唔……我们可以看看这张图：
不过在这里，我们还是有必要去弄明白例如豆瓣小组这种激进回声室的运作特征，弄明白了，然后去事先防范，才能防止这种同类型案件的发生。
那么关于激进回声室，我们可以看看Human Communication Research在2022年1月的这篇文章，文章内容是激进回声室的部分特征。
实验从Stormfront网站，一个激进回声室获取数据。第一个测量任务是描述用户在论坛上参与的类型。第二项测量任务是确定哪些人算作 Stormfront 回音室的“成员”。我们还收集了其他一些信息。我们根据用户在本次参与之前对论坛的贡献量，衡量了数据集中每位用户的先前参与度。
唔姆，如图所示，以上是响应后水平和先前贡献水平的多层线性模型。表1中的模型 1.0 至 1.2 解决了问题 1，即考察不一致内容与一致内容的回复数量是否不同。从表1的结果可以清楚地看出，虽然反对意见似乎确实产生了更多回复，但差异并不显著。模型 1.1 将反对意见[OV]的内容细分为上述定义的三类：一致论点、不一致论点和杂项。不一致内容再次比反对意见论坛以外的内容产生了更多回复，但结果仅略微显著。最后，模型 1.2 仅关注反对意见子论坛内的内容。这里有一个显著的效应：不和谐的论点获得的回应数量是和谐论点的两倍多。因此，总体而言，不和谐的内容比和谐的内容引发的回应更多。表 1 中的模型 2.0 至 2.2 探讨了假设 1，即个人在论坛上的先前参与度。在这些模型中，每个观察值代表一个帖子，因变量是回复该帖子的人过去参与度的平均水平，以他们之前做出的贡献数量来衡量。
表1中的模型2.0表明，在反对意见论坛内回复的人的活跃度是论坛外回复者的三倍多。模型 2.1表明，所有类型的反对意见论坛帖子都是如此。
唔姆，如图所示，以上是PWP 间隔时间模型：根据上一篇帖子的位置估算再次发布帖子的概率。表2中的模型3.0考察了在反对意见论坛内与论坛外互动的影响。有充分的证据表明，接触到反驳信息的人并不会因此而却步：使用反对意见论坛的人比在论坛外互动的人返回的可能性高出约17%。模型3.1根据反对意见参与的类型对此进行了细分。结果表明，虽然所有类型的参与都有积极影响，但参与一致的论点比参与不一致的论点效果更好。因此，接触不一致的观点会短暂但立即地激发人们返回论坛的可能性。
唔姆，如图所示，以上是马尔可夫链转移概率估计在反对意见论坛之外参与的可能性。结果支持假设：有证据表明，与接触一致内容的人相比，接触不同观点的人在下次参与“对立观点”[OV]论坛时，转移至其他论坛的可能性高出约2.5个百分点。
除此之外，实验还证明了该回声室成员在面对不同意见时表达出的两种反驳形式，一种是重复反驳，一种是选择性证据。[1]
那么回到这个问题，我们可以发现，该女子神色凶狠毒，符合激进回声室成员的特征。除此之外，还有大量的账号在发散“拍视频的女子是好人，你们质疑女子是在性别对立”，这属于经典的选择性反驳，从而隐藏激进豆瓣小组。
那么持刀女子的行为我们可以怎么概括呢？一个词概括，“动员”。
那么动员的具体形式是什么呢？
我们可以看看WWW '18: Proceedings of the 2018 World Wide Web Conference在2018年4月的这篇文章，文章内容是网络上的社区互动与冲突。
用户自定义社区是许多网络平台的重要组成部分，用户可以在其中表达想法、观点并分享信息。这些社区不仅为同一社区成员之间的互动提供了聚集地，也促进了跨社区的互动。不过，社区互动可以是积极的，也可以是消极的。
研究通过 Reddit 的视角，对社区间的互动和冲突进行了大规模的观察。Reddit 是一个热门网站，用户在此创建并参与基于兴趣的社区（称为 subreddits）。我们分析了 40 个月的数据，其中包含来自 36,000 个社区的超过 1 亿用户的 18 亿条评论。
