唔……讲个地狱点的笑话，就老人用玻璃瓶砸女子的行为，其实部分受到了武汉大学图书馆事件里给杨景媛洗地的“杨景媛”的影响。换句话说，如果在一开始没有武汉大学这件事，那么今天，或许老人就不会选择用玻璃瓶砸女子这种激进的行为。
首先，我们可以看看这个新闻：
也就是说，在短时间内，小作文的对象就包含了8岁的男童到80岁的老人。
然后看看女子的小作文，里面有什么问题呢？
一个很简单的问题，“我的手被砸的全身流血”，什么意思呢？被砸手，然后全身流血？“浑身上下脑壳疼”？
但是，小作文被证伪以后，仅仅只是不相信小作文吗？很明显不是的。
换句话说，我们甚至可以把小作文的内容反过来理解，什么意思呢？实际上是女子xsr80岁老人。
觉得这个事实很难以接受？那我们可以看看这个：
那么回到这件事，为什么老人会选择用玻璃瓶砸女子这种激进的行为呢？
其实逻辑不难理解，在武汉大学图书馆中，豆瓣小组对受害者进行了铺天盖地的错误信息攻击，而肖同学在对小作文的指控时，至少明面上选择了道歉（实际上连道歉书都不一定是本人写的，很有可能是杨景媛自导自演的），但无论如何，受害者在面对女性时非常懦弱，那么可以推出一条简单的逻辑链：
尊重女性——被豆瓣小组大量攻击。
那么在老人看到这件事后，自然就会调整自己的逻辑，在面对小作文时怎么办？那自然是要尽量确保自己不被豆瓣小组进行饱和攻击，那么此时选择武士对决，就非常合理。
那这件事的深层逻辑是什么？冲突会严重降低达成共识的速度，而意见的两极分化反过来又会形成对抗性攻击。
我们可以看看scientific reports在2023年3月的这篇文章，文章内容是位置在网络共识动力学中的作用。
唔姆，如图所示，以上是示例任务屏幕（左）和任务的底层网络结构（右）。实验中参与者被分成7人一组，并被要求在50轮内尽快从两种颜色（蓝色或黄色）中一致选择一种，以达成全组共识：如果网络最终收敛到一种颜色，每个人都将获得一笔奖金。任务开始时，每位玩家在哑铃网络中被随机分配一个位置，随机分配一个字母作为名字，且初始颜色不预先选择。网络位置决定了上次试验中其他组员的哪些选择对谁可见。当所有玩家都选择相同颜色，或50轮游戏结束后仍未达成共识时，任务结束。
唔姆，如图所示，以上是各情景下的共识速度。结论很明显，与领导相比，冲突下的收敛速度更慢。
唔姆，如图所示，以上是冲突情景下收敛速度的Cox 比例风险模型。我们能得出什么结论呢？在对手之间度中心性不同的融合网络中，度中心性较高的对手更有可能获胜，而信息中心性对小组结果没有产生任何显著影响。总体而言，七种配置的收敛速度略有不同。当按中心性和邻域性折叠条件时，邻近对手的边际效应表明，对手相距较远会减慢收敛速度。
唔姆，如图所示，以上是冲突场景中不同位置的共识速度和极化程度。图表颜色代表游戏中各群体在全部50次试验中极化程度的相对密度，其中1表示每种条件下观察到的最高密度。图表上方的条形表示相应面板中未收敛或退出的群体比例。图表上方的数字表示相应的收敛风险。结论很明显，具有非邻近、相同程度对手的网络不仅难以达成共识，而且在较长时间内极化程度也较大，直至达到最大可能的极化程度。[1]
也就是说，在彼此联系松散的社区中，相互冲突的观点定位可能特别容易受到两极分化的影响。在只有一个受激励个体的网络中，网络位置对共识决策的速度和结果均无显著影响。对于冲突，拥有更多邻居的受激励个体更有可能引导群体倾向于其偏好的结果。此外，当反对者拥有相同数量的邻居但无法直接看到彼此的投票时，共识的达成速度会更慢。
回到这个问题，在武汉大学图书馆事件里，豆瓣小组对受害者的饱和攻击造成了什么结果呢？
如上所述，在没有形成大规模冲突时，比如杨景媛没有选择发到社交媒体上煽动网暴受害者，那么这件事会形成一个大众都能接受的共识——维权时要注意方式和手段，做事留一线。
而在受害者因为网暴付出了惨重代价后，那么共识就难以成立，而男性内部将会形成新的共识——“杨景媛”们没有资格维权。
我们可以看看在2025年3月的这篇文章，文章里说的是从意见上进行魔法对轰与意见两极分化之间的关系。
实验考虑一个由N 个代理组成的网络。在这个模型中，我们假设一个二元选择问题，其中代理i在时间t对该问题的立场由一维意见变量x表示 x_i(t) \in(-\infty,+\infty) 。如果主体i支持该议题，则取正值；如果主体i反对，则取负值。
网络中的每个代理都会因社会影响而随时间改变其观点。观点的动态变化可以用一个由N 个常微分方程组成的系统来描述，如下所示：
\dot{x_i}=-x_i+K \sum_{j=1}^N A_{i j}(t) \tanh \left(\alpha x_j\right)
其中K表示代理之间的社交互动强度。α(>0)表示问题的争议程度，并控制S形影响双曲函数的形状. S形影响函数双曲正切(x)表达了代理的观点对周围代理的观点的非线性影响。α增加，该函数对接近中性的意见变得更加敏感。
A_{i j}(t) 是网络在时刻t的邻接矩阵的一个元素。等式右边的第二项表示由于周围主体的意见影响而导致的意见变化。
随后考虑一个时变社交网络，其中代理通过在每个时间步长链接到其他代理来建立连接。在这个网络中，链接代表代理之间的交互。在每个时间步长，代理都会被激活来构建网络。每个代理都会被分配活动ai基于以下功率分布，其中活动表示在每个时间步骤被激活的概率：
