唔……本案是在广西，我记得前天那件事是在广东？那么就可以说是教科书式的模仿犯罪，关于其定义，在本案里几乎完美符合。
首先，我们看看这张图：
2.9万的收藏量，其实是一个很典型的“作案手法传播”的例子。
然后，我们可以看看这张图：
这看起来是一件事，实际上是两件事。在这两件事里，最恐怖的地方在哪里呢？
2021年4月的合肥男童坠楼案，和2021年11月的合肥男童坠楼案，不仅地点都在合肥，而且均为精神病所为。
而这两天连续两起事件，不仅地点高度接近，而且也均为精神病患者所为。
那么，我们就可以将这四件事串联在一起进行分析。在这个话题上，其实我以前的回答里就有补充过部分资料，现在整理一下进行分析。
关于模仿与媒体报道的关系，我们可以看看2024年5月，在European Journal of Therapeutics上发表的这篇文章。文章关注的是讨论互联网和媒体对土耳其发生的氰化物故意杀人案的影响。
唔姆，如图所示，选取五份发行量较高的日报，并在 2017 年至 2021 年期间在其在线搜索功能中搜索“siyanür”（土耳其语中意为“氰化物”）一词。以“siyanür+siyanur”为关键词、以“土耳其”为地区、以“2017 年 1 月 1 日至 2021 年 12 月 31 日”为自定义时间范围进行 Google 趋势分析。
唔姆，如图所示，共发现 20 起与氰化物有关的自杀和/或谋杀事件和新闻报道，共造成 29 人死亡。在 Google Trends 分析中，搜索兴趣增加的 8 个时间段中有 7 个与与氰化物死亡有关的新闻报道相吻合。
除此之外，我们还可以发现，在2019年5月，在izmir的事件以后，在半年以内，同类型的事件频率出现了大幅度的上升。[1]
那么回到这个问题，我们可以发现，在2021年4月和12月的两起事件，和今年数日内同一地点发生的两起事件，时间、地点高度接近，而且模式也高度相似，那么为什么这四起事件内有数年的空窗期呢？
我们可以思考这个问题：
今天这件事为什么会被曝出来？
答案很简单，因为在前几日同类型案件的流量推广下，今天这件事得到了及时的推广。
那么我们可以举一反三，在这之间的空窗期，是因为没有同类型的事件发生，还是没有进行报道呢？
我们可以看看Criminal Justice Policy Review在2013年9月的这篇文章，文章内容是评估模仿犯罪的普遍性。
唔姆，如图所示，以上是模仿犯罪流行率研究。如前所述，我们发现了10个关于模仿犯罪流行程度的估计值。这些研究是在1975年至2011年之间进行的。这10个估计值来自七个独立的研究工作，由五位不同的研究人员指导。六个研究使用访谈来获得其流行程度估计值，三个研究使用书面问卷，一个研究则采用了书面和口头回答相结合的方式。最小的研究包括35名受访者，最大的研究包括501名对象。除两项研究外，其余研究都涉及对被监禁人员的询问。两项研究包括女性，六项研究抽样为青少年，但总体而言，大多数受访者是成年男性。样本来自美国的四个地区和一个外国。
唔姆，如图所示，以上是模仿犯罪发生率估计。随机效应模型对模仿犯罪流行率的总体估计值为0.268。
唔姆，如图所示，以上是比较面对面访谈与书面调查研究中模仿者的普遍程度，结果显示访谈和书面问题的模仿者普遍程度分别为 0.305 和 0.181。[2]
那么我们可以发现两个问题，第一点，模仿犯罪的普遍程度不低，在调查中，平均每四起犯罪行为就有一起模仿犯罪，那么为什么被报道的能求证的远少于这个数字呢？这也是我要说的第二点——从上文结论得知，访谈中的调查者更愿意说明自己的意愿，而书面调查的调查对象则会掩藏自己的意愿。那么目前的报道主要是基于后者，那么人们自然不会关心这种形式的手法。
举个简单的例子，前几日的通告：
别说访谈了，本人甚至直接被带回家治疗了，那么你指望这样能做出有效的调查吗？
但是，虽然没有进行大规模的报道，但并不代表找不到，举个简单的例子：
既然提到了媒体的选择性曝光，我们自然可以思考这样一个问题——媒体和模仿犯罪之间的联系是什么呢？
