信息疫情中竞争性信息传播建模与实证研究_王世雄.pdf

情报资料工作 2023年1月第44卷第1期信息疫情中竞争性信息传播建模与实证研究*王世雄1朱明旻1吴宜诺2骆彦余1（1浙江理工大学经济管理学院杭州310018；2宁波大学商学院浙江315211）摘要：目的/意义文章厘清信息疫情中用户、行为和竞争性信息传播之间的作用关系，揭示信息疫情的生成和传播规律，为信息疫情干预政策的制定提供理论支撑。方法/过程文章以复杂网络理论为支撑，以新浪微博平台为参照，抽取用户、信息、行为之间的关联作用机理，综合运用Logistic模型和行为博弈模型建立信息疫情竞争性信息传播模型，采用计算实验方法对模型进行验证。结果/结论研究表明，用户的原创、转发、评论行为均会影响用户对信息疫情的易感性以及信息疫情中真假信息的竞争性传播；重建用户行为秩序，引导用户生成高质量的真实信息，是帮助用户免受信息疫情影响的有效策略。关键词:信息疫情竞争性传播用户行为计算实验Modeling and Empirical Research on Competitive Information Dissemination in Information EpidemicWang Shixiong1Zhu Mingmin1Wu Yinuo2Luo Yanyu1(1School of Economics and Management,Zhejiang Sci-Tech University,Hangzhou,310018;2Business School of Ningbo University,Zhejiang,315211)Abstract：Purpose/significance To clarify the relationship between users,behaviors and competitive informationdissemination in infodemic,the paper reveals the laws of infodemic generation and dissemination,and provides theoretical support for the formulation of infodemic intervention strategies.Method/process Supported by complex networktheory and Sina Weibo platform as a reference,the correlation mechanism between users,information and behaviorswas extracted,and the Logistic model and behavioral game model were comprehensively used to establish a competitiveinformation dissemination model for infodemic.The model is validated by computational experiments.Result/conclusion The research shows that users originality,forwarding,and commenting behaviors will affect users susceptibilityto infodemic and the competitive dissemination of true and false information in infodemic.Rebuilding the order of userbehavior and guiding users to generate high-quality true information is an effective strategy to help users avoid the impact of infodemic.Keywords:infodemiccompetitive disseminationuser behaviorcomputational experimentsDOI:10.12154/j.qbzlgz.2023.01.006*本文系浙江省自然科学基金重点项目“智媒时代信息迷雾的识别方法与治理策略研究”（项目编号：LZ22G010001）的研究成果之一。