公共危机中谣言真实度计算及其与正面信息的交锋研究

王芳 连芷萱

摘   要：谣言是一种待证实的信息。对不同真实度的网络谣言与正面信息的交互规律进行研究，可为高效辟谣提供科学依据，以节约辟谣成本。分析公共危机事件下的网络谣言发生机制，提出谣言真实度参数改进谣言传播公式，以百度新闻帖子数量的变化为依据，构建网络谣言传播规律的宏观模型，并进行仿真与实证分析。由实证结果可知，真实度高的谣言传播范围更广，需要更有说服力、更具有情绪引导力的正面信息才可以有效遏制。因此，应当针对谣言的真实度进行分级管理，以达到节约行政成本、精准辟谣的效果。

关键词：新冠肺炎;谣言;谣言真实度;公共危机;正面信息;信息生态

Abstract Rumor is a kind of information to be confirmed. Before the rumor is falsified， the research on the interaction and confrontation between online rumor with different authenticity grade and the positive information can provide scientific basis for efficient and low-cost rumor refutation. Analyze the mechanism of the occurrence of online rumors in public crisis， improve the rumor spreading formula by proposing the rumor authenticity parameter， build a macro model of online rumor spreading based on the change of the number of news posts of Baidu， and carry out simulation analysis and empirical test. The results show that rumors with high authenticity grade spread wider and need positive information with more persuasive and emotional guidance to contain. Therefore， rumors should be refuted hierarchically according to their authenticity grade so as to save administrative costs and scotch them accurately.

Key words  COVID-19; rumor; rumor authenticity; public crisis; positive information; information ecology

1   引言

在公共危机事件中，谣言传播容易引起民众恐慌。如2019年底新冠肺炎事件中先后产生了“武汉有十万感染者”“协和医院患者出逃”“北京菜市场封门一周”等多个谣言，在不同程度上引起了民众恐慌。在信息生态中谣言不是孤立存在的，当谣言扩散后，随着事件明朗与真相的清晰，正面信息会逐渐化解谣言的负面影响。因此，谣言不是无休止扩散，而是与正面信息的传播共同变化，研究两者之间的交互作用是探求谣言传播规律的关键，也是谣言治理的关键所在。

国内外学者基于系统动力学、社会网络分析、信息生态学等视角，对谣言与正面信息的交互问题做了充分研究。在系统动力学方面，常规的研究方法是将谣言传播看作不同群體之间能量交换的动力系统，如张菊平等[1]将真实信息传播者纳入到谣言传播的动力学系统进行研究;董苏雅拉图和黄永畅[2]把人口动力学模型和传播动力学模型相结合，根据网络用户的不同活跃度改进了SIS模型;Wang和liu[3]将流体动力学模型迁移至谣言传播的研究中，通过研究谣言传播网络各个节点的压力值，来计算其传播动力势能;Zhu等[4]将PDE模型用于构建谣言传播的动力学模型，分析了谣言传播的时间迟滞等问题。在社会网络方面，在经典的DK模型[5]和MT模型[6]基础上，Zhao等[7]基于BBV网络研究了网络结构要素对谣言的影响;王筱莉等[5]研究了多个非均匀网络之间谣言与辟谣信息的传播模型;马宁和刘怡君[9]基于超网络的多主体舆情演化模型，深度刻画了人-信息-观点之间微观意见交互并涌现出宏观网络舆情的过程。在信息生态学方面，姜景和刘怡君[10]将信息生态学理论迁移至微博舆情研究，并进行了生态学建模;袁丹灿等[11]对谣言传播的意见领袖、网络水军、政府三者进行生态学建模。生态学建模的另一主流研究方法是经典SIR模型及其改进，如张志花等[12]在传染病模型的基础上添加了新主体谣言净化者;王雨嘉和侯合银[13]增加了观望者和辟谣者的角色，并将移出者分为中立者、相信谣言者和得知真相者三类;顾秋阳[14]在经典传染病模型基础上考虑了移动社交网络对谣言传播发布量增长上限的影响。

