考虑群体思维的网络舆论演化研究^*

● 陈国华¹，施茂楠¹，袁勤俭²，黄仕靖²，朱华桂¹

(1.南京大学工程管理学院，江苏 南京 210093；2.南京大学信息管理学院，江苏 南京 210023)

摘 要： [目的/意义]社会对舆论一致性诉求导致了群体思维现象的出现，而群体思维作用于个体在网络关系中的思考模式，影响着网络舆论的聚散和发展。[方法/过程]文章将基于Agent建模仿真方法和小世界网络，考虑个体对观点独立性和一致性的不同诉求来刻画群体思维的作用，引入个体的观点回报值并基于峰值记忆进行决策，探讨不同群体思维情景和网络结构下舆论演化的规律。[结果/结论]研究显示，普通情景中舆论力量较为分散，而在极端情景中却涌现出了一致性较强的舆论观点。前者随着群体思维度的增强，观点持有人数差异变小，不确定性增强，观点回报下降；后者随着网络结构参数的变化，呈现出了更多不同的演化规律。

关键词： 网络舆论；群体思维；模型构建；仿真分析；舆情演化

随着新一代互联网的发展，大量的社会性网络服务平台(SNS)应运而生。在国内，微博、微信等网络社交平台得到了蓬勃发展，它们在帮助人们更加便捷地获取信息和表达观点的同时，也给社会带来了新的问题^[1]。互联网的覆盖率高、传播能力强，因而产生的网络舆论对社会影响深远。合理的网络舆论，可以为不明真相者提供观点引导，并快速地参与话题讨论。而不当的网络舆论，则会造成群众观点盲目“一边倒”，导致社会信心受挫。舆论由个体的观点经过一段时间的演变汇聚而成，而过程中个体的观点并非独立，还将受到社会关系的影响。

应采取多种营销方式共同发展,将传统与新的自媒体营销手段结合，相互促进。武当山旅游景区在建立自媒体平台的基础上更加应该注重的是推广，让更多人知道景区官方的微博以及微信公众号。还可以通过发传单等传统营销方式推广一下自媒体营销方式,二者相互作用，合作发展。

有学者总结出，个体观点受到来自社会关系中标准化(Standardization)、服从(Obedience)、社会压力(Social Pressure)等一致化力量的影响^[2]。在网络舆论的形成和演化中，当社会一致化的需求过高时，不可避免地会造成群体思维。群体思维是群体决策中的一种现象，表现为群体成员对一致化的诉求高于评估其他不同观点的动机时，通过压制观点冲突的手段来达到整体的和谐^[3]。而在群体思维影响下，个体会主动选择隐藏或最小化自身的不同意见，试图与周围人保持一致。这样的行为可能会产生正面的作用(如谴责不法商家和企业，刺激人们保护环境)，也可能会产生负面的作用(如导致网络暴力，制造谣言误导消费行为)。因此探究群体思维对网络舆论的作用关系，可以为我们引导舆论，调整舆论的聚散和发展提供依据。

图1 个体交互逻辑框架

观点动力学是舆论演化研究的重要手段，主要用于分析群体观点在特定交互规则下所呈现的演化规律^[4]，研究范围囊括了社会规范的形成^[5]、多元文化以及语言的发展^[6]、舆论的形成^[7]等。观点动力学模型基本都采用了较为先进的ABM(Agent-based Model)进行建模^[8]，但是在众多经典模型中，如Ising模型^[9]、Sznajd模型^[10]、Krause-Hegselmann模型^[11]，通常为了简化模型，将个体的目标单一化、交互规则简单化，一定程度上脱离实际^[12]，也就很难拓展到复杂背景的研究问题中。