信息资源62情报资料工作 2023年1月第44卷第1期1引言自新冠肺炎疫情暴发以来，大量真假难辨的信息依托社交媒体广泛地传播，其不良影响堪比病毒疫情，刺激着公众的神经，撩拨着社会情绪，产生极具危害性的社会风险。世界卫生组织将其称为信息疫情。所谓信息疫情，是指在病疫大流行的同时，过量的信息（有的正确、有的错误）让人们难于发现值得信任的信息来源以及可靠的指导1。在信息疫情背景下，不实消息满天飞，事实真相被遮盖，人们因为不准确的信息产生集体恐慌，严重影响疫情防控和社会稳定。正因如此，信息疫情背景下的用户信息行为成为当下各界高度关注的新兴研究领域。在新冠肺炎大流行期间，社交媒体用户倾向于通过发布信息来了解疫情情况，许多人试图在一夜之间成为流行病学、病毒和疫苗方面的专家，冀望通过表达自己的意见来收集收集朋友圈的共识反应，以此获取他们认为可靠的防疫指导，产生大量重复的、真真假假的信息并依托社交网络肆意传播，危害严重的信息疫情和无序的用户信息行为陷入恶性循环。在这种恶性循环的信息生态中，真假信息依托社交网络竞相扩散，形成竞争性传播格局。迄今为止，遏制信息疫情的对策收效仍然有限。究其原因，相当程度上是因为这些对策仍然倾向于从社交媒体用户的信息获取、使用和交换等行为角度制定对策，更多地专注于管理社交媒体用户帖子的内容，社交媒体上信息的多样性及其竞争性传播没有得到充分考虑。社交媒体上的信息传播研究拥有以信息为中心、以用户为中心两个侧重点。前者忽略个体的传播行为,只关注信息的整体传播趋势，后者侧重用户传播行为预测。鉴于信息疫情的竞争性传播特性，我们既要关注信息的整体传播情况，又要关注社交网络中所有用户对信息的传播行为。为此，本文从信息疫情的信息和用户两个要素入手，结合复杂网络理论和多主体建模方法，考察真假信息与用户行为之间的相互作用，以此为基础建立信息疫情的传播模型，研究信息疫情的三个重要问题：（1）为什么用户容易受到信息疫情的感染？（2）用户行为如何影响信息疫情中竞争性信息传播？（3）如何帮助用户免受信息疫情的影响？上述问题的回答，将为遏制信息疫情提供理论、方法和工具上的支撑，能够帮助用户更好地获取和使用病毒疫情相关的信息，能够引导用户更好地对信息进行分辨和记忆，能够辅助用户化解信息疫情带来的困扰。2文献综述Bates2在20世纪末提出三个信息科学领域的重要问题：（1）从科技角度提出设计问题：如何才能最迅速有效地获取信息？（2）从信息角度提出物理问题：信息世界的特征和规律是什么？（3）从用户的角度提出社会问题：人们是如何与信息产生关联并寻找和使用信息的？这三个问题至今仍然是信息科学领域非常重要的研究主题，在信息疫情背景下尤为显著。因此，信息疫情的传播引起政府、业界和学界高度关注，Nature、Science、Cell等顶级期刊均围绕信息疫情发表了相关的研究成果。三年来的新冠疫情信息传播以及相关研究成果表明，恶意在动态网络中具有传染性3，社交媒体与信息疫情耦合作用，使得信息的多样性更加突出4，信息生态秩序遭到破坏。社交媒体上既有披露疫情真相实情的信息，又散布着大量的不完整、不准确或毫不相关的信息。这些信息的传播已对公共卫生和全球流行病的成功防控构成巨大的威胁。因此，Linden5根据以往研究总结了信息疫情的三个关键方向：易感性、传播和免疫，并且进一步地指出已有的信息疫情研究面临着重大的局限性，需要更多的研究才能对人们接触信息疫情导致感染（即说服）的可能性得出准确而有效的结论。鉴于当下社交媒体上信息疫情空前的传播规模和速度，研究人员越来越依赖于流行病模型来理解信息疫情的传播。这种流行病学方法的一个好处是便于设计早期检测系统来识别超级传播者，从而能够及时部署相关措施。一个常见的手段是让政府部门、社交平台运用计算机技术监测、识别社交媒体内容。但是，这类侧重于删帖、删号的策略并不能实现信息疫情中竞争性信息传播的有效管控，有时甚至产生反作用。虽然信息疫情与流行病交织在一起，但是它是一种独特的现象，是多重复杂因果关系组合作用的结果，更多的研究必须考虑信息疫情和社交媒体用户行为之间的相互作用。伴随信息疫情研究的深入，社交媒体用户的行为引起学者的重新思考，总结起来，学者们主要从五个维度开展对信息疫情的研究。第一个维度是用户，挖掘信息资源63情报资料工作 2023年1月第44卷第1期不同用户群体的疫情行为偏好6。第二个维度是情境，分析信息疫情中社交媒体的不同情境7。