社交媒体空间公众大模型认知：主题、态度与传播

摘" 要：近年来，以ChatGPT为代表的大语言模型引发社会公众对人工智能的高度关注，进而在社交媒体空间逐步形成大模型认知。本文基于56万余条微博原创文本和529万余条转发微博数据，分析了社交媒体空间公众大模型认知，呈现了社会公众对大模型的关注主题、态度偏好及其传播机制。研究发现社交媒体空间中对大模型的主题关注集中在经济类议题，不同用户的主题关注偏好具有明显差异。社会公众对大模型技术呈现出明显的技术乐观倾向，技术乐观程度因用户身份和主题关注而异。大模型认知传播网络呈现出区隔化特征，财经类自媒体和机构媒体主导传播网络，进而影响普通用户构成的大众传播网络，体现出社交媒体中大模型认知的差异化传播路径。

关键词：大模型；社交媒体；认知传播；传播机制；社会治理

作者简介：孟天广，清华大学社会科学学院长聘教授，博士生导师，主要从事信息政治学、计算机科学研究；张静，清华大学社会科学学院博士研究生，主要从事政治传播研究；曹迥仪，清华大学社会科学学院博士研究生，主要从事计算政治学研究。

基金项目：国家社会科学基金重大项目“基于大数据的智能化社会治理监测、评估与应对策略研究”（项目编号：18ZDA110）、清华大学文科自主科研计划（项目编号：2022THZWJC09）的阶段性成果。

中图分类号：G206 ""文献标识码：A ""文章编号：1001-4403（2024）05-0181-10

DOI：10.19563/j.cnki.sdzs.2024.05.017

一、引言

从弱人工智能到通用人工智能再到强人工智能，公众对新兴信息技术的采纳关系到技术发展的前景。公众的技术认知与态度是技术采纳过程的核心。一方面，公众需要面对人工智能带来的技术替代，例如2016年作为弱人工智能代表的AlphaGo的杰出表现一度带来认同危机和技术焦虑①" ①翟振明、彭晓芸：《“强人工智能”将如何改变世界——人工智能的技术飞跃与应用伦理前瞻》，《人民论坛·学术前沿》2016年第7期，第22-33页。；另一方面，人工智能在产业发展、政治决策、社会生活等领域的应用潜力使得公众对技术发展感到乐观。2022年11月30日，大语言模型（以下简称“大模型”）ChatGPT发布，在对话问答、文本生成、代码生成、推理预测等多个领域展现出良好的能力，引发了公众关于AI应用与AI伦理的大范围关注。②" ②Liu Y，Han T，Ma S，et al.Summary of ChatGPT-Related research and perspective towards the future of large language models.Meta-Radiology，2023，1（2）.2022年3月皮尤研究中心发布美国公众对人工智能的看法，发现37%的受访者对日常生活中的人工智能应用持有担忧态度，45%的受访者持有中立态度；①" ①Rainie L，Funk C，Anderson M，et al.How Americans think about artificial intelligence.https：//www.pewresearch.org/internet/2022/03/17/how-americans-think-about-artificial-intelligence/.而在2023年11月皮尤研究中心发布的美国民众对人工智能的态度中，已有超过半数的受访者对AI应用持有担忧态度。②" ②Faverio M，Tyson A.What the data says about Americans’ views of artificial intelligence.https：//www.pewresearch.org/short-reads/2023/11/21/what-the-data-says-about-americans-views-of-artificial-intelligence/.

大模型的价值偏好、数据获取与数据安全、失业风险等成为公众关切的来源。具体而言，大模型并非价值无偏，例如有学者测试ChatGPT的性格态度，发现其持有支持环境保护、左翼自由主义的意识形态，具有高度开放且令人愉快的性格特征；③" ③Hartmann J，Schwenzow J，Witte M.The political ideplogy of conversational Al：Convering evidence on ChatGPT’s pro-environmental，left-libertaran orienation.arXiv.https：//arxiv.org/abs/2301.01768;Rutinowski J，Franke S，Endendyk J，et al.The self-Perception and Political Biases of ChatGPT.arXiv.https：//arxiv.org/abs/2304.07333.大模型提供的信息内容会降低犯罪行为的技术门槛，同时其自身的技术局限也存在信息泄露风险；④" ④Gupta M，Akiri C，Aryal K，et al.From ChatGPT to ThreatGPT：Impact of Generative AI in Cybersecurity and Privacy.arXiv：2307.00691v1，2023.以往的人工智能产品无法挑战人类在处理复杂任务时的优势⑤" ⑤Frey C B.Osborne M A.The future of employment：How susceptible are jobs to computerisation？.Technological Forecasting and Social Change，2017，1（114），pp.254-280.，大模型展现出的沟通能力和创造能力则挑战到人类的特有优势。

