算法对数字社区中冲突与合作的影响

《PLOS Complex Systems》:Algorithmic influence on conflict and cooperation in digital communities

【字体: 大 中 小 】 时间:2026年04月08日 来源:PLOS Complex Systems

编辑推荐:

  摘要 本研究聚焦于两个具有影响力的平台——X和维基百科上讨论与信息传播的对比动态。X平台常常成为争议性辩论的战场,用户们在此直接对抗;而维基百科则营造了一个旨在达成共识的协作环境。通过研究诸如俄罗斯入侵乌克兰这一极具争议性的事件,本文探讨了信息在这些不同社区中的分享、争议及形

  摘要
本研究聚焦于两个具有影响力的平台——X和维基百科上讨论与信息传播的对比动态。X平台常常成为争议性辩论的战场,用户们在此直接对抗;而维基百科则营造了一个旨在达成共识的协作环境。通过研究诸如俄罗斯入侵乌克兰这一极具争议性的事件,本文探讨了信息在这些不同社区中的分享、争议及形成过程。我们从X平台收集了使用标签#UkraineRussiaWar的数据,并通过自然语言处理(NLP)技术对讨论内容进行分类,以突出其中多样的主题。通过将数据分为支持战争和反对战争的立场,分析了用户的反应以及推动这些讨论的主要议题。对于维基百科,我们收集并分析了多位作者的评论和贡献,以了解其协作讨论和共识构建的过程。

作者总结
本研究探讨了两个主要数字平台——X和维基百科——如何塑造关于俄罗斯-乌克兰战争的讨论及冲突管理方式。X平台往往引发两极分化的辩论,而维基百科则促进旨在达成共识的协作编辑。通过分析用户生成的内容,我们揭示了不同的沟通模式以及平台设计在话语形成中的作用。在X平台上,社区分裂为支持战争和反对战争的两派,各自关注不同的叙事,跨群体对话极少。支持战争的一方强调地缘政治论点,而反对战争的一方则关注人道主义问题。这种缺乏共同话题的情况进一步削弱了协作,导致讨论变得碎片化,从而减少了相互理解的机会。相比之下,维基百科的讨论更注重事实准确性、命名规范和基于证据的编辑,体现了更加结构化且较少两极分化的环境。研究发现,X平台的话语熵值较低,表明语言较为简单;而维基百科的熵值较高,反映了更为复杂和微妙的交流。我们的发现强调了平台结构和社区规范如何影响在线冲突与合作的动态,为设计促进有效对话和知识共享的数字生态系统提供了启示。

1 引言
数字时代深刻改变了信息的生成、分享和吸收方式。像维基百科这样的协作平台,以及像X(原名X)这样的社交媒体,已成为全球信息生态系统的核心,推动了知识/信息的产生和在线社交动态的发展。理解这些平台上的互动、冲突与合作动态,不仅有助于揭示数字文化的重要方面,还为理解平台设计如何影响人们的讨论和冲突解决方式提供了宝贵工具。在此背景下,分析用户互动可以更深入地洞察集体行为如何塑造新兴的、更广泛的文化现象。维基百科和X平台已被用于比较合作和内容审核案例[1];其他研究则探讨了这些平台的互动复杂性,例如利用维基百科用户活动作为预测电影票房成功的早期方法[2],凸显了大数据在文化语境中的预测能力[2]。还有一些研究[3]关注维基百科内部的冲突动态,揭示了编辑争议的复杂性质及其解决过程[3]。此外,还有研究[4]探讨了“编辑战争”现象,深入分析了维基百科编辑之间的冲突与合作模式[4]。另有研究[5]对人机网络进行了跨学科调查,揭示了这些互动在包括维基百科和社交媒体在内的各种平台上的广泛影响[5]。类似地,[6]和[7]的研究探讨了回音室和信息过滤泡沫现象如何显著影响社交媒体上的信息传播和认知[6,7]。维基百科在在线协作与冲突中的角色也从不同角度进行了探讨,有的研究强调了协作努力对平台整体可靠性的贡献[8],有的则指出了导致在线知识社区争议的因素[9],为理解话题冲突的动态提供了实证基础[9]。还有研究[10]通过历史流可视化技术追踪维基百科作者之间的合作与冲突[10]。此外,[11]研究了冲突与语言复杂性之间的关系,发现争议性文章往往会降低其相关讨论页面的语言复杂性[11],这表明冲突不仅影响协作动态,还可能影响平台内的话语语言特征[11]。除了维基百科,还有研究探讨了维基百科与其他平台(如模型[12])之间的互动,该模型结合了谷歌、维基百科和X的数据,可用于预测冠状病毒死亡人数,凸显了这些平台在追踪现实世界事件方面的相互关联性[13],甚至在局部现象中也有所体现[14]。还有研究[15]通过词嵌入技术比较了维基百科和X的语言差异[15],而[16]利用维基百科内部的社会网络研究了贡献者之间的社交互动结构和动态[16]。始终借助自然语言处理(NLP)工具,[17–19]的研究探讨了情绪在社交媒体上错误信息传播中的作用,发现带有情感色彩的内容更易被分享,这可能加剧错误信息的传播,并受到社会文化环境的影响,最终显著影响集体行为[17–19]。因此,对于像X这样极化程度高且冲突频繁的平台(这里的“冲突”指对特定议题的不同意见),研究通过关注算法和错误信息的作用,进一步加深了我们对这些动态的理解[20],特别是算法如何影响政治信息的传播,可能加剧极化现象[20];后续研究[21]对X平台上的算法偏见进行了审计,揭示了内容呈现方式的系统性偏差[21],其他研究[22]也调查了2016年美国总统选举期间假新闻对公众舆论的影响[22]。此外,极化和冲突不仅存在于X平台,也有研究[23]探讨了这些现象在“协作”平台上的存在,例如极端主义行为的出现和监管[23]。这些研究共同强调了分析维基百科和X等平台上协作与冲突动态的重要性,以及算法如何塑造信息格局。它们共同为我们提供了观察更广泛数字环境的窗口,在这个环境中,信息传播、公众舆论和社会行为日益紧密相连,算法在信息流动中起着关键作用。尽管许多研究聚焦于算法、动态和人们讨论分享信息的环境,但很少有研究分析争议性讨论中产生的冲突的解决与管理方式。本研究旨在填补这一空白。

