网络群体行为涌现过程的建模和仿真的实证研究成果

本节通过选取典型案例“咪蒙事件”说明在舆情传播中存在的极化现象。

2019年1月29日凌晨，著名情感专栏作家咪蒙发布了一篇名为《一个出身寒门的状元之死》的文章，讲述了一个所谓出身寒门的高考状元不愿同流合污，努力奋斗仍然悲惨死去的故事。文章一出，迅速刷爆了微信朋友圈，短时间内转发量达到10万次，并且创作者咪蒙在2月1日的搜索热度达到峰值14万。基于用户关系的社交媒体平台——新浪微博更是显示该话题阅读量达到了2.2亿次。但是很快该文被质疑真实性，因疑似编造故事、刻意煽动泪点引发负面舆情风波，引起了大量网民讨论。

为分析参与讨论“咪蒙事件”中个体舆情演化情况，这里以“咪蒙”为关键字爬取了新浪微博5000条评论及每条评论下的点赞量，使用Python SnowNLP库进行自然语言处理，得到量化后的情感值。尽管获取的数据量不大，但是根据人际关系中的六度分割理论［34］，这些用户数据的统计结果在很大程度上仍然可以反映微博用户行为的若干普适性。因为在新浪微博话题下的阅读量远远大于讨论量，为更准确地还原大多数人的态度值，将点赞人数的态度值默认为是该条微博态度进行计算。爬取字段形式如图6-19所示。

图6-19　“咪蒙事件”爬取字段内容

本章对爬取的数据使用SnowNLP库量化处理后进行分析，截取事发后96小时内的评论数据。由于爬取字段时间分布较为接近，将2月1日0：00至2月4日23：59的评论量化后按时间先后进行排列，并生成网络演化图及极化概率图，如图6-20和图6-21所示。

图6-20　“咪蒙事件”舆情演化图

图6-21　“咪蒙事件”极化概率图

由图6-20可知，Time=0代表2019年2月1日零点，此时各网民个体的态度较为分散，各种态度均有。而随着舆情演化的进行，个体的态度逐渐分化形成两极，即支持“咪蒙”的一方，认为其发布的文章《一个出身寒门的状元之死》虽捏造事实但仍有其可读性，并对咪蒙的观点表示赞同；而更多的网民则认为咪蒙的胡编乱造导致民众焦虑，影响十分恶劣，完全站在批判的一方。剩余部分个体保持中立。

下文根据本章所提的舆情极化模型对该事件进行仿真实验。因为“咪蒙事件”与广大网民的生活息息相关，许多人都有自己的认知，因此从众性较低，固有自信度系数Yi服从N～（0.4，1）的正态分布，而“咪蒙事件”本身偏负面，因此设定初始时刻平均态度T（0）=-0.2；初始极化率ρ（0）=1.2，d1=0.18，d2=0.70。本次仿真选取500个节点，实验中网络集聚性设定为与新浪微博较为接近的0.333 92，平均度为118，相关参数的选取均依据现实情况，具有一定的实际参考价值，仿真结果如图6-22和图6-23所示。

图6-22　“咪蒙事件”舆情演化仿真图(www.xing528.com)

图6-23　“咪蒙事件”极化概率仿真图

通过比较图6-20—图6-23可知，虽然仿真与真实数据仍有差距，但整体舆情变化情况基本一致，极化个体所占比重较为相近，说明此次仿真有一定的实用价值。图6-20是取自网络中爬取数据所得，无法具体到每个个体的态度变化，只能以时间为单位判断网络中所有个体的态度走向，而仿真所得的如图6-22所示的结果则可以具体到每个网民个体的动态变化，因此图6-20为散点图，而图6-22则为折线图。

为验证本章所提模型的实用价值，在相同参数下使用J-A模型及静态从众模型进行仿真，结果如图6-24—图6-27所示。

图6-24　J-A模型下“咪蒙事件”的舆情演化仿真图

图6-25　J-A模型下“咪蒙事件”极化概率仿真图

图6-26　静态从众模型下“咪蒙事件”的舆情演化仿真图

图6-27　静态从众模型下“咪蒙事件”极化率仿真图

如图6-24和图6-25所示，J-A模型下舆情极化速度非常快，在Time=15时，网络中所有个体已经达到极化效果，并且除了正、负极化态度外网络中没有其他态度值存在。事实上，对于如“咪蒙事件”这样的典型案例，个体对于自身观点的自信程度非常高，从众倾向相对较低，在个体间进行观点交互时受到的影响非常有限。因此，在舆情演化中，直至网民对事件关注度完全消失，正、负极化的比例只会较初始时刻有所增多，而不可能完全极化。而采用静态从众模型时，如图6-26—图6-27所示，网络中网民个体的态度值几乎保持不变，这与事实明显不符。因此，对于网民的从众性较低及初始观点值十分分散的热点事件，本章所提的模型更具实用价值。