在谣言与正面信息交互问题上，已有多位学者从不同角度进行了研究，基本都建立在谣言与正面信息完全对立的假设上。但是，两者并非完全对立。Alport与Postman两位心理学者将谣言定义为“缺乏具体资料以证实其确切性的、与当时事件相关的命题[15]”。可见，谣言的核心要义在于“未经证实”的信息，经过事实证明很有可能是真实情况，如“武汉发现SARS”“新型肺炎可以人传人”等谣言事后被证明具有很高的真实度，并发挥了一定的社会预警作用。对高真实度谣言使用不当的辟谣手段，不仅会浪费辟谣的行政成本，也会伤害政府公信力。因此，当谣言产生时，不能武断地将谣言直接归为非真实信息，而应将谣言真实度因素考虑进来，才能有的放矢地高效辟谣。

本文在研究公共危机事件中网络谣言发生机制的基础上，通过建立谣言与辟谣信息交互的信息生态模型分析真实度因素对谣言传播的影响机理，试图回答以下三个方面的问题：一是什么特征的谣言被证实的可能性高？二是真实度如何量化？三是不同真实度的谣言与正面信息的交互有何规律可循？在此基础上，建议针对不同真实度谣言选定适当的辟谣策略，最大程度节省社会资源并实现精准辟谣。

2   文献回顾

2.1    公共危机谣言

公共危机谣言是公众受到公共危机事件的刺激而产生的心理情感及情绪的适应性反应[16]，此种谣言属于危机信息的一种，具有一定的社会预警功能[17]。赵军锋和金太军[18]认为，公共危机谣言在内容上、情绪传播上具有很强的寄生性。因为公共危机谣言产生于特定的社会条件与心理状态，所以公共危机谣言的危害主要体现在恐慌的传播上。在此方面，兰月新等[19]分别就网民的正面情绪、负面情绪对中性情绪的交互影响进行了研究;任中杰等[20]就812天津大爆炸对网民情绪进行了情感画像;魏晨等[21]结合心理量表对谣言的心理影响进行量化评估。同时，Al Lily等[22]认为一旦谣言影响公共舆论，尽管被辟谣，其影响也不可能完全消退。基于此，本文的研究价值可以体现在两个方面：一是分析公共危机中谣言的预警功能，二是揭示谣言对公众情绪的影响。

首先，从内容上来讲，不同于政治丑闻、娱乐新闻类谣言，公共危机中产生的谣言很少完全凭空捏造，而是伴随着公共危机事件在一定的社会情境中发生、演化、传播。公共危机产生之初真相不明，民众作为亲身经历者会对危机本身有多种猜测。这种基于事实的猜测具有一定的可靠性，可以像发烧一样为社会肌体进行危机预警。其次，謠言的影响可从两方面度量，第一是影响范围，第二是公众情绪。谣言之所以产生、传递，是因为它满足了人们某种潜在的心理需要，所以有必要研究谣言对公众情绪的影响。

2.2    谣言传播要素

谣言的传播受到多方面因素的影响。吴建、马超参考了多位学者的观点[23-27]，在Alport与Postman提出的经典谣言模型[2]基础上，将谣言的新闻性以及传播过程中的管控力度考虑进来，改进了谣言传播公式（见式1）[28]。

RUMOR=（UNCERTAINTY+IMPORTANCE+INCOLVEMENT+STIMULATE+NEWSVALUE）×MEDIA/RITIAL+TRANSPARENCY+CONTROL               （1）

其中，分子部分从事件角度讲包括“不确定性”“重要性”“新闻价值”;从传播者角度讲包括“涉入感”和“刺激性”，同时经由媒体放大。同时，谣言传播与传播者的“批判意识”、传播环境的“透明度”及“管控力度”负相关。从公式1还可以看出“媒体”是谣言传播的充要条件，不论是口口相传还是网络传播，都脱离不了媒介的作用，所以控制传播媒介，也是辟谣的关键点。

同时，在谣言的内容研究方面，喻国明[29]对基于腾讯大数据筛选的六千余条网络谣言进行了内容类别、叙事结构、场景构筑、标题特征四方面的文本分析;施爱东[30]发现谣言内容的周期性与社会活动的周期性、时间季节性、代际规律、相似的社会条件与社会心理状态有关;Pierri[31]研究了社交媒体上低可信度、恶作剧、阴谋论、标题党等各类谣言，并基于拓扑网络的结构特征对谣言进行了分类;Al Lily等[22]从谣言的内容、风格等方面探究了谣言与公众情绪的关系及其深层文化含义。

