唔……鉴于杨景媛和谭竹，从自身的属性，到对弱势男性的下手手法，以及豆瓣小组抹黑受害者的形式，我的猜测是，这件事有一定的可能会往胖猫的方向去发展，即“强行反转”——杨景媛的论文仍是优秀论文，而受害者被重新起诉，并且败诉。
为什么这么说呢？
首先，杨景媛本人的属性无法确认，但杨景媛律师的属性是可以确认的：
然后谭竹的属性是什么呢？
然后，我们可以发现，谭竹和杨景媛，均挑选弱势男性，而且是比自己年龄小的男性下手。
除此之外，还有一个非常重要的角色，那就是豆瓣小组，也就是豆瓣小组的手法。我们可以看看这两个问题：
不仅大量涉及错误信息传播，而且甚至连受害者错误信息的方向都一模一样：通过提出受害者家里的强背景，将谭竹和杨景媛塑造成小平民的形象。
那么，综合以上信息，我猜测可能会来一个强行反转，这次武汉大学“可能”让杨景媛修改论文可以作为交叉验证这一事实。
回到这个问题，那么现在我们要怎么做呢？
我们可以发现一点，在两次事件中，豆瓣小组携带的错误信息对于受害者起到了非常强的效果，成功起到了混淆视听的作用，并且在前一次的事件里，成功配合了最后的“强行反转”。
那么，我们要如何处理这部分的错误信息呢？
我们可以看看Scientific Reports在2023年10月的这篇文章，文章内容是通过数学建模，缓解错误信息的传播。通过运用数学建模，检验并优化了几种打击错误信息的策略——审核错误信息、教育群众和组织回声室反制。
唔姆，如图所示，以上是针对 A、B、AB 三个观点的二元一致性模型更新规则。其中代理通过图连接。每个代理可以持有单一意见A或B之一，或混合意见AB，并且可以对该意见做出承诺或不承诺。代理对通过 12 种交互之一更新其意见。
唔姆，如图所示，以上是控制二元一致性模型计算实现的模拟更新规则。我们将观点更新规则应用于连接到模拟社交网络的代理，这将在下一节中讨论。在每个时间步，对于网络中的每个代理，都会随机且均匀地选择该代理的一个邻居。对于每一对这样的代理，代理或邻居中的一个被随机指定为说话者，另一个被指定为倾听者。说话者概率性地与倾听者分享他们的观点；这种互动决定了说话者和倾听者的新观点。
随后，对社交网络进行模拟。
唔姆，如图所示，以上是LastFM 社交网络的亚洲用户。用户以绿色节点表示，边表示用户之间的相互关注关系。该社交网络由 7624 个节点和 27,806 条边组成。
社交网络的基本拓扑结构包含边的存在与否。每条边被转换为两条带权的有向边，它们在两个连接的节点之间形成一个环路。这些边可以被赋予实值边权重，以反映社交互动的相对强度。我们使用图的结构来确定其权重；节点更有可能与它们共享更多连接的邻居进行交互。与图的传递性类似，我们将社交传递性定义为一条边的后继节点和前继节点之间共享的邻居数量与前继节点的邻居总数之比。然后，我们根据社交传递性对每条边进行加权。从数学上讲，图中的权重由下式给出：
w_{i j}=\frac{1+\text { number of shared neighbors between } v_i \text { and } v_j}{\text { number of neighbors of } v_i} .