第三个维度是信息，揭示真假信息的竞争性传播规律，给出信息溯源方法8。第四个维度是动机，论证认知、动机和行为之间的关系9。第五个维度是网络，理解信息疫情传播网络10，阐明信息疫情传播特征11。显而易见，信息疫情中竞争性信息传播不同于单一信息传播。第一，在用户维度，蕴含着用户差异化的诉求和认知，不同的用户发布着和传播着不同的信息，推动着信息疫情的涌现和扩散，异质性的用户发挥着多样性的作用。第二，在信息维度，大量片面、未经证实、相互矛盾的信息每时每刻都在生成，隐藏着虚假消息和真实信息的激烈交锋，使得传播客体具有鲜明的竞争性。第三，在行为维度，信息疫情营造出新的传播情境使得用户习惯于用直觉处理信息，更关注“应该怎么样”，而不是“是什么样”，其间的用户行为含有强烈的主观价值判断，用户的行为容易陷入失序状态。上述特征表明用户行为在信息疫情竞争性信息传播中扮演了至关重要的角色。正因如此，厘清用户行为与信息疫情中竞争性信息传播的作用关系迫在眉睫，它是有效制定信息疫情干预政策的基石。从研究方法来看，信息疫情的相关研究目前仍然侧重于实证统计分析。现有成果表明，信息疫情与用户的个性化、信息的多样性和行为的复杂性密切相关，用户、信息和行为深刻影响着信息疫情中竞争性信息传播。尽管这类研究已获得一些积极的信息疫情防控建议，但是部分成果缺乏理论的可解释性和事实上的可检验性，所得结论存在不完备、互相矛盾的情况。具有代表性的是PNAS发表的一篇论文8利用Science早前发表的一篇文章12里的相同数据，两者结论截然相反。前者证实“在社交媒体上真实和虚假信息的传播无明显差别”，后者认为“社交媒体上虚假信息比真实信息传播得更远、更快、更深入、更广泛”。两篇文献的研究表明：信息疫情作为一种新兴的信息传播现象，需要超越定性与定量二元划分的新思路对其展开研究，实证研究和计算实验的结合是一个很好的选择。有鉴于此，本文以信息疫情中竞争性信息传播为研究对象，基于用户行为视角，考虑多重并发组合作用要素，链接社会网络、在线社群、用户个体三个层面，运用计算实验模型和多主体建模（Agent-Based Modeling，ABM）方法，着力研究行为决策对信息疫情中竞争性信息传播具有怎样的作用机理，为用户提供有效的信息疫情免疫能力提供理论支撑。3竞争性传播模型3.1建模思路如前所述，信息疫情是海量的、鱼目混珠的信息连同用户行为关联作用的复杂现象，它的生成和传播既是真实信息与虚假信息的竞争性传播过程，又是社交媒体用户行为的动态过程。在信息疫情中，社交媒体用户构筑起一种信息生态系统，用户行为实质是该系统的一种生态秩序，而信息疫情的竞争性传播常常让这个生态系统陷入失序状态，其本质是在线社会网络（Online Social Network，OSN）在疫情这种情境下异质信息传播的演化博弈过程。因此，本文聚焦用户、信息、行为三个维度，力图探析用户、信息、行为之间的关联作用机理以刻画信息疫情中的竞争性信息传播，并且融入实证统计分析结果建立计算实验模型，运用计算实验方法观察、提取信息疫情生成和传播的规律。基于上述考量，本文构建模型框架如图1所示。信图1模型框架信息资源64情报资料工作 2023年1月第44卷第1期息疫情竞争性信息传播模型的构成要件涵盖数据、模型和实验三个方面。在数据方面，由于社交媒体上的海量数据存在高维度、低密度、杂质多等特征，研究融入平行数据思想，即根据案例的实际数据，进行参数抽取，利用计算实验产生虚拟数据，再融合实际数据和虚拟数据开展后续研究。在模型方面，利用异质信息网络描述信息疫情的结构，结合实际解析用户、信息、行为之间的关联作用机理，基于信息生成机制、行为生成机制、用户交互机制，综合运用信息增长模型和行为博弈模型刻画信息疫情竞争性信息传播过程。在实验方面，利用多主体建模方法对信息疫情传播的复杂网络动力学机制进行刻画，设计和实现相关的计算实验，通过观察和分析实验结果提取信息疫情生成和传播规律及竞争性信息传播规律，以解答本文所提出的三个研究问题。3.2模型假设如前所述，用户在社交媒体平台上接收、传播信息，推动着真假信息流动，因而信息疫情生成的本质是微观用户行为相互作用引起社会信息生态系统的涌现，它依托在线社会网络生成并形成竞争性传播格局。为建立宏观系统涌现与微观涌现行为的桥梁，复杂网络理论提供了一套理论、方法和工具。为此，本文选择微博用户关系网络数据，考虑社会信息生态系统三个关键要素：用户、信息和行为，以在线社会网络刻画用户之间的互动关系，构建信息疫情传播的复杂网络动力学模型，以此为基础探索信息疫情的竞争性传播机理。