上述研究关注谣言内容与传播两个方面。本文主要研究公共危机中在特定社会环境因素与公众心理状态条件下产生的特殊谣言。不同于借公共危机之名传播的政治阴谋类谣言、以营利为目的的商业谣言和科普类谣言，本文研究的对象是由于普通民众对事实的认知错判而产生的谣言，主要要素包括事件不确定性、传播者涉入感、传播媒介、内容类别、叙事结构、内容周期性和公众情绪因素。

2.3    谣言真实度

目前计算谣言真实度（Authenticity Grade）的常规做法是从信源（如传播者、传播媒体）本身的信誉度入手，基于谣言案例库对信息的传播特征与文本内容进行比对，从而初步判别谣言的真实度。如王勤颖[32]运用特征-模型识别方法从谣言的传播、内容、用户三方面构建谣言真实度判别体系;王飞雪和李芳[33]从不同性质谣言的传播概率推断信息的真实度;Choi等[34]研究了6大网站中28万条谣言，认为经常传播谣言的人对谣言有放大作用，这种人被定义为“回音室”成员。之后，Pierri[35]从谣言传播过程中的推送算法、回音室、人类偏见等角度评估推送信息的网站的可靠性，探究真实信息与谣言在拓扑网络中的传播特征，从而得出能够识别信息真实度的分类方法。

上述大多数研究针对谣言的信源可靠性进行研究，在识别恶意造谣、谣言机器人方面效果卓越。但是，本文研究的是普通民众对未知情况进行初步判断时所产生的谣言，并非恶意造谣。这种谣言往往具有一定的真实基础，只是因为传播者个体知识水平、认知能力、信息占有量等方面的限制，有意或无意地放大、缩小、隐藏、演绎、篡改、添加部分实事，虽然易对人产生误导，但很有可能被证实为真，那么单纯以信源可靠性来推断信息真实度则会说服力不高。因此，本文对谣言真实度的定义不同于其他论文所定义的“可信度”“信誉度”“Reliability”，而是指谣言被证实为真的概率。

2.4    信息生态学视角下公共危机谣言的真实度

信息生态学是研究信息主体与信息环境之间相互作用的一门学科，研究范围包括个体、种群、系统三个层次。公共危机产生的谣言是依托特定的社会、心理条件产生的，不是孤立存在的，所以以信息生态学为视角研究谣言可以全面、系统地看问题[36]。在由官方、媒体和公众三方舆论场建构的网络舆论生态系统中，谣言治理存在着结构性问题，过度辟谣会造成行政成本增高，错误辟谣则会导致政府公信力下降，应当因质因量在舆情生态系统中寻找最优解决方案[37]。

本文认为，公共危机发生后所产生的谣言信息和相应的辟谣信息以及作为信息接受者的围观群众是信息生态中的“资源”，是谣言所“捕食”的对象。同时，辟谣信息依托于谣言而存在，谣言群落是辟谣群落捕食的对象。将不同真实度的谣言传播问题置于信息生态背景下，有助于系统、整体地把握谣言与辟谣信息间的互动规律，从而从生态平衡的视角寻找最优辟谣策略。

3   研究思路

本文着重研究谣言真实度的界定、计算与影响（研究路线见图1）。

步骤一，通过定性分析对谣言真实度进行概念化，构建谣言真实度评价指标与评分体系。

步骤二，利用python爬虫、NLPIR自然语言处理软件等，构建舆情-谣言案例库。首先，随机选取网络热点舆情组成舆情-谣言案例库，计算真实度下各观测变量的相关性。其次，根据官方公布的辟谣信息对谣言信息特征进行打分。为了保证真实度计算的准确性，当舆情更新时，该案例库也随之更新。最后，通过Logistic模型计算各指标的相关性系数，得到真实度计算公式。

步骤三，利用微分方程对谣言、正面信息之间的关系进行信息生态建模。分别建立谣言-正面信息生态系统和谣言传播过程中负面-正面情绪生态系统，通过数值仿真得到有关谣言真实度的影响路径假设。

步骤四，采集谣言案例，数据标准化后进行真实度计算，并将案例大致分为高、中、低三个层级。针对不同层级的数据进行趋势拟合，检验步骤三所提出的假设。

4   公共危机谣言真实度计算

4.1    构建谣言真实度评价指标体系

当前针对谣言真实度的指标主要是从谣言内容特征、谣言传播特征两方面构建的，具体指标体系包括研究视角、潜变量、观测变量、数据来源、评分五个层次，共得到7个观测变量（见表1）。首先假定观测变量之间权重一致，再通过对案例库案例进行Logistic回归分析，计算各个指标的相关系数，再以该系数作为观测变量权重。其中，各个指标含义如下：

