打开文本图片集
摘 要：采用基于Agent的建模和仿真方法和舆情动力学模型，利用Netlogo平台实现了多Agent微信群舆情演化原型系统，并利用原型系统进行仿真试验，考察了微信群舆情演化的特点，验证了模型的有效性。
关键词：微信群；建模与仿真；舆情演化；Netlogo
随着互联网技术的飞速发展，网络传媒的影响日益突出，深刻影响着社会的政治、经济、科技和文化等各个领域，网络已经成为拥有强大社会影响力和舆论动员力量的重要传播工具。以微博、论坛、微信为代表的网络媒体对舆情信息传播的影响更加复杂深刻，我国正处于改革发展的关键期和矛盾突发期，网络舆情信息变成了危害当前社会和谐、稳定的焦点问题。本文采用基于Agent的建模与仿真方法，利用Netlogo平台实现了微信群舆情传播的仿真，并给出了试验结果和分析。
1 微信群舆情信息的传播模型
根据传播学奠基人之一拉扎斯菲尔德提出的“二阶段传播理论”，大众传播只有通过“意见领袖”的中介作用才能发挥影响，所以网络信息的传播通常分为两个阶段，首先会被意见领袖所获取，然后通过凭借他的影响力传播给群落中的普通大众。在传播过程中，意见领袖充当着信息扩散者的角色，能够对普通大众的决策过程施加影响。微信传播是线上的人际传播，也将经历这两个阶段。根据微信群传播的实际情况，微信群舆情传播将可以分为3个阶段：点对点传播、群落内传播、大范围传播。
首先，上网者通过自己的亲身经历、所见所闻，或者仅仅从网上收集到一些信息，出于某种目的，在微信上向个别“好友”传播。然后这个网友把信息发布在微信群中，群里的部分成员往往会简单地复制到他所属的另一个微信群，或者直接转发到“朋友圈”，让所有的好友都能看到；也有一些成员会对这个信息保持沉默，不传播这个信息；一些理性的成员会对信息产生质疑，在群内进行讨论，并在群内形成一个压倒性意见，新的压倒性意见或许与原来的观点完全相反导致信息“变异”，也可能“强化”了原来的信息，无论是“变异”还是“强化”，都有可能再次激发传播动力，于是开始大量向外传播信息。一旦参与传播的微信群达到一定规模，信息就开始大面积扩散，导致网络危机事件的出现。
由于研究的目的性，本文假设首次在微信中出现的舆情信息都是负面的。在信息传播过程中，同样的信息会再次被转发到这个微信群，称之为信息的“回流”。有些微信群将对于“回流”的信息保持沉默，不再进行传播，这样的微信群称之为处于“免疫”状态。
2 基于Agent的舆情传播仿真
舆情信息在网络中的传播过程是复杂的，目前对它的传播机理还没有完全掌握。一般的传播模型常用微分方程的形式加以描述[1]。但对于微信群舆情传播建立类似的微分方程动力学模型是不可行的，因为微信群的舆情信息传播是复杂信息网络与复杂社会网络相互作用、共同演化的非线性动力学过程，存在大量复杂的、不确定的因素，而基于微分方程的动力学模型则无法体现细节复杂性、结构复杂性到适应复杂性各个层面的复杂性需求。
舆情演化动力学强调描述个体之间的信息交互过程，参与意见交换的人群构成一定人际关系网络，根据一定的规则交换意见[2]。采用仿真方法对微信群舆情传播进行研究则采用了另一种思路，它首先设定一些规则，让系统在一定的环境中自发演变和发展，考察演化过程中涌现出的若干性质。仿真方法的独特的优势在于，它超越了还原论的思想，用基于局部个体空间相互作用的微观离散动力学模型代替宏观的整体模型方法，在计算机病毒传播、传染病等领域中取得了不少研究成果[3]。本文根据微信群舆情传播特有的复杂性，提出一种新的基于Agent的建模方法和思路[4]。
2.1 模型假定
为了便于研究，对建模条件进行一些必要的、简化性的假设。
假设1：在微信群中，传播的舆情信息只有两类：负面信息、正面信息，首次出现在微信中的舆情信息总是负面信息，因为我们建模主要关注负面信息的传播。
假设2：一个微信群只能有一个代表性意见。尽管微信群的成员很多，持有的意见也不尽相同，但总是有一个压倒性的态度，这个总体态度决定了此微信群在舆情传播中的作用。
假设3：在微信群讨论过程中，舆情信息可能发生变异。变异指的是负面信息转变为正面信息，或者正面信息转变为负面信息。如果信息被强化，不算是变异。
假设4：微信群可以具有免疫能力。免疫指的是如果同样的舆情信息再次传播到此微信群，此微信群不再进行二次传播。
2.2 属性设定
把每个微信群作为一个Agent看待，每个Agent具有自己的属性，包括群内活跃度、群间活跃度、对舆情（主要指负面信息）的态度、变异度和处于的免疫状态。
Agent的群内活跃度（D）：代表群内成员的交流、讨论的热情，决定了舆情信息引发讨论的概率。
Agent的群间活跃度（S）：代表了群内成员与其他群交换意见的意愿，决定了向外传播舆情的概率。
Agent的态度（A）：微信群对舆情信息的判断。有3种可能：未接受到舆情信息、正面态度、负面态度。
Agent的变异度（H）：代表了此微信群成员对舆情信息的理性程度，决定了通过群内讨论，引发信息变异的概率。
Agent的免疫状态（I）：对此舆情信息是否免疫。
2.3 规则设定
微信群从接收舆情信息被激活、内部讨论到向外传播都需要遵循一定的局部规则，通过迭代性的自发演化，体现出涌现性。
步骤1：在网络中随机激活一个或者多个Agent，此时这些Agent接收负面的舆情信息，处于负面态度。
步骤2：被激活的Agent的边也被激活，根据群间活跃度（S）进行第一次传播，周边部分Agent被负面信息侵占。