本文选择新浪微博平台作为研究对象。考虑到微博数据的稀疏性、多元性以及信息疫情发生、发展的网络空间特征，本文信息疫情竞争性传播模型做出如下假设：第一，信息疫情依托单一的、静态的、封闭的在线社交网络进行竞争性传播；第二，信息疫情与信息增长密切相关，信息增长率既与已有信息数量有关，也与剩余的增长空间有关；第三，信息疫情的竞争性传播是信息生态系统的社会博弈过程；第四，在信息疫情背景下，社交网络用户影响力具有差异性，但是用户信息行为具有高度的趋同性；第五，用户信息行为包括原创、转发、评论等用户生成信息活动，还蕴含着用户参与或不参与信息传播的决策行为。3.3模型构建在线社交网络代表网络内用户及其关系，基于复杂网络理论，本文将在线社交网络表示为一个由点集V和边集E组成的图G=(V，E)，其中V=1，2，3，n表示网络中所有用户的集合，E=eijiV，jV，1in，1jn是用户交互关系的集合，以微博用户关系网络为参照，用户之间的交互依托于其关注关系，G为有向无权图。依托于在线社交网络，大量密集的、真假难辨的信息随着时间推移不断生成，记t时刻网络内信息量为I(t)，以Logistic模型模拟信息疫情中累计信息量的增长过程，I(t)可表示为：I(t)=K1+ae-rt#其中，K表示信息疫情最大信息量，r表示单位时间内信息增长率，a为常数项参数。在用户的行为决策中，有两种行为策略C，D，策略C表示参与信息疫情的传播，策略D表示不参与信息疫情的传播，用户行为博弈推动着信息疫情下真假信息竞争性传播的演化博弈过程。社交网络内信息的生成是用户行为的结果呈现，记I(t)为t时刻的信息增长量，可知t时刻共有I(t)人次的用户选择参与信息疫情的传播。将用户i在t时刻传播的信息表示为ui(t)，ui(t)=1表示虚假信息，ui(t)=2表示真实信息，若用户i在始终未传播任何信息，则令ui(t)=0，基于用户行为策略选择，网络内任意用户i在t时刻处于以下三种情形之一：（1）生成虚假信息，令ui(t)=1。包括如下三种情况：原创虚假信息；直接转发接收到的虚假信息；转发并评论接收到的真实信息（虚假信息），评论与所转发信息真假相左（相同）。（2）生成真实信息，令ui(t)=2。包括如下三种情况：原创真实信息；直接转发接收到的真实信息；转发并评论接收到的虚假信息（真实信息），评论与所转发信息真假相左（相同）。（3）未生成信息，令ui(t)=ui(t-1)。这种情形是指用户i在t时刻未参与传播。当用户选择参与信息疫情的传播时，将其产生转发行为的概率记为，则原创行为的概率为1-。产生原创行为，则从网络内任意选择一个用户以概率原创一条虚假信息，否则原创一条真实信息。产生转发行为，则任意选择一个接收到信息的用户，转发接收到的一条信息，包含直接转发以及转发并评论两种情形，记评论与所转发信息相左的概率为，直接转发或评论与信息资源65情报资料工作 2023年1月第44卷第1期所转发信息相似的概率为1-。由此，可建立信息疫情竞争性传播模型如图2所示。社交媒体上的信息传播是简单传播和复杂传播的混合模式13。本文运用复杂网络理论刻画用户之间的互动关系，立足于用户、信息、行为三个维度构建信息疫情竞争性传播模型，应用Logistic模型对信息疫情中信息的整体传播模式进行数学模拟，从宏观层面描述了信息疫情的简单传播过程，结合信息与用户行为之间的作用关系构建用户行为博弈模型，从微观层面对其竞争性信息的复杂传播过程进行刻画，突出了个体的行为异质性，反映了信息疫情传播主体之间的行为博弈演化过程。4计算实验4.1实验设计以往基于复杂网络的仿真研究，多由计算机按照构建规则生成网络，这有利于比较模型在不同拓扑特性网络中的表现，但是降低了模型对真实环境的反映14。为更好地模拟信息疫情的生成和传播过程，本文使用网络爬虫程序构建微博网络以进行实验，以1个随机种子用户为起点，抓取其关注页面的用户ID，再通过获得的用户ID进一步抓取其关注页面的用户ID，重复上述过程以逐步完善用户关系网络，在剔除无效的用户ID 后，最终获得了一个具有 10000 个节点和451632条有向边的局部微博网络。根据案例数据的统计分析，设KI=10000，rI=0.04，aI=30，=0.9，=0.4，=0.2。使用 NetLogo6.0.3 软件构建上述模型后，输入设置的参数值对模型进行仿真模拟，实验设定网络内最初存在一个原创虚假信息的用户，而后再令网络内用户产生I(0)-1次行为作为初值。