F11：事件不确定性，用于评价信息的精确程度。一条信息中所包含的实体词涵射的意义范围不同，从而表意的精确性不同。如在2019年底爆发的新冠肺炎疫情危机中，医生李文亮曾于12月底发布消息“华南海鲜市场发现7例SARS”[40]，此条信息的地点、时间、数目和事件名称都比较精确。相比之下，2019年夏天在中医学术论坛上有学者提出的类似信息则比较模糊，根据五运六气学说推断“冬至左右将发生瘟疫”[41]，无论时间“冬至左右”还是发生的事件名称“瘟疫”都不够准确。

F12：根据喻国明的研究，谣言中科学常识类占47%、社会时政类占27%、明星八卦类占15%，其余累计占11%[28]。在公共危机中，科学常识谣言一般表现在“特效药”上，如“洗热水澡能防新冠肺炎”“双黄连能治疗新冠肺炎”、印度甚至流传“牛尿能治疗新冠肺炎”等;社会时政类可具体分为预测类、物资短缺类、阴谋论类等，如“武汉肺炎患者将达到十万”“北京菜市场关门一周”“中国经济将因为新冠肺炎瘫痪”等;公共危机中明星八卦类谣言多体现在不良行为的揭示上，如“志愿者私分救援物资”以及某明星“一毛不拔”等。据此，本文将公共危机谣言类别大致分为科学类、社会类、不良行为类。

F13：喻国明还提出谣言的程式化“六段论”常模：一是“标题党”式的题目;二是叙事度较高，通常引用“经美国研究”“权威部门”“公安局紧急通知”;三是以第一人称叙述;四是列举生活案例;五是引用权威期刊如《柳叶刀》;六是为了增加扩散程度，结尾道德绑架，如“不转不是中国人”[28]。

F14：施爱东[30]将同一类公共危机中爆发的相似谣言称为“流感谣言”，它不是原发性的，而是一种继发性、感染性、不定期发作的谣言，一般需要受到相似的自然条件或社会心理才借题发挥，如地震、瘟疫、水旱灾害等自然灾害，或者战争、空难、核泄漏、踩踏事故等突发性社会事件。纵观国内外历次自然灾害，都不约而同发生了关于物资短缺的谣言，如“日本核泄漏将影响我国食盐供应”，新冠肺炎“北京菜市场关门一周”等。

F15：学者阿卜杜勒阿里[31]讨论了谣言对公众情绪的影响，并假设谣言中极端的情绪对正常舆论影响巨大。常见的情绪测量方法有情感极性测量。因为谣言可能表达“恐惧”（如某地多人感染），也可能表达“愿望”（如特效药出现），所以本文仅对情绪的极性进行评分。

F21：谣言的产生有可能是认知错误或误听误信，也有可能是基于某种目的恶意造谣，如旨在打击政敌的谣言“柬埔寨洪森感染新冠肺炎”和具有某种经济目的的谣言“中医药板块将炸板”。因此十分有必要探究谣言的源信息是否来自亲身经历。

F22：考察传播媒介可靠性的主要原因是某些谣言的传播存在“回音室”节点。一般可靠性高的媒介会对事件认真核实，而可靠性低的媒介则可能为了提高流量等目的传播未经核实的信息。

4.2   舆情-谣言案例库构建方法

首先，通过爬虫得到当天最热新闻帖子列表，针对官方辟谣事件列表（如新浪微博官微发布的辟谣列表），对新闻帖子是否为谣言进行0、1赋值，形成样品案。然后，依据真实度评价指标对每个案例的特征值进行评分，并储存格式表（见表2），作为Logistic回归分析的计算输入量。设有n个案例，Ln为案例n是否是谣言的判别值，非谣言为0，谣言为1。Xn1-Xn7为案例n的特征打分。

4.3    真实度计算方法

采用SPSS25版本进行logistic回歸计算。将所有案例的特征值输入系统，以L（n）为因变量，以X（n）为协变量，采用多项logistic分析方法;然后，在logistic分析之后，得到输出结果为F11-F22的Exp（β）F（m）值。Exp（β）F（m）表示F（m）内该类别是相应参考类别所具有某种倾向性的倍数;最后，剔除无意义变量，将剩余特征的回归系数代入式（2）中，求得七个特征的权重，并确定真实度的计算方法。

