COVID-19疫情期间社交机器人操纵虚假信息标签的网络传播机制研究

推荐：本研究通过分析Twitter平台在COVID-19疫情期间的标签共现网络，揭示社交机器人(bots)与人类用户(nonbots)在传播疫苗、羟氯喹(hydroxychloroquine)、5G等争议话题中的差异化策略。研究人员采用Botometer分类算法和Louvain社区检测技术，发现bots更倾向使用与特朗普(#Trump)、阴谋论(#QAnon)相关的标签，并显著放大反亚裔情绪标签。该成果为识别虚假信息传播路径提供了网络分析新范式。

　　

在COVID-19大流行这场全球健康危机中，社交媒体成为信息传播与谣言滋生的双重战场。当人们被迫居家隔离时，Twitter等平台涌现出大量关于病毒起源、防控措施的争议性内容，其中不乏声称"5G传播病毒""比尔·盖茨策划疫情"等反科学言论。更令人担忧的是，这些信息并非全部来自真实用户——大量自动化社交机器人(bots)正悄然操纵话题风向，通过特定标签(hashtag)组合放大虚假声量。这种"信息疫情"(infodemic)现象不仅干扰公共卫生决策，更激化了种族歧视与社会分裂。

为揭示bots的传播规律，加迪斯大学的研究团队开展了一项开创性研究。通过抓取2020年3-6月间107,173条英文推文，研究者构建了标签共现网络，并运用Botometer工具将账户分为bots(14.8%)和nonbots(85.2%)两类。研究发现bots尤其偏爱政治化标签，在羟氯喹话题中#Trump相关标签出现频次超14%，远高于人类用户；而在疫苗讨论中，bots更频繁组合使用#BillGates与#China等阴谋论标签。通过Louvain算法识别的社区结构显示，bots主导的社区普遍含有#QAnon、#MAGA等极右翼运动标签，以及#ChinaMustExplain等煽动性内容。该研究首次系统揭示了bots如何通过标签网络操纵疫情叙事，相关成果发表于《JMIR Infodemiology》。

研究采用三大关键技术：1) 通过Twitter Streaming API采集含#COVID19等关键词的推文；2) 使用Botometer(阈值0.8)进行机器人概率分类，排除自声明bots(self-declared bots)；3) 基于标签共现构建网络，计算PageRank中心性等指标，并应用Louvain算法检测社区结构。

主要结果呈现于多维度分析中：
【疫苗】bots主导的社区包含#billgatesisevil等阴谋论标签，其连接度(degree=44)显著高于科学类标签#vaccineswork(degree=28)。
【羟氯喹】特朗普相关标签占据网络核心位置，#trump的介数中心性(betweenness=10,106)显示其作为关键节点的控制力。
【5G技术】中国相关标签#china以42的连接度成为最大枢纽，bots频繁将其与#democratshateamerica等政治标签捆绑。
【实验室起源论】#africaisnotalaboratory等地理标签在bots推文中出现率是非bots的3.2倍。

讨论部分指出三个关键发现：首先，bots通过"标签捆绑"策略系统性地将公共卫生话题政治化，例如将#hydroxychloroquine与#MAGA强行关联；其次，反亚裔标签如#ChinaVirus在bot网络中的高频出现，证实自动化程序加剧了种族歧视传播；最后，社区结构分析揭示bots倾向于形成封闭传播圈，这解释了为何辟谣信息难以穿透特定群体。

该研究的现实意义在于为平台监管提供了可量化的识别指标——当某标签组合的bot使用率超过阈值时，可触发人工审核机制。方法论上，将网络分析(SNA)与社区检测结合的新框架，为后续研究虚假信息传播动力学树立了范式。随着AI生成内容(AIGC)技术的发展，这项基线研究对识别新一代深度伪造(deepfake)机器人具有前瞻价值。