唔……既然武汉大学的女学生开始了对男性的总体战和总动员，就要做好被炮火覆盖到头上的准备。这不是很简单的道理吗？
就以我的视角来说，即使在知乎，前脚去团建和规训男性回答，后脚义正言辞说自己被网暴的也不是没有，所以对于这种即兴表演，早就已经祛魅了。
那么首先，让我们看看这张图：
武汉大学的集市，“田力的嘴脸”都能被（校内）群众的力量顶到第二，呈现出与校外的整体互联网舆论状况相反的情形。
那么在大量武汉大学女学生支持和声援杨景媛的情况下，说出来的话自然可信度就掉了。因此嘛，对于所谓其他人被网暴的事，可信度有多高呢？和杨景媛的小作文和论文一样高吗？
回到这个问题，我们可以提出一个问题：为什么会发生大量武汉大学女学生声援杨景媛的情况呢？
答案其实很简单，以杨景媛为核心的社交网络有数量不多，但极度忠诚的个体。这些个体在社交网络中大大加速了网络共识的形成，最终导致了武汉大学大量女学生声援杨景媛。
我们可以参考这条微博：
那么除此之外，我们还可以看看Physical Review E在2012年4月的这篇文章，文章内容是加速共同进化网络的共识和忠诚个体的关系。
在我们的模型中，个体由网络上的节点表示，每个节点都被分配了一组F个独立属性，这些属性构成了节点的状态。每个属性可以采用q个不同特征之一，用[0,q−1]中的整数表示。因此，节点的状态由F个分量向量表示。最初，每个节点的每个属性都被随机分配q个值之一。连接个体的网络结构初始化为具有给定平均度数〈k〉的 Erdös-Rényi (ER) 随机网络。接下来，我们定义控制个体状态演变的规则以及连接它们的网络结构。在每个时间步，随机选择一个节点i，并随机选择它的一个邻居j。然后，我们计算节点i和节点j之间的相似度，其中相似度定义为i和j具有相同特征的属性的数量。然后：
(1) 如果相似度等于或高于给定阈值φ，则节点j将从节点i与节点j当前不具有相同特征的属性中随机选择一个属性，采用节点i所具有的特征。我们将此步骤称为影响步骤。
（2）否则，i和j之间的连接将被切断，节点i将从网络中当前未连接的节点中随机选择一个节点k，并与其建立连接。我们将此步骤称为“重新布线”步骤。
我们首先考察每个属性的特征数量q对确定网络稳态结构的影响。我们固定F=5并将相似度阈值设为φ=3。
唔姆，如图所示，以上是系统最终状态下最大连通分量（簇）的平均大小〈Smax〉随q变化，起始于具有N=200、〈k〉=6.0和阈值φ=3的 ER 网络。具体而言，随着q的变化，观察到三个不同的稳态网络结构阶段。在第一阶段，当q的值较低时，我们可以观察到，系统演化到网络结构静态且达成全局共识的状态；即对于每个属性，每个节点都具有与所有其他节点相同的特征。随着特征数量的增加，在临界值q=qc处，系统经历相变到第二阶段，此时网络的稳态由不连续的片段组成，每个片段都会在局部达成共识。虽然前两个阶段在最终的网络结构上有所不同，但它们的相似之处在于系统最终都会达到冻结状态，此时节点特征和网络结构都不会演变。然而，进一步增加q，超过阶段 2，最终会进入第三阶段，其中节点之间的初始差异如此之大，以至于系统不会陷入冻结状态，并且重新布线会无限期地持续下去 。在此阶段，在任何给定时间，都存在一个巨大的组成部分；然而，在网络规模的渐近极限下，只要平均度数不太小，系统就永远不会达成共识。对于不同的F和φ选择，预计会看到这种三阶段行为。
唔姆，如图所示，以上是图1中系统在φ所有可能取值下的相图。对于固定的F，随着φ的增加，转变发生在较小的q值 。 对于固定的φ，随着F的增加，过渡点将移动到更高的q值。
唔姆，如图所示，以上是当初始网络为 ER 且平均度为N=200时，共识时间Tc与相似度阈值φ的关系。随着φ的增加，碎片化转变在q中逐渐提前发生。随着φ从 0 增加到 3，影响步骤发生的速率降低，并且由于重新布线速率不足以使网络碎片化，因此当达成全局共识时系统会收敛。随着影响率的降低，从φ=0到φ=3，这需要的时间逐渐变长，并且在φ=3时获得收敛时间的最大值。在φ=3之外，初始差异足够大，导致网络碎片化，并且每个组件中的节点足够相似，以至于在每个组件内相对较短的时间内达成共识。因此，仅当φ⩽3时，收敛时间才与达成全局共识的时间相同。
唔姆，如图所示，以上是两种情况下的共识时间比较：网络中存在重新布线时（黑色）圆圈和网络处于静态时（红色方块）。
共识时间Tc的缩放比例是系统规模的函数。我们将节点属性和网络结构共同演化的系统行为与节点属性在纯静态网络上演化的系统行为进行对比。 如清楚显示的那样，重新布线的影响对共识时间是有害的。在存在重新布线的情况下，Tc在N中呈指数增长，而静态网络则呈线性增长。引入重新布线后Tc与N的分歧可以定性解释如下：当选择一个随机节点作为重新连接链接的新端点时，所选节点最有可能具有一个属性向量，该向量是当前种群中最丰富的向量 - 多数状态。如果我们假设与多数状态相对应的属性向量不会变化太频繁，那么多数状态下的节点最终会获得大量重新连接的链接。 然而，这会损害多数状态，因为当影响步骤发生并且随机选择一个邻居作为采用者时，该邻居更有可能处于多数状态。因此，一旦多数状态的节点比其他节点积累了更多的链接，它们也更容易受到影响。