我们可以看看American Journal of Criminal Justice在2012年7月的这篇文章。文章在一组回归模型中，对 574 名男性和女性县监狱囚犯样本中过去的模仿犯罪行为和媒体互动进行了测量和统计评估，目的是检查现实世界和媒体提供的犯罪模型的同时作用以及它们之间的相互作用。
唔姆，如图所示，以上是所选因素与模仿犯罪之间的皮尔逊相关性。从最下面一行中，能得出明显的结论：模仿犯罪的两个主要因素是现实中亲人家属犯罪的情况，和对媒体报道的反馈。而且媒体对于犯罪的报道，和模仿犯罪之间也存在着强相关性。
唔姆，如图所示，同样的道理，模仿行为的整体模型被认为是显著的，R值（相关性）为 0.501，并且能够解释模仿分数的大约四分之一的变化。
而具体一点说，媒体的报道和模仿犯罪之间有什么关系呢？
唔姆，如图所示，以上是以对犯罪兴趣为变量时，各项因素对于模仿犯罪的影响。在"媒体报道"这一行，我们可以发现，当犯罪意愿较低或者较高时，媒体报道对于模仿犯罪的相关性分别是0.414和0.904，也就是说，当犯罪意愿和媒体报道的影响都存在时，此时进行模仿犯罪的概率接近100%。[3]
那么回到这个问题，我们可以得知，2021年11月的事件里，豆瓣小组在这之中的贡献无法忽视，那么，其他几个同类型的事件，自然也可以得出相同的结论。换句话说，通过激进回声室控制媒体，一样也是一种有效的形式。
关于回声室的特征，我们可以看看aaai在2022年5月的这篇文章。
这篇文章对回声室的结构提出了一种更恰当的说法：火车回声室。什么是火车回声室？“跟随火车”是这种行为的一种操纵形式，目的是聚集追随者。举个例子，“思辩”是火车的售票员，那么关注“思辩”的账号就是乘客。在一个火车回声室中，“思辩”的关注者高度认同“温柔的思辩姐姐是樱小路露娜”。
数据收集发生在2020年2月16日至26日之间。生成的提及网络（表示为train-net）包含8308个节点（182名售票员和8126名乘客）和20773个边。而为了衡量提及网络的结构，需要一个合适的基线，因此使用类似的方法来收集一组具有相似提及行为但在非政治背景下的帐户。利用2020 年 COVID-19 封锁初期许多 Twitter 用户玩的在线游戏。在游戏中，每个被标记的用户都被要求发布他们的手机屏幕截图，并提及六个朋友，以按照相同的指令继续游戏，通过“标记者”、“锁屏”、“主屏幕”和“你听过的最后一首歌”等短语来识别游戏参与者；其他收集的帐户将被删除。数据收集发生在2020年3月21日至27日期间，大约在train-net收集一个月后。由于标签游戏不关注任何特定主题，因此我们认为时间差异不会对分析产生实质性影响。由此产生的提及网络有5567个节点和7189个边。我们将此数据集表示为标记网络。
唔姆，如图所示，以上是（左）训练网络数据集和（右）标记网络基线中帐户之间提及网络的可视化。两个网络的参数相同。节点的尺寸越大、颜色越深，表示度数越高。
唔姆，如图所示，以上是训练网提及网络和标记网基线中帐户的（左）入度和（右）出度的互补累积分布。高入度表示该帐户被许多其他帐户提及，高出度表示该帐户被许多其他帐户提及。我们发现，售票员的出度往往比乘客和基线帐户高得多，这与他们的角色一致。因此，售票员的提及次数多于基线账户。
显然，图3中的训练网络具有密集连接的核心和许多外围节点，而标记网络则显示出更均匀的结构。为了证实这一观察结果，对两个网络的无向版本进行核心分解，并计算每个节点的核心数量，从而衡量节点中心性和影响力。图 5 绘制了核心数量k的分布。对于tagging-net基线网络，所有节点的k值都小于5。相反，train-net 网络具有深度分层结构，具有非常密集的核心（高 k）。售票员往往比乘客具有更高的核心价值，这表明他们往往位于网络核心附近。[4]
概括以上内容，正常的社交网络中，在标准的社交网络中，大量关注者的账号会呈现无标度网络特征，但关注者是因为这个账号值得关注而聚集在一起，除此之外，没有其他共同特征。而火车回声室是什么呢？关注者不因为这个账号值得关注而聚集在一起，而是因为他们有着共同的价值观而聚集在一起，核心账号作为火车回声室中的售票员存在。
回到这个问题，在这四起事件中，不仅地点相似，时间间隔短，而且均为精神病，或者说是以此为理由，那么这不是符合“火车头回声室”的特征吗？
