基于大语言模型的多智能体模拟：心态类型与社群构成对AI教育应用舆论动态的影响机制研究

本研究针对数字时代舆论演化机制的核心问题，创新性地采用大语言模型驱动的多智能体系统（LLM-MAS），系统探究个体心态类型（从非常负面到非常正面的五级分类）与社会社群构成（SCC）对AI课堂应用舆论动态的影响。研究发现负面心态个体表现出更强的观点易变性与从众倾向，而社群主导心态类型显著塑造舆论环境，且正向观点传播效率高于中性观点。该研究为理解数字社群中复杂舆论形成机制提供了新范式，对网络舆情管理具有重要实践价值。

　　

在数字浪潮席卷全球的今天，社交媒体已成为舆论发酵的主战场。每当社会热点事件爆发，网络空间中总会出现观点激烈碰撞的奇观——有人积极拥抱变革，有人固执坚守立场，更有人态度发生戏剧性逆转。这种看似混沌的舆论演化背后，究竟隐藏着怎样的科学规律？传统研究多将个体视为理性决策者，却忽视了真实社会中"一千个读者就有一千个哈姆雷特"的认知差异。尤其当人工智能（AI）这类颠覆性技术进入教育领域时，公众的态度分化现象更为显著：有人欢呼"AI教师"将实现教育公平，有人则担忧技术异化会扼杀人文关怀。

针对这一科学难题，中国某高校的研究团队在《Computers in Human Behavior》发表了一项开创性研究。他们另辟蹊径地采用大语言模型（LLM）构建多智能体系统（MAS），首次系统揭示了个体心态类型与社会社群构成（SCC）如何共同塑造AI教育应用的舆论动态。这项研究不仅破解了数字社群中观点传播的"黑箱"，更为精准引导网络舆情提供了科学路线图。

研究团队开发了基于LLM的智能体建模框架，通过设定五级心态分类（非常负面、较负面、中性、较正面、非常正面）和四种SCC分布模式（均匀分布、正态分布、负幂律分布、正幂律分布），模拟了关于"是否增加课堂AI使用"的舆论传播过程。研究特别关注智能体间的观点交互机制，采用情感倾向分析和观点偏移度双重指标量化动态变化。

【Factors Affecting the Dissemination of Public Opinion Topics】
研究发现负面心态个体呈现"高敏感性-低稳定性"特征：非常负面心态者的观点偏移度达中性个体的2.3倍，且更容易被正向观点说服。这种"负面心态悖论"揭示了认知框架的筛选效应——悲观者更易接收负面信息，但一旦接触相反证据会产生认知重构。

【Dissemination of Topics】
在社群结构影响方面，正幂律分布（即社群中少数积极者主导）的传播效率显著高于其他结构。当积极节点占比超30%时，整个网络的乐观情绪传染系数提升47%，印证了"关键少数"在舆论引导中的杠杆作用。

【Descriptive Analysis】
数据揭示情感与认知的分离现象：虽然负面心态个体在观点陈述上趋向中立，但其情感倾向仍保持消极，这种"认知-情感错位"持续时间可达7个模拟周期，为理解网络舆论的反复波动提供了新视角。

【Discussion】
研究突破性地量化了心态类型与信息处理模式的关联：积极心态者对正向论据的接收效率是中性者的1.8倍，而负面心态者对负面论据的敏感度高达2.5倍。这种选择性注意机制导致不同社群形成截然不同的"信息茧房"。

【Conclusion】
该研究构建了首个融合认知心理学与社会动力学的LLM-MAS模型，证实个体心态差异会通过社会网络产生级联效应。特别值得注意的是，中性观点在传播中呈现"弱势中性"现象——其影响力仅为积极观点的63%，这颠覆了传统DeGroot模型（认为中性观点具有基准调节作用）的假设。研究发现当社群中积极节点占比达临界值（约35%）时，会触发舆论场的相变（phase transition），这一发现为舆情干预提供了精准阈值参考。

这项研究的现实意义在于：首先，为教育技术推广策略提供科学依据——针对负面心态群体应侧重情感共鸣而非理性说服；其次，揭示了网络社群管理的"关键少数"原则，即培养5%-10%的积极意见领袖即可显著改善舆论生态；最后，开发的LLM-MAS框架为研究疫苗犹豫、气候变化等复杂社会议题的舆论演化提供了通用技术平台。正如研究者指出："数字时代的舆论场犹如量子系统，既受个体认知的‘波函数’影响，也遵循社群结构的‘纠缠定律’。"这项研究正是解码这套复杂规律的重要里程碑。