社交媒體網(wǎng)絡辟謠回音室效應分析模型及實驗研究

關鍵詞：社交媒體；網(wǎng)絡謠言辟謠；回音室效應；分析模型；實驗研究

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．１０．００１

〔中圖分類號〕Ｇ２０６ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２４） １０－０００３－１５

隨著互聯(lián)網(wǎng)終端的日趨完善和互聯(lián)網(wǎng)用戶低齡化、老齡化發(fā)展， 社交網(wǎng)絡平臺成為網(wǎng)民獲取信息并進行信息傳播交互的主流方式［１］ 。各社交媒體和自媒體的快速發(fā)展使社交網(wǎng)絡中的信息較為龐雜，存在著自媒體發(fā)布虛假信息以吸引眼球和獲得競爭流量的網(wǎng)絡謠言。這些網(wǎng)絡謠言若未經(jīng)及時處理便有可能在網(wǎng)絡上迅速傳播， 并滋生輿情事件， 對網(wǎng)絡生態(tài)環(huán)境和社會穩(wěn)定造成惡劣影響［２］ 。中央網(wǎng)信辦于２０２３ 年１１ 月部署開展“清朗·網(wǎng)絡戾氣整治”專項行動， 并全面深入清理網(wǎng)絡謠言和虛假信息以營造清朗的網(wǎng)絡環(huán)境， 并重點圍繞社交、短視頻和直播等重點平臺類型堅決進行打擊。鑒于網(wǎng)絡謠言的危害性， 如何有效控制謠言信息傳播和及時實施辟謠措施， 成為近幾年輿情研究領域關注的熱點問題。

目前國內(nèi)外學者主要從網(wǎng)絡謠言識別、傳播、治理和辟謠方面開展相關研究。在網(wǎng)絡謠言識別方面， 有學者利用自然語言處理和機器學習算法來構建網(wǎng)絡謠言識別模型， 實現(xiàn)對社交媒體文本內(nèi)容的有效識別［３］ ； 在網(wǎng)絡謠言傳播方面， 有學者基于系統(tǒng)動力學， 提出新網(wǎng)絡謠言傳播模型并用軟件進行仿真， 真實模擬謠言信息在網(wǎng)絡中的傳播過程［４］ ；在網(wǎng)絡謠言治理方面， 有學者整合社會學及心理學理論分析用戶和謠言傳播特性間的關系模型， 并采用實驗研究驗證其模型的有效性［５］ ； 在網(wǎng)絡謠言辟謠方面， 研究重點圍繞辟謠效果指標體系的構建［６］ 。近幾年有國內(nèi)學者將傳播學中的回音室效應融入社交網(wǎng)絡研究中［７］ ， 并對社交網(wǎng)絡中意見形成和傳播動態(tài)的研究進行了廣泛討論［８］ ， 分析回音室網(wǎng)絡中用戶的行為， 利用回音室網(wǎng)絡擴大輿情影響力［９］ ，并發(fā)現(xiàn)動態(tài)多場景下回音室效應對促進或緩解輿論兩極分化至關重要［１０］ ； 有學者基于觀點動力學的視角， 研究開放式知識平臺協(xié)同過程中的回音室效應成因和影響因素［１１］ 。通過對國內(nèi)外文獻的梳理，發(fā)現(xiàn)針對社交媒體網(wǎng)絡辟謠回音室效應進行分析的研究成果相對較少， 盡管有學者基于網(wǎng)絡結構模型檢驗網(wǎng)絡辟謠中回音室效應的形式和特征［１２］ ， 證明網(wǎng)絡用戶的評論和轉發(fā)行為存在顯著的回音室效應， 但缺少社交媒體網(wǎng)絡辟謠回音室效應模型、檢驗參數(shù)和具體的量化計算方法。

本文在研究中主要解決以下３ 個問題： ①構建社交媒體網(wǎng)絡辟謠回音室效應模型； ②對回音室下網(wǎng)絡辟謠主題進行識別、情感態(tài)度劃分和回音室網(wǎng)絡結構分析， 計算辟謠主題下同質(zhì)性與矛盾心理參數(shù)， 檢驗社交媒體網(wǎng)絡辟謠的回音室效應程度； ③提出回音室效應下社交媒體網(wǎng)絡辟謠主題下的輿情引導策略。本文以社交媒體網(wǎng)絡辟謠為研究對象，對社交網(wǎng)絡辟謠的回音室效應進行分析， 給出回音室效應檢驗參數(shù)， 構建社交媒體辟謠的回音室效應模型， 結合典型辟謠話題進行實驗分析。本文的研究對社交媒體網(wǎng)絡辟謠回音室效應分析提供新的理論框架， 對網(wǎng)絡謠言治理研究提供新的實踐指導。