在计算得到谣言真实度计算方法后，采用五级量表对需要打分的新案例进行真实度数值转化（见式3），并将转化结果进行编码（见表3）。

5   公共危机谣言真实度信息生态模型构建

5.1   模型机理分析

将谣言置于公共危机事件的网络生态环境中，借鉴捕食关系的信息生态模型，构建不同真实度等级的谣言传播模型，研究谣言真实度对谣言传播上限、公众情绪正负转化以及平息谣言所需要的辟谣力度的影响，通过建模仿真得到谣言应对最得当的力度与响应速度，为政府辟谣和治理网络谣言提供理论依据（见图2）。

首先，谣言真实度会影响谣言群落的扩张规模。随着网络空间治理力度的加大，恶意虚构谣言的情况得到了有效改善。但能够广泛流传的谣言往往不是空穴来风，而是基于一定的实际情况加以夸张、改编，或者是还未得到验证的真实情况，因为“人们更愿意传播自认为真实的信息”[42]。高真实度的谣言本身就具有一定的合理性，能够在较大程度上满足公众的信息需求和心理安慰需求。因此，一个高真实度的谣言往往能得到较高程度的真实性验证，与网民形成共鸣，随之引爆舆情。

其次，谣言真实度会影响辟谣难度。Einwller[43]认为辟谣的有效性在于将谣言的真实部分与主观臆断部分区别开来逐个击破。但是，高真实度的谣言真假混杂，合理推断与主观臆断不能很好区分，从而增加了辟谣难度。

最后，谣言真实度会影响甚至引导公众情绪，尤其是谣言带来的不确定感在传播恐慌方面危害巨大。辟谣就是通过消除未知来控制恐慌传播，辟谣的情绪引导力与开始辟谣的时间和引导力度有关[44]，但是公众在广泛传播的谣言中因沉默的螺旋更愿意相信自认为“真”的谣言[45]，因此谣言真实度会影响辟谣的情绪引导力度。

5.2    模型构建

在公共危机发生并产生谣言后，政府通过权威媒体发布正面信息，并由网民继续传播。处于信息传播中的网民可以分为谣言传播者和辟谣者两个部分，不同网民群体发布的信息数量变化可以反映谣言的传播程度与辟谣力度。网络舆情中正负面情绪信息数量的变化可以反映网民的情绪转化，为揭示谣言的负面影响，本文主要研究负面情绪的变化。基于此，提出以下限定条件。

第一，在围观者充足的前提下，如果不及时辟谣，谣言会以一个常数为增长率无线增长，网络谣言真实度与谣言传播速度正相关。

第二，假定围观者思辨力较高，当得到真实信息后便不会相信谣言，所以辟谣者可以“捕食”谣言传播者，但是高真实度的谣言难以被“捕食”，谣言真实度与辟谣难度负相关。

第三，假定负面情绪随着谣言数量的增长而增长。

第四，假定正面信息发布及时，公众情绪单纯的由负转正，谣言真实度会影响公众情绪转化速度与情绪引导力度。

经过本文分析，谣言在传播中形成了捕食关系、竞争关系两个信息生态系统（见图3）。分别针对两个生态系统进行仿真，并基于仿真结果提出假设。

首先，图3左侧是谣言与正面信息构成基本的捕食关系。假设x、y表示谣言信息和正面信息的发布累加量，x（t）、y（t）为谣言信息和正面信息在时间t时刻的累加量。谣言传播的正常速度为λ。当没有辟谣者时，谣言传播速度满足■=λx。正面信息的自然消耗率是μ，辟谣不起作用时正面信息传播速度满足■=-μy。当两个种群相互影响时，设置谣言被捕食损耗率参数b和有效辟谣率参数c，得到基本谣言传播模型（见式4）：

假设谣言真实度参数为h，通过本文分析可知h与谣言传播速度λ成正比，与谣言损耗率b成反比。谣言真实度通过增加辟谣难度影响正面信息损耗率μ，与正面信息损耗率成正比，同时谣言与正面信息真假难分导致有效辟谣率下降，即与有效辟谣率c成反比。综上，得到改进的谣言传播模型（见式5）：

