统媒体和官方渠道，一些信息难以被证实，但社会化媒体可以通过大量的用户生成内容（User Generated Content，UGC）去应对谣言传播[7，13]，同时社会化媒体平台的一些特别功能也使得利用群体应对谣言传播变得更加容易，不少研究已从不同角度讨论了社会化媒体自净化机制实现的可能性[4，8，14]。

但目前关于社会化媒体谣言自净化机制的相关研究大多是定性或案例研究，缺乏科学系统的定量分析，其复杂作用的演变过程暂时未能得到很好地刻画和描述[15]，使得决策者难以采用适当的策略，让这种自净化机制在控制社会化媒体谣言传播上发挥其应有的作用。鉴于此，本文在讨论谣言传播经典的SIR模型[16]基础上，引入谣言净化者（Rumor Purifier）这一角色，构建考虑自净化机制的谣言传播模型，并进行模拟仿真，以帮助更好地理解社会化媒体谣言自净化机制的作用机理，为管理者利用这种机制应对社会化媒体谣言传播提供策略建议。

1社会化媒体谣言自净化机制模型构建

1.1社会化媒体谣言自净化机制与潜在的谣言净化者

本研究界定的社会化媒体谣言自净化机制为：谣言在社会化媒体中传播的同时，随着大量用户自发地讨论、质疑、互补、纠错以及相关权威信息的发布与传播，谣言的影响力逐渐下降，并最终失去生命力，社会化媒体谣言实现自净化。国内外的大量研究表明，社会化媒体谣言是有可能实现自净化的，如Mendoza M等通过比较智利地震中推特上传播的真实信息和不实信息这两类信息表明，不实信息被公众质疑的概率要远高于真实信息[12];Tanaka Y等人的研究表明，公众对谣言信息的质疑和批判会影响个人的判断，使得谣言传播能够被阻止[8]。Li H等也通过实验表明了社会化媒体环境下群体观点（Collective Ppinion）能影响一个人对某条信息真假的判断，并影响其是否决定转发这条信息，被群体大量质疑的信息传播的广度和深度大大下降[14]。国内刘云霄[17]、刘景景[18]等人针对微博谣言的研究也提出了类似的观点。

当谣言开始传播时，社会化媒体中与谣言传播相关的用户可分为3类：制造谣言的人，质疑或反驳谣言的人，传播谣言、传播他人反驳质疑或两者都传播的人[8]。3类人中后两类人都可能是潜在的谣言净化者（Potential Rumor Purifier）。能够反驳谣言的人是显然的潜在谣言净化者，针对不同类型谣言这类人的身份特征是不一样的，如科普类谣言，行业专家可以反驳，而与危机事件相关的谣言事件相关者或知情人可以直接举证辟谣，但这类人相对数量较少，仅靠他们实现自净化效果有限。还有一类人并不能直接反驳谣言，但基于自己的理性思考和批判性思维，会质疑社交媒体上的各种信息，并通过社交媒体平台的一些特别功能传播这种质疑，上一段中提及的很多国内外研究已经表明，这种方式也能有效抑制谣言的传播[4，8，14]，因此质疑者和传播质疑的用户也是潜在谣言净化者，且人数基数大。已有研究基于SIR模型讨论过谣言的质疑机制[19]，但其讨论的质疑机制是鼓励公众质疑后努力寻找证据再反驳谣言，本质上仍只考虑了拥有反驳证据的公众对谣言传播的影响，没有考虑到上面提及的第二类人数基数更大的人群，本文构建的模型将弥补这一不足。

1.2模型构建

本文构建的模型仍然基于经典的SIR模型。假设谣言是在一个封闭的存在N个节点的混合均匀网络中传播，每个节点代表一个可传播信息的用户，且节点总数N不变，信息是有向传播的。社会化媒体谣言自净化机制模型中谣言传播示意图如图1所示，网络中用户分为无知者（Ignorant）、传播者（Spreader）、潜在谣言净化者（Potential Purifier）、免疫者（Removal）、谣言净化者（Purifier）5类。本文通过免疫者最终密度衡量谣言传播的影响力，自净化过程中谣言传播遵守以下规则。

