凝聚、分化與震蕩：可計算化的國際傳播輿論演變研究

徐明華 羅紫菱

【內容摘要】在智能媒介技術賦能國際輿論競爭的宏觀背景下，從可計算化視角出發(fā)預測性剖析國際輿論的變化規(guī)律與演進歷程，有助于為對外輿論宣傳提供有效決策路徑。本文結合單雙面論述理論對經典HK模型加以改造，并在Facebook平臺的真實社交網絡中進行參數模擬與仿真實驗，以期探究國際社交媒體平臺的輿論演化過程。結果表明，伴隨著高教育水平受眾比例下降，群體更難形成集體合意，邊緣化、極端化意見分裂逐步出現(xiàn)，且呈現(xiàn)出集體觀點中立化凝聚、受眾態(tài)度多取向分化、群體意見無序性震蕩等典型演化結果。

【關鍵詞】可計算化；國際輿論傳播；觀點動力學；單雙面陳述

在百年未有之大變局加速演進的時代背景下，國際輿論場已成為大國軟實力較量與話語權競爭的重要場域，智能化媒介技術的高速發(fā)展亦為國際輿論宣傳工作增添新動能。當前，國際輿論研究已涵蓋智能視聽技術應用①②、對外傳播敘事技巧③、國際傳播人才培養(yǎng)④等多領域，然而較缺乏從可計算化范式出發(fā)結合仿真模型對國際輿論演化過程進行預測性評估的相關研究。因此，本研究便基于經典勸服傳播理論單雙面陳述對HK觀點動力學模型加以改造，并通過社交網絡建構、動力公式改進與仿真參數設置等方法對國際社交媒體平臺的輿論演化進行仿真實驗，為我國國際輿論競爭提供決策路徑。

一、文獻回顧

（一）觀點動力學模型

隨著社交媒體和網絡輿情研究的興起，基于社交網絡的動力學研究引發(fā)廣泛關注。其中，觀點動力學作為社會動力學研究的重要研究方向汲取了統(tǒng)計物理、應用數學、網絡科學、經濟學、社會學等多個學科的養(yǎng)分，將統(tǒng)計物理方法、非線性科學等理工科模型與意見演化、社會交往等人文社科理論結合起來，用于分析微觀視角下社交網絡個體的觀點演化的基本規(guī)則及其在宏觀層次涌現(xiàn)的復雜社會輿論現(xiàn)象⑤。

觀點動力學主要關注社會群體中個體之間不同觀點的相互影響、復雜社交網絡中輿論的演化以及意見達成共識的過程。根據建模方式的差異，可將觀點動力學模型劃分為離散模型和連續(xù)模型，與之對應的動力學過程分別為離散觀點動力學和連續(xù)觀點動力學。離散觀點動力學模型將社會個體的觀點建構成離散數值，常見的模型有Voter模型⑥和Majority-Voter模型⑦。然而，鑒于現(xiàn)實社會系統(tǒng)中社會成員關于某一具體事件的看法、意見、態(tài)度并不是非黑即白，而更可能處于漸進的連續(xù)變化狀態(tài)，難以用離散變量進行表征。因此將觀點建模為某一區(qū)間內的連續(xù)實數值的連續(xù)觀點動力學模型被提出，如Deffuant模型⑧、Hegselmann-Krause模型⑨、Holme-Newman⑩模型等。

HK模型因在連續(xù)觀點動力學模型基礎上提出有界信任假設，更能擬合社交網絡中微觀個體的觀點變化規(guī)律與整體的輿論演化取向而備受學界推崇。HK（Hegselmann-Krause）模型由Krause提出，并由Hegselmann和Krause兩位學者一起完成了仿真實驗。HK模型的基本假設為，就某一具體事件而言，身處于社交網絡中的個體并非與所有鄰居（代指與該個體有社交關系的其他個體）進行觀點交流，而是與其他觀點相似的群體進行交流，即與在其有界信任域內的群體進行交流。具體而言，當該個體沒有鄰居時，他會持續(xù)保留自身觀點；當該個體擁有大量的鄰居時，他將會與觀點在其置信范圍內的鄰居交換意見，并將自身觀點更新為上述鄰居觀點的平均值，作為下一時刻的觀點?；谏鲜黾僭O，HK模型的動力學方程可表示為：