除此之外，我们还可以关注前几天同类事件中的一个现象：大量用户在各个平台上发的视频均被删帖，而且平台很意外地保持了沉默。那么为什么会出现这种情况呢？
关于这一点，我们可以看看Proceedings of the 2021 Conference of The Computational Social Science Society of the Americas在2022年3月的文章。文这篇章说的是社交网络密度和开放性对社会意见两极分化的影响。
模型有三个自变量：开放性、厌恶和边缘概率。
开放性对于个人与他人交往的能力以及将外部想法视为自己想法的难易程度起着至关重要的作用。在模型中，开放性作为从 0 到 1 的连续体的阈值；该阈值用于比较代理在配对交互期间的意见。低水平的开放性产生的模型中，代理人很少改变他们的观点。高水平的开放性则使代理人在几乎每次互动中都急切地吸收其他人的意见。
同样的道理，厌恶阈值是从 0 到 1 的连续阈值。厌恶阈值水平较低时，个体更有可能被推开，因为两个代理对任何给定问题的意见差异更有可能大于厌恶阈值。当厌恶阈值较高时，导致排斥或负面影响的互动就会减少。
什么是边缘概率呢？使用Erdós-R´enyi图生成算法，边缘概率表示任意两个给定节点之间存在边的概率。边缘概率可以控制结果图的密度。因此，边缘概率对应模型中的社会联系密度。
因变量有两个：分类性和意见聚类。
分类性表示“代理的意见与其网络邻居的意见具有相似值的程度”。
意见聚类衡量的是代理人对特定问题的意见未能收敛到统一值的频率。在模拟结束时，对某个问题有相同意见（在一定的小范围内）的每组代理被称为该问题的“意见簇”。
唔姆，如图所示，以上是一个包含50个代理、5个问题、开放性参数为0.40的模型在运行了1000步后，所有问题的平均分类度和边缘概率。从图中可以看到，随着边缘概率（或社会联系密度）的增加，所有问题的平均分类度都会下降。，当联系更密集时，代理人接触到更多样化的意见的机会就更大。因此，对于给定问题，代理人更有可能被拉到“平均”意见，这会产生较低的分类性。由于社交网络的连接密度较低，个人更容易陷入总体意见多样性较低的回声室中。
唔姆，如图所示，图3是模型中意见簇数量和边缘概率的相关性，其中边缘概率从0.05更改为0.95；图4是边缘概率从0.05 更改为0.40。结果很明显，意见簇的数量和边缘概率呈负相关。什么意思呢？就是社交网络越密集，意见分化程度越低。
唔姆，如图所示，图5是50个代理、5个问题、边缘概率为0.50的模型中，开放性阈值从0.05更改为 0.95时，开放性阈值对意见集群数量的影响。图6是开放性参数从0.05更改为0.40时，意见集群数量的影响。
结论也很简单：增加开放性阈值时，模型中意见簇的数量会迅速下降。也就是说，稍微高一点的开放程度就足以让模型中的所有主体在给定问题上达到一致性。[5]
也就是说，影响达成意见共识的两个方面中，一个是社交网络密度，一个是开放程度。
所以各个平台在这件事上沉默的原因也就简单了：通过人为删帖，确保这件事的开放程度无限接近于0；而普通用户保持沉默，能保证这件事的传播网络非常稀疏。
那么换句话说，事前在小圈子里以强联系进行传播，在事后各个平台迅速进行限流处理，确保不会有人起疑——一套高度默契的打法。
那么针对豆瓣小组，我们要怎么做呢？
回声室的运作模式更倾向于支持某个立场，而不是反对某个立场。只有把回声室消灭掉，才能一劳永逸。
我们可以看看scientific reports在2024年7月的这篇文章，文章展示了2015年至2019年西班牙连续四次竞选活动中在Twitter上进行的全面纵向社交网络分析的结果。
唔姆，如图所示，图3是构建相对用户密度图，图4是意见效率异常图。图3中显示了四种选举背景下的意见效率异常图。地图上的红色区域表示根据意见和效率分布用户过多的区域。我们将分析重点放在图中标记为 A-D 的高相对用户密度区域。图4是表现出回声室内亲和力或回声室外敌意的样本用户的比例。