1）当一个无知者遇到一个传播者时，若无知者相信并传播谣言，则以λ的概率转变为传播者;若无知者因个人认知水平等原因察觉了谣言或产生质疑，则以γ的概率转变为潜在谣言净化者;若无知者对谣言不感兴趣，则以η的概率转变为免疫者。无知者遇到谣言传播者后，表明他已经知道了谣言，从而就从对谣言的无知状态转为知谣状态，因此λ+γ+η=1成立。

2）当一个潜在谣言净化者愿意辟谣时，则以θ的概率转变为谣言净化者，通过θ的取值来衡量潜在谣言净化者参与辟谣的意愿度;若潜在谣言净化者不愿意花费时间和精力来辟谣，则以1-θ的概率转变为免疫者。θ受很多因素影响，如网络环境、谣言类型、社交媒体平台是否提供激励机制和方便有效的净化手段等。

3）当一个传播者遇到一个免疫者时，则以α的概率转变为免疫者;若因传播者自身对谣言遗忘、不感兴趣或注意力转移，则以δ的比率转变为免疫者。由于社交媒体信息更新的快速性，遗忘机制对谣言传播的影响也很明显[20-21]。

4）社会化媒体环境下，当传播者传播信息后，其朋友圈会出现各种评论，如果传播者通过查看这些评论，意识到其传播的可能是谣言，则可能会转变为谣言净化者[14]，不妨设概率为ε;传播者除了传播谣言，也会传播举证和质疑信息，当其遇到一个净化者，若传播者愿意传播净化者的反驳和质疑信息，则可能转变为事实上的净化者[4，8，14]，不妨设概率为β，β的取值可来衡量净化者对传播者的影响力;若传播者并不相信谣言净化者，则仍处于传播谣言的状态。

需要说明的是，模型中ε和β两个参数蕴含的实际含义有较大不同，如在微博或微信平台上，其中ε是由关注自己的用户决定的，而β是由被自己关注的用户决定的，一般而言，自己关注的用户对其的影响会超过关注自己的用户对其的影响。

5）谣言在传播过程中，不考虑社会化媒体用户的增加与减少。

3模型模拟仿真

利用龙格—库塔方法（Runge-Kuntt）求解微分方程组（1）～（5），并分析知道真相用户辟谣的意愿、谣言净化者的影响力以及网络环境等对社会化媒体谣言自净化的影响。假设谣言是在一个有N个节点的混合均匀网络中传播的，每个节点代表1个人，N=106，初始状态只有一个传播者，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时网络中传播者、无知者、免疫者、净化者、潜在净化者等5类人群密度随时间的变化趋势如图2所示。谣言传播过程中，传播者密度和潜在净化者密度先增大，达到最大值后开始减小，最后为0;无知者密度大幅度减小，最后趋于稳定;净化者密度和免疫者密度增大至最大值后达到稳定状态。在用户辨识、质疑信息的能力和辟谣的积极性都很高即γ、θ取值较大时，通过对比传播者和潜在净化者的密度曲线可知，反驳谣言的人群力量在很短时间内就超过了传播谣言的人群力量;谣言传播结束时，谣言净化者人群密度远大于免疫者密度，并且还有相当一部分无知者，使谣言在小范围内传播了很短一段时间就失去生命力。仿真结果表明，当满足一定条件时，社会化媒体谣言可以实现自净化。

图2无知者、传播者、免疫者、净化者及潜在净化者等人群密度随时间变化趋势

首先考虑潜在净化者参与净化的意愿参数θ自净化效果带来的影响。在λ=0.5、γ=0.4、η=0.1、β=0.3、α=0.2、〈k〉=10、δ=0.1、ε=0.1时网络中传播者（S）、谣言净化者（R2）、免疫者（R1）等3类人群的密度随时间的变化如图3所示。仿真结果表明：随着潜在净化者参与纠正的意愿增大，传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，谣言净化者人群密度有大幅度增加，θ对社会化媒体谣言自净化的最终效果有重要影响。

接着考虑净化者影响力参数β对自净化结果的影响。在λ=0.6、γ=0.3、η=0.1、α=0.2、ε=0.1、θ=0.6、〈k〉=10、δ=0.1时，由图4可知，随着谣言净化者影响力的增大，謠言传播的时间在逐渐缩短。在净化主体影响力较小时，传播者密度峰值远大于净化者密度峰值，谣言大范围传播，传播时间较长，社会化媒体谣言的自净化很难实现，即使此时用户参与辟谣的积极性较高（θ=0.6）。仿真结果表明：净化者影响力参数β对自净化结果有显著影响。

