模仿意见领袖：基于智能体的大语言模型观点合成与社交媒体情感预测研究

《Journal of Social Computing》：Mimicking the Mavens: Agent-Based Opinion Synthesis and Emotion Prediction for Social Media Influencers

本研究针对社交媒体意见领袖观点与情感预测的挑战，提出多领域意见领袖智能体情感预测(MOAEP)框架。该框架通过自动问题生成(AQG)模块构建5W1H格式问题集，结合检索增强生成(RAG)技术模拟60个跨领域意见领袖的观点表达，并实现事件前情感预测。实验表明，该框架在"俄乌战争"案例中成功预测关键意见领袖观点，情感预测结果与实际趋势相符，为计算社会科学提供了新的决策支持工具。

　　

在社交媒体时代，意见领袖如同现代社会的"舆论风向标"，他们通过具有情感煽动性的内容塑造公众态度和行为。然而，预测这些意见领袖的观点和情感却面临巨大挑战——网络交流的非结构化、语境敏感和异质性使得传统的情感分析方法往往只能进行事后分析，缺乏前瞻性预测能力。

为了突破这一局限，魏清兰、薛瑞琪、肖洪江等研究人员在《Journal of Social Computing》上发表了一项创新研究，提出了名为MOAEP的多领域意见领袖智能体情感预测框架。这项研究旨在通过大语言模型(LLM)技术，模拟跨领域意见领袖的视角，实现事件发生前的情感预测。

研究人员构建了一个包含三个核心组件的智能框架：首先，自动问题生成(AQG)模块运用"5W1H"提问法系统探索主题维度；其次，多领域意见领袖智能体(MOA)模块将增强的大语言模型与检索增强生成(RAG)技术结合，生成领域特异性响应；最后，情感预测引擎通过合成智能体交互来预测集体情感响应。

关键技术方法包括：基于Langchain的链式大语言模型实现从单一主题到5W1H格式问题的自动生成；利用Faiss进行快速向量相似性检索；构建包含60个意见领袖角色的知识库，涵盖政治、经济、技术、社会、娱乐和军事六大领域；采用基于语义规则的领域自适应情感词典构建算法进行情感计算。研究数据来源于微博平台上具有10万以上粉丝的意见领袖近期发布的文本内容。

自动问题生成模块的高效性

AQG模块通过两次连续调用大语言模型，首先生成主题背景文本，然后提取5W1H格式问题集。评估结果显示，该模块生成的问题在主题相关性和格式准确性方面均获得高分，GPT-4评价得分接近满分。特别值得注意的是，该模块在不同主题类别（健康、经济、心理学）上均表现出稳定的生成能力。

多领域意见领袖智能体的真实模拟

MOA模块创新性地提出了"广义角色"概念，通过将多个匿名实体角色绑定来降低伦理风险。每个领域构建10个代理意见领袖角色，共60个角色。评估结果表明，这些智能体在模仿特定角色语言风格(CUS得分7.558)和利用角色特定知识(SPE得分8.175)方面表现优异，平均GPT-4评价得分为6.85(0-10分制)。

预事件情感预测的准确性

以"俄乌战争"为案例研究，该框架成功模拟了60个角色对该主题的观点响应。通过观点提取和聚类分析，550个观点句子被分为八大类别。情感计算结果显示，六大领域意见领袖对该事件均呈现轻度负面情绪，其中军事领域情感值最低(-0.0909)，这一预测结果与实际情感趋势高度吻合。

消融实验验证框架有效性

与基线模型相比，MOAEP框架在情感预测方面表现出显著优势。传统的大语言模型在模拟意见领袖情感时存在固有偏差，而MOAEP框架通过自动生成的5W1H问题集，使智能体能够结合领域特征从多角度深入思考特定主题，有效减少了极端情绪的出现。

超参数敏感性分析与多主题测试

补充实验表明，该框架在不同超参数设置下保持稳定性能，同时在处理各类社会热点问题时展现出良好的适应性。特别是在军事话题上，军事领域专家角色表现出最强的负面情绪，体现了领域与问题匹配的效应。

研究结论表明，MOAEP框架成功实现了从事后分析到事前预测的范式转变，为计算社会科学提供了创新的研究方法。该框架不仅能够准确模拟多领域意见领袖的观点表达，还能实现情感趋势的提前预测，为政策制定者评估政策沟通效果提供了定量工具。尽管当前研究在验证方面仍面临挑战，但这一方法为理解复杂社会系统中的意见形成和情感传播机制开辟了新途径，具有重要的理论价值和实践意义。