群体思维相关的研究文献在群体决策领域大致可分为两类^[13]：一类是基于新闻学和社会学的案例分析^[14-15]，例如分析群体决策失败事件背后的经过和结果；另一类是建立群体思维模型，提出影响群体思维的变量(如凝聚力、责任感、控制等)，并进行实验和检验^[16-17]。而在舆论演化研究中，群体思维作为观点建模时需要考虑的因素，在不同文章中的体现方式并不统一。在Friedkin等^[18]的文章中，群体思维表现为个体对自身观点的坚守系数，也可理解为观点交互后观点变化的阻力系数。而Jędrzejewski等^[19]在最新的研究中，将个体的观点决策行为分为“独立性”和“一致性”两种模式，认为个体的行为模式并不是一成不变的，而是受过往记忆和外界环境温度的影响在这两种决策模式之间进行切换，通过个体在不同模式间切换的条件控制群体思维度。尽管如此，以往模型中却很少从引入观点回报和优化的角度去刻画舆论演化的过程。

我们将借鉴Chao等^[20]基于峰值记忆的观点决策模型，更多地刻画群体思维作用的两个方面(从众压力和观点交流态度)对个体观点回报值的影响，进而探讨不同的群体思维情景和网络条件下网络舆论演化的规律。

这样，如果司法机关严格执行宽严相济刑事政策，判处死刑的案件就会增加。这种增加显然不符合刑罚轻缓化的世界潮流。在刑罚轻缓化思潮与宽严相济刑事政策之间冲突的协调中，对严重刑事案件判处死刑但缓期二年执行是一条走得通的道路。这种死刑缓期两年执行的判决，一方面满足了从严办理严重刑事案件的政策要求，另一方面又不至于使刑罚整体上呈现出过分偏重于重刑而完全有悖于刑罚轻缓化趋势的情况。

1 模型构建

假设观点决策过程是一个多期决策过程，群体思维通过影响个体回报值，间接地影响个体的观点决策。在第t 时期，o _t 表示个体选择的观点(Opinion)；个体持该观点与选择的邻居对象进行交流；r _t 表示回报(Reward)，即个体持所选观点与选定的邻居交流后所产生的回报值。每期结束后，个体将当期综合回报R _t 存储在记忆(Memory)中，将记忆中回报最大的观点o ^*设为下期的默认选择观点，并根据当期回报调整选择策略(见图1)。因为群体思维作用的从众压力系数和观点交流态度被包含在交互回报的计算中，所以可将决策过程分为三个部分进行介绍，即观点选择策略、交互回报值计算、选择策略调整。

1 .1 观点选择策略

观点的数学刻画是基础。本文假设观点在[0,1]区间取值，两个相邻的观点值等间隔，不同的观点值代表个体对二元立场的支持度。个体以“局部寻优/随机试误”的方式来选择自己的观点。选择观点的价值(Action-Value)用观点回报Q (o _t ) 函数来衡量。个体观点的决策策略为“ε -Greedy”平衡策略。

下面例子左边是某卖家客户信息(姓名、年龄)，要求运行后输出用户显示信息的C#代码段。右边图引入面向对象分类编程各种模块类组成字段及方法函数的图解描述(代码模块化)。见图4。

当个体完全贪婪时，观点选择为：

2)在极端型情景中，建立一个极端排他导向群体情景(Scenario D)，打破群体从众压力系数三角分布的假设，假设所有个体的从众压力系数α =1。同时，将群体的排斥态度个体比例设置为β =1。

o _t+1 =o ^*_t =argo ∈L maxQ (o )

(1)

当个体是“ε -Greedy”时，观点选择为：

构建水生植物拦截带以减少各种悬浮物和缓解透水坝堵塞问题为基本目标，起到吸附与拦截颗粒物的作用，进而确保水坝的正常运转。在水生植物拦截带的构建过程中，要遵循以下三大原则：(1)在农田水利设施出水口的下方设置水生植物拦截带，有效拦截农田排水与地表径流。(2)控制好水生植物拦截带和透水坝之间的安全距离，避免两者互相产生不利影响。(3)在水面较为开阔的区域构建水生植物拦截带，缓解水力冲击的压力。

o _t ={o ^*_t with probability 1-ε
random opinion with probability ε

(2)

公式(2)说明了处于“ε -Greedy”的个体将会有限度地去探索非理想观点，同时保持着对理想观点o ^*_t 的偏好。通过上述方法确立个体观点o _it ， 并与邻居交互。假设每期个体随机地选择邻居进行交互，交互频率为h _it 。