设定用户原创虚假信息的概率为0.4，目的是观察在网络内首先出现虚假信息的情况下，用户具有更高的原创真实信息概率能否使真实信息生成量高于虚假信息。信息疫情生成和传播的演化过程体现为各时刻真假两类信息的累计生成量，真假信息竞争性传播的过程体现为各时刻传播信息类型发生转变的用户数量。将截至t时刻生成的虚假信息与真实信息总数分别记为IF(t)、IT(t)；t时刻传播虚假信息转向传播真实信息以及传播真实信息转向传播虚假信息的用户数量分别记为UFT(t)、UTF(t)。在计算实验过程中存在随机因素，为减少偶然误差、保证实验结果的可靠性，本文使用Netlogo的行为空间工具对各项实验重复执行100次，记录并输出每次运行结果的数据表，将所得数据取平均值作为最终实验结果，最后使用Python绘图库Matplotlib对实验结果进行可视化。图3为模型实验结果，可见，在网络内最初出现的图2信息疫情竞争性传播模型示意图图3模型仿真结果信息资源66情报资料工作 2023年1月第44卷第1期信息为虚假信息的情况下，用户更多地原创真实信息能有效促进真实信息的生成，在演化初始阶段二者较为相近，随着时间的增长，网络内真实信息的数量逐渐高于虚假信息并趋于稳定。比较两类传播信息类型发生转变用户数量的演化过程可以发现，各时刻二者均较为接近，由此可知，真实信息生成量大于虚假信息的原因主要在于存在更多新增或多次传播用户生成了真实信息。4.2灵敏度分析为进一步探究用户行为对信息疫情生成和传播的影响，需对本文所构建模型进行灵敏度分析，模型参数的灵敏度分析包括对、三个参数的分析。在控制其他参数不变的基础上，改变某一个参数后可对模型的变化进行对比分析。4.2.1原创行为对竞争性信息传播的影响用户原创行为是信息疫情生成和传播的根源，原创信息的真假将直接对后续用户转发信息的真假产生重要影响。为探析这种影响设定=0.3、0.4、0.5、0.6四个原创虚假信息概率，截至t时刻网络内真假信息以及t时刻两类传播信息类型发生转变用户的演化过程如图4所示。可见，每提升0.1，500个时间步后虚假信息生成量平均增长5.0%，真实信息生成量平均减少4.7%；传播虚假信息转向传播真实信息的用户数量峰值平均增加2.5%，传播真实信息转向传播虚假信息用户数量峰值平均下降2.7%。相同演化时长内虚假信息生成量随着的提高而增加，真实信息生成量则随之减少，随着的提高网络内存在更多用户由传播虚假信息转向传播真实信息。4.2.2转发行为对竞争性信息传播的影响信息疫情中真假信息的生成和传播会因用户原创、转发行为的不同而表现出很大差异，为观察这种差异设定=0.7、0.8、0.9、1.0四个不同的转发行为概率，网络内信息疫情生成和传播过程以及真假信息竞争性传播过程如下页图5所示。当=1.0时，用户仅能产生转发行为，各时刻虚假信息的数量始终高于真实信息。当=0.7、0.8、0.9时，用户既能产生转发行为也能产生原创行为，网络内虚假信息生成量随着的增大而增加，真实信息生成量则随之减少。每提升0.1，演化终止时，虚假信息生成量平均增长4.5%，真实信息生成量平均减少4.0%；传播虚假信息转向传播真实信息用户数量峰值平均增加4.5%，传播真实信息转向传播虚假信息用户数量峰值平均增加2.1%，真假信息竞争性传播随的增加而加剧。4.2.3评论行为对竞争性信息传播的影响在模型中，转发信息之所以会与被转发信息存在真假差异，主要是用户在转发信息时还能产生评论，评图4原创行为对竞争性信息传播的影响信息数量/条t/时间步用户数量/个信息数量/条t/时间步信息数量/个用户数量/个信息数量/条t/时间步用户数量/条t/时间步用户数量/个信息资源67情报资料工作 2023年1月第44卷第1期论是用户对其转发信息所持意见的表达，同样会对真假信息竞争性传播产生重要影响。评论相左概率分别取0.0，0.1，0.2，0.3并进行仿真实验。不同取值对真假信息的生成量以及两类传播信息类型发生转变用户数量的影响如图6所示。当=0.0时，用户转发信息均与被转发信息真假一致，网络内虚假信息生成量大幅高于真实信息。每提高0.1，演化终止时，网络内虚假信息生成量平均减少8.0%，真实信息生成量平均增加12.2%，传播虚假信息转向传播真实信息用户数量峰值平均增加53.1%，传播真实信息转向传播虚假信息用户数量峰值平均增加66.8%。