人機(jī)交互：社交機(jī)器人在新冠肺炎疫情議題架構(gòu)中的行為分析

石韋穎 何康 賈全鑫

【內(nèi)容摘要】新冠肺炎疫情肆虐全球，社交媒體空間呈現(xiàn)出“信息疫情”的局面，信息環(huán)境高度復(fù)雜和不確定。本文探究了社交機(jī)器人在新冠肺炎議題在線討論中的參與行為。

【關(guān)鍵詞】社交機(jī)器人;新冠肺炎疫情;社交媒體

一、引言

隨著新冠肺炎疫情在世界范圍內(nèi)迅速蔓延，社交媒體上涌現(xiàn)出海量的疫情相關(guān)信息，這些信息亦真亦假，有人說(shuō)，這種情況構(gòu)成了網(wǎng)絡(luò)環(huán)境中的“信息疫情（Infodemic）”。作為用戶人數(shù)最多的全球化社交媒體之一，推特（Twitter）已成為當(dāng)今社會(huì)重要的數(shù)字公共領(lǐng)域，無(wú)疑也是“信息疫情”存在的主要空間。

社交機(jī)器人是一種在社交媒體上擁有賬號(hào)并能夠承擔(dān)任務(wù)，利用算法生成內(nèi)容的自主機(jī)器人，①在社交媒體上與人類用戶共同存在，②并活躍在政治選舉、公共健康議題、社會(huì)熱點(diǎn)事件等在線討論中。社交機(jī)器人會(huì)模仿人類行為與其他用戶互動(dòng)，③試圖干預(yù)網(wǎng)絡(luò)輿論甚至影響人們的線下行為。在“信息疫情”的背景下，推特（Twitter）平臺(tái)上有關(guān)新冠肺炎疫情的相關(guān)討論中，社交機(jī)器人的參與情況是怎樣的？社交機(jī)器人與人類用戶之間的意見(jiàn)是否相異？社交機(jī)器人與人類用戶之間的連接和互動(dòng)情況如何？這些問(wèn)題的探討具有一定的現(xiàn)實(shí)意義。

為解答上述問(wèn)題，本文爬取了推特（Twitter）平臺(tái)上2020年前3個(gè)月有關(guān)新冠肺炎疫情討論的推文數(shù)據(jù)，對(duì)新冠肺炎疫情在線討論中社交機(jī)器人的參與行為，特別是其與人類用戶的互動(dòng)情況進(jìn)行了探究。

二、文獻(xiàn)回顧與擬研究的問(wèn)題

（一）社交機(jī)器人參與輿論表達(dá)

在智能時(shí)代，包括人工智能在內(nèi)的相關(guān)互聯(lián)網(wǎng)技術(shù)對(duì)傳播領(lǐng)域乃至社會(huì)領(lǐng)域的改變已經(jīng)發(fā)生或即將發(fā)生。④社交機(jī)器人廣泛參與政治事件在線討論，實(shí)施信息操控，甚至干預(yù)輿論表達(dá)。在中美貿(mào)易談判、⑤2016年美國(guó)大選、⑥2016年英國(guó)脫歐投票、⑦2017年法國(guó)總統(tǒng)大選、⑧2018年美國(guó)中期選舉⑨等政治事件網(wǎng)絡(luò)討論中，人們均發(fā)現(xiàn)社交機(jī)器人活動(dòng)的痕跡。研究發(fā)現(xiàn)社交機(jī)器人會(huì)通過(guò)關(guān)注他人來(lái)提升自我影響力，大量散播謠言、分享垃圾信息、傳播具有黨派立場(chǎng)的消息，進(jìn)而影響選民意見(jiàn)。研究還發(fā)現(xiàn)，社交機(jī)器人參與網(wǎng)絡(luò)討論的比例隨事件推進(jìn)而增長(zhǎng)，在2016年美國(guó)大選3次辯論中，社交機(jī)器人參與比例從23%上升到27%，⑩在2017年德國(guó)競(jìng)選活動(dòng)中，社交機(jī)器人參與討論比例從競(jìng)選前的7.1%上升到競(jìng)選期間的9.9%。

