网络舆情中基于心理暗示的温和舆论引导策略研究

2024-11-11 00:00刘与同陈曦
复杂系统与复杂性科学 2024年3期

摘要: 为应对网络舆论环境中信息茧房效应的消极影响,考虑在舆论引导过程中将个体对引导观点的接受程度,提出基于心理暗示的温和观点引导策略,并构建了基于心理暗示的温和引导策略模型。通过实验分析了引导强度与引导比例的影响,研究了引导策略对舆论演化过程的影响,并在多个网络下验证了引导策略的稳定性,最后与传统度引导策略进行了对比。结果表明温和引导在引导效果具有优越性,尤其是能在中长期对群体舆论进行持续影响。

关键词: 观点演化;线上舆情;温和舆论引导;心理暗示

中图分类号: TB391.9;C94文献标识码: A

Moderate Online Opinion Guidance Strategy Based on Psychological Suggestion

LIU Yutong,CHEN Xi

(School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, Wuhan 430074, China)

Abstract:To cope with the negative impact of the information cocoon effect in the network public opinion environment, we take the individual′s acceptance of guiding opinion into consideration, propose a moderate opinion guidance strategy based on psychological suggestion, and propose a moderate opinion dynamic model. We analyze the influence of guidance strength and guidance ratio through simulation experiments, and the influence of moderate guidance strategy on the evolution process of public opinion is studied. Then, we verify the stability of the bootstrapping strategy under multiple networks and compares it with traditional degree booting. The results show the superiority of moderate guidance in guiding effect, especially in the long term.

Keywords: opinion dynamics; online opinion; moderateopinion guidance; phycological suggestion

0 引言

随着互联网发展,线上社交网络成为舆论演化的新环境。更快的信息流通,更便捷的信息获取方式使得线上社交网络呈现出与真实社交网络中不同的现象。在线上社交网络中,个体自主性更强,意见表达更加活跃。个体在丰富信息中自由且精确地选择感兴趣的信息。虽然新型舆论环境极大程度上便利了宏观信息流通,却给其中的微观个体加上了无形的限制。学者们将这种限制称为信息茧房效应。该效应是指个体处在一个特定环境,环境中的想法、信息、信念都是已经被个体接受的。个体就如同虫被包裹在虫茧之中[12]。选择性曝光效应研究结果表明个体更倾向于选择自己认同舆论环境[34],也佐证了信息茧房的研究。

相比于现实社交舆论环境,个体更容易在线上舆论环境中陷入信息茧房。学者指出,线上舆论环境中个体对信息源的选择自由度更高,个体的信息获取更加符合自身偏好[5]。这种差异导致个体将多元化信息排除,最终导致个体获得的信息与自身原本观点高度一致,使得个体观点僵化陷入信息茧房。陷入信息茧房的个体通常会无视其他多元化观点。正因如此,线上舆论环境中往往会出现群体观点碎片化或者观点两极分化的现象。个体固执己见,群体内部观点无法协调,常常引发舆论争执。这种不和谐的网络舆论环境有可能会导致舆情危机的爆发,也可能激化群体内部的各种矛盾。然而,在舆论演化过程中舆论引导对舆论最终演化结果具有重要影响,有效的舆论引导能协调群体观点,避免舆论危机的发生[6]。为了应对网络舆论环境中信息茧房效应带来的消极影响,对线上舆论的引导十分重要。

舆论引导是舆论演化研究的分支话题,目标是用合理的方式引导群体中部分个体,使得群体舆论尽可能形成一致或达到目标观点,其“本质上是组织、个人和媒体通过特定手段对舆论的发展趋势进行调控和影响,从而使改变群体行为和观点”[7]。在以往基于舆论演化研究的舆论引导研究中,学者们提出了基于意见领袖的引导策略[89],基于免疫机制的引导策略[1011]等。然而这些研究中,引导策略往往过于生硬地改变模型中个体的观点。然而,人作为建模对象,在研究个体观点演化时,个体复杂的行为动机应该被充分考虑。

