唔……其实有这个成果并不奇怪，在持续对武汉大学集中的声讨下，最后必然让武汉大学长期与负面意见绑定，最后被纪录片除名，也是情理之中。
我们不妨做一个有趣的实验，将四川大学张薇事件和武汉大学图书馆事件并联在一起进行比较，其实最后得出的结论是很反常规的。
四川大学张薇事件里，网民的焦点主要集中在张薇和支持张薇的媒体上，而并未持续性地关注四川大学（当然这和四川大学第一时间处理张薇也有关系），最后四川大学受到的损失并不严重。
但在武汉大学图书馆事件里，网民的焦点一开始就集中在杨景媛和武汉大学上，持续性地关注武汉大学，因此使得武汉大学被多次点名。换句话说，这种方法有效。
那么为什么会出现这种情况呢？
答案也很简单，用一句简单一点的话说，就是频繁更改群体成员身份的节点的效用低于其他节点。
我们可以看看Scientific Reports在21021年9月的这篇文章，文章内容是社会群体的产生、演化和解散。
在本文中，我们使用了 NetSense 研究，收集的数据集包括研究参与者对有关其对各种主题的立场的调查问题的回答，以及学生手机持续收集的蓝牙邻近记录。当一对参与者之间的每次蓝牙互动达到物理邻近阈值时，NetSense 研究成员的每部手机都会记录下来。为了研究学生观点的动态，我们具体使用了 NetSense 研究参与者在每个学期开始时完成的人口统计调查。这些调查包含 38 个问题，涉及家庭背景、校园活动、爱好、对各种社会问题的立场以及喜欢的音乐类型。
为了解释上述推动社会群体动态的社会学过程，我们开发了一个基于主观效用的正式模型，主观效用是行为科学中常见的建模方法。在模型中，成员v从与群体g中的成员m的互动中获得效用。该效用取决于互动成员的群体会议出席率及其对属性a的立场。我们将中立和极端观点持有者在与群体中其他成员互动的效用方面视为同等对待。我们还假设与持有相同立场的成员互动所获得的效用是与持有不同立场的成员互动所造成的效用损失的两倍。
在结构模型中，我们展示了另一种假设下的结果：激进主义者对中立者的厌恶程度低于对立的激进主义者，而中立者与其他中立者的互动程度也同样低。这两个模型都得出了类似的结果。这两个模型的本质特性是，追求效用最大化的个体会加剧群体的极化。
我们用以下方式来表示自由主义立场：
-1 s^{+} s^{-} 0^{+}=10^{-}=-1 s_{m, a} w_{v, g}
u_{v, g, a}=w_{v, g}\left(2 W_{g, a}^{s_{v, a}}-W_{g, a}^{s_{v, a}}-W_{g, a}^{s_{v, a}}\right)
其中 W_{g, a}^s=\sum_{m \in g \cap s_{m, a}=s} w_{m, g}
我们假设，成员试图最大化自己的效用，从而推动群体演化动态。事实上，我们很自然地会认为人们会寻求自己的利益，并且会改变自己的群体成员身份以寻求提高自己的效用。如果这是一个人做出改变的唯一行动标准，那么这种改变就是以自我为中心的。然而，参与者在改变群体成员身份或观点时也可能会考虑他人的感受。为了解释这一点，我们引入了另一个基于所有群体成员平均收益的标准。这个标准被称为强烈利他主义，因为它接近社会科学中利他主义的传统定义。然而，经济博弈论的研究也表明，当人们与他们认为有共同群体认同或与群体成员有共同观点的人互动时，他们会更愿意合作。
形式上，这三种类型的变化都使用相同的函数来计算群体g中某个成员子集的效用差异，而做出变化的节点v则关注该子集。对于自我中心变化，该子集仅包含v；对于强利他变化，该子集包含整个群体；对于弱利他变化，该子集包含g中与v立场相同的所有节点。因此，对于群体g中的节点v，我们通过用变化后的效用减去变化前v的效用来计算效用变化。如果在所有属性中，关注子集中所有成员的效用变化总和为正，则该变化被接受。
唔姆，如图所示，以上是利他主义和群体极化的动态。我们计算了这三类标准在实证数据中的出现频率。
此外，我们发现，数据中做出的改变与未做出的改变所产生的效用差异始终为正。然而，其大小取决于所比较的改变类型。最大的差异出现在以自我为中心的改变中。
此外，每个学期观察到的效用增益增加了群体价值的同质性。这加剧了群体间的立场极化。为了量化这种变化，我们将极化度量定义为立场一致性的函数。为了衡量群体间的极化，我们将所有属性的立场的全局预期比例与每个群体中这些立场的实际比例之间的差值的平方相加。设
W_{g, a}^s W_{g, a}=\sum_{s=-1}^1 W_{g, a}^s G_{g, a}^s=w_{g, a} \frac{\sum_g W_{g, a}}{\sum_g W_{g, a}}
P_{g, a}=\sum_{s=-1}^1\left(w_{g, a} G_{g, a}^s-W_{g, a}^s\right)^2
群体总体极化程度就是该函数各属性值的总和。当成员间的立场整体频率和局部频率完全一致时，极化程度为0。当成员间的立场日益趋同时，极化程度就会增强。在每个群体中，这可以通过成员改变立场或离开其立场占少数的群体，加入其立场占多数的群体来实现。