唔姆，如图所示，以上是Reddit 中的社区：每个节点代表一个社区。红色节点更容易引发冲突，而蓝色节点则不会。对较少的冲突发起社区（即红色）集中在这张 Reddit 社交图的三个密集区域。令人惊讶的是，在用户层面，我们发现虽然负面动员是由源社区中高度活跃的成员发起的，但负面动员的实际实施者却是活跃程度明显较低的用户。除此之外，一小部分社区是大多数负面动员的罪魁祸首：74% 的负面动员是由 1% 的源社区发起的。
唔姆，如图所示，以上是互动时间线。社区互动可分为三个阶段：（i）启动，从源社区到目标社区建立交联，（ii）互动，源社区成员与目标社区成员互动，（iii）长期影响，一些源社区成员可能留在目标社区，而一些目标社区成员可能会离开。
我们创建了两种 PageRank 算法变体，分别从攻击者和防御者的角度衡量信息流。通过这些衡量指标，我们发现负面动员的一个重要标志是回音室效应，参与者优先与其“家乡”社群的成员互动，即攻击者与其他攻击者交谈，防御者与其他防御者交谈。此外，我们发现攻击者倾向于单挑一小部分防御者并集体“围攻”。动员的影响。负面动员会对所涉及的用户和社群产生长期的负面影响。我们发现，负面动员会导致“殖民化”效应，即防御者减少对目标社群的参与，而攻击者则变得更加活跃。然而，基于我们对用户层面互动的分析，我们的研究结果提出了一种缓解这种不利结果的可能途径：我们发现，回音室效应的减弱（以攻击者和防御者之间互动的增加为标志）以及防御者对攻击者使用愤怒言语的增多，与殖民化率的下降和防御者未来参与率的提高相关。
首先识别动员的案例。我们将动员定义为交叉链接导致目标帖子讨论帖中当前源成员评论数量增加的情况。
唔姆，如图所示，以上是交叉链接后的目标帖子与匹配帖子中源成员的平均评论数量变化，仅限于交叉链接前评论数量相等的配对。交叉链接之后，两个帖子的评论数量都有所增加：平均而言，匹配帖子的交叉链接后评论数量是之前的 1.6 倍，而目标帖子主题帖数量增加了 8.8 倍。匹配主题帖的基线 1.6 倍增幅表明，在我们的零模型（即不考虑交联）下，源成员的评论数量预期会增加。
在这些社群中，哪些社群倾向于发起负面动员？它们又针对哪些社群呢？我们首先考察发起社区的特性。
我们发现，大多数负面动员都是由少数社区发起的——不到 0.1%和 1%的源社区分别造成了 38%和 74%的负面动员。这意味着这少数几个社区是用户负面动员的中心。
唔姆，如图所示，以上是负面动员帖子与社区成员的关系。通过检查交叉链接的创建者，我们发现，带有交叉链接的负面帖子是由在源社区中比其随机匹配用户活跃度高出 10% 的用户创建的。由于并非所有交叉链接都能引发动员，我们进一步发现，成功动员他人的用户比未动员他人的用户活跃度显著提高。因此，我们发现，源社区中高度活跃的成员是发起负面动员的主导者。在中性动员的情况下也观察到了类似的结果。
总体而言，我们发现负面动员是由少数攻击高度相似社区的社区发起的。虽然这些互动是由源社区的高度活跃用户发起的，但实际被动员参与负面动员的攻击者和防御者却远不如他们活跃。
除此之外，我们还可以关注这个问题，攻击者和防御者之间是互相交流，还是各自创建了各自的“泡泡”，与其他类似的用户交流，从而产生类似回音室的效果？
唔姆，如图所示，负面动员过程中会形成回音室。我们发现，攻击者的 A-PageRank 值明显更高，这意味着他们更有可能在随机游走中被其他攻击者访问；而防御者的 D-PageRank 值则明显更高。因此，我们发现，在负面动员期间，讨论主题似乎呈现出攻击者和防御者之间的分歧，成员主要与来自其“家乡”社区的其他成员交谈。