１相關概念及理論

１.１網(wǎng)絡謠言

在早期社會傳播學中， 謠言被定義為來自公眾利益立場下對于事件或問題的不準確描述［１３］ 。隨著社交媒體的應用， 相關研究進一步將謠言描述為未經(jīng)過官方證實情況下能引起廣泛流傳的信息［１４］ 。國外網(wǎng)絡謠言的研究多關注于網(wǎng)絡謠言中的信任度、情緒以及利用傳染病等模型模擬預測網(wǎng)絡謠言的傳播情況及發(fā)展態(tài)勢［１５］ 。國內(nèi)學者從２００３年開始對網(wǎng)絡謠言進行系統(tǒng)性研究， 近幾年多集中于研究謠言傳播、檢測及治理方面。如有學者構建了考慮空間擴散與發(fā)酵期時滯的社交網(wǎng)絡謠言傳播模型［１６］ ；還有人提出一種基于深度神經(jīng)網(wǎng)絡， 針對圖像內(nèi)嵌文本以及配文文本內(nèi)容的多模態(tài)網(wǎng)絡謠言檢測方法ＭＳＲＤ［１７］； 利用網(wǎng)絡謠言產(chǎn)生的心理機制進行網(wǎng)絡謠言治理等［１８］ 。

１.２社交媒體網(wǎng)絡辟謠

在社交媒體中信息的快速流動推動了未經(jīng)證實的網(wǎng)絡謠言進行快速傳播， 并可能使不同場景下的虛假信息引起公眾的恐慌反應， 從而對社會或個人產(chǎn)生一定影響［１９］ 。社交媒體網(wǎng)絡謠言辟謠， 就是為減輕和消除謠言的后續(xù)不良影響， 并利用官方的辟謠信息來有效打擊謠言的傳播［２０］ 。在社交媒體網(wǎng)絡謠言的治理中， 最為常用的辟謠方法一般包括“嵌入” 與“隔離” 兩種［２１］ ?！扒度搿?方法指的是針對謠言內(nèi)容， 將未被歪曲和真實準確的完整原始信息投入到社交網(wǎng)絡中， 達到扭轉謠言傳播的效果；“隔離” 方法是指將帶有謠言的博客或傳播謠言的用戶進行隔離屏蔽， 避免造成更大范圍的謠言傳播。利用“嵌入” 方法控制謠言， 公眾意識與態(tài)度將直接反映在官方渠道發(fā)布的辟謠博文下。

１.３回音室效應

回音室的概念最早由美國學者Ｓｕｎｓｔｅｉｎ ＣＲ［２２］提出， 他認為回音室是社交圈的一種固化現(xiàn)象， 即在高選擇的網(wǎng)絡環(huán)境中人們更愿意也更容易參與瀏覽持相同或相似的觀點， 這會導致人們陷入相對信息孤立之中?；匾羰倚獜V泛存在于現(xiàn)實世界中，每個人都更傾向于相信自己的觀點與立場是正確的，潛意識維護著自己對于某些事件的看法與態(tài)度， 在同一社交社區(qū)下人們總是傾向于加入不同的社群并分享信息［２３］ 。社群的選擇取決于該群體是否符合這些人的看法及態(tài)度， 即個人與社群之間是否擁有著相似的評判標準與想法觀點。在本文中， 將“回音室效應” 定義為人們通過加入意見與態(tài)度相符的社群并分享看法與觀點， 獲得認同以增強個人的身份認同及歸屬感的驅(qū)動下， 最終形成擁有相似觀點及想法的同質(zhì)化社群。在社交媒體中因用戶間不斷進行信息交互更易形成回音室效應， 同時導致用戶的想法、信仰或行為被同化甚至放大， 特別是在錯誤信息的擴散過程中， 同化的趨勢更加明顯與強烈［２４］ 。

２社交媒體網(wǎng)絡辟謠回音室效應過程分析模型

２.１網(wǎng)絡辟謠主題識別及用戶情感態(tài)度劃分

在社交媒體平臺中， 用戶傾向于評論、轉發(fā)和瀏覽含自己感興趣的主題信息?；诖?， 在同一主題話題下聚集的用戶具有一定的協(xié)同性［２５］ ，通常具有相似情感基礎和互動行為， 并往往會形成基于話題的虛擬社區(qū)； 而不同主題下的網(wǎng)絡用戶行為往往呈現(xiàn)出不同的特征。因此， 構建特定話題下的回音室網(wǎng)絡， 首先需要對社交媒體中的評論文本信息主題進行識別和分類。ＬＤＡ（Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａ?ｔｉｏｎ）是一種主題模型， 通過將社交媒體中評論的文本主題以概率分布的形式給出并進行主題聚類，從而實現(xiàn)對評論主題的劃分。

情感分析隸屬于自然語言處理領域中的文本分類任務， 是對含有主觀情感的文本進行分析并識別情感過程， 主要使用的方法包括支持向量機（SＶＭ）、樸素貝葉斯（Ｎａｉｖｅ Ｂａｙｅｓ）和最近鄰（ＫＮＮ）以及基于深度學習的方法［２６］ 。情感分類是一種文本分析方法， 旨在識別和分類文本材料（如評論、社交媒體帖子、新聞文章等）中的情感傾向。這種分類通常分為幾個類別， 如正面、負面或中性情感［２７］ 。然而， 常規(guī)深度學習方法存在著訓練速度慢和易過擬合等問題， 預訓練語言模型如ＧＰＴ 和ＢＥＲＴ 可以有效解決上述問題。同時， 測試準確率可以顯著高于常規(guī)算法， 所以近幾年被廣泛運用于自然語言處理領域［２８］ 。研究中， 本文對谷歌提供的預訓練語言模型“Ｂｅｒｔ－Ｂａｓｅ－Ｃｈｉｎｅｓｅ” 進行了微調(diào)， 以解決情感分類的下游任務， 并對社交媒體的文本根據(jù)情感進行人工標注， 在Ｗａｎｇ Ｄ等［７］的研究基礎上對標注人員進行培訓， 并采用科學標注流程以標注好的數(shù)據(jù)作為輸入對基礎模型進行訓練。為同時實現(xiàn)分類任務， 在基礎模型上添加了１ 個分類層， 該層的輸出與情感分類中的類別數(shù)量相匹配， 使得模型能夠輸出情感分類的預測結果［７，２９］ 。

