唔……补充一个视角：所谓的跨省执法，有不少可能为同行或者读者，或者豆瓣小组所为，换句话说，其实相当于内战。
首先，我们先看看这个例子：
什么意思呢？意思就是，一个登上过央视的同人女作者，因为其聊天记录里被豆瓣小组认为有辱女词，进行了大量持久性的网暴，甚至发展到开盒和向其学校举报。
当然，这件事里的同人女作者，行为或许也有争议。不过这个不是重点，重点还是，所谓的举报，可以认为是同行，读者，或者说豆瓣小组所为。
这是具体例子，那么，从逻辑上分析一下，其实也不难想出。由于涉事网站是一个高度私密的网站，所以外人是无法通过正常手段去看到这个网站的。那么，该网站里的写手出了事，就有不少的可能是同行或者读者所为。
那么，在这个前提下，应该是同人女恳求男性帮忙发声，而不是耻高气昂地命令男性要求发声，甚至认为被举报是男性的责任。这种态度，收获的，自然是“早该举报了”“最支持远洋捕捞的一次”的声音：
根据豆瓣小组，我们还可以想想这个问题——为什么豆瓣小组热衷于对同人女开刀呢？
因为豆瓣的特殊机制，导致小组处于一个巨大的回声室之中，因此很容易产生“你不是我们定义的女性”的声音，即开除女籍。
关于这一点，我们可以看看Bulletin of “Carol I” National Defense University在2024年的这篇文章，本研究重点分析了一个以罗马尼亚著名人物为中心的Facebook群组，该群组拥有 93,800 名成员，平均每日发布10条帖子。得出了回声室的部分特性：
营造社群感和归属感——使用包容性语言是培养社群感和归属感的有力工具。“我们”、“一起”等短语，以及#solidaritate（团结）、、#Comunitate（社群）等标签，强调了群体成员之间的共同身份认同。
增长和重复信息——在虚假信息泛滥和回音室效应迅速扩张的背景下，这个群体就是一个相关的例子。该群体成立于2021年10月25日，一直在持续增长。仅在研究期的最后一周，该群体就增加了 174名成员，平均每天增加约130名成员。这种不断上升的增长率表明该群体的影响力和覆盖范围正在迅速增长。值得注意的是，在一年内，该群体的帖子引发了超过705826个回应（点赞），反映出其成员的参与度很高。这种快速增长和参与度不断提高的模式是回音室效应的特征，重复的信息和有针对性的内容可以迅速吸引和留住越来越多的受众，从而扩大虚假信息的传播和影响。
强化共同认同——回音室效应通常使用能够强化群体认同感的语言，将焦点从个人转移到集体。
减少对反对观点的接受度——当另一位舆论领袖鼓励年轻人留在罗马尼亚，即提出反对观点时，群成员的评论主要表明了强烈的反对。许多评论者认为这是一种虚伪或操纵的姿态。也就是说，当群体认同与特定的信仰交织在一起时，任何对这些信仰的挑战都会让人感觉像是对群体乃至个人的人身攻击。这会导致成员对外部信息采取防御姿态，进一步巩固其既有的信念。
频繁使用负面语言——利用虚假信息矩阵分析工具，发现回声室中使用的相当一部分语言，约47.25%的信息是有害的或操纵性的。
自发沟通和强烈情感——在分析回声室的沟通模式时，我发现了明显的操纵性语言的使用，在各种帖子中发现了2076个例子。仔细检查825条帖子就会发现，平均每条帖子包含大约5.78个操纵性词语，表明该组织依赖有说服力的语言来塑造观点和情绪。
唔姆，如图所示，以上是虚假信息矩阵和在多个虚假信息中快速切换话题的示意图。这种转换有多种目的：首先，它能吸引来自不同背景、兴趣各异的受访者；其次，它在改变认知方面发挥着至关重要的作用。被分析的回声室可以通过快速地从一个话题转换到另一个话题，有效地操纵其成员的认知，从而改变他们的情绪和认知状态。这种策略非常隐蔽，因为它不给大脑足够的时间从处理情感内容调整到理性思考。
唔姆，如图所示，以上是回声室信息中的关键词和主题。结论很简单，回声室利用广泛的负面主题来吸引和影响其成员——回声室话语中使用的广泛类别反映了一种复杂的策略，旨在吸引不同情感和智力水平的成员。这一策略增强了回声室的内部凝聚力，并影响了更广泛的社会动态，导致两极分化、虚假信息泛滥，并侵蚀了健康的公共话语。[1]
那么，我们可以发现，豆瓣小组占了回声室特征至少一半以上的特征，比如频繁使用负面语言、营造社群感和归属感等。
除此之外，我们还可以看看aaai在2022年5月的这篇文章。