个体观点演化和观点引导是一个涉及到多种因素的复杂过程,如果单纯将研究中的个体视为可以随意改变观点的“智能体”,直接改变个体观点或向个体强行附加目标观点值,将会失去研究的现实意义。在舆论演化以及舆论引导研究中引入社会心理学的理论进行补充十分重要。心理暗示效应是社会心理学中十分经典的效应。该效应对个体观点的影响,研究者们进行了诸多定性研究以及实证研究。例如文献[12]提出了同质亲和性理论在交互的过程个体中会选择与观点相似的个体进行交互。经典的阿希实验提出个体的认知会在一定的社会压力等外界环境因素影响下产生改变,最终影响个体行为决策[13]。然而,针对心理暗示对个体观点改变的定量化描述却鲜有研究。

基于上述思考,本文以观点演化模型作为定量研究工具,从社会心理学的视角引入心理暗示效应,在线上网络舆论环境下,对群体的舆论引导过程进行研究。特别是针对个体对引导观点的接受程度,在引导过程中引入温和舆论引导观点,研究动态引导观点的变化过程,以及个体受舆论引导后观点的演化过程,并对基于心理暗示的温和舆论引导策略引导效果进行分析并与传统舆论引导策略进行对比。

1 文献综述

1.1 舆论演化与舆论引导

在以往研究中,舆论引导一直作为舆论演化研究的引申问题进行研究。在研究这类问题时,学者们结合了计算机仿真,统计学,物理学以及控制科学等多学科知识,尝试构建模型定量描述人类社会中的复杂现象[14]。研究者们基于同质亲和性理论,社会认同理论等描述群体中观点聚合,该过程考虑个体感知外界观点并与其他个体“沟通,协调,达成一致”。诚然,现实中个体之间不仅仅只有观点聚合这一种行为。学者们为个体间交流补充了规则。其中最为著名的是有限信任假设,即个体只会在一定范围内与其他个体进行观点聚合,如果超过这个限制,则不进行交流。该假设广泛应用在连续观点舆论演化模型研究中。经典的连续性舆论演化模型包括FM模型[15]、Deffuant模型[16]、HK模型[17]等,主要用于描述观点连续演化情景,例如针对个体态度动态变化过程、群体观点极化、群体观点反转的研究等。除此之外,研究者们针对投票问题、决策问题等离散观点情景构建了离散观点演化模型,包括Voter模型[1819]、Sznajd模型[20]。

过往对舆论引导的研究十分充实,学者们从传染病防治,复杂网络,博弈论等角度探索了这个交叉学科问题。文献[1021]借用传染病研究的免疫机制构建了随机免疫控制策略。其思想是通过保持群体中部分个体观点不变,从而影响整个群体的观点演化过程。后来,研究者提出通过引导意见领袖观点对群体观点进行引导,并提出了基于节点网络拓扑特性的舆论引导策略[2224],比如度引导策略、基于介数中心性的引导策略、基于局部中心性的引导策略等[2526]。Cao[27]提出基于网络中节点信息接收频率的自适应桥节点舆论控制策略,节省了获取网络拓扑信息的时间与成本。近些年,舆论演化研究多学科交叉背景不断丰富,社会心理学对个体行为动机进行解释,社会网络分析以及控制论、信息论为舆论演化的定量研究提供基础。与此同时,随着大数据技术普及,原本基于理论和假设的舆论演化与舆论引导研究引入了真实数据,丰富了原本的模型。例如文献利用博弈论补充考虑了引导节点的专业性和权威性对引导效果的影响。Chen等[28]基于现实数据构建了基于个体的公众权威度属性的舆论引导策略,优化了舆论引导效果。Afshar等[29]基于社会心理学提出了基于知情节点的引导策略,描述了“对关键节点的舆论引导”以及“关键节点影响群体舆论演化”的过程。文献[30]提出在电子商务背景下,目标观点不同的多个意见领袖的引导对群体观点演化的影响。张轩宇等[31]研究了在考虑敌意媒体与偏见同化效应情境下,大型媒体发布的观点对个体观点的影响。刘琪等[32]研究了意见领袖引导作用对群体观点逆转的影响。文献[33]提出线上网络中的舆论引导要充分利用线上环境的特点,通过增加群体间互动的方式增加观点探讨,推动舆论演化过程。张云中等[34]结合智库舆论引导力和媒体舆论引导力,提出了基于扎根理论的媒体型智库舆论引导力。

然而,以往的研究忽略了舆论引导过程中个体观点变化的基本假设。由于个体的认知闭合需求[35]以及同质亲和性[12,36],个体观点不会出现巨大的变化。本文认为个体的认知改变是一个连续渐进的过程,通过直接改变个体观点来引导群体观点的引导策略违背了个体认知改变的基本规则。所以本文提出在构建引导策略时,个体对引导信息的接受程度应该被充分考虑。