研究中通過將官媒發(fā)布的辟謠平臺作為文檔集，經(jīng)分詞、去停用詞和計算詞頻等處理后， 將文檔列表作為輸入傳入ＬＤＡ模型， 通過一致性變化結果確定最優(yōu)社交媒體辟謠主題數(shù)量。同時， 采用百度智能云提供的情感分析ＡＰＩ 接口， 根據(jù)文本內(nèi)容返回該段文本的正向情感值、負向情感值和置信度。為構建回音室效應參數(shù)檢驗指標， 編寫了Ｐｙｔｈｏｎ代碼調(diào)用百度智能云情感分析接口， 對社交媒體辟謠主題下的評論及轉發(fā)文本的贊同和負向情感值進行計算， 并作為后文回音室效應參數(shù)以檢驗數(shù)據(jù)。

２.２社交網(wǎng)絡辟謠的回音室效應分析

XD/pPf2cTljGJkJvQPC+LA==為研究網(wǎng)絡用戶參與辟謠的行為并測量回音室

效應的大小，本文采用社會網(wǎng)絡分析方法構建回音室效應下網(wǎng)絡模型無向加權圖Ｇ＝（Ｖ，Ｅ，Ｗ），其中Ｖ為點集，Ｅ為邊集， Ｗ為權集。在辟謠話題下的評論網(wǎng)絡中， 若用戶ｉ評論了用戶ｊ，則在該網(wǎng)絡中加入１條節(jié)點Ｉ與節(jié)點Ｊ的無向邊， 權重由用戶Ｉ的評論數(shù)決定。類似的在轉發(fā)網(wǎng)絡中， 若用戶ｉ轉發(fā)了用戶ｊ的信息， 則在該網(wǎng)絡中加入１條節(jié)點Ｉ與節(jié)點Ｊ的無向邊， 權重由用戶Ｉ的轉發(fā)數(shù)決定。將處理好的節(jié)點數(shù)據(jù)與邊數(shù)據(jù)導入Ｇｅｐｈｉ，設置拓撲結構特征及其他參數(shù)， 選擇“Ｆｒｕｃｈｔｅｒｍａｎ Ｒｅｉｎ?ｇｏｌｄ”布局算法得到用戶網(wǎng)絡圖的可視化結果， 用戶對于該辟謠內(nèi)容的情感態(tài)度和連通性通過顏色和網(wǎng)絡結構進行展示。

２.４回音室效應分析模型

基于上述分析，構建社交媒體網(wǎng)絡辟謠的回音室效應分析模型， 并分為４個階段，如圖１所示：①前期準備。將中國最大的社交網(wǎng)站和辟謠平臺“微博”作為信息與數(shù)據(jù)來源， 通過八爪魚采集器和Ｐｙｔｈｏｎ爬蟲獲取微博辟謠信息主題文本數(shù)據(jù)， 并通過Ｅｘｃｅｌ對數(shù)據(jù)進行預處理。②主題識別和情感計算。通過ＬＤＡ主題模型對獲取的文本數(shù)據(jù)進行主題識別，訓練ＢＥＲＴ模型對用戶的情感態(tài)度進行劃分， 調(diào)用百度智能云情感分析接口獲取文本的正、負向情感值。③社交媒體辟謠回音室網(wǎng)絡構建。將處理好的數(shù)據(jù)導入Ｇｅｐｈｉ，繪制不同主題下用戶層級和社區(qū)層級的回音室網(wǎng)絡圖。④社交網(wǎng)絡辟謠回音室效應參數(shù)檢驗。對回音室效應參數(shù)檢驗指標中的網(wǎng)絡同質(zhì)性和用戶矛盾心理進行統(tǒng)計性描述。

３實驗分析

３.１數(shù)據(jù)采集及處理

２０２２年３月２１日１４時３８分， 東航ＭＵ５７３５在廣西壯族自治區(qū)梧州市藤縣墜毀， 事故共造成１２３名旅客和９名機組成員共１３２人遇難。根據(jù)知微事件平臺數(shù)據(jù)， 事故一經(jīng)發(fā)生便引起高度關注， 熱度遠超同期其他事件。黨中央立即啟動應急機制， 全力組織搜救和查明事故原因。隨著事件的持續(xù)發(fā)展，因事故造成的人員傷亡和經(jīng)濟損失嚴重， 事故原因撲朔迷離等相關話題引起了網(wǎng)絡用戶的持續(xù)關注。因搜救難度大和事故原因調(diào)查復雜的原因， 該話題網(wǎng)絡謠言層出不窮， 官方媒體多次就網(wǎng)絡上傳播的謠言進行辟謠。根據(jù)互聯(lián)網(wǎng)社會熱點聚合平臺“知微事見” 數(shù)據(jù)， 墜機事件發(fā)生三天內(nèi)微博發(fā)文量如圖２ 所示， 相關話題的熱度和討論量長期位居當期輿情事件之首。因此， 本文選擇微博平臺中“東航ＭＵ５７３５墜機” 網(wǎng)絡輿情話題中網(wǎng)絡謠言辟謠數(shù)據(jù)作為實驗分析的研究對象。