社交機(jī)器人同樣活躍于公共健康議題、社會(huì)熱點(diǎn)事件的線上討論，如對(duì)麻疹疫苗接種的討論、美國(guó)佛羅里達(dá)校園槍擊案爆發(fā)后的討論中均有社交機(jī)器人參與，甚至強(qiáng)化網(wǎng)絡(luò)意見(jiàn)的極化。在新冠肺炎疫情的在線討論中，亦有學(xué)者發(fā)現(xiàn)社交機(jī)器人的參與。2020年1月21日美國(guó)出現(xiàn)了該國(guó)宣稱的第一例新冠肺炎患者，2020年3月13日美國(guó)政府宣布全國(guó)進(jìn)入緊急狀態(tài)，F(xiàn)errara選取這兩個(gè)時(shí)間節(jié)點(diǎn)期間有關(guān)新冠肺炎疫情的推文進(jìn)行分析，發(fā)現(xiàn)疫情期間有大量社交機(jī)器人賬號(hào)被創(chuàng)建，并且在創(chuàng)建后不久就高強(qiáng)度地投入到疫情的網(wǎng)絡(luò)討論中。本文同樣是對(duì)新冠肺炎疫情期間社交機(jī)器人參與行為的探究，但由于數(shù)據(jù)采集時(shí)間有所區(qū)別，本文首先要厘清的問(wèn)題依舊是社交機(jī)器人的參與情況，隨著事件的發(fā)展社交機(jī)器人的參與比例是否發(fā)生變化，故而提出以下研究問(wèn)題：新冠肺炎疫情在線討論中社交機(jī)器人的數(shù)量和發(fā)文量是多少？新冠肺炎疫情在線討論中社交機(jī)器人的數(shù)量是怎樣隨時(shí)間變化的？

（二）社交機(jī)器人與人類的交互

社交即互動(dòng)。社交機(jī)器人對(duì)人類的模擬行為，不僅是在網(wǎng)上表達(dá)和傳遞意見(jiàn)，社交機(jī)器人還會(huì)與人類發(fā)生互動(dòng)行為。社交機(jī)器人與真實(shí)人類用戶互動(dòng)的過(guò)程往往也是社交機(jī)器人影響人們意見(jiàn)轉(zhuǎn)變的過(guò)程，因此成為研究的重要關(guān)注點(diǎn)。

相關(guān)研究發(fā)現(xiàn)“人—機(jī)”互動(dòng)明顯少于“人—人”互動(dòng)比例，但“人—機(jī)”之間的交互利于信息的大范圍傳播。如Stella等人對(duì)2017年加泰羅尼亞公投事件的研究發(fā)現(xiàn)，在交互模式上人類主要與人類互動(dòng)（76%），僅有19%的社交機(jī)器人主動(dòng)與人類互動(dòng)，在網(wǎng)絡(luò)結(jié)構(gòu)上人類的中心地位是社交機(jī)器人的1.8倍，社交機(jī)器人傾向于與具有影響力的用戶互動(dòng)以提升自己的影響力。Shao等人對(duì)低可信度來(lái)源文章的探究也有相似發(fā)現(xiàn)，在傳播初期社交機(jī)器人會(huì)通過(guò)回復(fù)、提及用戶吸引關(guān)注者，人類也往往容易受此影響并分享社交機(jī)器人發(fā)布的內(nèi)容，進(jìn)而導(dǎo)致低可信度消息滾雪球式擴(kuò)散。在騷亂或暴亂事件中，社交機(jī)器人同樣能夠引發(fā)信息大范圍的單向傳播，甚至在某些情況下與人類直接交換信息，并傾向于向人類直接傳遞恐懼信息?！叭藱C(jī)互動(dòng)”也存在著黨派差異，Luceri等人在研究中加入政治傾向性這一變量，將社交機(jī)器人劃分為保守派和自由派，發(fā)現(xiàn)保守派社交機(jī)器人與人類、與社交機(jī)器人的互動(dòng)分配更為均衡，相對(duì)而言，自由派機(jī)器人更偏向于與人類互動(dòng)。

社交媒體上的互動(dòng)包含點(diǎn)贊、評(píng)論、轉(zhuǎn)發(fā)、提及等方式，社交機(jī)器人使用多種互動(dòng)方式達(dá)成不同傳播目的。張洪忠等對(duì)中美貿(mào)易談判議題的探究發(fā)現(xiàn)，社交機(jī)器人常使用新聞?lì)愒掝}標(biāo)簽以快速傳遞信息，更頻繁地@媒體或熱點(diǎn)人物來(lái)擴(kuò)大其影響力。師文和陳昌鳳的研究發(fā)現(xiàn)在中國(guó)議題下，相比人類用戶，社交機(jī)器人更愿意通過(guò)轉(zhuǎn)發(fā)促進(jìn)信息擴(kuò)散，并通過(guò)提及人類用戶提升信息可見(jiàn)度，以期營(yíng)造意見(jiàn)氣候，但較少進(jìn)行回復(fù)和引用。由此也可見(jiàn)，轉(zhuǎn)發(fā)和提及是社交機(jī)器人常用的互動(dòng)方式。