互联网的发展使得社交媒体成为技术议题传播的重要空间。ChatGPT发布后，大模型迅速成为社交媒体空间的重要议题，本文聚焦国内社交媒体空间公众的大模型认知与态度，同时关注社交媒体大模型相关讨论的传播机制。具体而言，本文采用无监督的机器学习与社会网络分析方法，对56万条微博原创文本和529万条微博转发文本进行分析，探讨文本的用户属性与认知主题、情感态度之间的关系以及大模型议题的传播机制，明晰大模型发展的社会环境。

二、文献述评与研究设计

（一）文献述评与研究问题

1.大模型发展历程与技术迭代

自然语言处理是人工智能领域的重要分支，语言模型则是自然语言处理的基础，研究者通过构建词语的联合概率分布模型使计算机能够理解并预测人类语言。科学家对语言模型的研究，经历了从文法规则语言模型到概率语言模型再到神经网络语言模型的演进。⑥" ⑥王乃钰、叶育鑫、刘露等：《基于深度学习的语言模型研究进展》，《软件学报》2021年第4期，第1082-1115页。2016年谷歌推出循环神经网络（Recurrent Neural Network，RNN）架构，2017年Facebook推出卷积神经网络（Convolutional Neural Networks，CNN）架构。⑦" ⑦Wu Y，Schuster M，Chen Z，et al.Google’s neural machine translation system：Bridging the gap between human and machine translation.arXiv preprint arXiv：1609.08144，2016；Gehring J，Auli M，Grangier D，et al.Convolutional sequence to sequence learning.International conference on machine learning.PMLR，2017，pp.1243-1252.以RNN和CNN为代表的早期神经网络语言模型大幅提升了自然语言处理的性能，但神经网络语言模型仍然具有一定局限。2017年Google团队提出Transformer模型，成为语言模型领域研究迈出的革命性一步。⑧" ⑧Vaswani A，Shazeer N，Parmar N，et al.Attention is all you need.Advances in neural information processing systems，arXiv：1706.03762，2023.Transformer模型能够对输入数据的各个部分进行加权，捕捉序列中任意两个词语之间的关系，有效地解决了循环神经网络在处理长语句时可能遇到的信息丢失问题。如果说Transformer奠定了大模型内部的基础架构，预训练加微调则在外部训练范式上推动了语言模型性能提升。⑨" ⑨Radford A，Narasimhan K，Salimans T，et al.Improving language understanding by generative pre-training，2018.基于Transformer架构并采取预训练加微调的学习策略，2018年Google和OpenAI分别推出BERT模型和GPT-1模型。①" ①Radford A，Narasimhan K，Salimans T，et al.Improving language understanding by generative pre-training，2018；Lee J，Toutanova K.Pre-training of deep bidirectional transformers for language understanding.arXiv preprint arXiv：1810.04805，2018，3，p.8.伴随预训练模型在自然语言处理领域的发展，语言模型的参数量以及训练集规模不断扩大。2019年Open AI发布包含15亿参数量的GPT-2，这一阶段的GPT-2放弃微调路线，选择通过不断增大数据与模型规模使能力自发涌现。②" ②Radford A，Wu J，Child R，et al.Language models are unsupervised multitask learners.OpenAI blog，2019，1（8），p.9；Wei J，Tay Y，Bommasani R，et al.Emergent abilities of large language models.arXiv preprint arXiv：2206.07682，2022.2020年Open AI发布包含1 750亿参数的生成式大规模预训练语言模型GPT-3，开启了大语言模型的时代。研究人员发现，超大参数规模下模型展现出涌现能力，具体表现为语境学习能力和逐步推理能力。基于前述工作，OpenAI在2022年11月与2023年3月分别推出ChatGPT和GPT4，在大语言模型发展历程中具有里程碑式的意义。③" ③⑤OpenAI，Achiam J，Adler S，et al.GPT-4 Technical Report.arXiv：2303.08774，2023.ChatGPT作为对话式模型，能够通过对话框内的少量提示完成开放式问答、文档编写、代码创造、数学推理等范围广泛的任务，展现出卓越的交流能力，极大降低了大模型使用门槛。④" ④Manning C D.Human language understanding amp; reasoning.Daedalus，2022，151（2），pp.127-138.相比之下，GPT-4在解决复杂任务方面具有更强的能力，同时具备处理图像、声音等多模态数据的能力。⑤国内外企业与科研机构纷纷推出自己的大语言模型，例如Google的Palm-2、Meta的LLama、斯坦福大学的Alpaca、百度的文心一言、清华大学的ChatGLM以及复旦大学的MOSS等。