F(a)=\frac{1-\gamma}{1-\delta^{1-\gamma}} a^{-\gamma}
参数ai表示在整个模拟过程中，每个代理都是恒定的。参数γ和δ控制幂函数的形状。概率 p_{i j} 从代理i到代理j建立链接的过程表示为：
p_{i j}=\frac{\left|x_i-x_j\right|^{-\beta}}{\sum_j\left|x_i-x_j\right|^{-\beta}}
其中β表示对相似性的敏感度。参数β控制基于观点距离的连接概率的幂律衰减，这反映了智能体对基于观点相似性建立连接的敏感程度。
极化缓解最终表示为对网络的扰动，如下所示： A_{i j}^*(t)=A_{i j}(t)-\epsilon \times \operatorname{sign}\left[x_i(t) x_j(t)\right]
其中 A_{i j} 和 A_{i j}^* 分别表示添加扰动前后网络的加权邻接矩阵。ϵ控制扰动的强度。因此，该方法通过在每个时间步对链接的权重进行细微调整来引入扰动。方程通过近似简化，表示一种控制策略：如果相邻代理 j 的意见与代理i的意见一致，则削弱从代理j到代理i的链接权重；否则，则增强该权重。
唔姆，如图所示，以上是未缓解两极分化的观点转变。对于智能体来说，模拟结束时正面的观点显示为蓝色，负面的观点显示为红色。图1里左图展示了一个争议性较小的参数集示例α，在这种情况下，智能体的意见会随着时间的推移“收敛”到0（中性），从而达成共识。图1里中图展示了一个相似度较小的参数集示例。在这种情况下，一方的观点会被另一方的观点吸收，并被放大。结果就是“（单方面的）激进化”。图1中右图展示了双方都参与的例子。α和β很大。在这种情况下，与持有相似观点的个体反复接触会导致“两极分化”，即两种对立的观点被放大，保持中立立场的个体减少。
唔姆，如图所示，以上是观点转变与两极分化缓解。结论很明显：通过缓解极化，即使经过多个步骤，群体意见也可以发生转变，而不会显著偏离所有三个参数集的初始意见分布。
除此之外，我们还可以看看在有和无极化缓解措施的情况下，网络结构会如何受到影响。
唔姆，如图所示，上图是未采用极化缓解措施的网络可视化，下图是具有极化缓解的网络可视化。对于图(a)中两幅图中所示的趋同情况，网络结构在有缓解和无缓解的情况下保持相似，因为意见呈现出相同的过渡行为。对于图(b)中两幅图中所示的单边激进化情况，在模拟结束时，有缓解和无缓解情况下的意见分布存在很大差异。然而，两个网络都表现出相似的结构，形成了一个由意见相近的节点组成的大型集群，以及几个孤立的节点。在有缓解的极化情况下，有缓解的网络表现出与图(a)中网络类似的结构，意见趋于趋同。在没有缓解的情况下，尽管发生了极化，但网络并未分裂成多个集群。相反，在一个大集群内会形成两种类型的意见集群，不同的意见集群通过极少量的链接相互连接。
唔姆，如图所示，以上是通过干预，使已经极化的网络去极化的进一步可视化图。在(a)图中，我们展示了单方面激进化的情景。在实施干预措施后N=1000，意见被推回到中立状态。在图 5(b) 中，系统从两个极端意见集群开始，干预措施应用于N=1000，也就是在两极分化已经发生之后。在这种情况下，干预措施也成功地使意见回归中立。因此，两个结果都表明，干预措施有效地缓解了两极分化，并随着时间的推移逐渐使意见趋于中立。
唔姆，如图所示，上图和下图分别是没有极化缓解和具有极化缓解功能的热图表示，其实结论和之前是相同的。
除此之外，我们还可以看看扰动强度对极化抑制的影响。
唔姆，如图所示，以上是两种极化测量结果。我们可以观察到，虽然随着ε的增加，总体极化强度越来越低，但中间会出现一个顶点。一些最初持有正面意见的智能体可能会过度调整并转向负面意见，而另一些持有负面意见的智能体可能会过度调整并转向正面意见。当然，在ε达到一定水平后，极化强度降到0。
除此之外，我们还可以看看网络中N的变化如何影响极化缓解的有效性的结果。
唔姆，如图所示，以上是N对两种极化测量的依赖性。结论很明显，在原始模型中，即使N发生变化，偏振度也几乎没有变化。相反，当加入偏振抑制措施后，随着N的增加，偏振可以得到越来越大的抑制。因此，随着网络规模的增加，偏振抑制措施的效果会更加显著。[2]
那么回到这个问题，结论自然很明显：通过对抗性攻击，降低冲突的烈度，自然也是一种措施。比如在这件事重，微博的评论区意外地和谐：
谁说性别对立剧烈的？你看这个新闻评论区就没有任何对立啊，大家都很其乐融融地在玩梗啊~
参考
- ^Giese, H., Gaisbauer, F., Gradwohl, N. et al. The role of position in consensus dynamics of polarizable networks. Sci Rep 13, 3972 (2023). https://doi.org/10.1038/s41598-023-30613-z
- ^Ninomiya, M., Ichinose, G., Chiyomaru, K. et al. Mitigating opinion polarization in social networks using adversarial attacks. Sci Rep 15, 9033 (2025). https://doi.org/10.1038/s41598-025-93213-z