新冠肺炎疫情期間社交媒體上充斥大量混雜的信息，疫情信息傳播情況復(fù)雜，比如疫情期間推特（Twitter）上有大量假消息被發(fā)布。信息存在極大不確定性的現(xiàn)實(shí)背景也引發(fā)對(duì)社交機(jī)器人與人類用戶互動(dòng)和連接關(guān)系的新思考，這些互動(dòng)和連接是否會(huì)呈現(xiàn)出與既有研究不同的新特點(diǎn)？本文擬以“轉(zhuǎn)發(fā)”互動(dòng)為切入點(diǎn)進(jìn)行考察，“轉(zhuǎn)發(fā)”是社交機(jī)器人最為常用的互動(dòng)方式之一，“轉(zhuǎn)發(fā)”尤其是“直接轉(zhuǎn)發(fā)”是一種基于認(rèn)同的行為，帶評(píng)論轉(zhuǎn)發(fā)還蘊(yùn)含著觀點(diǎn)的交流，相比“提及”包含更豐富的互動(dòng)訊息。本文將從信息傳播擴(kuò)散路徑著手，探究哪些人或哪類賬號(hào)是轉(zhuǎn)發(fā)推文的消息源、誰(shuí)又成為轉(zhuǎn)發(fā)傳播鏈中的關(guān)鍵節(jié)點(diǎn)或意見(jiàn)領(lǐng)袖，因而提出下列研究問(wèn)題：新冠肺炎疫情在線討論中社交機(jī)器人和人類用戶的“轉(zhuǎn)發(fā)”互動(dòng)是怎樣的？社交機(jī)器人和人類用戶“轉(zhuǎn)發(fā)”的賬號(hào)及其內(nèi)容有何差異？

三、研究方法

（一）數(shù)據(jù)采集與處理

2019年12月31日，中國(guó)向世界衛(wèi)生組織通報(bào)了湖北省武漢市的一組肺炎病例，世衛(wèi)組織確認(rèn)了這是一種新型冠狀病毒，由此國(guó)際上開始正式關(guān)注新冠肺炎疫情。本文采用推特（Twitter）API獲取2020年前三個(gè)月有關(guān)新冠肺炎疫情的推文數(shù)據(jù)，并在此基礎(chǔ)上構(gòu)建了一個(gè)由4萬(wàn)余條推文數(shù)據(jù)組成的小規(guī)模隨機(jī)樣本，其中包含獨(dú)立用戶4萬(wàn)多個(gè)。

（二）社交機(jī)器人檢測(cè)

本文采用開源工具Botometer識(shí)別社交機(jī)器人，Botometer是美國(guó)印第安納大學(xué)開發(fā)的檢測(cè)工具，使用機(jī)器學(xué)習(xí)算法進(jìn)行特征識(shí)別，操作便捷，是目前社交機(jī)器人檢測(cè)中最為廣泛使用的檢測(cè)工具。根據(jù)Botometer檢測(cè)結(jié)果將賬號(hào)二分為真實(shí)人類用戶、社交機(jī)器人。

四、社交機(jī)器人參與疫情討論情況

（一）社交機(jī)器人數(shù)量及其發(fā)推量均在7%左右

經(jīng)分析發(fā)現(xiàn)，4萬(wàn)多個(gè)獨(dú)立用戶中社交機(jī)器人不足3000個(gè)，占比僅為6.88%。在4萬(wàn)多條推文數(shù)據(jù)中，社交機(jī)器人發(fā)布推文數(shù)量不足4000條，占比僅7.34%。

（二）時(shí)間序列上社交機(jī)器人數(shù)量出現(xiàn)增長(zhǎng)

