唔……其实从今天后续的发展上看，如果没有后续的这些发展，那么还真不一定是豆瓣小组的参与，而在后续这些发展后，这件事基本上可以定性了。
我们可以看看今天发生了什么后续。
然后当事人在网上发声，说明拍摄视频的女子和自己是一伙的：
怎么说呢？如果没有这些后续，那是否有豆瓣小组参与还有待商榷，这些后续加在一起，那真的有豆瓣小组在参与了。
首先，我们还是先看看当事人的发声，当事人的发声说明了什么呢？拍摄女子和自己是一伙的，没有任何问题。
是不是很熟悉？然后说你们在冤枉好人，然后直接进入到“不要制造对立”……
但是，在这之中，有什么思维盲区呢？
拍摄女子和自己是一伙的，和拍摄的女子是豆瓣小组的成员，矛盾吗？
我再换句话说，你可以发一百个视频说用自己的全部声誉去担保这个拍摄视频的人是好人，但我只有一个问题：
这个人，社交平台里有没有豆瓣？
所以这个发声其实很巧妙，通过一个简单的思维盲区，直接绕过了大部分人的思维模式。
然后我们可以将目前的情况整理成一个问题：
既然这个拍摄视频的女子是在帮助小孩脱困，那为什么会有大量匪夷所思的行为呢？
答案其实很简单，回声室的危害并非回声室的成员对外进行破坏，而是回声室的成员通过弱关系，将外面的普通人转化成潜在的回声室成员。也就是说，即使按照最轻的情况，拍摄视频的女子也受到了回声室弱关系的影响，所以下意识地选择了帮助加害者。两种行为并不矛盾，心里想要帮助受害者，而下意识地去帮助加害者，不矛盾。
而弱关系，其实一直是传播学的一个重点，只不过大部分人的了解有限，所以就给了机会。
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。在讨论这个话题之前，首先要讨论人际关系，这种关系是时间，情感强度，亲密感，相互倾诉和表征每个关系的相互服务的线性组合，利用这种关系的强弱和频率度可以判断是否是弱连结。 顾名思义， 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。
那么关于弱关系，我们可以看看scientific reports在2014年2月的这篇文章，文章内容是时变网络和强关系的弱点。
我们关注一个典型的大规模通信网络，其中手机用户是节点，他们之间的通话是链接。这种系统的常见分析框架忽略了连接的时间性质，而倾向于时间聚合表示。在这些表示中，节点的度k表示联系的个人总数，而链接的权重w（联系强度）表示连接节点对之间的通话总数。
唔姆，如图所示，以上是聚合MPC网络和活动驱动网络的特征度量的分布。
唔姆，如图所示，以上是MPC 网络的动态。
一般来说，社交网络由两种类型的链接表征。第一类描述强关系，用于标识特定代理对之间重复和频繁的交互。第二类描述代理之间仅偶尔激活的弱关系。很自然地假设强关系是系统中最先出现的，而弱关系则逐渐添加到每个代理的自我网络中。为了量化它，我们测量概率p(n )，即具有n 个社交关系的代理的下一个通信事件将通过建立新的( n+ 1)个链接发生。我们在 MPC 数据集中计算这些概率，并对观察时间结束时具有相同度k的用户取平均值。因此，我们测量具有相同度k且n≤k的自我网络的量pk(n) 。
唔姆，如图所示，以上是针对 MPC 网络中不同度组计算的pk(n) 概率函数。结论很明显，随着程度组n的增加，概率在每个程度组中递减，这表明以自我为中心的网络演化速度有所减缓。以自我为中心的网络规模越大，下次通信对象为之前未联系过的人的概率就越小。代理具有记忆力。他们会记住彼此的社会关系，并倾向于在这些已建立的联系上重复互动。
一个以规模为n的社交圈为特征的节点建立新联系的概率可以用以下表达式很好地拟合：
p(n)=1-\frac{n}{n+c}=\frac{c}{n+c} .