采用HK模型對現(xiàn)實觀點演化過程進行仿真時，通常將網絡個體成員的觀點值隨機或等距分布在[0，1]的觀點區(qū)間內，在對稱或非對稱的觀點有界信任域的參數作用下，行動個體將在多次觀點交互過程中逐步經歷從多觀點態(tài)、極化態(tài)（兩個觀點）到共識態(tài)（一個觀點）的相變轉化過程。針對群體中個體屬性的多樣性，在HK有界信任模型基礎上提出了非一致有界信任模型，仿真結果說明當社會網絡中個體的信任水平各不相同時，比相同信任水平時，群體觀點更難以達成共識，并且個體數量與最終形成的觀點簇呈正相關關系。

目前，許多研究人員通過引入新的有界置信條件和推動輿論演化的因素，專注于改進經典的HK模型。Alfio等人研究了含有意見領袖個體的HK模型意見變化過程，以及通過控制意見領袖的觀點以控制群體意見演化的具體策略。相較于觀察觀點的具體演變過程，Pluchino等人研究了一組具有不同自然傾向（率）的改變觀點的代理人能夠形成一致觀點的前置條件。Yang等人在HK模型的基礎上將多層智能體納入社交網絡中，深度觀察其作為意見交換成員如何誘使受眾觀點發(fā)生定向偏移。

部分學者將從眾效應、沉默的螺旋、社會動員等經典理論引入觀點動力學，對HK模型的基本演化規(guī)則加以改造。徐玉珠等人將“優(yōu)先連接”“三角結構”“內部演化”等機制引入HK模型，使新模型不僅繼承了HK模型的高聚類無標度特性，同時使得其網絡增長方式更靈活。張亞楠針對輿論傳播過程中個體交互的廣泛性和個體社會影響力的差異性，引入個體間親密度、人際相似性和交互強度等概念，對影響力權重進行了合理量化，仿真結果顯示，當無標度網絡的聚類系數和平均度較高時，群體觀點更容易產生趨同效應，且擴大交互集合、提高人際相似性的作用強度會促進輿論共識的形成。徐涵等人考慮群體意見和信任程度等因素，提出了一種新的基于樂隊花車效應的HK觀點動力學模型，結果表明，無論意見領袖比例、個體置信度和網絡規(guī)模如何變化，除固執(zhí)個體和孤立個體外，其他個體的意見都能在較短時間內達成一致。周沁悅等人基于社會網絡分析和確認偏見心理，提出了回音室度量方法，進而建立了考慮回音室效應的輿情演化模型，結果表明，檢測個體陷入回音室的傾向能夠消除群體意見極化對立現(xiàn)象，且提高網絡的集聚系數有助于減輕穩(wěn)定意見中的回音室現(xiàn)象。

（二）單雙面論述理論

勸服傳播是傳播學的重要研究方向之一，其主要關注通過施加影響導致受眾態(tài)度改變的現(xiàn)象與理論。傳播學先驅之一的美國實驗心理學家霍夫蘭關于勸服傳播的系列研究極具開創(chuàng)性和影響力，其提出的SMRC（Source-Message-Channel-Receiver）模型成為后續(xù)勸服傳播研究的重要理論框架。SMCR模型由四個變量組成，即信源變量、消息變量、信道變量以及接收者變量。