在時(shí)間序列上，參與討論的社交機(jī)器人與人類用戶數(shù)量均隨時(shí)間推移大幅上升，兩者變化趨勢(shì)相似，且用戶數(shù)量峰值的出現(xiàn)時(shí)間與全球疫情發(fā)展的標(biāo)志性節(jié)點(diǎn)事件出現(xiàn)時(shí)間吻合（見(jiàn)圖1）。如圖1所示，在圖中標(biāo)記①的部分，自2020年1月21日開始參與討論的用戶數(shù)量開始增多，這一天美國(guó)境內(nèi)出現(xiàn)了當(dāng)時(shí)認(rèn)為的第一例新冠肺炎確診患者。在圖中標(biāo)記②的部分，參與討論的用戶數(shù)量劇增，并在3月12日達(dá)到峰值，3月12日參與討論的社交機(jī)器人有123個(gè)、人類用戶有1839個(gè)。在這一階段世衛(wèi)組織評(píng)估新冠肺炎為大流行病，3月9日美股年內(nèi)第一次、歷史上第二次熔斷，3月12日美股年內(nèi)第二次、歷史上第三次熔斷。圖中標(biāo)記③的部分，參與討論的用戶數(shù)量達(dá)到數(shù)據(jù)觀測(cè)期間最高峰值，3月18日社交機(jī)器人峰值數(shù)量是168個(gè)，3月19日人類用戶峰值是2244個(gè)。這是由于在3月中旬疫情繼續(xù)蔓延，疫情影響繼續(xù)加劇，美股年內(nèi)第三次熔斷，特朗普發(fā)推文稱新冠病毒為“中國(guó)病毒”引發(fā)熱議。圖中標(biāo)記④的部分，盡管參與討論的用戶數(shù)量有所下降，但討論熱度仍較高，參與討論的社交機(jī)器人數(shù)量出現(xiàn)的兩次峰值分別是139個(gè)、123個(gè)，在3月末這段時(shí)間確診病例不斷攀升，美國(guó)成為首個(gè)確診病例超過(guò)20萬(wàn)的國(guó)家，日本東京奧運(yùn)會(huì)因疫情而推遲。

簡(jiǎn)言之，在新冠肺炎疫情在線討論中，盡管社交機(jī)器人數(shù)量與人類用戶存在量級(jí)上的差異，但兩者都隨時(shí)間推移明顯上升，其中參與討論的社交機(jī)器人從每日1—2個(gè)增長(zhǎng)到每日100多個(gè)。

（三）社交機(jī)器人發(fā)布的推文中轉(zhuǎn)發(fā)推文占七成

推文可以分為“原創(chuàng)”和“轉(zhuǎn)發(fā)”兩大類，其中“轉(zhuǎn)發(fā)”又可以細(xì)分為不帶評(píng)論轉(zhuǎn)發(fā)的直接轉(zhuǎn)發(fā)和帶評(píng)論轉(zhuǎn)發(fā)兩種。這可以從推文文本來(lái)進(jìn)行判定，在推文文本中不含有任何“RT @”的推文歸類為原創(chuàng)推文，含有“RT @”的推文是轉(zhuǎn)發(fā)推文。具體來(lái)說(shuō)，如果A直接轉(zhuǎn)發(fā)B的推文，在A的推文文本中會(huì)出現(xiàn)“RT @B”，即A的推文文本由“RT @B+B的推文”構(gòu)成;如果A轉(zhuǎn)發(fā)B的推文并進(jìn)行了評(píng)論，A的推文文本由“評(píng)論+RT @B+B的推文”構(gòu)成。

經(jīng)統(tǒng)計(jì)發(fā)現(xiàn)，第一，社交機(jī)器人和人類用戶發(fā)布的推文中絕大多數(shù)是轉(zhuǎn)發(fā)，原創(chuàng)推文整體較少，社交機(jī)器人發(fā)布的推文中七成以上是轉(zhuǎn)發(fā)，人類用戶發(fā)布的推文中八成以上是轉(zhuǎn)發(fā);第二，在轉(zhuǎn)發(fā)的推文中，直接轉(zhuǎn)發(fā)比例遠(yuǎn)高于帶評(píng)論轉(zhuǎn)發(fā)，相比社交機(jī)器人，人類用戶更傾向于帶評(píng)論轉(zhuǎn)發(fā)（見(jiàn)圖2）。從推文類型來(lái)看，轉(zhuǎn)發(fā)推文占據(jù)絕大多數(shù)，用戶之間的轉(zhuǎn)發(fā)互動(dòng)十分頻繁，這也是本文選取“轉(zhuǎn)發(fā)”來(lái)考察互動(dòng)的原因之一。