1.2 心理暗示效应

心理暗示是指在无对抗条件下,用含蓄、抽象诱导的间接方法对人们的心理和行为产生影响,从而诱导人们按照特定的方式行动或接受某种意见,使其思想、行为与暗示者期望的目标相符合[37]。研究表明心理暗示能对个体购物行为的选购决策[38],药物疗效的主观认知[39]以及特定事物的主观记忆[4041]都产生影响。在舆论演化的研究中,社会心理学作为补充能很好地解释个体在接收外部信息后的复杂应对行为。当个体接收外部信息时,如果个体自身观点与外部信息相差较大,个体则会主观地忽视外部信息,不受外部信息的干扰。而当个体自身观点与外部信息相似时,个体会通过吸纳外部信息强化自身观点。个体对外部信息的处理方式在许多的舆论演化研究模型中都得到了体现。例如,在有界信任模型中,个体不会接收信任阈值外的信息;在FM模型中,个体会对观点差距较大的观点进行排斥[15]。在通过博弈论描述舆论演化的研究中,个体的期望收益会因为与交流个体观点差异过大而降低[42]。后真相时代的舆论研究[31]中也提及个体会基于自身观点对外部信息进行偏见同化。诸多社会心理学的实证研究都验证了心理暗示效应能十分有效地改变个体的观点[13,42]。其本质在于包含心理暗示的外部信息往往同时满足与个体自身观点相似以及对目标观点具有偏向性两个特点。这种外部信息使个体自身观点逐渐发生改变,并逐渐接受目标观点。

2 基于心理暗示的温和引导策略

相比于在引导之初就直接向受引导个体直接推送相差很大的引导观点,利用心理暗示进行引导,更符合现实情况,受引导的个体也更容易接受目标观点。本文提出在引导过程中引入带有心理暗示作用的温和观点来对受引导个体进行引导。考虑受引导个体自身观点演化规律,温和观点将由受引导个体观点动态决定。在引导过程中,利用线上舆论环境,不断向受引导个体推送偏向引导目标的观点,使得个体观点逐渐向引导目标靠近,最终实现引导。在该策略的引导过程中,引导不会扭曲个体原本的信息获取偏好,不会剧烈改变个体的观点,总体上是通过对个体进行较为温和的渐进式引导来实现引导目的。

引导过程具体如图1所示,首先确定引导目标观点,然后确定受引导个体观点,计算两者的观点距离,如果个体能接受引导目标观点(在个体的信任阈值内),则直接推送目标观点。反之,则推送个体能接受且偏向于目标观点的温和观点,对个体进行心理暗示,引导个体观点向目标观点改变。这个过程中若个体不能马上接受目标观点,也会受到暗示逐渐向目标观点靠拢。由于群体中其他个体会与受引导个体交流,所以他们会间接受到引导的作用,使群体观点逐渐向目标观点演化。

3 基于心理暗示的温和引导模型构建

互联网的交流环境中,个体会与其他个体产生交流并更新自己的观点;其次,个体还会接收到媒体的消息推送。由于互联网环境下个体自主选择能力更强,且个体一般情况下只与跟自己观点相近的个体交互,这样的交流特点与有界置信模型的交流规则十分接近,所以本文将基于有界置信HK模型以及其基本假设来构建研究模型。HK模型仅仅考虑了其他个体观点对个体观点的影响,学者们在HK模型上又做出了许多改进。惯性HK考虑了个体在改变观点时历史观点的粘性[43],CSHK模型则结合了上述模型综合考虑了个体在场依存和场独立两种认知下的观点演化[44]。CSHK模型中场独立部分为个体独立分析理解的观点,在互联网舆论环境下可以用来描述个体受媒体信息影响所产生的观点;场依存部分为个体与群体中其他个体交流产生的观点,可以视为个体在互联网中与其他个体交流产生的观点。CSHK模型能将互联网交流环境中个体的观点演化过程清晰描述,本文将基于CSHK模型描述个体的观点演化过程,普通个体的观点演化规则为

xit+1=c·ω·xit+1-ω·xit-1+1-c·1Ni∑j∈Nixjt(1)

Nit=j∈V|xit-xjt≤εi(2)