那么在现实生活中，如何快速达成共识呢？
在这里，我们研究引入承诺型智能体是否能够就任何表征个体的属性快速达成共识。在不失一般性的前提下，我们选择属性1作为承诺型智能体想要达成共识的属性。我们将此属性称为指定属性。此外，我们假设承诺型智能体对指定属性严格采用特质1。因此，承诺型智能体被认为在属性上不受影响，但在其他属性上的行为与未承诺型节点相同。下文中，我们重新定义共识时间Tc，表示所有节点采纳已提交代理所倡导的特质所需的时间。
唔姆，如图所示，以上是当初始网络为平均度数为〈k〉=6.0的 ER 时，对于不同的承诺分数p值，模拟结果为共识时间Tc与网络规模N的关系。我们展示了在网络中引入承诺代理的效果。具体来说，我们随机选择了一部分节点p作为承诺代理，并研究了共识时间随N的缩放比例如何随着p的变化而变化。正如预期的那样，对于p=0，Tc随N的指数缩放比例得以恢复。虽然对于任何给定的N，随着p的增加，共识时间值都会减少，但缩放行为保持不变，直到达到临界分数p=pc≈0.1。超过这个临界分数，共识时间的缩放行为会急剧变化，并在N中变为对数形式。[1]
那么我们能总结出什么呢？
网络中重连的存在通常会阻碍意见共识的达成，因为达成共识的时间会随着网络规模N呈指数级增长。然后，我们研究引入在特定问题上坚持己见的忠诚个体是否能够加速该问题达成共识。我们证明，随着忠诚个体的增加，当忠诚度达到临界值后，共识时间的增长将随网络规模N呈对数增长。如何解决这种问题呢？一种比较有效的办法是引入承诺性智能体。
回到这个问题，我们能发现一件事，即使在武汉大学的论坛，在事情反转，杨景媛破防气急败坏攻击男方后，仍然有大量女学生声援杨景媛。为什么呢？答案很简单——杨景媛携带的忠诚个体大大增加了共识延长的时间，在系统进行重连时，由于杨景媛携带的忠诚个体存在，此时杨景媛成为了大多数的意见，那么自然会重连到杨景媛的意见上，而且在武汉大学缺乏承诺性智能体，也就是能公正看待问题，声援男方的人的情况下，此时自然就会增加共识延长的时间。
除此之外，我们还能提出一个问题：在武汉大学图书馆事件中，传播模型能否进行推测？答案自然是可以的。
什么是弱关系？弱连接也是一种人际关系，从社交互动的频率来看，人际关系可以简单划分为强连接和弱连接。强连接就是和此人亲密的朋友，搭档或者客户，彼此人生的交集很多，产生的互动机会也多，但是两人之间的社交范围很小，这里的范围指代距离或者空间范围。相反，弱连接的接受对象可能很多，社交空间很广，但是交流互动几率很少，造成这种现象存在的因素和时间、精力或者利益相关性有关。
我们可以看看Physical Review E在2010年7月的这篇文章，文章内容是在线社交网络中信息传播的作用。
关于在线社交网络的研究主要集中于探测和收集网络拓扑结构、结构分析、用户交互和内容生成模式。对节点i和j的邻居重叠给出了一个简单但量化的定义，如下所示：
w_{i j}=\frac{c_{i j}}{k_i-1+k_j-1-c_{i j}},
其中cij表示共同熟人的数量，ki和kj分别表示i和j的度数。本文中，我们定义wij表示i和j之间联系的强度。wij越低，i和j之间的联系强度越弱。
本文使用两个数据集，即新奥尔良的YouTube和Facebook。YouTube的数据集包括2007年从 YouTube抓取的用户到用户链接。Facebook的数据集包含2008年12月29日至2009年1月3日期间从Facebook的新奥尔良区域网络抓取的所有用户到用户链接的列表。
唔姆，如图所示，以上是S¯和fGCC分别在先移除弱关系和先移除强关系时的变化。fr是被移除关系的比例。如图2(a)和2(c)所示，我们发现在先移除弱关系的过程中，在线社交网络中出现了类似的相变（用S¯表示）。然而，如果我们先移除强关系，这个相变就会消失。此外，在图2(b)和2(d)中还发现，巨型连通簇 (GCC) 的相对大小（用fGCC表示）在先移除弱关系和先移除强关系之间表现出不同的动态变化。我们用fc表示相变点处移除关系的临界分数。
在渗流理论中，上述相变的存在意味着网络崩溃；而如果没有相变，在移除连接时，网络只是在收缩。因此，上述实验告诉我们，弱连接在在线社会网络结构中扮演着不同于强连接的特殊角色，它们是连接孤立社群的重要桥梁。
基于上述步骤，我们提出一个简单的模型ID(α,β)，其中α表示导航因素，β表示信息强度。在该模型中，α决定了如何选择邻居来转发信息，而β∊[0,1]表示信息的物理特征，描述信息的有趣程度、新颖程度、重要程度、趣味程度或震撼程度。该模型定义如下：
（i）步骤 1：假设有信息I。将V中所有节点的状态设为σ0。节点的状态为σ0表示I对其而言是未知的，否则状态为σ1。
(ii) 步骤 2：从网络中随机选择一个种子节点i。i的度为ki。设i为σ1。该节点在时间T=0发布强度等于β的信息I。
（iii）步骤 3：将时间增加一个单位，即T=T+1。将i邻域中的每个节点设置为σ1。将i添加到已发布I的节点集合中，记为P。因此为P=P∪{i}。
（iv）步骤 4：计算下一轮将重新发布I的节点数量，
R_i=k_i \beta .
