唔……这个造谣的女子，我猜测是受到了杨景媛的影响，所以在造谣时增加了“我是穷人”这一环节。这并非是个案，在早期的部分事件里亦有体现：
在这两个事件里，女方均指责店家和马夫“有很大的背景，不好惹”：
然后，我们看看道歉里的这句话：
那么就可以直接得出结论：该女子受到了杨景媛的影响，所以在写小作文时自动添加了“男方家庭背景很大”这条信息，这和以往的小作文不一样，实际上更隐蔽，效果也更好。
然后回到这个问题，那么这几个女子之间，是通过什么进行联系呢？
我们可以看看犯罪学的一个经典理论，社会纽带理论。什么是社会纽带理论呢？社会纽带理论是特拉维斯·赫胥完善的一种犯罪学理论。
社会纽带创造了一种社会环境，在这种环境中，个人不愿偏离社会规范，因为他们害怕失去宝贵的关系，害怕引起他人的负面反应，害怕破坏实现未来目标的机会，或者害怕违背自己的道德信念。基于这一前提，赫希概述了构成社会纽带的四个相关因素：依恋、承诺、参与和信念：
依恋。依恋是指个体与传统社会中受重视的他人或受重视的机构之间的情感关系。
承诺。承诺是指个人对实现未来目标的重视程度和投入程度。
参与。参与反映了这样一种观念：忙于日常活动的人根本没有时间或精力去实施犯罪行为。
信念。社会纽带的信念成分指的是个人对社会规则（包括法律以及制定、解释和执行这些规则的权威人物）的尊重程度。
总体而言，社会纽带的四个组成部分构成了社会纽带的特征，并表明个体“在遵守社会规范方面有利益”。总而言之，社会纽带能够减轻人们偏离社会规范和法律的自然冲动，因为有纽带的个体会担心犯罪行为会对宝贵的人际关系产生不利影响，并妨碍重要目标的实现。[1]
那么我们可以发现，人们通过社会纽带连接在一起，所以会遵纪守法，但是，如果没有通过社会纽带连接在一起呢？换句话说，如果一个人和大部分身边的人都无来往，而是用加密小组的形式和同伴进行联系呢？那么此时我们就可以认为这个人没有通过社会纽带的形式和共识连接。
回到这个问题，我们从武汉大学图书馆事件里，可以发现一个有趣的地方：
杨景媛上课时，习惯自己一个人坐，也就是说，杨景媛的现实生活里没有什么朋友，只有一个和杨景媛大概率是情侣的闺蜜。
那么我们可以发现，杨景媛并没有通过社会纽带的形式和社会进行连接，而是以豆瓣小组的形式进行交流，因此，自然就提供了作案的可能。
同样的道理，这个月以来连续几个小作文里，女子都使用了和杨景媛一模一样的手法——指责男方家里有背景，那么我们就可以推测，这几个女子的社会关系非常简单，没什么朋友，而是使用豆瓣小组的形式和同伴联系交流。
除此之外，我们还可以看看WSDM '13: Proceedings of the sixth ACM international conference on Web search and data mining在2013年2月的这篇文章，文章内容是根据纽带理论区分主题群体和社会群体。
通过社会纽带理论，可以构建指标来区分这两类群组。具体而言，可以量化互动的互惠性以及群组成员之间交换信息的时效性。
互惠是指当一个用户与另一个用户互动，并且该用户在之后的任何时候以相同类型的互动回应她时，就会发生互惠。我们定义一个群组的互惠程度为：
r_g^{\mathrm{int}}=\frac{E_g^{\mathrm{int}, \mathrm{rec}} / 2}{E_g^{\mathrm{int}, \mathrm{rec}} / 2+E_g^{\mathrm{int}, \mathrm{nrec}}},
其中 E_g^{\text {int,rec }} \text { and } E_g^{\text {int,nrec }} 分别为群组 g 内部互惠链接数和非互惠链接数。相应地，群组边界的内部互惠性由 rg 定义，用于解释成员和非成员之间的互惠性。我们使用平均互惠值来规范内部互惠得分：
t_g=\frac{r_g^{\mathrm{int}}}{\left\langle r_g^{\mathrm{int}}\right\rangle} .