其次，图3中，谣言造成的负面情绪与正面情绪形成了竞争关系，依据前人研究，本文采用logistic模型来描述负面情绪的变化[44]（见式6）：

假设z（t）为负面情绪在时间t的累加量，负面情绪随谣言增长，所以负面情绪传播速度满足z'=λ。另一方面，假设谣言一开始便已开始引导情绪，舆情引导系数为α，负面情绪的传播上限为K，则得到负面信息的基本模型（见式7）：

5.3    针对生态系统1的假设与仿真

5.3.1   平衡性与稳定性分析

首先，为研究公共危机中谣言与正面信息的发展趋势，即t→∞时，x（t），y（t）的趋向，需要研究模型平衡点及其稳定性（见式9）。令

通过本文对P的分析，为了方便表达，本文设b、λ、μ一定且为正常数，由舆情本身特性决定;c一定且为正常数，可以通过调整辟谣策略进行调整，而、μ'的最小化则是辟谣调整目标。

5.3.2   基于仿真结果提出假设

首先，针对不同真实度的谣言进行仿真（见表4），设定模型初值，将数据代入MATLAB进行仿真（见图4），可知当谣言真实度增高时，正面信息和谣言信息发布量的上限均随之增高。具体观察图4（a），若想在谣言初期，即谣言累加量较低时控制谣言，则需要发布大量的正面信息，使正面信息过饱和才可控制真实度较高的谣言;观察图4（b），若现实情况不明朗难以发布有效的正面信息，真实度高的信息传播范围更广，需要及时调整辟谣策略。据此，针对仿真结果提出假设：

H1：当谣言真实度数值h越大，平衡点中数值越大。即，如果谣言真实度越高，谣言传播上限越高，传播范圍也更广，需要更多的正面信息才可以取得良好辟谣效果。

其次，针对不同真实度谣言与不同有效辟谣率进行仿真（见表5），设定模型初值，将数据代入MATLAB进行仿真可知（见图5），当有效辟谣率增高时，辟谣信息发布量和谣言信息发布量的上限均随之下降，同时谣言信息发布量上限下降幅度较大。所以，提高有效辟谣率可以有效控制谣言，控制效果较好。据此，针对仿真结果提出如下假设：

H2：当谣言真实度h、谣言增长率λ、辟谣消耗率μ、谣言损耗率b一定，有效辟谣率c越大，则x（t）收敛越迅速。所以，在谣言初期发布大量辟谣信息或者提高辟谣说服力以提高参数c，可以有效控制谣言。

5.4    针对生态系统2的假设与仿真

根据前人研究，α与负面情绪上限K负相关①。假设当α不变，那么受真实度影响的引导力度应当随着h增大而减小，所以当谣言真实度增高，负面情绪也应当随之增高。本文将公共危机分为一般公共危機和重大公共危机两类（见表6），设定模型初值，将数据代入MATLAB进行仿真（见图6）。图6（a）为一般性公共危机的负面情绪仿真图，图6（b）为重大公共危机负面情绪仿真图，可知当谣言真实度增高时，正面信息的引导力度便随之下降，所以负面影响增大。基于仿真结果，本文提出假设：

H2：当谣言真实度h数值越大，K数值越大。即，如果谣言真实度增高导致正面信息的情绪引导力下降，负面情绪上限也随之增高。

综上，当公共卫生事件发生时，政府在治理谣言的过程中，需要提前预估这些参数，做到“心里有数”，在辟谣时才能张弛有度、有的放矢。

6   公共危机中谣言传播模型实证分析

6.1    谣言真实度特征系数计算

本文利用PYTHON编程对2019年12月15日到2020年2月25日的新浪微博进行爬取，以新冠肺炎为检索对象，共收集相关信息10845条，为了计算的准确性，利用NLPIR软件对信息去重并二次筛选，最后随机选取相关信息50条。本文对谣言的判别以新浪官微公布的辟谣信息列表为准，对新冠肺炎信息中属于谣言的打标为1，非谣言打标为0，其次按照真实度评价打分体系进行打分（结果见附录1）。

本文将案例库特征值输入SPSS中进行Logistic回归分析，剔除无效特征F12、F15、F21、F22，得到各个特征的回归系数（见表7），最后得到真实度计算公式，如式11。式11中，表示第n个案例的真实度打分结果，表示该案例中特征F11-F22的特征打分。