就消息變量而言，信息的呈現(xiàn)方式能夠影響個體接受和理解信息的程度?；舴蛱m等人于1945年開展了“單面陳述與正反兩面陳述”的勸服效果實驗。其中，單面陳述是只呈現(xiàn)一個觀點或者提供正面的信息，而雙面陳述是呈現(xiàn)兩個對立的觀點或者同時提供正面和負面的信息。實驗結果表明，當受眾與目標觀點一致或差距較小時，單面陳述極為有效，受眾對信息的接受程度較高；當受眾與目標觀點相對立時，單面陳述或許會激發(fā)反效果，部分受眾對雙面陳述的接受度較高。且傳播效果與受眾的受教育程度存在交互效應，單面陳述對受教育程度較低者更有效，雙面陳述反而對其具有誤導性，而正反兩面陳述對受教育程度較高的人更有效，單面陳述易激發(fā)其反感。

部分學者在霍夫蘭的研究基礎上，對單邊陳述和雙邊陳述的影響進行了深入的研究。Schlosser將該理論應用于分析消費者心理，研究發(fā)現(xiàn)，雙面陳述和單面陳述的效果取決于評論者的論據和評分之間的一致性。劉中剛等人探索了地域印象對區(qū)域特色產品信息傳播的影響及單雙面信息策略的調節(jié)作用，研究表明，相較于單面陳述，雙面陳述能夠顯著提高信息可信度和品牌態(tài)度，降低對謠言的信任。

傳統(tǒng)的HK模型的基礎假設為受眾只與觀點相近的個體進行意見交流，然而互聯(lián)網的平等性、開放性和廣泛的連通性使得人們可以與觀點相反的用戶進行廣泛接觸，該現(xiàn)象在Facebook、Twitter、Instagram等國際社交平臺尤為明顯，卻被經典的HK觀點動力學模型所忽略。因此，為了更加符合國際輿論的真實輿論動態(tài)，本研究根據霍夫蘭的經典勸服傳播理論對HK模型進行修正，將單雙面陳述與個體受教育水平納入考量。

二、研究方法

（一）社交網絡搭建

Facebook平臺作為全球最大的社交媒體平臺之一，具有廣泛的用戶群體和強大的信息傳播能力，因此被認為是重要的國際輿論平臺。據統(tǒng)計，截至2021年年底，F(xiàn)acebook的全球月活躍用戶數量已經超過了29億，用戶覆蓋全球，在全球社會問題與國際政治議題上經常成為國際輿論的重要參考。各國政府、國際媒體、跨國機構等各方組織會密切關注和利用Facebook平臺，來了解和引導國際輿論的走向。

為深度剖析國際社交媒體平臺上受眾意見凝聚與觀點分化的輿論演化過程，本文選擇斯坦福大學根據現(xiàn)實數據搭建的Facebook網絡作為演化網絡，開展基于單雙面陳述的HK模型仿真研究，該網絡的具體特征如表1所示：

（二）動力公式改進

為使HK模型的觀點變化規(guī)則更貼合現(xiàn)實輿論網絡的演化規(guī)則，本文結合霍夫蘭的經典勸服傳播理論單雙面陳述對個體的觀點規(guī)則加以改進。結合受眾受教育水平，本研究對經典HK模型的改進如下：

1.當該個體沒有任何鄰居個體時，該受眾的意見保持不變；

2.當該個體具有鄰居個體時，該個體的鄰居可分為意見相似與相反的鄰居。觀點相似的鄰居即為觀點在有界信任域內的鄰居，其識別公式可表示為：

觀點相反的鄰居即為觀點在有界信任域外的鄰居，其識別公式可表示為：

3.當該個體的所有鄰居的觀點均與之相似時，Ni（t）>Mi（t）=0即，不論該個體的受教育水平如何，該個體觀點的變化公式為：

4.當該個體存在部分鄰居與之觀點相似且部分鄰居的觀點與之相反時，即Ni（t）>0、Mi（t）=0，受教育水平高的個體和受教育水平低的個體變化規(guī)則不同。受教育水平高的個體，其更易堅持原有信念不受外界干擾。而受教育水平低的個體，則極容易被干擾，容易迅速趨向觀點相反的個體，其變化公式定義為