受引导个体还会在舆论演化过程中受到动态的温和引导,这种引导是通过线上网络平台推送直接作用于个体的,属于个体场独立认知对个体舆论观点的影响。受到引导的个体观点演化规则为

xit+1=c·1-β·ω·xit+1-ω·xit-1+β·pit+1-c·1N∑j∈Nixjt(3)

其中,c为场独立认知方式的比重系数,ω为历史消息的比重系数,εi为个体i的信任阈值,Ni表示在个体i信任阈值内的个体数。β为引导强度,强度越强引导观点的比重就越大,个体受到的监督与引导就越强。pit为个体所接受的心理暗示信息观点值,pit取值根据个体观点值进行动态调整,调整规则:

pit=P|P-xit|≤ xit+sgnP-xit· |P-xit|> (4)

其中,P为舆论引导的目标观点。考虑到个体对引导观点的接受程度,在个体观点与目标观点距离较大时个体无法直接接受目标观点,本文引入温和观点对个体进行引导。当个体观点与目标观点距离大于个体信任阈值时,受引导个体将根据自身观点接收动态变化的温和观点。反之,受引导个体将直接接收目标观点。当β=1且 趋近于无穷时,受引导个体的观点演化规则可退化成传统的度引导策略引导规则。pit随P和xi(t)的取值分布如图2所示。

4 仿真实验以及结果分析

为验证基于心理暗示的温和引导策略的有效性,本文设置了3组实验。首先,本文在全连通网络中研究了温和引导模型内部参数对引导效果的影响。接着,通过对比,分析了不同引导强度下的舆论演化结果。最后,本文在多种网络模型下验证了温和引导模型的有效性,并与度引导策略进行了对比。实验中,个体总数N=1 000,期望目标观点P=1,信任阈值ε=0.1。实验在群体达到稳态或最大步长时停止。参数c和ω已在文献[44]中进行了研究,均设置为0.5。场独立认知系数c的取值代表,在后续所有的仿真实验中假设场独立认知与场依存认知对个体的认知起到相同的作用。历史消息比重ω的取值代表在后续的仿真实验中假设个体在线上舆论环境中接受到的信息推送受到其前两期的历史观点的影响。

4.1 引导强度和引导比例对群体舆论演化结果的影响

为了研究温和引导模型内部参数对群体舆论演化以及引导效果的影响,实验在全连通网络下进行,最大步长T=10 000。模型中引导效果取决于两个因素:引导强度(β)和引导比例(K)。其中,引导比例是指群体中受到引导个体所占群体总人数的比例,它能对引导结果产生最直接的影响,即引导比例越大,受到直接影响的人数就越多。引导强度是指受引导个体所受到的引导大小,引导强度越强,个体在场独立认知中受到引导信息的影响就越大。

首先分析引导比例对舆论演化的影响,仿真实验结果如图3所示。其中,Y轴为稳态时群体平均观点,X轴为引导比例。随着引导比例提升,稳态时群体平均观点逐渐向目标观点靠近。由于引导比例决定了受引导个体的数量,因此引导比例越高,受到引导直接影响的个体就越多,引导结果肯定就越好。但是图3也反映出在不同的引导强度下,群体的舆论演化有着不同的特点,图中虚线代表在普通个体完全不与受引导个体发生交流时,群体舆论演化的理论结果。所以实线与虚线在Y轴上的差距就代表着引导策略对群体的间接引导结果。由图3可以看出引导强度为0.1的间接引导效果要优于强度更大的情况。考虑到现实情况下提升引导比例需要耗费巨大的成本,引导应该在较低的引导比例下进行。所以,引导强度的选择十分关键。本文将通过仿真实验进一步探究引导强度对引导效果的影响。

图4展示了引导强度对引导效果的影响。可以看出在引导比例保持一致的情况下,引导效果随着引导强度的升高先增后减,过高的引导强度反倒使得引导效果变差。具体分析可以发现,由于引导比例不变,直接受到引导效果的个体数量不变,引导的直接效果在引导强度变化中未改变,引导强度的变化影响了间接引导效果。为综合分析引导强度和引导比例影响,本文进行多次仿真实验所得的引导效果热力图,见图5,可以看出在适当的引导比例与引导强度下(红色区域)引导策略能成功将群体引导到目标观点。但是,当引导强度高于0.5时,仿真结果显示,为了成功引导整个群体所要求的引导比例快速升高。随着增大引导强度而带来的引导效果的降低是反直觉的。接下来,本文将分析反直觉现象的底层原因。