越大，相同演化时长内真实信息生成量越多，虚假信息生成量越少，各时刻传播信息发生转变用户的数量随的提高而大幅提升，评论行为会显著加剧真图5转发行为对竞争性信息传播的影响图6评论行为对竞争性信息传播的影响信息数量/条t/时间步用户数量/个信息数量/条t/时间步信息数量/个用户数量/个信息数量/条t/时间步用户数量/条t/时间步用户数量/个信息资源信息数量/条t/时间步用户数量/个信息数量/条t/时间步信息数量/个用户数量/个信息数量/条t/时间步用户数量/条t/时间步用户数量/个68情报资料工作 2023年1月第44卷第1期假信息的竞争性传播。4.3实证分析为观察和分析信息疫情下信息的传播过程，本文选择新冠肺炎疫情期间真假信息交织传播的三个典型事件进行数据采集以开展研究。通过编写Python爬虫程序，爬取“双黄连可抑制新型冠状病毒”（案例一）、“上海市研制出抗病毒喷剂”（案例二）、“武汉病毒所回应零号病人传闻”（案例三）三个话题在指定时间区间内的原创微博及其转发微博，从中筛选出首条微博发布后500分钟内的所有微博数据作为本文案例数据。对所采集到的案例数据以分钟为时间尺度进行累计计算，统计出首条微博发布后信息增长过程如图7所示。可见，三个案例事件均表现为最初增长较快，而后逐渐趋缓的增长过程，其增长过程呈“S”形。本文借助开源的Python数学工具包SciPy对案例数据与I(t)公式进行拟合，得出K、a、r的参数值，并以拟合优度R2作为回归判断依据进行拟合度检验，R2的值越接近1，说明回归拟合效果越好。表1为Logistic模型与三个案例的拟合结果，R2均在0.97以上，说明Logistic模型能很好地拟合案例事件的发展过程，因而我们可以使用Logistic模型模拟信息疫情各时刻的累计信息数量。为探析上述三个案例事件中真假信息竞争性传播的信息疫情特性，本文采用双人人工标注的方式对案例数据进行真假信息分类。标注人员必须阅读包含规则和案例的标注指南后才能进行标注，在完成标注后，对标注结果不一致的数据经协商后重新标注，重复上述过程，直至对所有数据的真伪性达成一致，文本标注示例如表2所示，评论信息与被转发信息用“/”分隔区分，最终获得的案例数据信息如表3所示。以案例的累计信息数量预测真实信息和虚假信息的每分钟生成量，使用Savitzky-Golay滤波器分别对实际案例中每分钟生成的信息数量进行降噪平滑，将表2中Logistic模型拟合结果以及表3中案例数据信息计算得到的用户行为概率代入计算实验模型后，得到案例事件中每分钟真实信息与虚假信息生成量的实际值和预测值，如下页图8所示，从图中可以直观地看到，实证数据与仿真数据变化趋势基本一致，模型能有效反映实际情况。为进一步量化仿真结果与实证数据的差异，我们使用平均绝对误差MAE对实证数据与仿真数据的误差进行评价，如下页表4所示，总体来看模型仿真结果与案例实际误差值较小。图7案例事件信息增长曲线信息数量（a）案例一信息数量（b）案例二信息数量（c）案例三t/分钟t/分钟t/分钟编号案例一案例二案例三K38893.5538312.3662678.784a23.17231.4547.032r0.0400.0310.021R20.9900.9950.974表1Logistic模型拟合结果信息资源文本内容上海研制出抗病毒喷剂！可有效预防新型冠状病毒。一个刚刚通过伦理审查的药物，是不能说自己可有效预防新型冠状病毒的。太好了！就知道完胜不会等待太久。/上海研制出抗病毒喷剂！可有效预防新型冠状病毒。上海药物所、武汉病毒所联合发现中成药双黄连口服液可抑制新型冠状病毒。双黄连不能预防冠状病毒感染。临床研究都没验证完啊。/上海药物所、武汉病毒所联合发现中成药双黄连口服液可抑制新型冠状病毒。*本人应该通过国家有关部门，公开回应公众关切！中科院武汉病毒研究所声明：我所毕业生*不是零号病人。信息，是不可能无中生有的。/中科院武汉病毒研究所声明：我所毕业生*不是零号病人。标签虚假真实虚假虚假真实真实虚假真实虚假表2标注示例表3案例事件数据信息案例案例一案例二案例三总信息数4075084212856原创真实信息数1719577原创虚假信息数9031132转发真实信息数24316291929转发虚假信息数382127462243评论相左信息数4627913169情报资料工作 2023年1月第44卷第1期表4案例事件与模型拟合结果的平均绝对误差指标5结果讨论5.1用户行为与用户易感性社交媒体用户是“信息疫情”的传播中坚15。