总体而言，我们发现负面动员会导致目标讨论中出现回音室效应，攻击者主要与其他攻击者对话，防御者也与其他防御者对话。但每当他们互相交谈时，都会交换极其愤怒的评论。此外，我们的分析表明，攻击者倾向于“联合起来”攻击一些防御用户，而其他防御用户则不会与攻击者互动。
唔姆，如图所示，以上是负面动员的影响。我们测量了负面动员结束后攻击者和防御者在目标社区中发表评论的比例的变化。正向变化表示目标社区的参与度增加。我们发现，在负面动员之后，攻击者在目标社区中发帖的频率更高，而防御者发帖的频率更低，这表明负面动员通常会导致“殖民化”，即攻击社区的成员成为目标社区的正式成员。这种殖民化可能会对目标社区造成进一步的不利影响，因为这些新用户通常比平均水平更愤怒，并且倾向于违反社区规范。
唔姆，如图所示，以上是：(a) 我们数据中两个真实目标帖子的回复网络，展示了成功和失败防御网络之间的关键特征差异。在失败的防御中，攻击者会“联手”攻击防御者，而在成功的防御中，防御者会直接与攻击者交战。在成功的防御中：(b) 防御者对攻击者的回复更多，(c) 防御者的 A-PageRank 更高，(d) 攻击者的 D-PageRank 更高，以及 (e) 防御者在回复攻击者时使用更多愤怒的言语。[2]
那么回到这个问题，我们可以发现，这个女子的行为就是典型的线下动员。通过自己对于男童的体格优势，从而进行围猎。
除此之外，我们还可以关注知乎这边的豆瓣小组团建。什么意思呢？
在我发声声援的情况下，评论点赞比仍然达到了1：2，因此我们可以认为是一个经典的豆瓣小组团建。
那么，线上的团建，自然可以和线下的动员结合起来。通过对落单人的围堵，最终实现自己的目的——让目标缄默。
那么如何反制激进回声室？
我们可以看看PNAS Nexus再024年2月的这篇文章，文章内容是通过空间建模遏制假新闻。
实验使用一个网络，其中顶点代表可以表现出三种不同行为的个体：支持事实叙述A、支持虚假叙述B，以及制裁分享虚假叙述的人（C）。个体将根据其行为及其邻居的行为获得收益。这些收益被编码在收益矩阵中，如下所示：
\begin{gathered} \\ A \\ B \\ C \end{gathered}\left(\begin{array}{ccc} A & B & C \\ C & 0 & 1 \\ 0 & 2 & -4 \\ 0 & 0 & 0 \end{array}\right)
这些收益可以被认为是作为A、B或C参与者在一段时间内的多次互动中获得的平均值。在模型中，真实和虚假新闻分享者在与志同道合的人互动时都会获得正收益，这代表了通过在线参与获得的社会资源，例如点赞、分享、转发和评论。然而，我们的收益矩阵为B叙述提供了更大的内在收益，由于错误信息更快的传播速度。因此，为了遏制虚假新闻的传播，B叙事的天然优势必须通过在遇到C类参与者时施加惩罚来抵消。
唔姆，如图所示，以上是空间博弈的视角对信息共享和制裁进行建模。图a表示个体分享真假新闻。图b表示焦点个体根据其邻居的相对信念，收到正面或负面的反馈。众包制裁者的存在会显著降低虚假新闻分享者的适应度。最后，如图c所示，个体通过复制与适应度成比例的邻居来更新其策略。然而，制裁者不会更新策略，也永远不会被选中复制。
随后运用计算机模拟和分析技术来研究虚假新闻的空间博弈。模拟结果表明，回声室的自发形成可能受制裁者密度的局部变化驱动，并且这些回声室对入侵具有极强的抵抗力。
唔姆，如图所示，以上是假新闻传播者在大多数真实新闻传播人群中与其他人群隔离的回音室。a图 表示浅色阴影方块代表最近改变策略的个人。b图表示Watts-Strogatz 小世界网络，c图表示Twitter 网络的一个小型广度优先子图，包含约 1,000 个顶点。这些回音室一旦形成，就具有极强的抵抗入侵的能力，形成一种伪稳态，这种状态无法永远持续，但需要极长的时间才能打破。