这篇文章对回声室的结构提出了一种更恰当的说法：火车回声室。什么是火车回声室？“跟随火车”是这种行为的一种操纵形式，目的是聚集追随者。举个例子，“思辩”是火车的售票员，那么关注“思辩”的账号就是乘客。在一个火车回声室中，“思辩”的关注者高度认同“温柔的思辩姐姐是樱小路露娜”。
数据收集发生在2020年2月16日至26日之间。生成的提及网络（表示为 train-net）包含8308个节点（182名售票员和8126名乘客）和20773个边。而为了衡量提及网络的结构，需要一个合适的基线，因此使用类似的方法来收集一组具有相似提及行为但在非政治背景下的帐户。利用2020 年 COVID-19 封锁初期许多 Twitter 用户玩的在线游戏。在游戏中，每个被标记的用户都被要求发布他们的手机屏幕截图，并提及六个朋友，以按照相同的指令继续游戏，通过“标记者”、“锁屏”、“主屏幕”和“你听过的最后一首歌”等短语来识别游戏参与者；其他收集的帐户将被删除。数据收集发生在2020年3月21日至27日期间，大约在train-net收集一个月后。由于标签游戏不关注任何特定主题，因此我们认为时间差异不会对分析产生实质性影响。由此产生的提及网络有5567个节点和7189个边。我们将此数据集表示为标记网络。
唔姆，如图所示，以上是（左）训练网络数据集和（右）标记网络基线中帐户之间提及网络的可视化。两个网络的参数相同。节点的尺寸越大、颜色越深，表示度数越高。
唔姆，如图所示，以上是训练网提及网络和标记网基线中帐户的（左）入度和（右）出度的互补累积分布。高入度表示该帐户被许多其他帐户提及，高出度表示该帐户被许多其他帐户提及。我们发现，售票员的出度往往比乘客和基线帐户高得多，这与他们的角色一致。因此，骑手的提及次数多于基线账户。
显然，图3中的训练网络具有密集连接的核心和许多外围节点，而标记网网络则显示出更均匀的结构。为了证实这一观察结果，对两个网络的无向版本进行核心分解，并计算每个节点的核心数量，从而衡量节点中心性和影响力。图 5 绘制了核心数量k的分布。对于tagging-net基线网络，所有节点的k值都小于5。相反，train-net 网络具有深度分层结构，具有非常密集的核心（高 k）。售票员往往比乘客具有更高的核心价值，这表明他们往往位于网络核心附近。[2]
概括以上内容，正常的社交网络中，在标准的社交网络中，大量关注者的账号会呈现无标度网络特征，但关注者是因为这个账号值得关注而聚集在一起，除此之外，没有其他共同特征。
而火车回声室是什么呢？关注者不因为这个账号值得关注而聚集在一起，而是因为他们有着共同的价值观而聚集在一起，核心账号作为火车回声室中的售票员存在。
那么我们就可以发现，豆瓣小组呈现一个标准的火车回声室结构，车上的乘客高度激进，而结合以上特征，回声室的成员听不进反对意见，所以就会将反对意见，或者潜在反对意见的乘客踢下车。比如例子里的同人女作者，因为具有潜在的辱女性格，所以被举报到学校。
那么，就不难发现，这次所谓的远洋捕捞，一样存在着不少豆瓣小组策划的可能，或者至少参与了集群举报。什么？你说不可能？不过实际上，体制内的人员和参与豆瓣激进小组不矛盾哦。
参考
- ^Stoica, Ștefania-Elena. “Disinformation Dynamics Unveiling the Impact of Echo Chambers in Shaping Online Public Opinion.” Bulletin of “Carol I” National Defense University 13, no. 1 (2024): 138–56. https://doi.org/10.53477/2284-9378-24-09.
- ^Torres-Lugo, C., Yang, K.-C., & Menczer, F. (2022). The Manufacture of Partisan Echo Chambers by Follow Train Abuse on Twitter. Proceedings of the International AAAI Conference on Web and Social Media, 16(1), 1017-1028. https://doi.org/10.1609/icwsm.v16i1.19354