通過編寫Ｐｙｔｈｏｎ爬蟲代碼及使用八爪魚采集器爬取“東航ＭＵ５７３５墜毀” 話題下官方媒體的辟謠微博數(shù)據(jù)， 采集微博話題發(fā)布時間自２０２２ 年３月２１ 日—４ 月２０ 日， 所采集的官方媒體包括新華社、人民日報、央視新聞、中國新聞網(wǎng)、都市快報、大河報、經(jīng)濟觀察報、北京日報和北京晚報， 采取字段包括微博用戶ＩＤ、用戶名、用戶個人信息、評論或轉發(fā)內(nèi)容、獲贊數(shù)、發(fā)布時間及ＩＰ 地址等內(nèi)容。本次共采集９ 家官方媒體發(fā)布的３６ 條初始辟謠微博下評論及轉發(fā)數(shù)據(jù)５４ ０００余條， 通過Ｍｉ?ｃｒｏｓｏｆｔ Ｅｘｃｅｌ 進行初步數(shù)據(jù)清洗， 刪除缺失值、重復值和亂碼數(shù)據(jù)等， 最終得到評論２８ ９０４條， 轉發(fā)１９ ２５４條。

３.２辟謠主題識別

研究中首先調(diào)用Ｐｙｔｈｏｎ 中的Ｊｉｅｂａ 庫對“東航ＭＵ５７３５ 墜機” 話題下大Ｖ 的３６ 條具有影響力的辟謠微博文本內(nèi)容進行分詞、去停用詞和提取詞頻等操作。然后， 調(diào)用ＬＤＡ 模型進行主題分類， 不同主題數(shù)的一致性變化結果如圖３ 所示， 最終確定最優(yōu)主題數(shù)為６。邀請網(wǎng)絡輿情領域?qū)＜覍χ黝}分類結果進行核驗， 最終確定表１ 中的６ 個主題類別。

根據(jù)上述主題識別結果發(fā)現(xiàn)， 除主題為“其他” 外， 其他的辟謠微博均在平臺引起了廣泛的評論與轉發(fā)， 故本文同樣選取相應的評論與轉發(fā)數(shù)據(jù)作為研究對象。通過Ｍｉｃｒｏｓｏｆｔ Ｅｘｃｅｌ 刪除缺失值、重復值和無意義字段， 并去除在調(diào)用百度智能云情感分析過程中識別的異常數(shù)據(jù)， 最終采集的數(shù)據(jù)選定為９ 家官方媒體發(fā)布的３６ 條初始辟謠微博及３６ ０４８位用戶的評論和轉發(fā)信息， 具體各主題下的數(shù)據(jù)量如表２ 所示。

３.３用戶情感態(tài)度劃分

“東航ＭＵ５７３５墜機” 一經(jīng)發(fā)布便震驚全國，該詞條下網(wǎng)絡用戶的情感具有顯著差異。針對官方媒體的辟謠內(nèi)容進行的評論與轉發(fā)具有明顯的情感傾向， 本文將不同主題下微博用戶對辟謠微博的評論和轉發(fā)內(nèi)容的情感態(tài)度劃分為４ 類： 贊成， 即對辟謠內(nèi)容持明顯的正向態(tài)度； 未知， 即對辟謠內(nèi)容未表達出明顯的態(tài)度； 質(zhì)疑， 即對辟謠內(nèi)容表達出不解和疑惑； 猜疑， 即對辟謠內(nèi)容持明顯的負向態(tài)度［８］ 。對于進行多次評論及轉發(fā)的用戶， 本文評估其所有評論及轉發(fā)內(nèi)容后， 對其情感進行劃分。根據(jù)上述標注原則， 兩位經(jīng)過培訓后的輿情情感分析專家對１０％的樣本進行標注， 并進行可靠性檢驗，檢驗結果κ ＝９６ ２８％。隨后將標注后的樣本作為輸入訓練通過Ｔｏｒｃｈ 框架構建的ＢＥＲＴ 模型， 經(jīng)過５輪訓練， 模型在訓練集上的準確率達到了９８％， 在測試集上的準確率達到了８７％， 充分說明了模型的可靠性。將剩余微博評論及轉發(fā)樣本傳入訓練后ＢＥＲＴ 模型并進行情感分析， 結果如表３所示。

主題河流圖可以用于直觀展示不同主題下數(shù)據(jù)的分布情況， 不同的顏色代表不同的類別， 每一區(qū)域的寬度代表著數(shù)量的具體大小。研究中， 河流圖橫軸為經(jīng)過ＬＤＡ主體識別后確定的６ 個主題， 縱軸為持不同情感態(tài)度的用戶數(shù)量， ４種顏色則具體展示了用戶的４ 種情感態(tài)度。６ 個主題下評論和轉發(fā)的初始辟謠微博用戶情感分布河流圖分別如圖４和圖５ 所示。