五、社交機(jī)器人和人類用戶轉(zhuǎn)發(fā)互動(dòng)情況

社交機(jī)器人與人類用戶的轉(zhuǎn)發(fā)互動(dòng)可以通過(guò)推文文本追溯，推文文本中的“RT @”成為判斷轉(zhuǎn)發(fā)互動(dòng)關(guān)系的重要標(biāo)識(shí)。本文采用Python程序從推文文本中提取“RT @”的用戶，經(jīng)統(tǒng)計(jì)分析，社交機(jī)器人轉(zhuǎn)發(fā)推文中共“RT @”1800個(gè)用戶，其中274個(gè)是社交機(jī)器人;人類用戶轉(zhuǎn)發(fā)推文中共“RT @”14198個(gè)用戶，其中762個(gè)是社交機(jī)器人。換言之，從社交機(jī)器人發(fā)布推文追溯，社交機(jī)器人較多地轉(zhuǎn)發(fā)人類用戶發(fā)布的內(nèi)容，存在“人→機(jī)”轉(zhuǎn)發(fā)路徑（84.78%）;社交機(jī)器人會(huì)轉(zhuǎn)發(fā)社交機(jī)器人發(fā)布的推文，存在“機(jī)→機(jī)”轉(zhuǎn)發(fā)路徑（15.22%）。從人類用戶發(fā)布推文追溯，“人→人”是轉(zhuǎn)發(fā)互動(dòng)中比例最高的互動(dòng)路徑（94.63%），同時(shí)也存在“機(jī)→人”轉(zhuǎn)發(fā)路徑（5.37%）（見(jiàn)圖3）。

也就是說(shuō)，在推特（Twitter）上有關(guān)新冠肺炎疫情的相關(guān)討論中，社交機(jī)器人和人類用戶之間存在交錯(cuò)相織的轉(zhuǎn)發(fā)路徑（見(jiàn)圖4）。在轉(zhuǎn)發(fā)互動(dòng)形成的擴(kuò)散網(wǎng)絡(luò)中，社交機(jī)器人類似于“擴(kuò)音器”，將人類用戶的觀點(diǎn)放大，或是二次傳播其他社交機(jī)器人發(fā)布的內(nèi)容。有少量社交機(jī)器人贏得了人類用戶的信任，發(fā)布內(nèi)容被人類轉(zhuǎn)發(fā)。

六、“人機(jī)”轉(zhuǎn)發(fā)用戶頻次前50的比較分析

為進(jìn)一步探究社交機(jī)器人與人類用戶在轉(zhuǎn)發(fā)互動(dòng)上的異同，我們對(duì)社交機(jī)器人轉(zhuǎn)發(fā)最多（“RT@”頻率最高）的前50個(gè)用戶、人類用戶轉(zhuǎn)發(fā)最多的前50個(gè)用戶進(jìn)行了比較分析。將兩組各50個(gè)用戶劃分身份類別（見(jiàn)圖5），其中個(gè)別無(wú)法確定身份的賬號(hào)被歸為其他類。結(jié)合賬號(hào)身份特征及其推文內(nèi)容，從兩組用戶的相同點(diǎn)、不同點(diǎn)兩方面進(jìn)行闡釋。

（一）相同點(diǎn)：媒體和政客是主要消息傳播源

第一，媒體組織、演員或媒體工作者是主要消息來(lái)源。轉(zhuǎn)發(fā)頻率最高的前50個(gè)用戶多為媒體組織賬號(hào)、演員或媒體工作者，媒體組織賬號(hào)如CNN、《紐約時(shí)報(bào)》。演員或媒體工作者包括電視節(jié)目主持人、制片人、記者和演員，如轉(zhuǎn)發(fā)頻率最高的前三名用戶中兩位（Bill Mitchell和Charlie Kirk）都屬于媒體工作者，且兩人都是特朗普的支持者;第二，政客發(fā)布的消息被較多轉(zhuǎn)發(fā)。特朗普是轉(zhuǎn)發(fā)頻率最高的用戶。

從相同點(diǎn)來(lái)說(shuō)，轉(zhuǎn)發(fā)遵循名人效應(yīng)，網(wǎng)絡(luò)大V發(fā)布的推文被轉(zhuǎn)發(fā)可能性更高。在人類用戶和社交機(jī)器人轉(zhuǎn)發(fā)頻率最高的前50個(gè)用戶中，有28個(gè)是一樣的，這也說(shuō)明人類用戶和社交機(jī)器人在參與輿論表達(dá)中關(guān)注的議題或采用的策略存在相似性。