疏忽解释理论认为，用户致力于分享准确的信息16，但在信息疫情情境下，鱼目混珠的信息会分散人们的注意力，干扰他们做出合理的行为决策。在信息疫情传播的过程中，用户对信息疫情的易感性往往受到用户行为决策的影响。已有研究探讨了用户的信息搜寻行为对其感染信息疫情的影响17，与此同时，用户的信息传播行为需要重视。社交媒体中的信息经过用户传播会使信息发生改变18，用户更多地在转发并评论生成真假相左的信息使得网络内更多用户传播信息类型发生转变，用户更易感染信息疫情。为帮助用户免受信息疫情的影响，重要的策略是降低用户的信息疫情感染风险，因此社交媒体用户行为秩序的重建显得至关重要。有关部门应引导社交媒体用户更多地创作、转发高质量的真实信息，鼓励具有相关知识储备的专家学者，及时准确地对接触到的虚假信息提出科学批判，推动社交网络内群体行为的统一，避免因用户评论催生网络对峙的群体极化现象19。以上策略有助于在线社交网络内真实信息的传播，促进突发公共卫生事件下公众对事实真相的了解，降低真假信息对峙的系统性风险，进而帮助用户免受信息疫情的影响。5.2用户行为与真假信息竞争性传播“大众麦克风”时代，每个人都有在社交媒体上公开发言和表达的权利20，用户通过原创、转发等形式广泛参与信息的生成和传播，进而推动真假信息的竞争性传播。已有研究探讨了用户集群行为对真假信息竞争性传播的影响21，受网络群体的影响，用户个体行为具有盲动性。用户更多地原创真实信息以及通过转发并评论的形式对虚假信息加以批判，有助于真实信息的生成，遏制虚假信息的传播，从而降低信息疫情竞争性信息传播的危害。为帮助用户免受信息疫情的影响，需致力真假信息竞争性传播的干预。结合实际案例分析，首先应科学合理地利用信息传播的启动效应，从信息疫情生成的源头端着手，相关部门、个体应及时公开争议性事件信息，保证真实信息的及时性22，引导用户更多地创作真实信息；其次，更需关注传播端，着力于提升用户的信息素养，强化用户对于虚假信息的甄别能力与防范意识23，着力规避用户转发真实信息时评论生成虚假信息的逆火效应。6结语本文聚焦用户、信息、行为三个维度，考察真假信息与用户行为之间的相互作用，结合复杂网络理论，综合运用Logistic模型和行为博弈模型构建了信息疫情竞争性信息传播模型，采用多主体建模方法设计并实现了相关的计算实验。通过观察和分析实验结果发现用户原创、转发、评论行为对用户的信息疫情易感性以及真假信息的竞争性传播具有关键性的影响，并针对性地提出有助于用户免受信息疫情影响的对策。本文对信息疫情竞争性信息传播过程进行建模并进行了实证研究，在已有研究的基础上进一步补充了信息疫情传播的研究。研究结论有助于政府与相关平图8模型拟合结果t/分钟t/分钟t/分钟（a）案例一新增信息数量/条（c）案例三新增信息数量/条新增信息数量/条虚假信息预测值真实信息预测值虚假信息实际值真实信息实际值虚假信息预测值真实信息预测值虚假信息实际值真实信息实际值虚假信息预测值真实信息预测值虚假信息实际值真实信息实际值案例一案例二案例三MAE虚假信息17.1773.4130.460真实信息5.8540.7691.024信息资源70情报资料工作 2023年1月第44卷第1期台把握信息疫情竞争性信息传播机理，继而为信息疫情的监管与防控提供参考，帮助人们免受信息疫情的影响。政府可以利用本文所构建的模型对信息疫情下真假信息的竞争性传播进行监控，及时采取措施以降低信息疫情的危害。同时，本文研究工作也存在一定的局限性，如本文仅考虑了用户行为对信息的正向扩散作用，而未考虑信息对用户行为的逆向反馈影响；此外，研究结果表明用户行为对真假信息的竞争性传播具有重要影响，但对其竞争性传播机制尚有待深析。未来将进一步对上述问题进行深入研究，以全面揭示信息疫情的生成和传播机理。