刘铁头跟我同村，一起光屁股长大的，我俩从小学到高中一直同班，我毕业后回村当了民办教师，刘铁头则一心想当兵，体检什么的都没问题，到了政审这关，李老黑就是摁着不给盖章。没成。 当兵不成，刘铁头就想在村里弄个治保主任干干，结果还是李老黑死扛着不同意，还是不成。最后刘铁头在派出所干了个联防队员，这回李老黑没挡住，可李老黑不给刘铁头批宅基。没有宅基就盖不成房，没有房子就娶不成媳妇，所以直到现在，刘铁头还是光棍一条，在沙河村绝对是大龄青年了。

1 .2 交互回报值计算

群体思维模式下，个体观点选择往往受到从众压力的影响。因此每期个体的观点回报值R _it 与从众压力系数α _i 、 当期观点值o _it ∈[0,1]、 偏好观点值γ _i ∈[0,1]、 交互邻居的观点值有关。我们将回报值R _it 分为两部分，一部分是坚持偏好产生的回报，另一部分是与邻居观点一致产生的从众回报，见公式(3)。其中α _i ∈[0,1] 是个体从众压力系数，也是从众回报的占比。

R _it =(1-α _i )×r (o _it ,γ _i )+α _i ×∑_j∈C_i,t r (o _it ,o _jt )h _it

(3)

式中，C _i,t 表示个体i 在第t 期的交互对象集合；函数r (x ,y ) 表示观点交互产生的即时回报，或自身偏好的回报。在回报函数中，群体思维作用体现在两个方面：

1)个体的从众压力系数α _i 。 从众压力越大，则个体附和邻居观点产生的回报占比越大。

2)对不同观点是否包容，影响着即时回报r (x ,y ) 的形式。不包容的个体会对持不同观点者表现出排斥态度，导致观点交互的即时回报极低。而理智的个体可以适当接受观点间的差异，但随着双方观点差异的变大回报递减。因此考虑个体态度差异，即时回报r (x ,y ) 存在两种构造形式。

图4A为rGO电极在不同电流密度下的恒流充放电曲线和图4B为rGO电极在电流密度0.5A·g-1下的循环性能曲线。

不包容(排斥)态度下：

r (x ,y )={1if x =y
0otherwise

(4)

持此态度的个体与观点一致的邻居交互时产生1的即时回报，而与其他观点邻居交互的即时回报为零。

包容(理智)态度下：

（一）考查比重。从题型来看，基本的理解能力考查占主体，用于区分学生不同层次的实验与探究能力，信息获取能力，综合运用能力各自占比较小。但正是后者才是区分学生属于哪种层次的决定因素。选择题的1-6以及非选题的选考题37、38均考查了对课本所学知识的理解情况;29及32考查了实验探究能力;30题考查了信息获取能力。

r (x ,y )=1-(x -y )²

(5)

持此态度的个体与观点一致的邻居交互时同样能够产生1的即时回报，但当存在观点差异时，即时回报随观点差异的增大递减，且距离越大递减速率越大，直到双方观点差异为1时，即时回报为0。

1 .3 选择策略调整

每期结束后，交互结果为下期个体观点选择提供参考，个体选择过去有限时间内最优的观点作为自己的默认观点o ^*， 即贪婪状态下优先选择的观点。最后按照WoLF(Win or Learn Fast)原则，我们将根据每次交互的结果，动态地调整个体“探索—利用”的行为。假设当个体本期尝试了新的观点(即o _it ≠o ^*)， 并且新观点所带来的回报值大于默认观点带来的回报值时，说明观点集还存在着被探索的可能性，于是个体将增加尝试新观点的概率。反之，则说明观点集的可探索性较低，于是个体将逐渐降低自身的探索几率。

ε _i,t +1={(1-σ )ε _it ifR (o _it )>Q (o ^*)
min((1-σ )ε _it +σ ，ε _max)otherwise

(6)