（二）不同點(diǎn)：機(jī)器人較多轉(zhuǎn)發(fā)特朗普支持者的推文

第一，社交機(jī)器人多轉(zhuǎn)發(fā)支持特朗普的內(nèi)容。比如，作家John Solomon稱新冠肺炎病毒為“中國(guó)病毒”的推文被社交機(jī)器人大量轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)者還包括特朗普的長(zhǎng)子小唐納德·特朗普，小唐納德·特朗普本身也是社交機(jī)器人轉(zhuǎn)發(fā)較多的用戶之一。又如被轉(zhuǎn)發(fā)較多的作家Jim Hoft是支持特朗普的政論網(wǎng)站Gateway Pundit的創(chuàng)辦人。

第二，人類用戶會(huì)轉(zhuǎn)發(fā)白宮推特（Twitter）賬號(hào)發(fā)布的消息，白宮被歸類為政府，社交機(jī)器人會(huì)轉(zhuǎn)發(fā)特朗普政治競(jìng)選團(tuán)隊(duì)推特（Twitter）賬號(hào)發(fā)布的消息。

第三，在被社交機(jī)器人轉(zhuǎn)發(fā)最多的前50個(gè)用戶中，有兩個(gè)是社交機(jī)器人，一個(gè)是已被凍結(jié)的賬號(hào)。其中一個(gè)社交機(jī)器人是Mark Kirin，Botometer得分3.9分，它發(fā)布的推文文本是非常凌亂的、讀起來(lái)不通暢、較無(wú)邏輯，還包含大量符號(hào)表情，內(nèi)容包括中國(guó)政府將維生素C列為抗擊疫情藥物、新冠肺炎疫情死亡率遠(yuǎn)不如流感、特朗普不應(yīng)該使用“中國(guó)病毒”、不認(rèn)可新冠肺炎病毒類似于嚴(yán)重季節(jié)性流感的觀點(diǎn)等。另一個(gè)社交機(jī)器人是JoJo，Botometer得分是3.5分，其推文較多地@他人、使用話題標(biāo)簽，具體內(nèi)容涉及中國(guó)研究員申請(qǐng)藥品專利、反對(duì)特朗普言論、居家隔離等。另外，推特（Twitter）上被暫停使用的賬號(hào)和社交機(jī)器人之間存在相關(guān)性，本文研究中發(fā)現(xiàn)的用戶@StormIsUponUs雖然無(wú)法確定其賬號(hào)被凍結(jié)的具體原因，但有較高可能是個(gè)社交機(jī)器人。盡管上述兩個(gè)社交機(jī)器人都發(fā)布反對(duì)特朗普的言論，但這并不能斷定說(shuō)社交機(jī)器人都在反對(duì)特朗普。結(jié)合前文來(lái)看，疫情相關(guān)討論中既有支持特朗普的社交機(jī)器人，也有反對(duì)特朗普的。

第四，人類用戶會(huì)轉(zhuǎn)發(fā)短期內(nèi)受到大量關(guān)注的普通人發(fā)布的推文，而社交機(jī)器人不會(huì)。人類用戶會(huì)關(guān)注到在網(wǎng)絡(luò)上迅速獲得大量點(diǎn)贊和轉(zhuǎn)發(fā)的鮮活的、真實(shí)的、平凡人的故事，比如美國(guó)姑娘Bjonda Haliti的染疫日記，網(wǎng)名為sketchy lady的女子出現(xiàn)“所有新冠病毒的癥狀”卻無(wú)法進(jìn)行病毒檢測(cè)的求助帖，又比如洛杉磯一位高中畢業(yè)生邀請(qǐng)奧巴馬為2020屆畢業(yè)生演講的請(qǐng)求。

第五，人類用戶對(duì)疫情、健康相關(guān)消息關(guān)注更多，較多轉(zhuǎn)發(fā)專家學(xué)者發(fā)布的推文，如醫(yī)療專家Dena Grayson、前奧巴馬醫(yī)療保健主管Andy Slavitt發(fā)布的消息。

七、結(jié)論與討論

本文對(duì)維持（Twitter）空間有關(guān)新冠肺炎疫情討論中社交機(jī)器人的行為進(jìn)行了探究，主要有以下三點(diǎn)結(jié)論及延伸討論。

第一，在推特（Twitter）空間有關(guān)新冠肺炎疫情討論中社交機(jī)器人數(shù)量總體占比約7%，社交機(jī)器人數(shù)量隨事態(tài)發(fā)展大幅增長(zhǎng)。盡管社交機(jī)器人參與比例從總體來(lái)看較低，但討論中少量的社交機(jī)器人仍然可以影響輿論，甚至影響線下的實(shí)際行為，如Ross等人的模擬實(shí)驗(yàn)中2%—4%的社交機(jī)器人即可反轉(zhuǎn)輿論。在Zerback等人利用社交機(jī)器人進(jìn)行的“草皮運(yùn)動(dòng)”（Online Astroturfing）實(shí)驗(yàn)中，同樣發(fā)現(xiàn)社交機(jī)器人確實(shí)能夠改變被試者的意見(jiàn)。隨著社交機(jī)器人技術(shù)的不斷進(jìn)步，社交機(jī)器人對(duì)人類行為的模擬程度更高，對(duì)社交機(jī)器人參與網(wǎng)絡(luò)輿論表達(dá)的存在及其影響需要更細(xì)致地考量，期待后續(xù)研究的推進(jìn)。