圖４及圖５的數(shù)據(jù)結果表明， 各主題下進行評論的用戶對官媒辟謠微博的情感態(tài)度并不均衡， 其中大多數(shù)主題下持“贊成” 態(tài)度的用戶數(shù)都最多，持“猜疑” 態(tài)度的次之， 持“未知” 或“質(zhì)疑” 態(tài)度的則相對較少。但在“事故原因” 主題中， 持“猜疑” 態(tài)度的用戶數(shù)超過了持“贊成” 態(tài)度的用戶數(shù)。與進行評論的用戶相比， 進行轉發(fā)的用戶對官媒辟謠微博的情感態(tài)度較為統(tǒng)一， 各主題下持“贊成” 比例的用戶數(shù)均為最多， 且占比明顯高于評論用戶中持“贊成” 態(tài)度的比例。

為進一步測量網(wǎng)絡中回音室效應大小， 本文調(diào)用百度智能云情感分析ＡＰＩ 接口， 根據(jù)評論及轉發(fā)文本內(nèi)容得到該段文本正向情感值、負向情感值以及置信度， 結果如表４ 所示， 其中， 百度智能云文本情感值抽樣部分數(shù)據(jù)經(jīng)人工檢驗后情感符合原結果。

３.４回音室網(wǎng)絡結構

根據(jù)網(wǎng)絡用戶評論和轉發(fā)行為， 劃分得到兩類數(shù)據(jù)。在對微博辟謠話題進行分類后， ６ 個主題下的用戶層級回音室網(wǎng)絡可劃分為評論網(wǎng)絡和轉發(fā)網(wǎng)絡?；匾羰揖W(wǎng)絡結構中，官方媒體及參與多條微博交互的用戶作為網(wǎng)絡模塊化結構中心，且每一節(jié)點代表１位用戶， 該用戶的情感態(tài)度由節(jié)點顏色表示，節(jié)點的大小與該用戶在該辟謠主題下參與的評論或轉發(fā)的次數(shù)成正比。節(jié)點間的邊代表兩位用戶間存在著的評論或轉發(fā)互動， 且邊的權重取決于評論或轉發(fā)的數(shù)量。對于一個官媒微博發(fā)布的辟謠信息，被用戶經(jīng)過多次的評論與轉發(fā)。６個辟謠主題的用戶評論網(wǎng)絡與轉發(fā)網(wǎng)絡的回音室網(wǎng)絡結構如圖６所示。

從圖６ 所示的６ 個辟謠主題的回音室網(wǎng)絡結構來看， 不同主題下的用戶層級評論網(wǎng)絡和轉發(fā)網(wǎng)絡均圍繞中心節(jié)點呈現(xiàn)明顯的模塊化結構。相比于轉發(fā)網(wǎng)絡， 辟謠主題的回音室評論網(wǎng)絡具有更大的網(wǎng)絡密度。從節(jié)點的屬性方面來看， 轉發(fā)網(wǎng)絡中節(jié)點顏色高度同質(zhì)， 絕大多數(shù)用戶持“贊成” 態(tài)度， 但評論網(wǎng)絡中用戶的情感態(tài)度更為多元， 如主題為“波音７３７”及“事故原因” 的評論網(wǎng)絡中， 分別由３個和兩個簇的大多數(shù)用戶持“質(zhì)疑” 或“猜疑”態(tài)度， 使得簇的顏色呈現(xiàn)出青綠色。

對于用戶層級的評論網(wǎng)絡和轉發(fā)網(wǎng)絡進行社區(qū)檢測算法計算， 為節(jié)點賦予新的標簽， 根據(jù)標簽的值將節(jié)點劃入不同社交網(wǎng)絡虛擬社區(qū)， 以此為基礎構建６ 個主題下的虛擬社區(qū)層級評論網(wǎng)絡和轉發(fā)網(wǎng)絡。網(wǎng)絡結構圖中， 每一節(jié)點代表１ 個虛擬社區(qū)，該社區(qū)內(nèi)用戶的情感值由節(jié)點顏色表示， 紅色代表該虛擬社區(qū)用戶全部持“贊成” 的情感態(tài)度， 藍色代表該社區(qū)用戶全部持“反對” 的情感態(tài)度。節(jié)點間的邊代表存在著用戶同時在兩個虛擬社區(qū)內(nèi)進行評論或轉發(fā)互動， 且邊的權重取決于滿足上述條件的用戶數(shù)量。結合該辟謠話題， 構建的網(wǎng)絡辟謠回音室虛擬社區(qū)層級網(wǎng)絡結構結果如圖７ 所示。