式中，σ ∈[0,1] 是调整系数； ε _max表示系统允许的最大探索概率。

2 实验方法与测量指标

2 .1 实验方法

本文构建一个拥有n 个个体的小世界网络，观点集有N 个离散的观点水平，记忆长度为4个单位时间。为了避免初始观点差异对结果的影响，本文设个体初始观点值服从均匀分布。个体每期的交互频率h _it 等于个体的网络连接数。仿真模型的基本参数设置见表1。

她问了多少钱，几时有，易先生便道：“问他有没有好点的戒指。”他是留日的，英文不肯说，总是端着官架子等人翻译。

表1 基础参数设置表

为了更好地刻画个体的异质性，我们还需要引入两个系统参数：排斥态度个体比例(β )、从众压力系数众数(α _mode)。前者表示群体中持排斥态度的个体数量比例；后者用来控制群体中的个体从众压力。假设个体的从众压力系数α _i 是随机的，且服从[0,1]之间的三角分布，本文通过引入参数α _mode控制群体的从众压力水平。

α _i =triangular(0,1,α _mode)

(7)

1)各观点持有人数(Num_oj )及其标准差为：

1)在普通型情景中，按照群体思维度从大到小建立三种情景(Scenario)：排他导向情景(Scenario A)、中性情景(Scenario B)、包容导向情景(Scenario C)，不同情景的参数设置见表2。

横向对比图2三种情景(Scenario A、B、C)中各观点期末人数，见图3，可以发现： Scenario C中，观点持有人数差异最大(熵值S =1.52<1.55<1.57)， 观点3的持有人数均值达到最高的144.89，观点1和观点2的持有人数均值达到最低的51.02和49.22(见图3(b))。随着群体思维度的减小，由Scenario A至Scenario C，观点持有人数差异逐渐增大，中间观点的群体人数占比逐渐提升，与此同时，多次实验数据标准差(见图3(c)越来越小，这表明实验的不确定性逐渐减小。

表2 情景参数设置表

钻孔弹模计的力学模型见图2，其基本原理是孔内条带状承压板在孔壁接触范围内施加对称均匀分布力。该力学模型可分解为两个简单的力学模型，见图2：A模型为在孔壁2β范围内径向加压，B模型为在2β范围内的径向压力与剪力作用。根据模型边界条件，两个力学模型依次求解后再叠加，便可得原模型的理论解[12-14]。

根据上述观点持有人数分析社会的舆论形成情况。依照陈力丹^[22]的说法，当群体中某一观点的持有者达到0.382时(在本文中，人数可近似为200)，即可以使群体意识到该观点是一种重要的存在，即形成有影响的舆论。综合讨论，选择将观点持有人数超过200作为本实验中舆论形成重要影响力的标志。(如图2(a)所示)在普通型的三种情景中，所有观点持有人数皆低于200，并未形成具有影响力的舆论。关于极端情景(Scenario D)是否能够产生具有影响力的舆论，将在下一节中作分析。

建立联盟，不仅仅指集装箱多式联运链条企业之间的合作，还包括集装箱多式联运经营企业之间的横向合作，建设“一体化”联运服务。为了得到可持续发展的货源，南通口岸必须先从自身出发，重新设计现有通关流程，简化手续，缩短时限，联合海关、检验检疫等部门提供一站式、全方位服务，从而提高联运效率。

使用Anylogic 8专业版软件对上述模型进行仿真，每次实验设置固定仿真时间进行瞬态仿真。为了研究演化结果的稳定性，对每种参数情景都进行多次实验，并观察结果的波动性。具体的实现方法是：在Anylogic创建蒙特卡罗实验，将实验结果数据写入Excel中，利用Python批量处理电子表格和分析绘图的能力，对原始数据进行后续处理，绘制演化图并给出统计结果。

2 .2 测量指标

实验中需要测量的指标有：

根据群体思维度，即群体思维的影响程度，我们考虑两大类群体情景：普通型、极端型。

Num_oj =∑ni =1δ (o _i ,o _j ),j =1,…,N

(8)

其中，δ (o _i ,o _j ) 为克罗内克函数。

2)观点分布的熵值(S )为：

S =-∑^N _k=1 p _Lk lnp _Lk =∑^N _k=1 S _Lk ,k =1,…,N

(9)