群体内部互惠性越大，该群体具有社交性的概率就越高。
除此之外，与某个群组相关的词集 T(g) 表示该群组的主题多样性。因此，我们将该群组的熵度量为：
H(g)=-\sum_{t \in T(g)} p(t) \cdot \log _2 p(t),
其中 p(t) 是词条 t 在集合 T(g) 中出现的概率。熵越高，词条的多样性就越大，根据理论，群体的社会性就越强。反之，熵越低，群体的主题性就越强。
即使对于所考虑的理论而言，活跃度并非区分社交群体和主题群体的因素，但它对于表征社区的活跃度仍然很有用。活跃度是通过内部互动次数来量化的，该次数由具有相同度序列的一组节点的内部互动次数的预期值进行归一化： a_g=\frac{E_g^{\mathrm{int}}}{\left(D_g^{\mathrm{in}} D_g^{\mathrm{out}}\right) / E}
其中 D_g^{\text {in }} \text { and } D_g^{\text {out }} 是由组 g 成员发起的互动总数，或针对组g成员的互动总数。中 E 是网络中互动的总次数。如果此属性的值大于 1，则群组内部的互动次数高于在相同群组活动量的随机场景中预期的互动次数。
衡量群体活跃度的另一种方法是比较其内部互动密度与外部互动密度：
b_g=\frac{E_g^{\mathrm{int}} /\left(s_g\left(s_g-1\right)\right)}{E_g^{\mathrm{ext}} /\left(2\left(N-s_g\right) s_g\right)},
其中 s 表示群组 g 的基数，N 表示网络中节点总数。b 值大于 1 表示群组内部互动的密度高于群组与网络其他部分之间的互动密度。该指标有效地比较了群组成员之间的互动强度及其与整个网络的互动强度。
在实验里，除了用户创建的群组（我们将其称为已声明的群组）之外，还分析了那些并非由用户定义，而是由社区检测算法发现的群组的社交性和主题性属性（我们将其命名为“检测到的群组”）。
如果标签具有高度的话题性，而评论不具有社交性，则该群组被标记为话题性群组，反之亦然。如果标签具有一定的话题性，而评论具有高度的社交性，则该群组被标记为社交性群组。
唔姆，如图所示，以上是声明组和检测到的组之间的 Jaccard 相似度随其规模的变化。如图 1c 所示，这意味着检测到的组确实在某种程度上与声明的组相似。图1d描绘了从对角线的一小部分中提取的组对的相似性分布，这些组有32到64个成员。该图显示，存在多个检测到的组与声明的组有显著重叠，而随机化的组没有显示这种模式。这适用于所有规模的群体，如图1e所示，其中我们绘制了检测到的各种规模的群体的最佳匹配相似度的第91和第99个百分位数。因此，在某些情况下，社区检测算法会找到用户定义的群体。尽管如此，只有一小部分群体发现了大量重叠。大多数组对的相似度接近于0。因此，检测到的组与最佳匹配的声明组的相似度为 0.082，而对于随机检测到的组，相似度并不低，为0.058。
唔姆，如图所示，以上是已声明和检测到的群组中，归一化互惠性 (ab)、归一化熵 (cd) 和相对活跃度 (ef) 对评论、收藏、联系人和照片池群组规模的依赖关系。如图 2a-d 所示，对于成员规模在 50 到 100 人之间的群组，无论是已声明的群组还是检测到的群组，互惠性和归一化熵都存在一个较宽的局部最大值。如图 2e 和 2f 所示，已声明群组和已检测到群组的相对活跃度值都非常高。正如预期，随机群组的活跃度在所有规模的群组中都呈现 1 左右的值。而对于真实群组，相对活跃度值会随着群组规模的增加而降低，对于非常大的群组，其值接近于1。
唔姆，如图所示，以上是对于已声明和检测到的群组，群组内部评论的互惠性与其成员之间评论或收藏的照片的熵之间的相关性，或属于该群组的照片池的熵之间的相关性。归一化熵与互惠性的最大值高度对应，表明这些性质之间存在相关性。
唔姆，如图所示，以上是不同主题群体（黑色圆圈）和社会群体（蓝色方块）的平均值随其规模的变化。首先，在社交群组和主题群组中，照片数量（未显示）、收藏和联系人数量（如图 4b、c 所示）几乎没有差异。然而，社交群组中的评论数量大约是类似规模的主题群组的 2 倍（图 4a）。在查看相对活跃度（图 4d-i）时可以发现更多差异，相对活跃度将群组内部的互动与群组中用户的整体活跃度进行比较。在这三种类型的互动中，社交群组的相对活跃度指标的值比主题群组高 2 到 10 倍以上。这些指标将群组内部的活动与群组外部的活动进行比较。因此，这一结果可能反映出社交群组成员与其互动的其他人群之间更加关注，甚至可能存在隔离。
更重要的是，我们观察到评论和点赞的互惠值和相对互惠值存在巨大差异。社交群组的互惠性显著高于主题群组（图 4j-o），这与普遍认同的观点一致。
最后，我们观察到社交群组中的熵值和归一化熵值远高于主题群组（图 4p、q、s、t）。这适用于从成员之间评论和收藏的照片中提取的标签。
唔姆，如图所示，以上是被标记为社交的群组的比例 f 对各种指标的依赖性：基于评论，收藏，联系人和照片池。群组规模呈负相关（图 5a）。互动次数和相对活跃度 a 的相关性较弱（图 5b 和 c），但令人惊讶的是，它与相对活跃度 b 的相关性很强（图 5d）。在 bg 的最低值下，95%的群组是主题型群组，而在 bg 的最高值下，80%的群组是社交型群组。较高的 b 值可能意味着更强的群组关注度，甚至可能意味着群组成员与其他互动者之间的隔离。[2]
那么回到这个问题，我们根据豆瓣小组的定义，可以迅速联系到高强度的内话题型群组，换句话说，也就是加密小组。那么我们可以发现，根据话题群组的特性，组内的讨论高度围绕某个话题或者手段，那么，我们就可以认为，杨景媛和这几个女子，甚至是处于同一个豆瓣小组。在明确这一点后，对后面鉴别错误信息，有着非常重要的价值。
参考
- ^Schroeder, Ryan D. "Social bond theory." The encyclopedia of crime and punishment (2015): 1-6.
- ^Grabowicz, Przemyslaw A., Luca Maria Aiello, Víctor M. Eguíluz, and Alejandro Jaimes. "Distinguishing topical and social groups based on common identity and bond theory." In Proceedings of the sixth ACM international conference on Web search and data mining, pp. 627-636. 2013.