（三）仿真參數設置

根據單雙面陳述理論，本文規(guī)定了不同教育程度的節(jié)點在面對單面信息和雙面信息的更新觀點的新規(guī)則。在將上述規(guī)則應用于Facebook社交網絡進行仿真實驗之前，需要先對改進后的HK模型的基本運行參數進行設置。首先，將受眾的觀點在0至1的實數區(qū)間進行隨機賦值，其次將迭代次數和運行次數分別設置為50和100，最后為了研究有著不同教育人口比例的人群的觀點的動態(tài)變化程度，我們對節(jié)點的受教育程度屬性進行了賦值，分別限制為以下七種情況：全部為高教育水平節(jié)點，大部分為高教育節(jié)點（分為占比0.875和0.75兩種情況），高教育水平和低教育水平節(jié)點占比相等，高教育水平節(jié)點占少數（分為占比0.25和0.125兩種情況），沒有高教育水平節(jié)點，如表2所示：

三、研究發(fā)現(xiàn)

經過社交網絡建構、動力公式改進、仿真參數設置等步驟，本文針對七種不同教育情況占比下的觀點動力學演化結果進行模擬，結果分別呈現(xiàn)出集體觀點中立化凝聚、受眾態(tài)度多取向分化、 群體意見無序性震蕩等三大主要情況。

（一）集體觀點中立化凝聚

當高教育水平節(jié)點占比為1、0.875時，個體的集體觀點呈現(xiàn)出凝聚現(xiàn)象，且最終形成的集體觀點取向中立化。圖1所示為組別1（高教育水平節(jié)點占比為1，低教育水平節(jié)點占比為0）的仿真結果，結果顯示，所有節(jié)點的觀點在小于60次觀點交互內便形成了統(tǒng)一觀點，且該觀點值最終停留在0.5左右，說明當受眾全部受過高等教育時，其能迅速形成合意，且該觀點較為中立。

圖2所示為組別2（高教育水平節(jié)點占比為0.875，低教育水平節(jié)點占比為0.125）的仿真結果，結果顯示，所有節(jié)點的觀點在60～80次觀點交互過程中形成了統(tǒng)一意見。相較于組別1，組別2形成集體性合意的時間更長，但最終形成的觀點依舊保持在0.5左右，趨向中立。上述結果說明，當受眾受過高等教育的比例降低時，受眾形成統(tǒng)一觀點將耗費更長時間。

根據組別1及組別2的仿真實驗結果可以推斷，當國際受眾的整體受教育水平較高時，社交網絡能夠較快形成集體性合意，且極端化的看法較難出現(xiàn)，最終將形成觀念較為中立、態(tài)度較為平和的集體決策，然而隨著高教育水平受眾比例的降低，觀點統(tǒng)一的時間將更長。

（二）受眾態(tài)度多取向分化

當高教育水平節(jié)點占比為0.75、0.5、0.25時，受眾態(tài)度不再形成單一化取向，總體呈現(xiàn)出多取向分化，既形成了較為中立的主流觀點，也有部分觀點進行獨立演化，且更偏極端化。圖3所示為組別3（高教育水平節(jié)點占比為0.75，低教育水平節(jié)點占比為0.25）的仿真結果，結果顯示， 絕大部分受眾的觀點在60—80次迭代內形成了較為統(tǒng)一的單取向觀點，然而也有部分節(jié)點形成了另外兩個單獨的態(tài)度取向區(qū)間，且該區(qū)間均更向觀點兩端分布。

圖4所示為組別4（高教育水平節(jié)點占比為0.5，低教育水平節(jié)點占比為0.5）的仿真結果，結果顯示，大部分受眾的態(tài)度仍舊在接近80次意見交互過程中逐步統(tǒng)一，但相較于組別3而言，形成其他態(tài)度分化的個體數增加，且其他態(tài)度取向區(qū)間分布更為廣泛，但仍更趨向于兩端。

圖5所示為組別5（高教育水平節(jié)點占比為0.25，低教育水平節(jié)點占比為0.75）的仿真結果，結果顯示，大部分受眾在接近100次的意見交互過程中形成了主流觀點。相較于組別3和組別4而言，形成主流意見的時間大大增加，主流意見的凝聚程度下降，且其他態(tài)度取向區(qū)間進一步泛化。