（v）步骤 5：以概率从i的邻域中选择一个节点j
p_{i j}=\frac{w_{i j}^\alpha}{\sum_{m=1}^{k_i} w_{i m}^\alpha} .
如果j不在P中，则将其添加到下一轮将重新发布I的节点集合中，记为W。因此为W=W∪{j}。重复此步骤Ri次。
（vi）步骤 6：对W中的每个节点，递归执行步骤 3 到步骤 5，直到W为空或V中的所有节点都已知为I。
实际上，当α=−1时，优先选择弱关系作为转发路径。当α=0时，选择是随机的，而当α=1时，将优先选择强关系。
唔姆，如图所示，我们将状态为σ1的节点比例定义为I的覆盖度，记为C。以上是C在扩散过程中的动态变化。当C为α=0时，其值达到最大值。也就是说，与弱关系或强关系相比，从邻居中随机选择重新发布的节点会使信息传播得更快、更广。
那么为什么会出现这种变化呢？在α=−1时，弱关系将被优先选择，这意味着度较低的节点将被优先选择。然而，从公式中不难得知，对于度较低的节点，从其邻域中选择的转发节点会较少，这最终会减少转发节点的总数，并阻碍信息在网络中的进一步传播。对于优先选择强关系的情况，虽然会倾向于选择度数较高的节点进行重新发布，但是局部捕获会将选定节点的范围限制在某些局部区域内，使得信息更难以在网络中进一步传播。
唔姆，如图所示，以上是fpub在扩散过程中的动态变化。当α=−1时，fpub增加得更慢，并且fpub的时间变性类似于图3中不同α值下的C的变性。我们还监视了距源节点每一跳中发布了I的节点比例，表示为flocal。
唔姆，如图所示，以上是flocal在远离源头的信息传播过程中的动态变化。当α=−1时，flocal比其他情况下降得更快，尤其是α=0情况。这意味着当α=−1时，随着信息传播远离源头，从邻域中选择的重新发布节点的数量急剧减少，这与我们之前的分析一致。对于α=1的情况，在扩散过程中，fpub的增长越来越慢，因为选择重新发布的节点被困在某些本地群集中。
基于以上结果，我们可以得出结论，优先选择弱关系作为信息重新发布的路径并不能使信息传播得更快。然而，这并不意味着弱关系在在线社交网络的信息传播中扮演着微不足道的角色。
唔姆，如图所示，以上是C在移除连接点过程中的变化。对于先移除弱关系的情况，当移除的弱关系比例达到 0.4 左右时，信息的覆盖率迅速下降，例如在 Facebook 中，从 0.8 下降到 0.4。这意味着弱关系对于在线社交网络信息传播的覆盖率确实至关重要。
弱关系在在线社交网络的信息传播中发挥着微妙的作用。一方面，它们扮演着桥梁的角色，连接孤立的社群，打破信息在局部区域的束缚。另一方面，优先选择弱关系进行转发并不能使信息在网络中更快地传播。[2]
那么我们从这件事的社交网络里，能得出一个结论，杨景媛携带的个体在武汉大学校内形成强关系，而通过弱关系，在微博进行传播。
那么强关系的源头在哪里呢？从这几天微博对肖同学制造的错误信息看。强关系很可能由武汉外国语学校的女学生组成，这些人组成了压迫肖同学的第一层强关系网络。
参考
- ^Singh, Pushpendra, Sameet Sreenivasan, Boleslaw K. Szymanski, and Gyorgy Korniss. "Accelerating consensus on coevolving networks: The effect of committed individuals." Physical Review E—Statistical, Nonlinear, and Soft Matter Physics 85, no. 4 (2012): 046104.
- ^Zhao, Jichang, Junjie Wu, and Ke Xu. "Weak ties: Subtle role of information diffusion in online social networks." Physical Review E—Statistical, Nonlinear, and Soft Matter Physics 82, no. 1 (2010): 016105.