俄罗斯在线社交网络模块化对COVID-19虚假信息传播的影响：社会网络分析与全国代表性调查的结合研究

本研究针对COVID-19疫情期间虚假信息传播与社交网络结构的关联问题，通过分析俄罗斯VK社交平台166个城镇的网络模块化指数（fragmentation index）与23000份调查数据，发现网络碎片化程度与虚假信息传播呈正相关，与真实信息接受度呈负相关。研究揭示了社交网络结构对健康信息传播的放大效应，为公共卫生干预提供了新视角。

　　

在COVID-19大流行期间，虚假信息和阴谋论的传播成为全球公共卫生的重大挑战。俄罗斯作为疫苗犹豫率最高的国家之一，其超额死亡率与健康信息传播的混乱密切相关。传统研究多聚焦于社交媒体的使用行为，却忽视了网络结构本身对信息扩散的潜在影响。这种认知空白促使研究人员探索一个关键问题：在线社交网络的模块化特征如何塑造健康信息的传播路径？

为回答这一问题，研究人员结合VK（俄罗斯主流社交平台）的网络数据与全国性调查"RoCIRR"（涵盖166个城镇的23000名受访者），首次量化了城镇级网络碎片化程度与COVID-19信息传播的关联。通过构建调整后的模块化指数（fragmentation index），采用Louvain算法进行社区检测，并结合多层级回归分析，研究揭示了网络结构对信息生态的系统性影响。

信息传播部分的研究结果显示：网络碎片化每增加一个单位，居民接触虚假陈述的比例显著上升5.7%（P=0.04），而对真实信息的接触率下降6.8%（P=0.006）。这种"信息偏食"现象在VK用户群体中尤为突出，证实了假设1(a)和1(b)的成立。

态度形成部分的发现更具启示性：碎片化程度与对真实声明的信任度呈现强负相关（β=-0.848，P<0.001），但对虚假声明的态度影响不显著（P=0.55）。深入分析发现，碎片化导致居民对真实医疗信息的认同比例下降10.2个百分点，同时使真假信息的态度差异扩大0.998个点（P=0.005），形成典型的"认知鸿沟"。

技术方法上，研究主要采用：1）基于VK API的社交网络数据采集，通过广度优先搜索（BFS）构建城镇级网络；2）Louvain算法计算模块化指数；3）多层级线性回归模型控制个体特征（如年龄、教育程度）和城镇变量（工资水平、人口规模）；4）全国代表性问卷调查测量COVID-19信息接触与态度。

讨论部分指出，这项研究突破了传统健康传播研究的三个局限：首先，将网络科学中的"弱连接理论"应用于健康信息研究，证明跨社区连接对真实信息传播的关键作用；其次，发现社交媒体的影响具有"双重性"——虽然平台使用增加信息接触量，但网络结构决定信息质量；最后，提出"结构性信息风险"概念，即某些社会网络形态天然容易滋生健康谣言。

这项发表在《JMIR Infodemiology》的研究具有多重意义：为公共卫生部门识别"信息脆弱社区"提供新指标；提示算法设计应考虑打破信息孤岛；证实网络结构可能比内容监管更能长效遏制虚假信息。正如作者强调的，当网络模块化成为"认知隔离墙"，单纯的辟谣效果将大打折扣——这或许解释了俄罗斯在疫情期间面临的特殊挑战。未来研究可进一步探索线下社交网络与在线结构的交互作用，以及模块化对不同文化背景人群的差异化影响。