互联网上的湍流：社交媒体上的冲击波行为 | PRL速递

原创 集智编辑部 集智俱乐部

关键词：统计物理，集体行为，社交网络，网络信息动力学，临界相变

论文题目：Shockwavelike Behavior across Social Media

论文来源：Physical Review Letters

论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.130.237401

图1. 研究人员发展了一种新理论，其预测（实线）与在线网络仇恨和极端主义社区的动力学数据（方形符号）相吻合。该理论来源于流体力学，表明这些群体的增长让人联想到流体中非线性波的增长。

网络上的仇恨和极端主义很容易形成社区，以“anti-X”的形式存在，表达公众反对某些事物的情绪，这里的 X 可以是宗教、种族、民族等。这些社区在不同平台上有不同的称呼，例如 VKontakte 和 Gab 上的“群组”，Facebook 上的“页面”，以及 Telegram 上的“频道”，每个社区都是一个自组织的聚合体，由少至几个人多至数百万不等的用户组成。

与以往社交网络研究中基于社区发现算法产生的“社区”不同，这些社区往往是平台内置的。反对某些事物的个人或其他社区的加入可以快速形成这种极端社区（图2a），而如果违反平台条款，管理员也可能会突然关闭社区（图2b）。社区的形成和发展就如图1所展示的波浪的涌现一样：每个波浪显示一个反对某些事物的社区成员数量，它突然出现并通过与其它社区融合扩张，然后可能突然消失。理解这种社区的网络信息动力学，对相关公共政策的制定至关重要。一些社会科学家认为这种冲击波就像是“互联网上的湍流”，如果这个假设被证明是真实的，将开辟一个重要的物理学新领域，并有助于弥合目前计算方法和现实案例研究之间的差距。

这项最新发表于 Physical Review Letters 的研究，基于第一性原理的动力学理论，探索了这个新的物理学领域，分析了极端仇恨内容在整个网络社区产生的冲击波效应。这种效应在宽松的网站（如4Chan）和高度管制的社交平台（如Facebook）中都很明显。研究发现，仇恨言论以一种非仇恨内容通常不遵循的模式在网络社区中蔓延。

作者开发的动力学公式权衡了融合和裂变的竞争力量，通过吸收其他社区和感兴趣的个人自发涌现的内置社区（融合），以及版主对违反给定平台规则的用户和群体采取的纪律措施（裂变）。

研究人员希望这个公式可以作为一个工具，让版主预测仇恨内容的冲击波式传播，并制定方法来延迟、转移和防止其失控。这个新颖的理论除了可以应用于社交媒体平台和在线留言板之外，有可能为区块链平台、生成式人工智能和元宇宙的管理策略提供动力。

图2. 从经验上观察到的内置社区反美仇恨在 VKontakte 上的（a）融合和（b）整体裂变，从时间t（黄色）到t+1（蓝色）。红色节点是后来被关闭的反美社区（整体裂变）；绿色节点是还未关闭的社区；黄色链接指向在 t+1 天被移除的反美社区的个人（白点）；蓝色链接指向在 t+1 天添加到反美社区的个人。空间布局的结果来自于（a）和（b）靠近 ForceAtlas2 绘制的完整网络的局部放大，这意味着节点越靠近彼此，它们的相互连接就越多。（b）也表明，很少有个体同时也是其他社区的成员。（c）在美国国会暴动期间，跨平台的反政府社区的实证观测聚集。(d)–(f) 这篇论文中的理论包括（d）基于性格相似性的异质个体聚集（即融合），（e）以概率 νf 进行的整体裂变，（f）随时间变化的人口规模 N(t)。

图3. 实证数据（符号）和动力学公式理论预测（线）对内置的 anti-X 社区在平台内和跨平台的情况。（a） VKontakte 上的外国反美社区的规模（即，成员数量）。(b） Facebook 上的国内反美政府（支持内战）社区的规模。插图：人口规模变化；时间平均的 F(t) 表明（b）反映的异质融合机制比（a）多。（c) 和（d）来自（a）和（b）的单个社区规模 s 的互补累积分布（CCDF）。（e）来自（b）的所有社区的总规模演变。（f）更高规模上的 CCDF，即，互联社区群的规模。插图：从所有平台的数据中推断出的交互核心 W(s1,s2)；轴 s1 和 s2 是相互作用的聚合体的规模。

编译｜刘志航

原标题：《互联网上的湍流：社交媒体上的冲击波行为 | PRL 速递》

阅读原文