4.2 舆论演化过程分析

为了分析引导强度升高反倒造成引导效果下降的原因,本节选取合适的引导比例(K=0.2),针对合适的引导强度(β=0.2)与过高的引导强度(β=0.8)进行舆论演化过程仿真实验。仿真实验依旧在个体总数N=1 000的全连通网络上进行。其余参数与4.1小节仿真实验相同。通过仿真实验所得到的群体观点变化趋势,以及个体观点变化趋势对在不同引导强度的群体舆论演化进行细节上的过程分析。

图6、7为仿真实验得到的不同引导强度下的舆论演化过程图。图6展示了具有适当引导强度的舆论演化过程,而图7为具有相同引导比例但引导强度较高的舆论演化过程。两图的a图是群体平均观点随演化步长的变化曲线,b图是群体中所有个体的观点演化过程。对比图6、7的a图可以发现,在适当引导强度下(见图6a),受引导群体的观点始终与普通个体群体观点接近,且偏向目标观点。这表明受引导个体受到直接引导后先向目标观点演化,并且带动普通个体群体观点产生向目标观点演化的倾向。最后,整个群体的观点在目标观点达到统一。然而在图7a中,受引导群体的平均观点快速与普通群体产生差距,普通群体的平均观点变换逐渐平缓。从最终的引导结果看出,引导强度为0.8时仅部分普通个体能被成功引导。

进一步分析图6b和图7b的群体观点演化过程可以发现,在舆论演化初期,个体快速形成小型舆论群体。如果小群体内存在受引导个体,则小型舆论群体将受到舆论引导的间接影响,小群体的观点将逐渐向目标观点演化。图6b展现了理想的舆论演化情景。在这个情景下,受引导个体观点相较于其所处的小群体观点更偏向于目标观点,能有效引导小群体内的普通个体向目标观点方向改变观点。然而,一个群体中如果没有受引导的个体,小群体的观点就不会受到引导,将在群体内观点达到一致后保持观点稳定。在引导强度过高的图7b情景下,被引导个体更新观点幅度过大,快速脱离原本所处的小群体,使得小群体内部的普通个体不再与受引导个体进行观点交流,导致只剩下普通个体的小群体不再受到间接引导,小群体的观点变得稳定,不再接收信任阈值外的信息,小群体出现观点固化的现象。

结合上文仿真实验,在适当的引导强度与比例下,基于心理暗示的温和引导策略能有效引导群体在目标观点达到共识。引导比例决定了引导的直接效果,引导的间接效果受到很小的引导强度就能引导群体中大部分个体观点向目标观点演化并最终达到目标观点。但是,并不是引导强度越高引导结果越好。若引导过于剧烈会导致被引导的个体过快改变自身观点并脱离其原本舆论环境,这种情况下虽然群体整体舆论环境偏向目标观点但是会导致群体出现碎片化的小群体,引导效果不佳。同时现实情形中,引导比例和引导强度提高意味着引导成本提高。所以,制定引导策略时需要选取尽可能小的引导比例和引导强度。

4.3 温和引导模型在不同网络下的有效性研究

前文仿真实验在全连通网络中探究了模型本身参数的影响。本节将验证温和引导策略在不同网络下的稳定性。由于社交网络与全连通网络存在很大区别,对引导有效性的验证需要在能反映线上社交网络特点的网络模型中进行。ER网络,BA无标度网络和WS小世界网络都一定程度描述了现实网络结构的特点,且认可度较高。本文将在3个网络下分别进行仿真模拟,并分析实验结果。为了确保可比性,本节选择了相同网络规模的网络,并使3个网络中节点的平均度相等。在实验的下一部分中,本节使用的网络包括1 000个节点,网络的平均度为6。本节以固定的引导强度(β=0.2)重复10次仿真实验。在每个网络下,每个仿真实验的最大时间步长T=10 000。当观点稳定或达到最大步长时,仿真将终止。

图8显示了在不同网络下温和引导策略的平均引导效果。尽管在不同的网络下,温和引导策略的效果略有不同,但从图8可以看出引导效果具有稳定性。与全连通网络相比,这些网络的拓扑特征与真实网络更加接近。当引导比例K>30%时,由于本文所提出的基于心理暗示的舆论引导策略的受引导个体是在群体中随机选取的,不依赖群体中的观点关键节点,所以温和引导策略在3种网络下的引导效果较为相似。当引导比例较小时,WS小世界网络下成功引导人数略微少于另外两个网络,其原因在于小世界特性,网络聚度系数较大,引导信息难以在网络中扩散。在引导比例升高后,3种网络的引导效果几乎一致。