式中,S 表示观点分布的整体熵值；S _Lk 是每个观点的熵值；p _Lk 表示每个离散观点人数的百分比。

p _Lk =Num_Lk n ,k =1,…,N

(10)

本文用熵值来刻画观点人数分布。熵值越大，表示观点持有人数越接近平均值；熵值越小，表示观点持有人数差异越大^[21]。

3)观点回报(_oj )以及群体回报均值()为：

在Scenario A中，排斥态度个体比例较高(β =0.8)，从众压力系数众数较高(α _mode=0.8)。在Scenario B中，两个控制参数都取中间值(β =0.5，α _mode=0.5)。而在Scenario C中，排斥态度个体比例较低(β =0.2)，从众压力系数众数也较低(α _mode=0.2)。

_oj =1Num_oj ∑ⁿ _i=1 R _i δ (o _i ,o _j ),j =1,…,N

(11)

=1n ∑ni =1R _i

(12)

3 实验结果与分析

3 .1 群体思维情景分析

本实验中，笔者对普通型的三种情景Scenario A、B、C进行情景参数设置，基础参数保持默认值不变，设定实验时长为150步(见图2)。为了降低随机误差，对每种情景进行100次模拟实验(若无说明，后面实验皆采取此方式)。

图2 观点持有人数和观点回报演化图

图2中，第一行是各观点人数随时间变化曲线，第二行是各观点的观点回报变化曲线。从观点人数变化曲线中可以看出：实验开始后三种情景中各观点人数曲线从同一起点逐渐分化成两边。一边是观点值处于中间水平的三个观点，三个观点的人数从均值一直上升到某一高度；另一边是观点值处于端点位置的两个观点水平，观点人数在实验开始后跌到了平均值以下。从观点回报变化曲线中可以看出：三种情景中各观点的观点回报均值皆呈递增趋势。其中观点值处于中间水平的三个观点回报始终高于处于端点位置的两个观点水平的观点回报。

2012年6月份，程瀚让许某某陪同去上海看程的儿子，许在上海给了陈儿子一个装有1万元现金的信封。2011年7月份，程瀚讲他有一个朋友需要10万块钱，许让会计给了程瀚10万元现金，而程瀚所谓的这个朋友只是他其中一个情人罢了。

图3 观点持有人数统计图(Scenario)

对比三种情景Scenario (A、B、C)中各观点的观点回报(见图4)，可以发现：Scenario C中各观点回报最高，Scenario A中各观点回报最低。每一种情景中，观点2、3、4的群体回报均值基本持平，高于观点1、5的群体回报均值。

图4 观点回报折线图(Scenario)

本文所述土箱产茧应选择远离道路的场所，产卵茧期应保持安静，避免土壤震动，否则正在产卵茧的水蛭会受惊而逃走，造成空茧。首先挖一个深度25cm的矩形浅坑，将网箱铺盖在坑上，用越冬分化土（松软）填满。接着向网箱中加水，使土湿度保持在30%左右。投放密度为200-300只每平米，投放完成后用透气纱布将网箱扎起防止水蛭逃离，并盖上水草或树枝等进行遮光。在坑四周挖一条排水沟，防止暴雨天气雨水将网箱浸透，在下雨天气要及时疏通溢水口。投放后第二日打开网箱检查水蛭是否都已入土产茧，洞口内有白色泡沫即为水蛭产茧。整个产茧过程持续约12-14天，土壤温度为20℃左右，每条水蛭平均能产茧3-4个左右。

3 .2 群体网络参数影响分析

在小世界群体网络中，控制网络形态的主要参数有：平均网络连接数(LPA)和群体网络的长连接概率(PoLL)。本节一方面探讨群体网络参数对极端排他导向情景(Scenario D)观点演化的影响，另一方面查看Scenario D是否能够产生有影响的社会舆论。