根據組別3、組別4及組別5的仿真實驗結果可以推斷，隨著國際受眾受教育水平情況的逐漸下滑，盡管在絕大多數具體事件的討論中，受眾態(tài)度能夠形成主流取向，但部分極端觀點開始出現(xiàn)，且持有極端化觀點的受眾數量上升，難以和主流意見進行交流，反而構成獨立的交流圈層。與此同時，形成主流觀點所耗費的時間更長，且網絡個體的態(tài)度交換過程亦呈現(xiàn)出復雜化取向。

（三）群體意見無序性震蕩

在高教育水平節(jié)點占比為0.125、0時，群體較難形成集中化的統(tǒng)一意見，存在較多個體形成了自主化、無序化的意見震蕩。圖6所示為組別6（高教育水平節(jié)點占比為0.125，低教育水平節(jié)點占比為0.875）的仿真結果，結果顯示，在100次意見交互后，群體形成了匯聚于中立觀點附近的主流意見，但群體意見并未走向完全統(tǒng)一，且在意見分布的兩端有較多個體的意見呈現(xiàn)大幅度的震蕩化運動，難以與主流意見匯合。

圖7所示為組別7（高教育水平節(jié)點占比為0，低教育水平節(jié)點占比為1）的仿真結果，結果顯示，群體意見在100次觀點交流后未呈現(xiàn)出顯著的聚合取向，散在化分布于意見空間中，無序性震蕩的個體占比較大。

根據組別6及組別7的仿真實驗結果可以推斷，當國際受眾的整體受教育水平較低時，群體在有限時間內較難形成主流化群體合意，且各類型觀點散在化分布，彼此之間難以進行有效交流，國際輿論的整體走向較難把握。

四、結語

本文基于經典勸服傳播理論單雙面陳述對HK觀點動力學模型加以改造，并通過社交網絡建構、動力公式改進與仿真參數設置等方法，對七種不同比例的高教育水平受眾群體進行仿真實驗。結果表明，伴隨著高教育水平受眾比例下降，群體更難形成集中化意見，且形成集體合意所耗費的時間逐漸增多；持有邊緣化、極端化意見的個體或團體逐步出現(xiàn)，可構成自主化的內部意見交流。上述仿真結果可歸納為集體觀點中立化凝聚、受眾態(tài)度多取向分化、 群體意見無序性震蕩三種主要情況。

本研究結果說明國際受眾屬性與觀點交互方式能夠影響國際輿論的演化結果與整體取向，仍有節(jié)點意見影響權重與社交網絡動態(tài)變化等方面的問題亟待研究。一方面，本文針對如高教育水平節(jié)點及低教育水平節(jié)點等不同屬性個體的觀點更新方式，尚未考慮某一屬性節(jié)點對其他屬性節(jié)點的觀點影響權重或許不同。另一方面，國際受眾所形成的社交網絡未必保持不變，而更有可能在與他者進行觀點交互的過程中發(fā)生動態(tài)變化，社交網絡自身的動態(tài)變化極有可能對群體意見變化造成決定性影響。

參考文獻：

①張亞明、宋雯婕、劉海鷗等：《學科交叉視域下國際輿論場突發(fā)公共衛(wèi)生事件網絡輿情傳播研究綜述》，《現(xiàn)代情報》》2023年第4期。

②尹韻公：《加快國際傳播能力建設刻不容緩》，《教育傳媒研究》2022年第4期。

③徐明華、李丹妮：《情感畛域的消解與融通：“中國故事”跨文化傳播的溝通介質和認同路徑》，《現(xiàn)代傳播（中國傳媒大學學報）》2019年第3期。

④孫利軍、高金萍：《國際傳播能力建設視域下的國際傳播人才“三觀”研究》，《當代傳播》》2023年第5期。

⑤熊熙、胡勇：《基于社交網絡的觀點傳播動力學研究》，《物理學報》2012年第15期。

⑥R. Durrett， J. P. Gleeson， A. L. Lloyd， P. J. Mucha， F. Shi， D. Sivakoff， J. Socolar， and C. Varghese， “Graph fission in an evolving voter model，” Proceedings of the National Academy of Sciences of the United States of America， vol. 109， no. 10， pp. 3682–3687， 2012.