2.社交媒体空间的大模型感知与态度

技术采纳是社会科学关于技术研究的重要议题。在各类技术采纳理论中，技术接受模型（Technology Acceptance Model）凭借其灵活性与可扩展性，被广泛应用于解释公众对新兴信息技术的接受，例如可穿戴设备⑥" ⑥Chuah S H W，Rauschnabel P A，Krey N，et al.Wearable technologies：The role of usefulness and visibility in smartwatch adoption.Computers in Human Behavior，2016，65，pp.276-284.、移动支付⑦" ⑦Shankar A，Datta B.Factors Affecting Mobile Payment Adoption Intention：An Indian Perspective.Global Business Review，2018，19（3），S72-S89.、智能手机使用⑧" ⑧贺建平、黄肖肖：《城市老年人的智能手机使用与实现幸福感：基于代际支持理论和技术接受模型》，《国际新闻界》2020年第3期，第49-73页。等。最初的技术接受模型认为外部因素会影响到公众技术有用性感知与技术易用性感知，技术有用性感知是指个体相信技术能够提升其工作绩效，技术易用性感知是指个体相信自身能够掌握技术，技术有用性和技术易用性会影响个体对技术的态度进而影响个体的采纳行为。⑨" ⑨Davis F D，Bagozzi R P，Warshaw P R.User Acceptance of Computer Technology：A Comparison of Two Theoretical Models.Management Science，1989，35（8），pp.982-1003.技术接受模型提出后，学者们依据研究情景将感知用户资源⑩" ⑩Mathieson K，Peacock E，Chin W W.Extending the technology acceptance model：the influence of perceived user resources.ACM SIGMIS Database：the DATABASE for Advances in Information Systems，2001，32（3），pp.86-112.、技术-任务适配B11" B11Dishaw M T，Strong D M.Extending the technology acceptance model with task-technology fit constructs.Information amp; management，1999，36（1），pp.9-21.等新的外部因素与感知因素加入模型中。Venkatesh等整合计划行为理论、创新扩散理论、社会认知理论等，提出技术接受与使用的整合理论，这一理论认为个体对技术使用的绩效期待、预期努力程度、社交氛围能够影响个体的技术采纳意愿进而影响采纳行为，外界支持条件会直接影响个体的采纳行为，性别、年龄、经验、自愿程度能够调节变量间关系。B12" B12Venkatesh，Morris，Davis，et al.User Acceptance of Information Technology：Toward a Unified View.MIS Quarterly，2003，27（3），pp.425-478.从最初的技术接受模型到技术接受与使用的整合理论，尽管模型不断复杂化，但相关研究始终遵循着相似的逻辑思路，即个体对技术的认知与态度能够影响个体的技术使用意向，进而影响技术的使用行为，B13" B13王玮：《信息技术的采纳和使用研究》，《研究与发展管理》2007年第3期，第48-55页。因此对个体技术认知与技术态度的研究是技术采纳研究的核心。