对比LPA=4、6、8时各观点人数(见图5)可发现：LPA=4时，观点持有人数差异最大(熵值S =0.98<1.29<1.43)，观点1的持有人数均值达到最高的358.74，其他观点支持人数达到最低，分别为40.75、39.02、30.94、30.55(见图5(a))。随着网络平均连接数的增大，观点1的持有人数递减，此外，多次实验后数据标准差变大(见图5(c))，实验的不确定性逐渐增大。

图5 观点持有人数统计图(LPA)

从网络舆论来看，在上述三个情景中观点1的持有人数皆超过了200，表示该情景下网络舆论已经形成了重要的影响力。对比普通型的情景，在保持基本设置不变的情况下，改变了个体交互态度系数和从众压力系数后，极端型情景中能够涌现出具有重要影响力的舆论，且随着LPA的增大，所涌现的舆论影响力减小。

横向对比LPA=4、6、8时各观点的观点回报(见图6)，可以发现：相比较于不同的观点值，LPA=4时，观点1持有者的观点回报最高；相比较于不同的LPA值，LPA=4时，各观点的观点回报都是最高的，相应地，群体回报均值也最高。随着网络平均连接数增大，所有观点的观点回报都逐渐降低，这说明在Scenario D中，网络连接数的增加不利于群体一致观点的达成，群体回报均值随之降低。

图6 观点回报折线图(LPA)

对比PoLL=0.05、0.2、0.5时各观点人数(见图7)，可以发现：PoLL=0.05时，观点持有人数差异最小(熵值S =1.29>1.18>0.99)，观点1的持有人数均值达到最低的279.35，其他观点持有人数达到最高，分别为65.25、57.89、50.60、46.91。随着长连接概率的增大，观点1的持有人数递增，其他观点人数递减。与此同时，多次实验后观点1、2、3的标准差随PoLL的增大而增大，而观点5持有人数的标准差随PoLL的增大而减少。

图7 观点持有人数统计图(PoLL)

在相应的舆论层面来看，上述三个PoLL的情景中观点1的持有人数皆超过了200，同样表示该情景下出现了具有重要影响力的舆论观点。与LPA变化规律不同的是，随着PoLL的增大，实验中涌现的舆论影响力越大。

横向对比PoLL=0.05、0.2、0.5时各观点的观点回报(见图8)，可以发现：观点1的观点回报随PoLL的增大先降低后增大，而其他观点的观点回报都随着PoLL的增大而降低。从群体回报均值对比中可以看出(见图9)，随着PoLL增大，三种群体回报均值呈微弱递减的趋势，可知长连接的概率对群体回报均值影响不大，但是观察群体回报均值的波动情况可以看出，PoLL的增大导致了实验群体回报均值的不确定性增强。

图8 观点回报折线图(PoLL)

图9 群体回报均值及标准差(PoLL)

4 舆论监管建议

上述实验结果表明，当舆论管理者想要形成一致性的网络舆论时，可以加强围观群众的群体思维度，并且减少个体在网络中邻居数量的增长，同时鼓励个体培养跨区域的关系网，增加网络的长连接概率，避免形成“回音壁”式的网络互动，导致个体“信息窄化”^[1]。当舆论管理者想要化解不合理的一致性网络舆论时，可以降低围观群众的群体思维度，并且鼓励个体与更多的陌生个体交流并建立连接，鼓励个体降低长连接概率，加强局部协同。

其中对群体思维度的具体监管建议我们将分(个体观点交流态度、自身观点的坚定程度)两部分进行阐述说明。

“我们安监站那边，除了食品安全，我们没有这个技术，这个东西要鉴定，这个食品安全它有专门的食品安全站管理，食品不属于我们管，我们只要看餐饮店，看它有没有营业执照，有没有卫生上岗证，厨师有没有那个上岗证，然后厨房里面要贴那个液化气，你要是有注意那些细节，厨房里面要贴一下，如果有用液化气的，用之前要检查，用之后也要检查，它有一张专门的那个表格，还有注意事项。”

4 .1 对个体观点态度

对于自然用户之间的观点态度，可以通过呼吁平和包容的言论环境降低群体思维度，促进舆情信息、人、网络环境所构成的网络生态的平衡^[23]。也可以宣扬社会的共识意识增加群体思维度，如针对“台独”言论时，强调“九二共识”的重要性和不可冒犯，强化社会群体在该问题上一致性的诉求，以保障国家的利益不被侵犯。