第二，新冠肺炎疫情討論中社交機(jī)器人與人類用戶之間存在交錯(cuò)轉(zhuǎn)發(fā)的互動(dòng)模式。首先，與已有研究結(jié)論相似，社交機(jī)器人會(huì)轉(zhuǎn)發(fā)人類用戶發(fā)布的推文、機(jī)器人發(fā)布的推文，人類用戶也會(huì)轉(zhuǎn)發(fā)社交機(jī)器人發(fā)布的推文，“機(jī)→機(jī)”轉(zhuǎn)發(fā)比例高于“機(jī)→人”比例;其次，轉(zhuǎn)發(fā)互動(dòng)存在顯著的名人效應(yīng)，媒體組織、演員或媒體工作者、政客是討論中的“意見(jiàn)領(lǐng)袖”。這與已有研究的發(fā)現(xiàn)有所相同也有所區(qū)別，在韓運(yùn)榮等對(duì)涉華輿論的研究中，推特（Twitter）上傳統(tǒng)媒介組織開設(shè)的賬號(hào)是議題相關(guān)信息的主要傳播者， 媒體工作者是重要的“意見(jiàn)領(lǐng)袖”，媒介及藝術(shù)工作者往往多傳播情緒性意見(jiàn)。但Hagen等人在所謂俄羅斯干涉2016年美國(guó)大選調(diào)查的在線討論中發(fā)現(xiàn)社交機(jī)器人會(huì)削弱媒體人、專家等傳統(tǒng)行動(dòng)者（Traditional Actors）的影響力，并通過(guò)放大支持特朗普的信息影響網(wǎng)絡(luò)情緒，這與本文的發(fā)現(xiàn)有所區(qū)別，本文發(fā)現(xiàn)媒體組織等依舊是社交網(wǎng)絡(luò)中具有強(qiáng)傳播力、影響力的行動(dòng)者。

第三，推特（Twitter）空間的社交機(jī)器人較多轉(zhuǎn)發(fā)持有支持特朗普立場(chǎng)的用戶的推文，會(huì)更關(guān)注特朗普與2020年大選的相關(guān)內(nèi)容，而人類用戶會(huì)轉(zhuǎn)發(fā)專家學(xué)者對(duì)疫情的看法、普通人在疫情期間的真實(shí)經(jīng)歷。然而也并非所有的社交機(jī)器人都在支持特朗普，也有反對(duì)特朗普立場(chǎng)的社交機(jī)器人，社交媒體上的社交機(jī)器人像人類一樣擁有政治傾向性、擁有多元化的觀點(diǎn)。在社交媒體上部署這些社交機(jī)器人的個(gè)人或團(tuán)隊(duì)也是多元構(gòu)成的，一項(xiàng)對(duì)歐洲49個(gè)國(guó)家2247位歐洲通信領(lǐng)域?qū)＜业恼{(diào)查發(fā)現(xiàn)，有257位（11.5%）表示他們所在的組織正在使用或計(jì)劃使用社交機(jī)器人。這些機(jī)構(gòu)或組織或?qū)儆诓煌瑖?guó)家、或有著不同利益驅(qū)動(dòng)、或持有不同政治意見(jiàn)，恰恰也表明了社交機(jī)器人背后使用主體的多元構(gòu)成。

本文也存在一定的局限性。第一，轉(zhuǎn)發(fā)行為一定程度上代表著對(duì)某種觀點(diǎn)的認(rèn)同，本文沒(méi)有對(duì)轉(zhuǎn)發(fā)背后多大程度上改變了人類用戶的態(tài)度，這種影響是強(qiáng)化、弱化還是扭轉(zhuǎn)進(jìn)行探究;第二，社交媒體上的互動(dòng)除“轉(zhuǎn)發(fā)”之外還有其他形式，本文只選取較具代表性的“轉(zhuǎn)發(fā)”來(lái)分析，未來(lái)可以從其他互動(dòng)方式入手進(jìn)行補(bǔ)充完善。

注釋：

①Howard P N， Woolley S， Calo R. Algorithms， bots， and political communication in the US 2016 election： The challenge of automated political communication for election law and administration. Journal of information technology & politics， 2018， 15（2）： 81-93.