既有研究中学者们大多基于问卷调查方法获取个体的技术认知与态度，随着互联网广泛嵌入公众日常生活，社交媒体平台积累了大量社会公众关于新兴技术的讨论文本，学者们能够通过社交媒体文本中的用户信息、主题框架与情绪表达研究个人属性、技术认知与技术态度之间的关系。现有研究中公众对大模型的认知和态度因地域、用户身份等属性而有所差异。在以X（前Twitter）为代表的国外社交媒体空间中，用户对大模型普遍持有乐观主义态度。Haque等收集到该平台上关于ChatGPT的10 732条早期讨论贴文，对用户身份、讨论主题与讨论情感进行分析，发现学生、软件开发员和研究员是参与讨论的主要用户群体，大部分用户的感知集中在软件开发、娱乐话题、自然语言处理等主题并具有明显的积极态度，只有较少数量的用户担忧ChatGPT的滥用及其对科研、教育的影响；①" ①Haque M U，Dharmadasa I，Sworna Z T，et al.“I think this is the most disruptive technology”：Exploring Sentiments of ChatGPT Early Adopters using Twitter Data，arxiv：2212.05856，2022.Leiter等收集到ChatGPT发布后3个月内的25万条推文，发现其中的推文以中立情感为主，积极情绪超过消极情绪；②" ②Leiter C，Zhang R，Chen Y，et al.ChatGPT：A meta-analysis after 2.5 months.Machine Learning with Applications，2024，16，p.100541.对于更加广泛的生成式人工智能技术，Miyazaki等基于300万条推文进行情感分析，发现用户对通用式人工智能技术的态度与其职业相关，数据科学家、产品经理、律师对通用式人工智能持有积极态度，插画师、艺术家则对ChatGPT持有较为负面的态度。③" ③Miyazaki K，Murayama T，Uchiba T，et al.Public perception of generative AI on Twitter：an empirical study based on occupation and usage.EPJ Data Science，2024，13（1），p.2.在国内以微博为代表的社交媒体空间中，用户对大模型的感知集中在AI产业、就业影响等。Lian等抓取到2022年12月至2023年3月微博平台的7 045条贴文和9万余条评论，发现公众对大模型的认知集中在ChatGPT的技术支持、就业影响、教育影响、本地化发展四个主题，对于大模型引发的虚假信息传播、失业风险、人际关系等议题传递出担忧情绪；④" ④⑧Lian Y，Tang H，Xiang M，et al.Public attitudes and sentiments toward ChatGPT in China：A text mining analysis based on social media.Technology in Society，2024，76，p.102442.张尔坤等对2022年9月至2023年3月的微博文本进行分析，发现用户认知可以区分为产业发展、技术想象、资本市场、股票投资、学者关注等五个主题。⑤" ⑤张尔坤、张洪忠、姚俊臣等：《AIGC议题的动态演进与传播结构：基于微博和Twitter的比较分析》，《西安交通大学学报（社会科学版）》2024年第3期，第176-186页。

相较于既有研究，本文聚焦较长时间段内社交媒体空间的个体属性、公众大模型认知以及态度之间的关系，提出以下研究问题：

研究问题1：社交媒体空间公众的个体属性与大模型认知的关系？

研究问题2：社交媒体空间公众的大模型认知与态度之间的关系？

3.社交媒体空间的传播机制

在大模型感知与态度之外，本文还关注到社交媒体空间中公众大模型讨论的传播机制。与机构媒体主导的传统媒体时代不同，社交媒体具有去中心化的特征，内容传播的范围远远超过传统媒体时代。对社交媒体传播机制的研究侧重于意见领袖与传播网络结构。20世纪40年代，拉扎斯菲尔德等人提出二级传播理论，发现信息经由大众媒介传播至意见领袖，再由意见领袖传播至社会大众，奠定了信息传播机制的研究基础。社交媒体空间尽管具有去中心化的特征，但意见领袖仍然是传播的重要节点，且社交媒体空间中的意见领袖更加多元。钟智锦等对微博的公共信息与娱乐信息进行研究，发现娱乐信息更多由普通用户提供，公共信息中的原创贴文则更多来自精英用户⑥" ⑥钟智锦、周金金、徐铭达等：《娱乐信息与公共信息的扩散竞争：网络结构和传播主体视角》，《新闻与传播研究》2023年第3期，第88-107页。；在社交媒体空间的媒体系统内部，具有更高行政级别的媒体承担着“意见领袖媒体”的角色⑦" ⑦黄文森、廖圣清：《同质的连接、异质的流动：社交网络新闻生产与扩散机制》，《新闻与传播研究》2021年第2期，第18-36页。；Lian等基于5万余条微博转发数据发现自媒体主导公众对大模型的讨论。⑧在传播结构方面，社交媒体空间的信息传播结构较二级传播结构更加复杂。Goel等总结出广播式与病毒式两种传播结构，其中广播式传播结构表示从单个节点向外传播信息，病毒式传播结构表示多分支式的传播。①" ①Goel S，Anderson A，Hofman J，et al.The Structural Virality of Online Diffusion.Management Science，2016，62（1），pp.180-196.在对社交媒体谣言传播的研究中，有学者将小世界特征与无标度网络引入传播结构。②" ②Fan P，Li P，Jiang Z，et al.Measurement and analysis of topology and information propagation on Sina-Microblog.Proceedings of 2011 IEEE International Conference on Intelligence and Security Informatics，2011，pp.396-401.基于对社交媒体空间传播结构的关注，本文提出：