4结果及建议

根据本文构建的模型及对模型的模拟仿真可知，社会化媒体谣言有自净化的可能，其效果决定于用户的辨别能力、批判性思维习惯、潜在净化者的净化参与意愿及其影响力等。针对社会化媒体谣言传播的应对策略，很多研究都提出了类似的建议，如提升网民对谣言的免疫能力、鼓励意见领袖参与辟谣等。这些建议对本文同样适合，考虑本文的研究主题，融合以上研究结论，针对社会化媒体平台提出更多建议。

1）增加潜在净化者的相对人数，即增大模型中的γ。本文提出的潜在净化者不仅包括反驳者，还包括所有对谣言提出质疑的人，虽然具备对一条谣言直接反驳的人相对较少，很多研究开始讨论谣言信息具有一定的特征，如基于用户的特征、基于来源的特征和基于内容的特征等[22]。如果社会化媒体在其平台上显著的位置提供这些知识信息，让用户有能力认识到哪些消息可能是谣言，将会帮助更多的用户成为潜在净化者。

2）让更多的潜在净化者成为真正的净化者，即增大模型中的θ。影响潜在净化者成为真正净化

图5不同ε值下传播者、免疫者及净化者人群密度随时间变化趋势

者的因素很多，类似的研究如讨论社会化媒体用户是否愿意转发信息的影响因素，比如易用性（Ease of Use）、利他主义（Altruism）和提高个人声誉（Reputation）等[23-24]。建议社会化媒体平台管理者让平台提供一些激励机制（如新浪微博的“打赏”机制），或提高用户界面的易用性，让潜在净化者更加愿意和容易及时发出与谣言相矛盾的证据或质疑信息。

3）增加凈化者在辟谣过程中的影响力，即增大模型中的β，同时也尽可能增大ε。在很多社会化媒体平台中，一则消息只能出现“关注”了人的评论（如微博），但由于一个人的社交圈具有同质性，这减小了其在自己社交圈中发现反对意见的概率[25]，这也是模型中ε通常对自净化效果影响有限的原因之一。因此社会化媒体平台有选择地提供一些信息，鼓励用户更多地关注权威用户是部分解决这一问题的一个策略;社会化媒体中有影响力的净化者一般“关注者”会比较多，评论也会很多，一些重要的信息容易被忽略，因此建议社会化媒体平台对内容相似的评论进行聚类，尽可能多地出现不同的观点，这会提高净化者影响用户的概率。

4）更好地利用社会化媒体用户的群体智慧（Collective Intelligence）。社会化媒体的一个非常有用的功能是能够收集和展示群体观点，而个体可以从群体观点中学习并获取其不了解的知识[26]。在应对社会化媒体谣言的过程中，更好地利用群体智慧对模型中的4个参数γ、θ、β和ε都有正向影响，如鼓励用户进行批判性思考是应对谣言的一种策略，利用少数具备这种能力形成的群体智慧可以让更多的人成为潜在的谣言净化者;同样，加强群体间的信息共享和协同，更好地形成和利用群体智慧可以让谣言净化者的影响力变得更大。

5结语

本文在经典谣言传播SIR模型的基础上，分析社会化媒体谣言自我净化的实现路径，构建考虑自净化机制的社会化媒体谣言传播模型，给出相应的平均场方程，求解谣言传播阈值，并利用Matlab对模型进行数值模拟仿真，得出了一些有意义的结论，最后根据这些结论提出了若干抑制社会化媒体谣言传播的策略建议。论文尝试了使用定量模型方法研究社会化媒体谣言的自净化问题，对目前类似研究大都使用的定性方法是一个很好的补充，但影响社会化媒体信息传播的因素很多，如网络结构[27-28]、信息内容[26]、不同场景下公众对信息的感知度[29]等，本文的模型没有完全考虑到这些因素，希望后续的研究能够进一步拓展。

参考文献

[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]刘云霄.微博自净功能的局限性及影响因素——以新浪微博为例[J].新闻世界，2013，（3）：93-94.

[18]刘景景，申曙.微博谣言的成因及“自净”机制[J].新闻世界，2012，（7）：167-168.

[19]王筱莉，赵来军.社会网络中具有怀疑机制的谣言传播模型[J].上海理工大学学报，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.突發事件中公众社会化媒体使用意愿的影响因素研究[J].情报学报，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.

（责任编辑：孙国雷）