6.2    谣言真实度影响实证分析

本文通过PYTHON编程对2019年12月15日到2020年2月2日的百度新闻进行抓取，以“武汉新冠肺炎”中的相关舆情对假设H1、H2、H3进行实证检验。

6.2.1   数据来源

本文以国内最大的搜索引擎百度为数据来源，选择2019年底爆发的新冠肺炎的相关舆情为研究对象，编写爬虫程序，对2019年12月15日至2020年2月2日内的相关舆情进行统计，爬虫字段为“发布时间”“标题”“发布媒体”“内容”“链接”。共采集相关信息2457条，数据清洗整理后，本文选择三组不同真实度的谣言信息，与两组不同说服力的正面信息作为分析样本。

6.2.2   数据采集

经过数据爬取，本文收集了低真实度谣言“武汉有十万感染者”有效信息53条、中等真实度谣言“武汉发现SARS”有效信息175条、高真实度谣言“武汉肺炎人传人”有效信息198条。以谣言的传播天数为时间单位，统计各个谣言每天的新闻帖子累加量。同时，本文将此三个案例的426条新闻输入NLPIR软件，针对每条新闻的情感测评进行打分，统计三个案例每天发布的新闻帖子负面情绪累加值，形成三组时间序列数据，整理结果如表8所示。

谣言“武汉发现SARS”于2019年12月15日贴在网上，随之得到官方辟谣未证明武汉肺炎为SARS，并发布辟谣信息“武汉出现不明肺炎”，最后于2020年1月15号将武汉肺炎确诊为“新型冠状肺炎”并发布较为有力的辟谣信息。因此，在辟谣信息方面，以“武汉发现SARS”“武汉发现不明肺炎”与“武汉肺炎确诊为新型冠状肺炎”为对象进行实证分析。抓取2019年12月15日-2020年2月2日之间，“武汉发现SARS”的有效信息175条、低说服力辟谣信息“武汉发现不明肺炎”有效信息297条，高说服力辟谣信息“武汉肺炎确诊为新冠肺炎”的有效信息361条，并对数据进行累加处理（见表8）。

6.2.3   实证分析结果

（1）针对假设H1的实证分析。本文将“武汉有十万感染者”“武汉发现SARS”和 “武汉肺炎人传人”进行实证分析（见表9）。首先将三组案例对照本文4.1的指标体系将所述的真实度评价指标进行打分，得出打分结果（见表10）;然后根据6.1节得出的真实度系数进行计算，同时运用五级量表进行打分，得出计算结果（见表11）。可知，“武汉有十万感染者”真实度最低;“武汉发现SARS”真实度中等;“武汉肺炎人传人”真实度最高。

其次，通过对各个谣言发展的趋势线拟合来估算谣言的传播上限，得出拟合结果（见图7）。通过拟合得知“武汉有十万感染者”上限为55条，拟合R2值为0.9954;“武汉发现SARS”上限为178条，拟合R2值为0.9768;“武汉肺炎人传人”上限为202条，拟合R2值为0.9489。最后，通过比较三个谣言的传播上限，可知，高真实度的谣言传播量上限高于低真实度谣言，假设H1得到验证。

（2）针对假设H2的实证分析。结合表10中关于谣言“武汉发现SARS”以及与其相关的两组辟谣信息的相关数据，对三组数据累加量特征进行初步观察，并进行拟合，得到“武汉发现SARS”的拟合图（见图8），对三组信息的拟合表达式求二阶导数，以得到三组信息的累加量增长拐点（计算结果见图9），得到比较结果（见图10）。计算可得，“武汉发现SARS”在17日左右进入增长后期，即增长率开始降低，与“武汉发现不明肺炎”的爆发期吻合;“武汉发现SARS”在30日左右进入消退期，与“新冠肺炎确诊”发布时间吻合。“武汉发现不明肺炎”的二阶导数与“武汉发现SARS”负相关，即当此辟谣信息大量发布时，谣言增速变缓。“新冠肺炎”的二阶导数与谣言、“武汉发现不明肺炎”皆负相关，即当此辟谣信息大量发布时，谣言快速消退，同时低说服力的辟谣信息也开始消退。

通过以上分析可知，谣言“武汉发现SARS”在低说服力的辟谣信息发布时，其增长率便开始下降，直到辟谣信息“新冠状肺炎”发布才得到有效遏制，由此可知，高说服力的辟谣信息辟谣效果显著强于低说服力的辟谣信息，辟谣效果取决于辟谣质量而非数量，假设H2得到验证。