本节还将温和引导策略与度引导策略进行了对比。在对比过程中,本节主要考虑引导策略的两个因素:一是成功引导的个体C,二是引导所需时间T。但是,这两个因素都不能反映整个情况。尽管C是最终目标,但收敛时间(T)太长则不切实际。简而言之,理想的引导策略应在合理的时间内引导尽可能多的人。为了全面评估两种策略,本节引入了一个综合因子E=1-0.5((N-C)/N+T/Tmax),其中Tmax为最长的T,N为网络中个体的总数。引导过程花费的时间越长,得到的E越小。成功引导的个体数C越大,E越大。简而言之,E越大越能体现引导对于群体舆论演化的有效性。本节从多次模拟中收集数据,结果见图9。

从图9可以看出,在3个网络下,温和引导策略优于度引导策略,更能有效地引导群体。但是,从图9还可以看出,指标E之下的两种引导策略之间的差距较小。由于指标E综合考虑了引导效果指标C和引导所花费的时间,导致温和引导策略与度引导策略在指标E上差距较小的原因在于温和引导策略花费的时间更长。在前文讨论中,舆论演化图6、图7表明,温和引导在引导过程中缓慢改变群体的观点。在引导末期,个体缓慢向目标观点转移,观点变化十分缓慢。

为了进一步比较这两种引导策略,本节还将仿真时间限制为300,比较了这两种策略的短期引导效果,结果见图10所示。图10中温和引导策略仍然可以引导更多的个体达到期望的目标,得到更高的指标c评分。在相对较短的演化时间内,温和引导策略仍具有较好的引导作用。此外,被引导个体还能持续吸引未达到目标观点的普通个体,以便成功地引导更多的个体。综上所述,与度引导策略相比,温和引导策略能在短期内达到更好的引导效果,并且还能持续引导群体内未达到目标观点的个体向目标观点演化。

5 结论

针对互联网环境的信息茧房效应,本文提出了基于心理暗示的温和引导策略。相较于以往的引导策略,温和引导策略考虑了引导过程中个体的接受程度,结合心理暗示原理,引入了利于个体接受的温和观点。结合仿真实验结果,温和引导策略能有效引导群体在目标观点到达一致。

本文主要得出了3个结论:1)引导比例决定直接引导效果,与最终的引导效果正相关;引导强度决定间接引导效果,过高的引导强度并不利于群体观点统一。本文通过舆论演化过程分析解释了这种反直觉现象。温和引导策略在适当的引导强度和引导比例下能有效引导群体实现观点统一。2)在无标度网络、小世界网络以及随机网络中,温和引导策略均能对群体进行有效引导,其受拓扑结构的影响较小,能在复杂的社会网络环境中有效应用。3)在无标度网络、小世界网络以及随机网络中,温和引导策略所得到的引导效果指数都优于度引导策略。在进一步的对比中,温和引导策略在短期引导效果优于度引导的基础上,能更长期更广泛地影响群体观点。温和引导策略不仅能引导中立个体接收目标观点,还能通过长期影响引导原本持有观点与目标观点有较大差距的个体。

综上所述,基于心理暗示的温和引导策略能有效对群体舆论演化过程进行引导。未来的研究可以在两个方向中发展:建立一个更加精细的模型用于讨论个体受到直接引导后的观点改变过程;尝试构建一个考虑非线性的个体观点接受模型。

参考文献:

[1]SUNSTEIN C R. Republic. com[M]. Princeton: Princeton University Press, 2001.

[2]JAMIESON K H, CAPPELLA J N. Echo chamber: rush Limbaugh and the conservative media establishment[M]. Oxford: Oxford University Press, 2008.

[3]IYENGAR S, HAHN K S. Red media, blue media: evidence of ideological selectivity in media use[J]. Journal of Communication, 2009, 59(1): 1939.

[4]LAWRENCE E, SIDES J, FARRELL H. Self-segregation or deliberation? blog readership, participation, and polarization in American politics[J]. Perspectives on Politics, 2010, 8(1): 141157.