类似地，与已加入自我中心网络的人发生互动的概率为n/(n+c)。此处，c是一个偏移常数，取决于所考虑的程度等级。通过将方程 1 中的函数拟合到经验数据，我们可以确定每个程度等级对应的常数c 。利用测得的c值，我们可以将经验pk(n) 函数重新调整为
p_k(n / c)=1 /(n / c+1),
在基本的活动驱动模型中，网络动态是无记忆的 (ML)。在每个时间步，所有先前建立的连接都会被移除，并创建一个新的连接，但不包含过去的记忆。在这里，我们扩展了建模框架，引入了一个简单的强化过程，其中节点会不断记住它们已经连接过的对象。受到MPC 数据集中观察结果的启发，我们采用了一种强化机制，其中具有 n 个先前建立的社交联系的活跃节点将以概率p( n ) = c /( n + c ) 随机联系一个新节点。否则，它将以概率1−p(n)=n/(n+c) 与已经联系过的节点进行交互，从而强化先前建立的社交联系。在这种情况下，选择是在n个邻居中随机进行的。这个模型（在下文中我们将其称为 RP（强化过程））是非马尔可夫的。由于每个节点都会记住已经建立的关系列表，因此在自我网络动态中明确引入了记忆。
唔姆，如图所示，以上是(a) ML 和 (b) RP 活动驱动网络中的谣言传播过程。节点颜色将其状态描述为：无知（蓝色）、扩散（红色）和抑制（黄色）。ML 动态诱导聚合网络，其度分布为P(k)∝k−γ，其中 γ = ν，权重分布呈指数衰减。对于 RP 动态，记忆过程会引发截然不同的结构。我们观察到 RP 模型中的度分布是重尾的，但比 ML 模型中的度分布更偏斜。
唔姆，如图所示，以上是时间聚合 ML 和 RP 网络的最大连通分量 (LCC) 的大小随时间的变化。事实上，由于强化机制，RP 网络中最大连通分量 (LCC) 的增长速度比 ML 模型慢得多。这是一个重要特征，因为在时变网络上演化的动态过程将以不小于 LCC 增长时间尺度的时间尺度进行。因此，在具有记忆的时变网络上发生的动态现象将以比无记忆时变网络更慢的速度演化。[1]
那么回到这个问题，我们可以去概括回声室传播的特征。
回声室由一组大核心，和大量的回声室节点组成。之间呈无标度网络结构。而回声室的连接方式以典型的强关系为主，那么我们可以发现，在回声室的边缘，在脱离回声室后，回声室成员和外界的连接形式就变成了弱关系。
而弱关系，自然就意味着信息容易传播。也就是说，回声室里的信息，并非由回声室的核心成员进行主要传播，而是由外界被弱关系连接的节点进行传播。
除此之外，我们可以看看arxiv在2020年5月的这篇文章，里面说的是负面情绪和社交网络结构之间的关系。
实验中收集了92176位用户在2014年9月至2015年3月期间发布的11753609条推文，其中包括这些用户的以下网络。通过训练的贝叶斯分类器，该数据集中的每条情绪化推文都被自动分类为表达喜悦、愤怒、厌恶或悲伤。然而，在文章中，只关注愤怒和喜悦，因为厌恶和悲伤传染的可能性很小 。然后，在社交网络中相应地调查结构偏好，该社交网络由大约100000个主题组成。
唔姆，如图所示，以上是。数据集中所有情感转发的三个不同指标的平均值。第一个指标是共同好友的比例，第二个指标是互惠性，第三个指标是微博中平局两端之间的转推次数，称为转推强度。愤怒的较低指标表明，在传染中，愤怒通过比快乐更弱的纽带传播。
弱纽带在社交网络的扩散中起着至关重要的作用，特别是通过桥接不同的集群来打破由孤立社区造成的局部陷阱。
具有四个社区的微博网络样本快照中的情绪传染。带有更多愤怒转发的链接是橙色的;否则，它们为绿色。可以看出，与快乐相比，愤怒更喜欢连接不同社区的更脆弱的纽带。左侧的两个社区被愤怒所主导;因此，他们的大部分信息在社区之间传播。相比之下，右侧两个以欢乐为主的社区的情绪倾向于在社区内部扩散。
除此之外，为了全面了解传染倾向和联系强度在情绪传播动力学中的作用，可以从微博的无向下图中建立了一个模型来模拟这种扩散。在这个模型中，受到经典的易感感染 （SIR） 模型的启发，首先随机选择一个具有某种情绪的种子来点燃传播，然后，其他没有情绪的易感节点会被感染并获得与种子相同的情感状态。任何具有受感染邻居的易感节点si都会被感染的概率为：
p=\gamma w_{i s}^\alpha / \sum_n w_{i n}^\alpha
其中γ≥0反映了传染倾向，α控制了关系强度偏好。具体来说，γ越大，表明情绪的传染性更强，而α<0会优先选择弱纽带来传播情绪，而强纽带更有可能在的时候α>0被选中，并α=0会导致随机选择扩散路径。
唔姆，如图所示，以上是微博中第一个受感染的 50 个节点的快照。结论很明显，与强联系相比，采用弱联系作为扩散路径可以提高情绪渗透其他网络成分的机会，从而产生大直径和备用结构。同时，γ越大，意味着更多的邻居将被感染，从而导致社区密集。通过明确定义情绪传播的速度和覆盖率。
唔姆，如图所示，以上是来自现实在线通信爆发的证据。结论很明显，在a图中，愤怒传播的速度最快，而且速度也超过了b图中喜悦的速度。[2]
那么回到这个问题，为什么拍摄视频的女子做出了大量匪夷所思的行为？问题自然很简单——豆瓣小组的效果是出圈的，大量节点受到由豆瓣小组创造的弱关系的影响，从而潜移默化地开始携带激进情绪。因此，重点也还是豆瓣小组。而如果这个博主一直坚持拍摄视频的女子是好人，我这里还有最简单的一个问题可以验证：
请问，你（拍摄视频的女子）支持杨景媛和谭竹吗？