從圖７ 的數(shù)據(jù)結果來看， 大多數(shù)辟謠主題下的評論網(wǎng)絡比轉發(fā)網(wǎng)絡擁有更多的邊， 這代表著在網(wǎng)絡辟謠回音室中評論網(wǎng)絡存在著更多活躍于不同辟謠虛擬主題社區(qū)間的用戶。從節(jié)點的顏色來看， 轉發(fā)網(wǎng)絡中絕大多數(shù)的用戶節(jié)點顏色呈現(xiàn)紅色或橘色，代表著各辟謠主題下大多數(shù)虛擬主題社區(qū)高度贊同官媒的辟謠微博。在評論網(wǎng)絡中， 出現(xiàn)暗色用戶節(jié)點， 甚至在“波音７３７”“事故原因” 和“其他” 的主題下出現(xiàn)了藍色節(jié)點， 這代表該主題虛擬社區(qū)的情感得分低于０，說明總體上這些虛擬社區(qū)主題的用戶節(jié)點對官媒的辟謠微博呈現(xiàn)“猜疑” 情感態(tài)度。

３.５辟謠回音室效應下主題的同質(zhì)性

依照前文所述公式， 計算每個辟謠主題下回音室效應的虛擬社區(qū)層級的評論網(wǎng)絡和轉發(fā)網(wǎng)絡中每個虛擬社區(qū)主題的同質(zhì)性Ｈ， 分別繪制各辟謠主題下虛擬社區(qū)層級的評論網(wǎng)絡和轉發(fā)網(wǎng)絡的同質(zhì)性分布圖， 如圖８和圖９所示。在評論網(wǎng)絡中， 大多數(shù)辟謠主題下的虛擬社區(qū)同質(zhì)性分布在０.４ ～０.８之間， 其中“尋找黑匣子” 主題下的社區(qū)平均同質(zhì)性得分最低， 說明該主題下評論用戶的情感態(tài)度較為契合； 而“保險賠付” 主題下社區(qū)的平均同質(zhì)性得分最高， 說明該辟謠主題下的用戶情感態(tài)度多樣，甚至呈現(xiàn)出分化的狀態(tài)。在轉發(fā)網(wǎng)絡中， 各主題下社區(qū)的同質(zhì)性得分顯著低于評論網(wǎng)絡虛擬社區(qū)中的同質(zhì)性得分， 大多數(shù)分布在０.１ ～ ０.６ 之間。同樣的， “尋找黑匣子” 主題下社區(qū)的平均同質(zhì)性得分最低，“保險賠付” 主題下社區(qū)的平均同質(zhì)性得分最高， 這進一步說明了“尋找黑匣子” 下網(wǎng)絡用戶的情感態(tài)度統(tǒng)一， 而“保險賠付” 主題下網(wǎng)絡用戶情感態(tài)度分歧較大。

依照前文所述公式， 計算每個主題下評論用戶和轉發(fā)用戶的矛盾心理Ｃ 值， 分別根據(jù)用戶情感態(tài)度， 參考相關文獻結果將本文的矛盾心理值下的用戶分為１６ 個類別［９］ ， 繪制各主題下評論用戶及轉發(fā)用戶矛盾心理分布， 如圖１０所示。數(shù)據(jù)結果表明， 各主題下無論是評論用戶還是轉發(fā)用戶， 第一行單元格中的值顯著大于其他所有行， 說明了絕大多數(shù)用戶持有較低矛盾心理。同時， 在各個主題下無論是評論用戶還是轉發(fā)用戶， 左上角單元格和右上角單元格的值顯著大于其他單元格， 說明用戶的情感態(tài)度較為一致且呈現(xiàn)出情感極性。這些結果驗證了先前學者的研究發(fā)現(xiàn)， 即網(wǎng)絡用戶在輿情事件傳播中表現(xiàn)出選擇性曝光［９］ 。實驗進一步發(fā)現(xiàn)，評論用戶矛盾心理值位于（０，０.１２５］區(qū)間內(nèi)的占比均超過７０％， 而轉發(fā)用戶矛盾心理值位于這一區(qū)間的占比超過８０％。同時在同一主題下， 轉發(fā)網(wǎng)絡右上角單元格的顏色明顯深于評論用戶， 即更多的轉發(fā)用戶表露出贊成且矛盾心理值較低的情感。根據(jù)上述結果， 可發(fā)現(xiàn)轉發(fā)用戶的選擇性曝光強度明顯大于評論用戶。

４討論分析

４.１基于回音室網(wǎng)絡結構的輿情引導策略

基于回音室網(wǎng)絡結構的研究結果可知， 無論是在用戶層級的還是在虛擬社區(qū)層級的辟謠回音室網(wǎng)絡結構， 評論網(wǎng)絡的情感態(tài)度明顯比轉發(fā)網(wǎng)絡更加復雜。在辟謠話題下， 進行轉發(fā)的用戶更傾向于贊成官方， 而評論的用戶的情感態(tài)度相對多元， 在某些社會關注度高的主題下， 如“波音７３７” 和“事故原因” 持猜疑態(tài)度的用戶多于持贊成態(tài)度的用戶。在虛擬社區(qū)層級的評論網(wǎng)絡中， 甚至出現(xiàn)某些社區(qū)的情感得分接近－１， 這意味著該社區(qū)幾乎所有成員都對辟謠信息持猜疑態(tài)度。這與先前學者的研究結果“在開放式交互平臺中用戶的選擇性接觸、平臺個性化推薦及內(nèi)容情景等因素聯(lián)合作用產(chǎn)生了回音室效應” 的研究結論相一致［３５］ 。通過對回音室網(wǎng)絡中用戶情感進行判斷， 進一步驗證了社交媒體網(wǎng)絡辟謠中特定主題存在著“群體極化” 現(xiàn)象［３４］ 。從辟謠回音室網(wǎng)絡結構形成看， 評論網(wǎng)絡中用戶個性化回復是辟謠話題搭建“個性化框架” 的重要信息來源， 即評論網(wǎng)絡能夠向辟謠主體提供更豐富和更具針對性的辟謠需求。鑒于評論網(wǎng)絡結構中用戶評論內(nèi)容更復雜化與個性化， 根據(jù)個性化需求提供辟謠信息與辟謠服務， 可以在增強用戶信息認可度［３６］ 的同時， 對提高辟謠信息有效性起到積極作用。在具體實踐中， 建議平臺方、用戶方進行聯(lián)動結合， 用戶提出個性化觀點與辟謠話題意見， 平臺以辟謠話題下回音室為抓手， 確定解決方向， 在不同回音室中投放針對個性化問題的補充內(nèi)容， 緩和、打破極端回音室。