[5]FLAXMAN S, GOEL S, RAO J M. Filter bubbles, echo chambers, and online news consumption[J]. Public Opinion Quarterly, 2016, 80(Special Issue1): 298320.

[6]何建佳,胡祖平. 基于元胞自动机的网络舆论演化建模及仿真[J]. 情报理论与实践, 2018,41(5):155160.

HE J, HU Z. Modeling and simulation of network public opinion evolution based on cellular automata[J]. Information Studies: Theory & Application, 2018,41(5):155160.

[7]计永超, 刘莲莲. 新闻舆论引导力:理论渊源、现实依据与提升路径[J]. 2a9a577f1d452519614fb5bea6e72c13新闻与传播研究, 2016,23(9):1526,126.

JI Y, LIU L. Guidance of news: theoretical origin, practical basis and improvement path[J]. Journalism & Communication, 2016,23(9):1526,126.

[8]FLYNN L R, GOLDSMITH R E, EASTMAN J K. Opinion leaders and opinion seekers: two new measurement scales[J]. Journal of the Academy of Marketing Science, 1996, 24(2): 137147.

[9]DAVIS R L. Accelerating the diffusion of innovations using opinion leaders[J]. Annals, 1999,556(1): 5567.

[10] PASTOR-SATORRAS R, VESPIGNANI A. Immunization of complex networks[J]. Physical Review E-Statistical Physics, Plasmas, Fluids, and Related Interdisciplinary Topics, 2002, 65(3): 18.

[11] COHEN R, HAVLIN S, BEN-AVRAHAM D. Efficient immunization strategies for computer networks and populations[J]. Physical Review Letters, 2003, 91(24): 25.

[12] GARGIULO F, GANDICA Y. The role of homophily in the emergence of opinion controversies[J]. Journal of Artificial Societies and Social Simulation, 2017, 20(3):8.

[13] LARSEN K S. Conformity in the asch experiment[J]. Journal of Social Psychology, 1974, 94(2): 303304.

[14] CASTELLANO C, FORTUNATO S, LORETO V. Statistical physics of social dynamics[J]. Reviews of Modern Physics, 2009, 81(2): 591646.

[15] FLACHE A, MACY M W. Small worlds and cultural polarization[J]. Journal of Mathematical Sociology, 201 35(13): 146176.

[16] DEFFUANT G, NEAU D, AMBLARD F, et al. Mixing beliefs among interacting agents[J]. Advances in Complex Systems, 2000, 3(4): 8798.

[17] HEGSELMANN R, KRAUSE U. Opinion dynamics and bounded confidence models, analysis and simulation[J]. Journal of Artificial Societies and Social Simulation, 2002, 5(3):2.

[18] CAMPBELL A, GURIN G, MILLER W E. The Voter Decides[M].Oxford, England: Row, Peterson, and Co, 1954.

[19] SOOD V, REDNER S. Voter model on heterogeneous graphs[J]. Physical Review Letters, 2005, 94(17): 69.

[20] SZNAJD-WERON K. Sznajd model and its applications[J]. Acta Physica Polonica B, 2005, 36(8): 25372547.

[21] YANG D, LIAO X, SHEN H, et al. Dynamic node immunization for restraint of harmful information diffusion in social networks[J]. Physica A: Statistical Mechanics and Its Applications, 2018, 503: 640649.

[22] IOANNIDIS E, VARSAKELIS N, ANTONIOU I. Change agents and internal communications in organizational networks[J]. Physica A: Statistical Mechanics and Its Applications, 2019, 528: 121385.

[23] SABIDUSSI G. The centrality index of a graph[J]. Psychometrika, 1966, 31(4): 581603.

[24] FREEMAN L C. A set of measures of centrality based on betweenness[J]. American Sociological Association, 1977, 40(1): 3541.

[25] VALENTE T W, PUMPUANG P. Identifying opinion leaders to promote behavior change[J]. Health Education and Behavior, 2007, 34(6): 881896.

[26] CHEN D, L L, SHANG M S, et al. Identifying influential nodes in complex networks[J]. Physica A: Statistical Mechanics and Its Applications, 2012, 391(4): 17771787.

[27] Qian C, Cao J, Lu J, et al. Adaptive bridge control strategy for opinion evolution on social networks[J]. Chaos: an Interdisciplinary Journal of Nonlinear Science, 201 21(2): 025116.