唯一改变策略的个体位于a图中系统中回音室的边界上。回音室外围的个体会接触到真实新闻和虚假新闻，并可能偶尔改变策略，但内部的个体周围都是志同道合的个体，适应性很强，这使得他们能够通过更多接触的外围个体来强化少数群体行为。因此，边界上的小扰动不太可能导致回音室内部发生任何变化。
然而，这些回音室可以由虚假新闻分享者组成，也可以由真正的新闻分享者（取决于制裁者的密度）组成。临界制裁者密度是一个临界点，在此临界点上，真正的新闻分享者更有可能成为多数而非少数。
唔姆，如图所示，以上是超过一半的存活群体最终分享真实新闻的概率，在不同网络拓扑结构下制裁者密度的函数。
我们得出的结论是，空间博弈的网络结构使得遏制虚假新闻的难度显著增加。事实上，与混合型群体相比，在小型、孤立的回音室中遏制虚假新闻的传播需要两到三倍的制裁者数量。此外，需要更多制裁者才能更有可能彻底消除虚假新闻传播行为。
到目前为止，我们仅考虑了制裁者随机分布的群体。然而，在几乎所有网络中，某些顶点比其他顶点更位于中心，这种效应在自然形成的社会网络中尤为明显。为了在资源有限的情况下提高众包制裁的效率，研究通过选择最具影响力的个体来进行有针对性的干预算法至关重要。
唔姆，如图所示，以上是使用度中心性和介数中心性来定位制裁者，从而计算真实新闻在小世界网络和 Twitter 网络中占据主导地位的概率。在小世界中，使用度中心度和中介中心度的效果几乎相同。因为小世界中额外的捷径边会缩短路径长度，导致度高的个体也具有较高的中介中心度。
相比之下，由于推特网络的度分布多样化，针对性制裁和随机制裁的有效性发生了显著变化。通过选定度或介数中心性较高的个体作为制裁者，我们很快将网络中的真实和虚假新闻分享者分成不相连的单例和对，因为当度较高的顶点从网络中删除时，这些网络会很快断开连接。[3]
回到这个问题，那么在上述结论的情况下，如何处理豆瓣生活组？看到我列举的回答了吗？现成的例子摆在这里，你们应该知道怎么办。
参考
- ^Jonathan Bright, Nahema Marchal, Bharath Ganesh, Stevan Rudinac, How Do Individuals in a Radical Echo Chamber React to Opposing Views? Evidence from a Content Analysis of Stormfront, Human Communication Research, Volume 48, Issue 1, January 2022, Pages 116–145, https://doi.org/10.1093/hcr/hqab020
- ^Srijan Kumar, William L. Hamilton, Jure Leskovec, and Dan Jurafsky. 2018. Community Interaction and Conflict on the Web. In Proceedings of the 2018 World Wide Web Conference (WWW '18). International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, CHE, 933–943. https://doi.org/10.1145/3178876.3186141
- ^Matthew I Jones, Scott D Pauls, Feng Fu, Containing misinformation: Modeling spatial games of fake news, PNAS Nexus, Volume 3, Issue 3, March 2024, pgae090, https://doi.org/10.1093/pnasnexus/pgae090