從網(wǎng)絡辟謠的實踐應用價值看， 公眾在接收辟謠信息后對辟謠信息的擴散形成“轉發(fā)”， 對辟謠信息的審議形成“評論”［３７］ 。用戶層級的回音室網(wǎng)絡結構由評論與轉發(fā)兩層網(wǎng)絡組成， 為針對性辟謠策略研究提供直觀分析途徑， 可從“信息擴散” 及“信息審議” 兩個用戶參與方向提出社交媒體網(wǎng)絡謠言的辟謠策略和強化辟謠效果。在網(wǎng)絡辟謠實踐中， 辟謠主體及平臺可以及時觀測評論網(wǎng)絡的態(tài)勢，在話題下積極與用戶互動、回應并補充內(nèi)容， 利用轉發(fā)網(wǎng)絡用戶情感態(tài)度認同度較高和傳播幅度廣的特點， 以回音室為單位擴大辟謠范圍， 從而強化正向辟謠， 形成良性循環(huán)。

４.２基于回音室網(wǎng)絡同質(zhì)性的輿情引導策略

對于回音室網(wǎng)絡同質(zhì)性的研究結果表明， 辟謠社區(qū)層級的網(wǎng)絡各辟謠主題下轉發(fā)網(wǎng)絡與評論網(wǎng)絡均存在同質(zhì)性， 其中轉發(fā)網(wǎng)絡的同質(zhì)性顯著強于評論網(wǎng)絡。在“保險賠付” 的辟謠主題下， 回音室的評論網(wǎng)絡和轉發(fā)網(wǎng)絡的同質(zhì)性得分均明顯高于其他辟謠主題， 說明該辟謠主題下的用戶持有的情感態(tài)度存在較大的分歧。虛擬社區(qū)層級的回音室網(wǎng)絡下的辟謠主題， 其轉發(fā)網(wǎng)絡和評論網(wǎng)絡都存在著同質(zhì)性。用戶傾向于加入持有相同情感態(tài)度的回音室，這使得用戶減少了情感態(tài)度轉變的可能， 與此同時強化了用戶對該回音室所持態(tài)度的情感認同。回音室網(wǎng)絡結構中， 轉發(fā)網(wǎng)絡結構擁有更強的同質(zhì)性，這意味著辟謠話題的轉發(fā)同質(zhì)性越強， 公眾對于辟謠話題的辟謠認可度越高， 辟謠效果更好。因此，回音室網(wǎng)絡轉發(fā)網(wǎng)絡的同質(zhì)性可以用作檢測辟謠話題辟謠效果。此外， 回音室同質(zhì)性為辟謠話題引導用戶時找到關鍵負面信息提供可能。無論是在轉發(fā)還是在評論網(wǎng)絡， 社區(qū)與社區(qū)之間沒有明顯的互動趨勢， 這表明回音室效應在社區(qū)互動交流中并不顯著， 即社區(qū)間的互動性低。前期研究成果中有學者提出針對網(wǎng)絡謠言的真實度進行分級管理［３８］ 。

根據(jù)以上回音室網(wǎng)絡同質(zhì)性特點， 可以對各社區(qū)采取分級管理， 對社區(qū)內(nèi)部采取針對性管理。低互動社區(qū)內(nèi)部采取有針對性的辟謠方式， 提高辟謠的受眾可信度［３９］ 以達到更好的辟謠效果。研究中發(fā)現(xiàn)， 同質(zhì)性得分越高則該網(wǎng)絡的同質(zhì)化程度越低，即某些特定主題下的回音室同質(zhì)性與其他主題的回音室同質(zhì)性差異較大。由于辟謠微博本身的官方正面屬性， 辟謠類話題的情感態(tài)度越復雜， 側面反映質(zhì)疑和猜疑的評論占比則越高， 實際上是網(wǎng)絡辟謠效果越低的表現(xiàn)。對于該類敏感話題， 應該及時解決辟謠效果不理想的問題， 并在原辟謠博文的基礎上采取積極的回應以解決問題和補全關鍵信息， 進行二次辟謠和情緒疏導， 以進一步強化辟謠博文的辟謠效果， 增大用戶辟謠信息認識的接受程度［４０］ 。