研究问题3：社交媒体空间公众大模型讨论的意见领袖身份是什么？

研究问题4：社交媒体空间公众大模型讨论的传播网络结构特征是什么？

（二）研究设计

1.数据来源

本文数据来源于国内社交媒体微博。2022年11月30日，ChatGPT的发布将大模型引入公众视野，微博迅速成为公众交流大模型认知与态度的主要平台。本文以“生成式人工智能”“生成式AI”“大语言模型”“大模型”“LLM”“LLMs”为关键词，收集到2022年11月30日至2023年12月31日微博空间的大模型讨论文本及相关信息，在数据清洗的过程中排除相同检索词下与大模型无关的讨论内容，最终本文收集到565 750条原创微博信息和5 290 570条转发微博信息（其中包含1 484 328条转发再创作的文本信息）。图1表示微博空间公众大模型讨论文本的数量变化，2023年3月之后受到各类大语言模型发布的影响，原创微博及转发微博数量均有明显增加。

2.研究方法

（1）公众的大模型认知和态度

本文将公众的大模型认知具化为微博文本的主题分布，采用无监督机器学习方法提取文本主题。本文希望探讨公众个体属性与主题分布之间的关系，个体属性包括用户账号类型、地域、贴文图片、贴文发布日期四类。用户账号类型区分为“组织认证”“个人认证”“无认证”，组织认证代表党政机关、新闻机构、企业官方等机构主体，个人认证代表自媒体博主，无认证代表普通用户；地域表示贴文发布的IP地址，区分为“东部”“中西部”“境外”三类；贴文图片区分为是否包含图片；贴文发布时间覆盖2022年11月30日至2023年12月31日。由于LDA主题模型无法考虑协变量对主题的影响，因此本文采用结构主题模型（Structural Topic Model）进行主题分类，将个体属性作为协变量纳入模型。

本文将公众对大模型的态度具化为微博文本的情感得分，采用大连理工大学中文情感词典进行计算。①" ①Muir Z.DLUT-Emotionontology.https：//github.com/ZaneMuir/DLUT-Emotionontology/.该词典标注词语的情感强度与极性，情感强度代表词语的情感强烈程度，极性区分为中性、褒义、贬义、褒贬两性。本文将词语极性整合为褒义、贬义、中性，通过情感强度与极性计算原创微博文本的情感得分，正值代表积极情感，负值代表消极情感。

（2）传播机制分析

本文基于529万条转发微博信息进行传播机制分析。在转发微博中，来自12 870个账号发布的76 389条原创微博内容，经由954 616个账号转发529万余次。本文聚焦于转发关系中的意见领袖与传播结构，基于账号转发关系而非文本转发关系绘制有向转发网络，对转发网络的节点类型与权重变化进行分析。

三、研究发现

（一）社交媒体空间的大模型认知：稳健的主题认知偏好

本文利用结构主题模型识别原创微博文本的主题分布。提取出公众关注的11个主题类别，分别是“科技革命”“AI投资”“技术监管”“企业家反应”“语言模型”“算力芯片”“政府规划”“本土科研机构”“国外科技企业”“大模型应用”“智能驾驶”。表1呈现了11个主题类别的关键词，从中能够发现：微博空间中用户对大模型的认知集中分布在经济类议题，即大模型与产业升级、金融投资、商业企业、产品应用、上下游产业的关系；其次用户关注到政治类议题，包括对大模型应用的监管以及政府发展规划中的大模型；其后用户关注大模型的技术原理以及本土科研机的发言与行动。②" ②每个主题的代表性文本内容可联系作者获取。