参考文献 1 World Health Organization.Infodemic ManagementEB/OL.2022-09-22.https:/www.who.int/teams/epi-win/infodemic-management.2 Bates M J.The invisible substrate of information scienceJ.Journal of the American Society for Information Science,50(12):1043-1050.3 Fulker Z,Forber P,Smead R,et al.Spite is contagious in dynamic networksJ.Nature Communications,2021,12(1):260.4 Briand S C,Cinelli M,Nguyen T,et al.Infodemics:a new challenge for public healthJ.Cell,2021,184(25):6010-6014.5 van der Linden S.Misinformation:susceptibility,spread,andinterventions to immunize the publicJ.Nature Medicine,2022,28(3):460-467.6 Tuccori M,Convertino I,Ferraro S,et al.The impact of the COVID-19“infodemic”on drug-utilization behaviors:implications for pharmacovigilanceJ.Drug Safety,2020,43(8):699-709.7 Marin L.Three contextual dimensions of information on socialmedia:lessons learned from the COVID-19 infodemicJ.Ethics and Information Technology,2021,23(S1):79-86.8 Juul J L,Ugander J.Comparing information diffusion mechanisms by matching on cascade sizeJ.Proceedings of the National Academy of Sciences,2021,118(46):2100786118.9 Pian W,Chi J,Ma F.The causes,impacts and countermeasuresof COVID-19“infodemic”:a systematic review using narrative synthesisJ.Information Processing&Management,2021,58(6):102713.10 Nian F,Liu X.Friend circles network:formation and the law ofnews disseminationJ.Applied Intelligence,2022,52(1):889-902.11 Cinelli M,Quattrociocchi W,Galeazzi A,et al.The COVID-19social media infodemicJ.Scientific Reports,2020,10(1):16598.12 Vosoughi S,Roy D,Aral S.The spread of true and false newsonlineJ.Science,2018,359(6380):1146-1151.13 Notarmuzi D,Castellano C,Flammini A,et al.Universality,criticality and complexity of information propagation in socialmediaJ.Nature Communications,2022,13(1):1308.14 廖圣清,方圆.基于仿真模型的社交网络辟谣效果研究J.湖南师范大学社会科学学报,2021,50(6):138-148.15 尤江东,夏素敏.信息素养:“信息疫情”现象下的反思J.竞争情报,2020,16(06):41-44.16 Pennycook G,Rand D G.The psychology of fake newsJ.Trends in Cognitive Sciences,2021，22:388-402.17 Rovetta A,Bhagavathula A S.COVID-19-related web searchbehaviors and infodemic attitudes in Italy:infodemiologicalstudyJ.JMIR Public Health