[28] Chen X, Xiong X, Zhang M, et al. Public authority control strategy for opinion evolution in social networks[J]. Chaos: an Interdisciplinary Journal of Nonlinear Science, 2016, 26(8): 083105.

[29] AFSHAR M, ASADPOUR M. Opinion formation by informed agents[J]. Journal of Artificial Societies and Social Simulation, 2010, 13(4):5

[30] ZHAO Y, KOU G, PENG Y, et al. Understanding influence power of opinion leaders in e-commerce networks: an opinion dynamics theory perspective[J]. Information Sciences, 2018, 426: 131147.

[31] 张轩宇,陈曦,肖人彬.后真相时代基于敌意媒体效应的观点演化建模与仿真[DB/OL]. [20220624]. https://kns.cnki.net/kcms2/article/abstract?v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65FzzQr8IgOxMTUujzlt9MGZG3cQV-UiqPngqocS_bONte_6UebBG4-&uniplatform=NZKPT.

XUANYU Z, XI C, RENBIN X.Modeling and simulation of opinion evolution based on hostile media effect in the post-truth era[DB/OL]. [20220624]. https://kns.cnki.net/kcms2/article/abstract?v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65FzzQr8IgOxMTUujzlt9MGZG3cQV-UiqPngqocS_bONte_6UebBG4-&uniplatform=NZKPT.

[32] 肖人彬,刘琪. 观点动力学视角下基于意见领袖的网络舆情反转研究[J]. 复杂系统与复杂性科学, 2019,16(1):113.

XIAO R, LIU Q. Anopinion dynamics approach to public opinion reversion with the guidance of opinion leaders[J]. Complex Systems and Complexity Science, 2019,16(1):113.

[33] 张镕,张云中,王依婷. 基于情感分析的媒体型智库舆论引导力测度研究[J]. 情报理论与实践, 202 44(4), 130137.

ZHANG R, ZHANG Y, WANG Y.Research on public opinion guidance measurement of media-based think tanks based on sentiment analysis[J]. Information Studies: Theory & Application, 202 44(4), 130137.

[34] 张镕,张云中. 基于扎根理论的媒体型智库舆论引导力构成与作用机制研究[J]. 情报理论与实践, 202 44(11),8088.

ZHANG R, ZHANG Y. Research oncomposition and mechanism of media-based think tanks’ public opinion guidance based on grounded theory[J]. Information Studies: Theory & Application, 202 44(11),8088.

[35] WEBSTER D M, KRUGLANSKI A W. Individual differences in need for cognitive closure[J]. Journal of Personality and Social Psychology, 1994, 67(6): 1049.

[36] MILLER MCPHERSON, LYNN SMITH-LOVIN, JAMES M. COOK. Birds of a feather: homophily in social networks[J]. Annual Review of Sociology, 200 27: 415444.

[37] 谢耘耕, 荣婷. 微博舆论生成演变机制和舆论引导策略[J]. 现代传播:中国传媒大学学报, 201 178(5): 7074.

XIE Y, RONG T.Weibo opinion dynamics and guidance strategy[J]. Modern Communication(Journal of Communication University of China), 201 178(5): 7074.

[38] LEE L, FREDERICK S, ARIELY D. Try it, you’ ll like it[J]. Psychological Science, 2006, 17(12): 10541059.

[39] MCCLUNG M, COLLINS D. “Because I know it will!”: placebo effects of an ergogenic aid on athletic performance[J]. Journal of Sport & Exercise Psychology, 2007, 29(3): 382394.

[40] MICHAEL R B, GARRY M, KIRSCH I. Suggestion, cognition, and behavior[J]. Current Directions in Psychological Science, 2012, 21(3): 151156.

[41] PARKER S, GARRY M, EINSTEIN G O, et al. A sham drug improves a demanding prospective memory task[J]. Memory, 201 19(6): 606612.

[42] YIN X, WANG H, YIN P, et al. Agent-based opinion formation modeling in social network: a perspective of social psychology[J]. Physica A: Statistical Mechanics and Its Applications, 2019, 532:121786

[43] CHAZELLE B, WANG C. Inertial hegselmann-krause systems[J]. IEEE Transactions on Automatic Control, 2017, 62(8): 39053913.

[44] CHEN X, ZHAO S, LI W. Opinion dynamics model based on cognitive styles: field-dependence and field-independence[J]. Complexity, 2019, 2019(1):2864124.

(责任编辑 李 进)