表2呈现了个体属性与主题认知之间的关系，从表中可见，用户账号类型对主题分布的影响十分稳健，不同用户群体的主题认知具有明显差异。在科技革命、技术监管、企业家反应、政府规划、本土科研机构、国外科技企业主题下，政府、媒体和企业（组织认证账号）的讨论明显多于其他两类账号的讨论；在AI投资、算力芯片、智能驾驶主题下，自媒体（个人认证账号）的讨论最多；在语言模型、大模型应用主题下，普通用户（无认证账号）的讨论多于其他账号的讨论。由此可以推测，政府和媒体倾向于从宏观层面认知大模型与经济和政治的关系并且关注本土科研机构对大模型的看法，企业倾向于呈现企业家和相关企业的行动，自媒体偏好于关注大模型引发的资金流向和热点行业变化，普通用户则承担起科普技术原理的角色，并以使用者的立场评价大模型应用。

（二）社交媒体空间的大模型态度：差异化的技术乐观

本文绘制得到原创帖文的情感得分变化趋势。从图2和图3能够发现，微博空间公众对大模型呈现出持续升高的正面情感，表明总体上的技术乐观态度，但是乐观程度因用户身份和认知主题而呈现差异。

图2显示不同群体的情感差异：官方机构账号对大模型的正面情绪先降后升，保持相对较低的正面情感；自媒体账号对大模型的正面情感在大模型发布之初大幅提升，其后小幅波动，最终呈现出较机构账号更强的正面情感；普通用户在大模型发布之初的正面情感相对较低，此后不断提升，最终保持在较高水平。这表明机构用户对大模型保持较为克制的乐观主义，普通用户则具有较为激进的乐观态度。

图3表示不同认知主题的情感变化差异。政府规划主题（Topic7）的正面情感最为明显，原因在于政府规划主题的文本内容通常是论述以大模型为代表的生成式人工智能如何促进城市规划，以2023年5月深圳市印发的《深圳市加快推动人工智能高质量发展高水平应用行动方案（2023—2024年）》①" ①深圳政府在线：《深圳出台人工智能高质量发展高水平应用行动方案》，https：//www.sz.gov.cn/cn/xxgk/zfxxgj/zwdt/content/post_10623248.html.为例，行动方案中明确提及“以更大热情拥抱创新，打造最好生态，推动人工智能高质量发展和全方位各领域高水平应用”，传递出对大模型的积极正面态度。政府规划主题之后，智能驾驶作为大模型赋能下的热点行业，主题贴文（Topic11）同样传递出明显的积极情感，典型代表为“加速部署”“推动生态发展”等文本内容。技术监管主题（Topic3）大模型的正面情感最低，原因在于其内容多为限制生成式人工智能的应用范围，例如“为了促进生成式人工智能健康发展和规范应用，维护国家安全和社会公共利益”“欧盟立法委员会同意更严格的AI规则草案”“不得利用AI生成内容损害他人形象名誉”，因此该主题贴文的情感态度仅略高于中性水平。由此可见，用户的乐观程度因认知领域而有所差异，既憧憬大模型为社会经济发展带来的新可能，又警惕大模型可能引发的社会危害。同时，政府作为重要的行动者界定了公众技术乐观的范围，尤其是2023年4月中共中央政治局会议提出“重视通用人工智能发展，营造创新生态，重视防范风险”②" ②中国政府网：《中共中央政治局召开会议 分析研究当前经济形势和经济工作 中共中央总书记习近平主持会议》，https：//www.gov.cn/yaowen/2023-04/28/content_5753652.htm.，肯定大模型在国家发展中的正面作用，同时明确提出警惕大模型的技术风险，为技术应用划定边界。

（三）社交媒体空间大模型认知的传播机制：区隔化的传播网络

本文基于529万余条转发微博的原文作者ID与转发作者ID得到280万组转发关系，转发微博的频次与权重变化表明微博空间中大模型讨论的传播呈现出明显的二八规律，极少部分账号之间频繁转发，绝大部分账号只存在单次转发关系。③" ③转发微博的频次-权重变化图可联系作者获取。由于存在280万组转发关系，其中绝大多数为单次转发，本文主要关注转发关系中具有影响力的意见领袖，因此分别选择以转发频次200、150、100为阈值绘制热点转发网络，研究不同传播层级意见领袖与传播网络结构的变化。