B区反映了用户对回声室内针对 Vox、PP 和 Cs 的积极信息的重要存在的反应，但回声室对 PSOE 的敌意程度显著下降。B 区的这种变化表明，这种高转发效率的区域往往会从高度敌意的区域（“回音室”）转变为更具内部亲和力的区域（“认知泡沫”）。除此之外，在高度极化的D区，即使是最激进的回声室用户，回声室外的敌意也会降低转发水平。[6]
什么意思呢？意思就是，回声室的运作模式是通过支持某个意见领袖，让该意见领袖代表回声室进行评论，回声室的用户通过支持意见领袖爆发凝聚力。因此，只要把核心节点进行破坏，那么回声室的效果自然就大打折扣，无论什么结构的回声室，这条定律均成立。
参考
- ^Deveci, Cemyiğit, and Mehmet Atılgan. 2024. “A Series of Suicides and Homicides by Cyanide in Türkiye: Exploring the Role of Media Reports and the Copycat Effect”. European Journal of Therapeutics 30 (3):277-84. https://doi.org/10.58600/eurjther2079.
- ^Surette, R. (2013). Estimating the Prevalence of Copycat Crime: A Research Note. Criminal Justice Policy Review, 25(6), 703-718. https://doi.org/10.1177/0887403413499579 (Original work published 2014)
- ^Surette, R. (2012). Cause or Catalyst: The Interaction of Real World and Media Crime Models. American Journal of Criminal Justice, 38(3), 392–409. doi:10.1007/s12103-012-9177-z
- ^Torres-Lugo, C., Yang, K.-C., & Menczer, F. (2022). The Manufacture of Partisan Echo Chambers by Follow Train Abuse on Twitter. Proceedings of the International AAAI Conference on Web and Social Media, 16(1), 1017-1028. https://doi.org/10.1609/icwsm.v16i1.19354
- ^Mittereder, J., Carroll, R.S.W., Frulla, B., Davies, S. (2022). Exploring the Impact of Social Network Density and Agent Openness on Societal Polarization. In: Yang, Z., von Briesen, E. (eds) Proceedings of the 2021 Conference of The Computational Social Science Society of the Americas. CSSSA 2021. Springer Proceedings in Complexity. Springer, Cham. https://doi.org/10.1007/978-3-030-96188-6_6
- ^Martin-Gutierrez, S., Robles Morales, J.M., Torcal, M. et al. In-party love spreads more efficiently than out-party hate in online communities. Sci Rep 14, 15700 (2024). https://doi.org/10.1038/s41598-024-65688-9