⑦F.W.S. and Lima， “Three-state majority-vote model on square lattice，” Physica A： Statistical Mechanics and its Applications， vol. 391， no. 4， pp. 1753–1758， 2012.

⑧J. Lorenz， “Continuous opinion dynamics under bounded confidence： A survey，” International Journal of Modern Physics C， vol. 18， no. 12， pp. 1819–1838， DEC 2007.

⑨R. Hegselmann and U. Krause， “Opinion dynamics and bounded confidence： models， analysis and simulation，” Jasss-The Journal Of Artificial Societies And Social Simulation， vol. 5， no. 3， JUN 2002.

⑩P. Holme and M. Newman， “Nonequilibrium phase transition in the coevolution of networks and opinions，” Physical Review E Statistical Nonlinear & Soft Matter Physics， vol. 74， no. 2， p. 056108， 2006.

趙奕奕、寇綱、彭怡、李仕明：《群體性突發(fā)事件中非一致信任水平輿論傳播建模與分析》，《系統(tǒng)工程理論與實踐》2012年第5期。

Borzi， Alfio， Caponigro， Marco， Wongkaew， and Suttida， “On the control through leadership of the hegselmann-krause opinion formation model，” Mathematical models and methods in applied sciences， 2015.

A. Pluchino， V. Latora， and A. Rapisarda， “Changing opinions in a changing world： a new perspective in sociophysics，” International Journal of Modern Physics C， vol. 16， no. 04， pp. 515–531， 2005.

Yang， Y.， Dimarogonas， D.， V.， Hu， and X.， “Opinion consensus of modified hegselmann-krause models，” Automatica Oxford， 2014.

徐玉珠、張達敏、曾成等：《改進HK網絡演化模型的研究》，《電子科技》2016年第3期。

張亞楠、孫士保、張京山等：《基于節(jié)點親密度和影響力的社交網絡輿論形成模型》，《計算機應用》2016年第4期。

徐涵、成思、沈浩：《基于樂隊花車效應的觀點動力學模型及其實證研究》，《中國傳媒大學學報（自然科學版）》2022年第2期。

周沁悅、吳志彬、徐玖平：《小世界無標度網絡中考慮回音室的輿情演化》，《系統(tǒng)工程學報》2023年第6期。

E. M. Rogers， A history of communication study ： a biographical approach. A History Of Communication Study ： A Biographical Approach， 1997.

C. D. Montlibert， R. Pag` es， M. J. Rosenberg， C. I. Hovland， and R. Pages， “Attitude organization and change： An analysis of consistency among attitude components，” Revue Franc ?aise de Sociologie， vol. 2， no. 4， p. 333， 1961.

A. E. Schlosser， “Can including pros and cons increase the helpfulness and persuasiveness of online reviews？ The interactive effects of ratings and arguments，” Journal Of Consumer Psychology， vol. 21， no. 3， pp. 226–239， JUL 2011.

劉中剛、李耀：《地域刻板印象對區(qū)域特色產品信息傳播的影響及雙面信息的調節(jié)作用》，《經濟經緯》2023年第4期。

方增泉、祁雪晶、元英等：《“雙一流”建設背景下中國大學海外網絡傳播力特征分析》，《教育傳媒研究》2022年第5期。

J. McAuley and J. Leskovec. Learning to Discover Social Circles in Ego Networks. NIPS， 2012.

（作者徐明華系華中科技大學新聞與信息傳播學院教授、博士生導師；羅紫菱系華中科技大學新聞與信息傳播學院博士研究生）

【責任編輯：謝敏】

*本文系國家社科基金重大項目“基于人工智能的精準國際傳播研究”（項目編號：22&ZD317）的階段性成果。