图4表明大模型相关讨论呈现出病毒式传播结构，随着传播范围的扩大，意见领袖的身份逐渐发生变化。在转发频次超过200的转发网络图中，仅有组织认证账号和自媒体账号两类意见领袖，组织认证账号略多于自媒体账号，组织认证账号之间存在明显的相互转发，而自媒体账号则辐射到更多的普通账号；在转发频次超过150的转发网络图中，自媒体账号增多，超过组织认证账号数量，同时自媒体账号辐射到更大的普通账号，一少部分普通账号作为意见领袖进入热点转发网络；在转发频次超过100的转发网络图中，传播网络呈现明显的区隔化，组织认证账号与自媒体账号形成各自的转发网络，组织认证账号链接的普通账号较少且存在互相转发关系，自媒体账号链接的普通用户更多，普通用户之间的转发构成了主体。本文认为，微博空间公众对大模型的讨论呈现明显的区隔化，自媒体账号是最具有影响力的意见领袖，对普通账号的影响力最大；组织认证账号是次一级的意见领袖，能够影响到其他机构与部分普通用户；普通账户的影响力较弱，但普通账户之间的相互转发构成了传播网络的主体。

表3梳理热点转发网络中的组织认证账号和自媒体账号。表中组织认证账号以科技公司账号和财经领域的媒体账号为主，仅有1个政府机构账号；自媒体账号均为互联网科技与财经领域博主。意见领袖所属领域与原创微博文本的主题分布相似，印证了前文所述作者类型与认知主题之间的关系。

四、结论与讨论

本文基于56万余条微博原创文本和529万余条转发微博数据，首先对微博用户的大模型主题认知与情感态度进行研究。在主题认知方面，本文发现公众对大模型的认知集中在经济类议题，其次是政治类议题，对大模型技术原理的讨论相对较少；用户类型与认知主题之间的关系十分稳健，不同用户的认知主题偏好具有明显差异。在情感态度方面，微博空间用户总体上呈现出明显的技术乐观，官方机构用户的技术乐观态度最为克制，自媒体的技术乐观强于官方机构用户的技术乐观，普通用户的技术乐观不断提升，最终保持在较高水平；不同认知主题下的乐观态度具有明显差异，政府规划主题下的乐观态度最为明显，技术监管主题下的乐观程度最低。这样的研究发现体现出技术话语与发展话语之间的关联，社会公众极为关注大模型带来的发展机遇并对此保持明显的乐观预期，对于大模型可能引发的失业危机、知识产权侵犯、技术鸿沟等问题感知度较低。

其次，本文通过对微博空间大模型相关讨论的传播机制进行分析，发现微博空间大模型讨论的传播结构呈现明显的区隔化，财经类自媒体和机构账号主导头部的传播网络，二者相比自媒体账号对普通用户的影响力更大，腰部和尾部的传播网络由普通用户主导，普通用户构成传播网络的绝对主体，意见领袖的类型直接影响到社交媒体空间公众的认知主题。未来意见领袖和区隔化传播网络对公众技术认知和技术采纳的影响值得进一步研究。

随着以大模型为代表的人工智能技术越来越展现出良好的理解能力与解决问题能力，人类的决策过程与行为过程也在逐步发生改变，从微观的人机交互、人际互动到宏观的产业变迁、社会结构，都将同时面临新技术的赋能与替代。公众的大模型认知将会影响到对大模型的治理，未来不仅需要将大模型作为治理对象，规制其可能引发的数据安全、技术侵权、伦理风险等问题，更需要将大模型技术作为治理工具，基于大模型技术赋能政府和赋权社会。

Public Perception of Large Language Models on Social Media：Topics，Attitudes，and Communication

MENG Tian-guang1，2" ZHANG Jing1" CAO Jiong-yi1

（1.School of Social Sciences，Tsinghua University，Beijing 100084，China;

2.Laboratory of Computational Social Science and State Governance，Tsinghua University，Beijing 100084，China）

Abstract：In recent years，large language models have attracted more and more social attention.Based on 560，000 original Weibo posts and 5.29 million Weibo reposts，this paper analyzes the public perception of large language models on social media，including hot topics，attitudes，and communication mechanisms.The study finds that economic issues attract the most attention and users with different identity tags have noticeable differences in thematic preferences.The public expresses optimistic sentiments towards large language models，with the degree of optimism varying by user identity tags and thematic preferences.Our results reveal the differentiated communication network of large language model discussions on social media.The communication network is highly segmented，with financial self-media accounts and institutional media accounts dominating the communication network.

Key words：large language models;social media;public perception;communication mechanism;social governance