（3）针对假设H3的实证分析。结合表8中关于三组谣言负面情绪的相关数据，对三组数据累加值进行拟合，得到拟合结果（见图11）。图11（a）中，“武汉有十万感染者”负面情绪上限达到59，拟合R2=0.9884;（b）中”武汉发现SARS”负面情绪上限达到334，拟合R2=0.9232;（c）中“武汉肺炎人传人”负面情绪达到1194，拟合R2=0.9425。通过以上分析可知，谣言真实度越高，对公众情绪的渲染越大，假设H3正确。

6.3   研究结论

本文从理论方面构建谣言、辟谣交互模型，讨论了谣言真实度对谣言发布量增长上限、有效辟谣率与公众情绪的影响;在实践方面，以百度新闻帖子为数据来源，充分分析了在武汉肺炎疫情中的多条谣言信息与正面信息之间的交互作用。研究结果表明，第一，谣言真实度与谣言相关信息数量增长的上限正相关，高真实度的谣言传播更广;第二，提高有效辟谣率可以有效遏制谣言，高说服力的正面信息即使发布量较少也可以取得较好效果;第三，谣言真实度对公众情绪有影响，真实度越高情绪影响范围越大。

本文综合运用模拟仿真和实证研究方法，对不同真实度的网络谣言与正面信息的交互规律进行了研究，有助于揭示谣言传播机理及网民同谣言传播的内在关系，是进一步深入研究谣言传播模式的基础，对从实践角度加强新媒体环境下的网络舆情管理具有一定意义。

本研究也存在一定的局限性，主要有以下两点：

一是在理论模型构建方面：在谣言、辟谣交互模型构建中，以谣言传播方、辟谣方为研究主体，未将普通围观者、政府、营利者等其他次相关的主体纳入研究范围，传播与辟谣两方的关系也以捕食关系为主，没有考虑谣言、辟谣之间的共生、竞争等关系。构建全面的网络信息生态，应当尽可能的全面平衡，此点还需要进一步研究。

二是在实证研究方面，由于武汉疫情的网络舆论受到删帖影响，本文收集的样本量较少，如1月1日之前的舆情信息多存在空白、断层，导致仅以数据较为全面、案例较为典型的五组数据作为分析。在后续研究中，还需收集更多案例，增强实证可信度。

同时，本文仅从宏观上讨论了谣言真实度对谣言传播信息数量上限的影响，但是不同种类谣言的真实度评价、影响路径、所反映的社会心理需求等问题还需要进一步细化研究。

7    谣言真实度分级管理建议

谣言的发展动因是社会冲突，社会冲突的解决需要一个动态交互的过程，在此过程中如果社会不允许或压制谣言，一旦谣言积累爆发，其程度势必会更加严重，将对社会结构产生破坏作用[17]。所以，在网络信息生态中，信息多样化是保持生态平衡的关键，谣言作为一種负面信息对于整个生态来说具有一定的正面作用。

在此次新冠病毒肺炎疫情中，我国政府在谣言控制方面举措有力，各级部门及时通报疫情消息，各大媒体都开通了辟谣专线，如“假口罩流入市场”“双黄连可预防新冠肺炎”“协和医院患者逃跑”等谣言都得到了及时辟谣，有力的控制了恐慌蔓延。但是，也暴露出过渡辟谣导致行政成本增高、影响公信力等问题，如“武汉八人造谣被拘”等 。在2019年12月疫情之初，网上便有“武汉发现SARS”和“武汉肺炎人传人”等信息预警，不加求证便立刻删帖、封号甚至训诫，失去了谣言预警的社会功能，就像人体强行割除了扁桃体，一旦病毒感染便会深入脾肺。

所以，即要发挥谣言的正面预警功能，又不能听之任之。因此，应对谣言真实度进行分级管理，采取分级分类治理的对策。对于低真实度的谣言，及时辟谣即可不攻自破，不需要大规模筛查删帖，节约行政成本;对于中等真实度的谣言，要及时提醒相关部门加紧核查，发布真实准确的信息，防止信息扩散泛滥引起恐慌;对于高真实度的谣言，一定问清查明，听取各方意见，及时发布高说服力的正面信息。