步骤3：某个Agent根据群内活跃度（D）判断是否进行群内讨论，如果选择讨论，信息以变异度（H）的概率发生变异。
步骤4：某个Agent根据免疫度，确定向外传播，或者保持沉默让舆情在此Agent消亡。
步骤5：某个Agent根据群间活跃度（S）进行第二次传播。
步骤6：重复步骤2到步骤6。
3 仿真结果及结论
根据上文的设定的规则，在Netlogo[5]平台上进行仿真实现。如图1所示，其中绿色表示对舆情持正面态度（或者尚未接收到这个舆情），红色表示对舆情持负面态度；蓝色表示对舆情处于免疫状态，横坐标是运行时步，纵坐标是持不同态度微信群所占的百分比。
通过不断修改和调整Agent的属性值，可以有效模拟不同情况下微信群舆情信息传播的过程，从而考察微信群舆情信息演化的规律特点
3.1 舆情信息传播存在着明显的周期性特征
舆情信息传播都体现了初期快速扩散、中期稳定传播、后期逐步消亡的过程特征，即存在一个共性的生命周期。在舆情传播的初期，由于对此信息的免疫能力普遍不够，因此传播的速度会很快，然后进入传播的中期，微信群内的一些理性讨论会引导信息发生变异，不同的微信群呈现“拉锯战”特征，随着真相的逐步厘清，具有免疫能力的微信群数量增加，舆情信息的传播会逐步消失。
3.2 微信群的拓扑关系决定了舆情演化的初期效果
微信群之间通过其成员的“好友”关系，构成了一定拓扑结构的网络结构，这个结构对舆情演化起到了较大影响。每个微信群的相关群的数量称之为度（Degree）。通过仿真发现，微信群的度影响的是舆情处于传播初期状态的时间长短，度越大则传播的时间越短，舆情很快进入蔓延阶段。一旦将微信群之间的关系数量降下来，舆情初期传播的速度也随之降低。
3.3 微信群的活跃度影响舆情传播速度
微信群的活跃程度对舆情传播的速度有很大影响。在现实世界中，微信群成员的的在线率、理性程度是决定群活跃程度的主要因素。通过仿真发现，群间活跃度越大，舆情信息传播速度呈几何级数影响。如果群间活跃度很大，只要经过几个步长，其传播覆盖面就可以达到很大比例。
3.4 微信的变异度极大影响舆情演化的走势
变异度代表了信息转化的可能性，对舆情演化的影响非常大。在微信群舆情信息传播过程中，群内的理性讨论程度越高，则越能够识别舆情信息，从而促使负面信息转化为正面信息，将舆情引导为理想的结果。反之，很有可能演变成网络公共危机事件。通过仿真还发现，信息变异发生的越早，对负面信息传播收敛的越快，对舆情演变的结果就越有利。在现实世界中，群内成员的理性讨论一方面来自于群内成员的信息意识的成熟，另一方面需要受到外界因素的影响，比如官方媒体对事件真相的公开等。因此，应对舆情危机的有效方法是尽早给出权威的合理解释。
从仿真模型及实验结果来看，该模型能较好体现微信群舆情演化的一般特征，但对舆情演化的分析还相对初步，比如微信群之间构成的网络应该是无尺度网络[6]，而不是本文模拟的纯随机网络。尽管如此，这个模型与现实世界的微信群表现可以相互印证，较好地揭示了微信群舆情信息传播的机理，为进一步研究微信群舆情演化与监管提供了一种有益的思路和方法。
[注释]
[1]汪小帆，李翔，陈关荣.复杂网络理论及其应用[M].北京：清华大学出版社，2006：73-86.
[2]Claudio Castellano，Santo Fortunato，Vittorio Loreto. Statistical physics of socail dynamics[EB/OL].[2013-10-4].http：//arxiv.org/PS_cache/arxiv/pdf/0710/0710.3256v2.pdf.
[3]Barrett C L，Eubank S G，Smith J P.If small pox strikes portland[J].Scientific American， 2005，3：42-49.
[4]Zagreb，Croatia.An introduction to agent based modeling and simulation of social processes[EB/OL].[2013-10-20].http：//arxiv.org/ftp/cond-mat/papers/0409/0409312.pdf
[5]Netlogo[EB/OL].[2013-10-4].http：//cc.northwestern.edu/netlogo
[6]Barab si A L，Albert R.Emergence of scaling in random networks[J].Science.1999，286：509-512.
[参考文献]
[1]汪小帆，李翔，陈关荣.复杂网络理论及其应用[M].北京：清华大学出版社，2006：73-86.
[2]Claudio Castellano，Santo Fortunato，Vittorio Loreto. Statistical physics of socail dynamics[EB/OL].[2013-10-4].http：//arxiv.org/PS_cache/arxiv/pdf/0710/0710.3256v2.pdf
[3]Barrett C L，Eubank S G，Smith J P.If small pox strikes portland[J].Scientific American，2005，3：42-49.