唔姆，如图所示，以上是群体动力学示例，其极化和效用随时间增长。（a）图表示群体成员的演变，包含三个潜在群体和九个不同的参与者。（b）图表示随着示例群体的成员为了最大化自身效用而改变成员身份，群体效用和群体极化呈离散阶段性增长。
唔姆，如图所示，以上是多数派和少数派立场分析。进一步分析 NetSense 数据，我们还发现，持有校园多数派立场的学生更换群组成员的频率低于持有非主流立场的学生。数据显示，从量化角度来看，下学期转入的多数派立场持有者保留群组成员资格的概率约为85%，而持有少数派立场的学生的比例是75%。此外，我们发现，持有多数立场的人不仅在群体中保留成员身份的时间更长，而且在更多群体中享有对成员身份的多数控制权。我们发现，平均而言，多数成员持有少数意见的群体数量仅为53%，仅略高于多数成员持有多数意见的群体数量的一半。
我们发现，获得高效用的节点更有可能持有多数立场，而这基于其在总人口中所占比例的偶然性预测。同样，从统计上看，高效用的节点持有少数立场的可能性较小，这基于持有少数立场者在总人口中所占比例的偶然性预测。此外，观察到频繁更改群体成员身份的节点的效用低于其他节点。[1]
那么我们可以发现，一个回声室的基本结构是什么？是由一组高度同质化，而且之间高度利他的群体组成，而且，一旦一个节点频繁更改身份或者立场，那么效用就会低于其他节点，换句话说，一个群组中的高活跃群体必定是具有明确观点，甚至激进观点的人。
回到这个问题，我们可以发现，这两个事件中，从上到下，对大学的关注是变得更集中的，因此武汉大学被多次点名也能证明这一点。
当然，如果我是豆瓣小组，我会怎么破除对武汉大学的持续关注呢？
我们可以用一句谚语概括，“Hide a tree in the forest”（把树藏在森林里），换句话说，将我们对武汉大学的模因和声讨进行解构。
举个例子，我们目前的称呼是“诬汉大学”，那么只要反过来创造一百个类似的模因，比如“诬狗”“诬猫”“诬蛙”，只要创造无数个诬X的模因，那么自然可以分散大量对武汉大学的关注。
除此之外，我们还可以看看Proceedings of the International AAAI Conference on Web and Social Media在2021年8月的这篇文章。
根据包含任何相关主题标签的推文，实验构建了代表Twitter用户之间政治交流的网络。着眼于公共用户交互的两种主要模式，即提及和转发，我们通过以下方式定义通信链接。在转发网络中，如果 B转发，则一条边从代表用户A的节点运行到代表用户B的节点。
唔姆，如图所示，以上是通过提及和转发网络上的标签传播计算出4950对聚类分配之间的最小、最大和平均ARI相似度。结论很明显，表3说明了每个图的聚类分配结果之间的高度平均一致性。
唔姆，如图所示，以上是使用强制导向算法布置的政治转发（左）和提及（右）网络。节点颜色反映集群分配。社区结构在转发网络中很明显，但在提及网络中则不太明显。在转发网络中，红色簇A由93%的右侧用户组成，而蓝色簇B由80%的左侧用户组成。
为了调查跨意识形态的提及，我们将观察到的手动注释用户之间的链接数量与在图表中预期的值进行比较，其中用户在不了解政治立场的情况下相互连接。预期链接数量的直觉如下：对于一组具有 k个有向边的用户，我们保留每条边的源并将目标顶点分配给图中的随机用户，模拟用户的场景与意识形态无关。
唔姆，如图所示，以上是及和转发网络中不同政治阵营的用户之间观察到的链接数量与预期链接数量之间的比率。我们报告了每个政治阵营的用户之间观察到的链接数量与预期链接数量之间的比率。对于这两种沟通方式，用户更有可能与他们同意的人互动。然而，这种效应在提及网络中远没有那么明显，我们在其中观察到大量的跨意识互动。[2]
那么在这里，我们可以明确一下，什么是跨意识互动呢？举个例子，在一个坐标轴上，观点A是（1,1），那么和观点A完全异质的观点是（-1，-1），（-1,1）和（1，-1）都不符合完全异质。
因此，我们如果将杨景媛这种类型的人标记为“女权+强硬态度”，那么与之相反的就是“温和态度”，换句话说，肖同学这种类型的人和杨景媛是完全异质的，因此，最容易受到杨景媛的攻击。但反过来说，只要态度比武汉大学和杨景媛还强硬，那么相比之下武汉大学和杨景媛就变成温和派，此时就可以做到反向的“跨意识互动”。
参考
- ^Flamino, J., Szymanski, B.K., Bahulkar, A. et al. Creation, evolution, and dissolution of social groups. Sci Rep 11, 17470 (2021). https://doi.org/10.1038/s41598-021-96805-7
- ^Conover, M., Ratkiewicz, J., Francisco, M., Goncalves, B., Menczer, F., & Flammini, A. (2021). Political Polarization on Twitter. Proceedings of the International AAAI Conference on Web and Social Media, 5(1), 89-96. https://doi.org/10.1609/icwsm.v5i1.14126