网络媒体中同样存在一些有组织的公司和网民个体，利用互联网载体和工具，产生了大量的非自然用户，如“僵尸粉”“五毛党”“网络喷子”等散布虚假信息，释放多种极具负面影响的情绪^[24]。其中的故意引战和过激言语是造成网络舆论生态失衡的重要原因。这样的现象严重影响了网络舆论的自然发展，也增大了监管者的管理难度。因此对网络中有组织、有预谋的非自然用户进行定期清理，有助于增加管理的有效性。

4 .2 对自身观点坚定程度

现实网络中，个体经常由于对自我观点的不自信以及对反对意见者言语的畏惧，导致其惧于去表达自己的真实想法。因此可以采取措施调节个体对自我观点的信心。例如在微博中增加锐推(Retweet)型信息的传递与准确度，识别出符合个体偏好和意见的其他信息^[25]，通过可见的表率作用提升个体发表不同观点的信心。相反，鼓励个体不要一味固守自我观点，听从他人的意见，也可以相应地提高网络中的群体思维度。

5 结束语

本文从群体思维的视角研究网络舆论的演化规律，创新地引入个体的观点回报值以及相应的决策优化模型，通过不同的从众压力系数和观点态度分布构建不同的群体思维情景。通过蒙特卡罗实验表明，普通情景中舆论力量较为分散，而在极端情景中却可以涌现出一致性较强的舆论观点。前者随着群体思维度的增加，观点持有人数差异变小，不确定性增强，观点回报下降。后者随着网络平均连接数增大，群体观点一致化趋势减弱，观点持有人数不确定性增强，观点回报下降。当网络长连接概率增大时，群体观点一致化趋势增强，但实验不确定性呈现较复杂的性态。根据实验结果，给出了针对性的监管建议和干预措施。在后续工作中，可以考虑更复杂的现实情景、更多交互行为，以及初始观点值分布类型因素等对群体观点博弈和观点演化的影响。□

参考文献

[1] 吴尤可.微信舆情“涌现”机制及控制方法研究[J].情报理论与实践,2017(3):28-33.

[2] GOSSELIN E,MORIN D,DOLAN S.Aspects humains des organisations:psychologie du travail et comportement organisationnel[M].Chenelièreéducation,2017.

[3] JANIS I L.Groupthink[J].Engineering Management Review IEEE,2008,36(1):36-36.

[4] XIA H,WANG H,XUAN Z.Opinion dynamics:a multidisciplinary review and perspective on future research[M].IGI Global,2011.

[5] YU C,ZHANG M,REN F,et al.Emergence of social norms through collective learning in networked agent societies[C]//International Conference on Autonomous Agents and Multi-Agent Systems，2013:475-482.

[6] ZANETTE D H,MANRUBIA S C.Vertical transmission of culture and the distribution of family names[J].Physica A Statistical Mechanics & Its Applications,2001,295(1):1-8.

[7] 赵奕奕，寇纲，彭怡，等.群体性突发事件中非一致信任水平舆论传播建模与分析[J].系统工程理论与实践，2012，32(5):971-976.

[8] PAWEL S.Quantitative agent based model of opinion dynamics:polish elections of 2015:[J].PLoS One,2016,11(5):e0155098.

[9] ISING E.Beitragzurtheorie des ferromagnetismus[J].Zeitschrift Für Physik,1925,31(1):253-258.

[10] SZNAJD-WERON K,SZNAJD J.Opinion evolution in closed community [J].International Journal of Modern Physics C,2000,11(6):1157-1165.

[11] HEGSELMANN R,KRAUSE U.Opinion dynamics and bounded confidence models,analysis and simulation[J].Journal of Artificial Societies and Social Simulation,2002,5(3).

[12] SOBKOWICZ P.Modelling opinion formation with physics tools:call for closer link with reality[J].Journal of Artificial Societies & Social Simulation,2008,12(12):11.