４.３基于回音室用戶矛盾心理的輿情引導策略

研究中發(fā)現(xiàn)， 盡管絕大多數(shù)網(wǎng)絡用戶對于辟謠信息持有“贊成” 態(tài)度， 但在不同的辟謠主題下用戶所持情感態(tài)度的比例仍存在較大差異， 驗證了先前學者的研究即“不同類型的輿情事件傳播中用戶存在著矛盾心理”。同時， 通過ＬＤＡ 主題模型將特定事件劃分為不同的主題， 發(fā)現(xiàn)不同主題的用戶依然存在著矛盾心理。此外， 根據(jù)評論用戶與轉發(fā)用戶的劃分， 發(fā)現(xiàn)相比于轉發(fā)用戶， 位于低矛盾心理值區(qū)間的評論用戶的百分比相對較低。用戶在轉發(fā)及評論辟謠話題下的矛盾心理普遍呈現(xiàn)“贊同”態(tài)度， 不同話題下的顏色分布也較為相似， 即在所有主題中用戶矛盾心理普遍呈現(xiàn)低矛盾心理傾向，但圖１０ 各圖譜右上角的數(shù)值上表現(xiàn)出不同的話題間矛盾心理的差異?；谝陨戏治?， 發(fā)現(xiàn)辟謠話題下的評論與轉發(fā)用戶自身持有的觀點與立場處于低矛盾的心理值， 即對辟謠觀點持更為肯定的態(tài)度，結合回音室網(wǎng)絡結構分析中呈現(xiàn)的多數(shù)用戶的贊成情感態(tài)度， 可以看出研究中各大辟謠主題的辟謠效果都較有成效。

相較于轉發(fā)網(wǎng)絡， 評論網(wǎng)絡的整體顏色較淺，這意味著評論網(wǎng)絡的矛盾心理值高于轉發(fā)網(wǎng)絡的矛盾心理值， 即評論網(wǎng)絡中用戶矛盾心理更強， 對辟謠話題的辟謠信息持有更多的疑問或質(zhì)疑態(tài)度。辟謠話題下用戶情感對輿情話題生命周期的全過程具有重要影響［４１］ 。贊成的用戶回應有利于促進辟謠信息的被吸收與二次傳播。在網(wǎng)絡謠言的辟謠工作中， 回音室用戶全過程矛盾心理值的記錄測量結果也反映著辟謠效果變化過程， 針對不同矛盾心理值域可以采取不同的辟謠手段增強辟謠效果。如在評論網(wǎng)絡中回應矛盾心理較強用戶所提出的問題， 將相關準確的原始資料與辟謠信息補充至評論網(wǎng)絡中。在破除謠言的同時， 相關部門可以通過識別辟謠回音室用戶的矛盾心理值來點對點地進行實時推送，并通過用戶持有的贊成情感及具有低矛盾心理值的用戶來帶動正確的辟謠信息進行快速傳播， 從而強化辟謠微博的辟謠效果和加快傳播影響速度。

５研究結論

本文在理論層面上， 一是構建社交媒體網(wǎng)絡辟謠的回聲室效應分析模型， 提出社交網(wǎng)絡辟謠行為的回音室效應的同質(zhì)性及矛盾心理檢驗參數(shù)量化計算回音室效應， 并對不同辟謠主題的輿情事件進行主題劃分， 使用訓練好的ＢＥＲＴ 預訓練語言模型進行用戶情感的分類。二是根據(jù)社區(qū)檢測算法繪制各主題下用戶層級和社區(qū)層級的回音室網(wǎng)絡結構， 確定社交網(wǎng)絡辟謠信息傳播中回音室效應檢驗參數(shù)，并對該話題下辟謠主題的回音室網(wǎng)絡結構、回音室網(wǎng)絡同質(zhì)性、回音室用戶矛盾心理的分析提供理論支撐。在實踐層面， 在回音室網(wǎng)絡結構中劃分出評論網(wǎng)絡， 從而有助于提取用戶個性化信息， 輔助構建個性化辟謠設置， 進一步加強社交媒體網(wǎng)絡謠言的辟謠效果。同時， 在回音室網(wǎng)絡同質(zhì)性較強情況下， 利用轉發(fā)網(wǎng)絡同質(zhì)性對各社區(qū)進行分級管理，從而提高辟謠效率。根據(jù)同質(zhì)性整體程度判斷和檢測辟謠效果， 利用用戶矛盾心理值， 精準定位高矛盾心理與低矛盾心理用戶， 并進行點對點強化辟謠效果和輔助， 從而加快辟謠信息傳播影響速度。

本文在研究中仍存在不足之處。一方面， 實驗所采用的數(shù)據(jù)局限于中文文本， 另一方面數(shù)據(jù)僅來源于微博社交媒體平臺， 缺乏多平臺的對比分析。同時， 實驗中僅從空間維度研究了網(wǎng)絡辟謠回音室效應的網(wǎng)絡結構， 并沒有圍繞時間維度進行探討。在今后的研究中， 將進一步考慮獲取多平臺不同話題的典型辟謠話題數(shù)據(jù)進行對比分析， 以使研究結果更加客觀準確， 同時在構建網(wǎng)絡模型時引入時間軸， 分階段動態(tài)展示網(wǎng)絡中節(jié)點和邊隨時間的變化， 研究網(wǎng)絡辟謠回音室效應的動態(tài)演化過程。