随后，评估三项缓解政策——对错误信息的审核、群众教育和组织回声室反制。
首先讨论审核，其形式是封禁部分在社交媒体平台上传播虚假信息的用户。我们在模型中实施了两种内容审核策略，即通过两种方式从图表中删除代理：删除传播虚假信息的坚定少数群体中具有影响力的代理，或删除在坚定少数群体中随机选择的代理。
然后考虑两种教育策略。这些策略旨在广泛地教育个体，并针对那些正在接触错误信息的人。广泛性教育包括教导个体如何识别虚假信息，以降低他们相信虚假信息或持有固执己见的可能性。我们将这种策略称为怀疑策略，并在模型中通过降低承诺主体对观点的承诺程度来实施该策略。相比之下，有针对性的教育策略包括核实信息和标注信息来源，例如在在线视频上标注标签或在香烟上标注警告，以使个体倾向于相信真相。这种策略被称为专注策略。
最后是用事实反击虚假信息的反制策略。反制策略可以由大型机构推动，除此之外，反制策略可以由分享信息的团体开展，以直接打击虚假信息。我们通过引入第二个忠诚的少数群体来模拟反制策略，也就是组建对标错误信息回声室的辟谣回声室。
唔姆，如图所示，以上是三种策略在模型中的示意图。实线箭头表示图中的边，点划线箭头表示对图结构的更改，虚线箭头表示评论。蓝色节点表示持有真实观点的主体，红色节点表示相信虚假信息的忠诚少数派主体，紫色节点表示对某个观点持有不同程度忠诚的主体。
唔姆，如图所示，以上是基于a内容审核、b教育和c反宣传活动的策略应用于完整图，和基于a内容审核、b教育和c反宣传活动的策略应用于LastFM网络的效果。
内容审核的效果正如预期，随着从图中删除更多节点，少数节点的初始规模需要更大才能超过多数节点；这一特性在所有图类型中均适用。对于大多数图，随机删除节点的性能与基于影响力的删除性能相似。然而，在实际网络中，基于影响力指标的删除效果优于随机删除。LastFM 社交网络包含许多节点簇。这些簇由少数节点互连，我们的指标能够很好地识别这些节点。对于杠铃图、网格图和平均度较低的小世界图，随机删除节点的性能优于使用影响力指标。
我们还研究了旨在提高个人怀疑精神和注意力的教育的使用情况。注意力对所有类型的图表影响较小。在随机图表中，当使用注意力策略时，为了超越多数群体，少数群体的忠诚度会随着平均连通性的增加而略有增加。注意力对真实的社交网络、完整图、杠铃图和网格图均无影响。与注意力策略相反，怀疑论策略要求少数群体的忠诚度达到 30% 到 35% 之间才能超越多数群体。同时使用注意力策略和怀疑论策略，其效果与仅使用基于怀疑论的策略相似。这些结果表明，教育人们增强怀疑精神可以大大降低少数群体忠诚度带来的危险。
而对于大多数图表来说，当大规模反击运动开始时，临界点位于介于0.15和0.2之间，并且超过了临界点。同样，例外是杠铃图、网格图和真实的社交网络图，其中大型和小型反击活动的行为类似，并且呈指数衰减至约0.5。其余图表显示，最终持有真实观点的个体比例高于最初的反击运动，这表明反击运动最终说服了那些尚未坚定立场的个体接受他们的观点。虽然这些结果表明反击运动规模越大越好，但我们的大规模反击运动未能阻止大多数人持有虚假信息。[1]
那么概括起来，结论是什么呢？在处理错误信息的策略中，在现实的社交网络中，对错误信息回声室的核心节点进行集火压制的效果非常好，而对于随机节点的压制效果不好；而在教育的过程中，引导群众怀疑信息可以有效压制错误信息的传播；但大规模对错误信息回声室的反击效果不佳，因为无法阻止错误信息回声室里的个体传播错误信息。
回到这个问题，那么现在我们可以把这件事里杨景媛支持方分为两个大型回声室——武汉大学和豆瓣小组。因此，实际的最优解就是将武汉大学和豆瓣小组作为核心进行集火，以及事后对群众的教育和加强怀疑。
那么如何进行事后的揭穿错误信息呢？我们可以看看eClinicalMedicine在2021年5月的这篇文章。参与者被分配观看包含社会规范、疫苗信息和揭穿疫苗错误信息的视频（干预组）或仅包含疫苗信息和社会规范的视频（对照组）。
唔姆，如图所示，以上是实验的完整流程。
唔姆，如图所示，表2是两组所有结果的概览，表3是揭穿真相组与非揭穿真相组的回归分析结果概览。结论概括一下，就是在经过揭穿，也就是观看相关视频后，实验者更倾向于不相信疫苗的错误信息。[2]
因此，这件事的意义和价值其实非常高，豆瓣小组和武汉大学为了支持杨景媛，暴露了自己大量的社交网络和信息传播网络，因此我们可以对症下药，有效解决类似的事件。
参考
- ^Butts, D.J., Bollman, S.A. & Murillo, M.S. Mathematical modeling of disinformation and effectiveness of mitigation policies. Sci Rep 13, 18735 (2023). https://doi.org/10.1038/s41598-023-45710-2
- ^Yousuf, Hamza, Sander van der Linden, Luke Bredius, GA Ted van Essen, Govert Sweep, Zohar Preminger, Eric van Gorp, Erik Scherder, Jagat Narula, and Leonard Hofstra. "A media intervention applying debunking versus non-debunking content to combat vaccine misinformation in elderly in the Netherlands: A digital randomised trial." EClinicalMedicine 35 (2021).