②張洪忠、段澤寧、韓秀：《異類還是共生——社交媒體中的社交機(jī)器人研究路徑探討》，《新聞界》2019年第2期。

③Ferrara E， Varol O， Davis C， et al. The rise of social bots. Communications of the ACM， 2016， 59（7）： 96-104.

④喻國(guó)明：《關(guān)于智能時(shí)代新聞傳播學(xué)科建設(shè)的若干思考》，《教育傳媒研究》2020年第2期。

⑤張洪忠、趙蓓、石韋穎：《社交機(jī)器人在Twitter參與中美貿(mào)易談判議題的行為分析》，《新聞界》2020年第2期。

⑥Howard P N， Bolsover G， Kollanyi B， et al. Junk news and bots during the US election： What were Michigan voters sharing over Twitter. CompProp， OII， Data Memo， 2017.

⑦Bastos M T， Mercea D. The Brexit botnet and user-generated hyperpartisan news. Social Science Computer Review， 2019， 37（1）： 38-54.

⑧Ferrara E. Disinformation and social bot operations in the run up to the 2017 French presidential election. arXiv preprint arXiv：1707.00086， 2017.

⑨Luceri L， Deb A， Badawy A， et al. Red bots do it better： Comparative analysis of social bot partisan behavior[C]//Companion Proceedings of The 2019 World Wide Web Conference. 2019： 1007-1012.

⑩Howard P， Kollanyi B， Woolley S C. Bots and automation over Twitter during the third US presidential debate. 2016.

Keller T R， Klinger U. Social bots in election campaigns： Theoretical， empirical， and methodological implications. Political Communication， 2019， 36（1）： 171-189.

Yuan X， Schuchard R J， Crooks A T. Examining Emergent Communities and Social Bots Within the Polarized Online Vaccination Debate in Twitter. Social Media+ Society， 2019， 5（3）： 2056305119865465.

Kitzie V L， Mohammadi E， Karami A. “Life never matters in the DEMOCRATS MIND”： Examining strategies of retweeted social bots during a mass shooting event. Proceedings of the Association for Information Science and Technology， 2018， 55（1）： 254-263.

Ferrara E. # COVID-19 on Twitter： Bots， Conspiracies， and Social Media Activism. arXiv preprint arXiv：2004.09531， 2020.

Stella M， Ferrara E， De Domenico M. Bots increase exposure to negative and inflammatory content in online social systems. Proceedings of the National Academy of Sciences， 2018， 115（49）： 12435-12440.

Shao C， Ciampaglia G L， Varol O， et al. The spread of low-credibility content by social bots. Nature communications， 2018， 9（1）： 1-9.

Ku?en E， Strembeck M. You talkinto me？ Exploring Human/Bot Communication Patterns during Riot Events. Information Processing & Management， 2020， 57（1）： 102126.

師文、陳昌鳳：《分布與互動(dòng)模式：社交機(jī)器人操縱Twitter上的中國(guó)議題研究》，《國(guó)際新聞界》2020年第5期。

Pulido C M， Villarejo-Carballido B， Redondo-Sama G， et al. COVID-19 infodemic： More retweets for science-based information on coronavirus than for false information. International Sociology， 2020： 0268580920914755.

Ross B， Pilz L， Cabrera B， et al. Are social bots a real threat？ An agent-based model of the spiral of silence to analyse the impact of manipulative actors in social networks. European Journal of Information Systems， 2019， 28（4）： 394-412.

Zerback T， T?pfl F， Kn?pfle M. The disconcerting potential of online disinformation： Persuasive effects of astroturfing comments and three strategies for inoculation against them. New Media & Society， 2020： 1461444820908530.

韓運(yùn)榮、漆雪：《Twitter涉華輿情極化現(xiàn)象研究——以中美貿(mào)易爭(zhēng)端為例》，《現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)）》2019第3期。

Hagen L， Neely S， Keller T E， et al. Rise of the Machines？ Examining the Influence of Social Bots on a Political Discussion Network. Social Science Computer Review， 2020： 0894439320908190.

Wiesenberg M， Tench R. Deep strategic mediatization： Organizational leaders knowledge and usage of social bots in an era of disinformation. International Journal of Information Management， 2020， 51： 102042.