[13] 毕鹏程,席酉民,王益谊.群体思维理论的发展及其实证研究综述[J].管理科学学报,2004,7(4):75-84.

[14] RANSOM H H.Victims of groupthink:a psychological study of foreign-policy decisions and fiascoes[J].Journal of Politics,1972,60(3):857.

[15] TETLOCK P E.Identifying victims of groupthink from public statements of decision makers[J].Journal of Personality & Social Psychology,1979,37(8):1314-1324.

[16] BERNTHAL P R.Cohesiveness without Groupthink[J].Group Organization Management,1993,18:66-87.

[17] PARK W W.A comprehensive empirical investigation of the relationships among variables of the groupthink model[J].Journal of Organizational Behavior,2000,21(8):873-887.

[18] FRIEDKIN N E,JOHNSEN E C.Social influence networks and opinion change[J].Advances in Group Processes,1999,16(1).

[19] JDRZEJEWSKI A,SZNAJD-WERON K.Impact of memory on opinion dynamics[J].Physica A:Statistical Mechanics and its Applications,2018,505:306-315.

[20] CHAO Y,TAN G,LV H,et al.Modelling adaptive learning behaviours for consensus formation in human societies[J].Scientific Reports,2016,6:27626.

[21] SHANNONC E.A mathematical theory of communication[J].Bell System Technical Journal,1948,27(3):379-423.

[22] 陈力丹.舆论学:舆论导向研究[M].北京：中国广播电视出版社,1999.

[23] 李昊青,兰月新,侯晓娜,等.网络舆情管理的理论基础研究[J].现代情报,2015,35(5):25-29.

[24] 刘勘,朱怀萍,胡航.网络伪舆情的特征研究[J].情报杂志,2011,30(11):57-60.

[25] 张晨逸,孙建伶,丁轶群.基于MB-LDA模型的微博主题挖掘[J].计算机研究与发展,2011,48(10):1795-1802.

Research on Network Public Opinion Evolution Considering Groupthink

Abstract :[Purpose/significance]Society’s appeal to public opinion leads to the emergence of groupthink which affects the gathering and development of network public opinion by acting on the individual’s thinking mode in network relationship.[Method/process] By combining the agent-based modeling and the small world network,this paper considers the agent’s different demands for opinion independence and consistency to characterize the role of groupthink，and introduces agent’s opinion rewards to make decisions based on peak memory,and explores the evolution of public opinion in different groupthink scenarios and network structures.[Result/conclusion] Studies have shown that public opinion forces are more dispersed in normal scenarios,but in extreme scenarios,there is a strong consensus opinion.With the more emphasis on groupthink,the difference of opinion holders’ numbers among opinions becomes smaller,the uncertainty increases,and the return of opinions decreases.With the changes of network structure parameters,more different evolution laws are presented.

Keywords : online opinion;groupthink;model construction;simulation analysis;public opinion evolution

DOI: 10.16353/j.cnki.1000-7490.2019.07.016

* 本文为国家自然科学基金项目“基于灾区自救视角的突发灾害社区抗逆力研究”(项目编号：71673130)和国家杰出青年科学基金项目“供应链渠道管理博弈行为分析”(项目编号：71425001)的成果之一。

作者简介： 陈国华 ，男，1969年生，副教授。研究方向：大数据分析，信息系统。施茂楠 ，男，1994年生，硕士生。研究方向：社会网络分析，信息系统。袁勤俭 ，男，1969 年生，教授，博士生导师。研究方向：电子商务，电子政务，数字出版。黄仕靖 ，女，1986年生，博士生，讲师。研究方向：信息管理，电子商务。朱华桂 ，男，1965年生，教授。研究方向：危机管理，社会系统分析。

作者贡献声明：陈国华 ，研究思路确定与论文撰写。施茂楠 ，实验设计与论文撰写。袁勤俭 ，提出修改意见。黄仕靖 ，实验设计。朱华桂 ，提出修改意见。

录用日期： 2019-01-29

标签：网络舆论论文;  群体思维论文;  模型构建论文;  仿真分析论文;  舆情演化论文;  南京大学工程管理学院论文;  南京大学信息管理学院论文;