2 结果
为了探索不同平台上的冲突与合作动态,我首先提出了以下问题:如何检测和衡量给定网络中的合作动态?我采用文本分析方法,将各个账户之间的互动联系起来,并通过使用的词汇来衡量冲突和/或合作的本质。为了提取每个互动中最相关的词汇,我使用二元组(Bigram)提取了每个互动中最相关的主题,从而将人们与讨论主题联系起来。宏观讨论主题是2022年俄罗斯对乌克兰的入侵。图1和图2展示了两个不同的X平台社区:支持战争和反对战争的社区。不同的颜色代表某个主题下的词汇群体。可以看出,支持战争的社区(即认为俄罗斯入侵是正确的人)关注某些特定主题,如表1所示。

表1. 主题及其对应的社区颜色(支持战争)。
图1. 支持战争主题网络。
图2. 反对战争主题网络。

表2. 主题及其对应的社区颜色(反对战争)。

支持战争的一方使用北约存在和2014年“尊严革命”政变等论点来表达反对战争的态度,如表2所示。

反对战争的一方则更关注受攻击人民的苦难,并将普京称为战争罪犯。为了建立解决与合作的关系,至少需要为双方创建一个共同的讨论渠道,而北约这一主题在两个社区中都存在,但存在明显的两极分化。图3展示了维基百科社区内的主题和讨论。与X平台不同,维基百科需要为所有账户(支持战争和反对战争)找到一个共同的解决方案,实际上之前的X平台主题并未被使用。大多数用户讨论和互动集中在不同主题上,如表3所示。

表3. 维基百科主题网络。

可以看出,维基百科的讨论主要集中在编辑请求、阅读以及关于某些主题的选择(浅蓝色)和账户之间的互动(深蓝绿色)上。从这些初步结果可以看出,两个社区在讨论主题上存在明显差异。例如,维基百科的讨论并未特别关注北约问题(可能是因为缺乏相关参考或证据),而X平台则关注这一问题。另一方面,支持战争的一方缺乏来源,反对战争的一方也缺乏来源,这表明讨论内容缺乏协作性,因为每个人都在表达自己的观点而不依赖任何来源,从而大大减少了对话和批评来源的可能性,进而降低了合作和冲突解决的机会。表4列出了两个平台的相关主题。可以看出,三个群体之间存在明显的对比和距离。

支持战争的讨论主要围绕意识形态和地缘政治叙事展开,强调政治解读和战略考量;反对战争的社区则主要受情感和人道主义因素驱动,讨论内容涉及冲突的人道成本(包括平民伤亡、家庭苦难以及对战争罪行的谴责)。维基百科社区则采取了一种技术性、组织性和描述性的方法,其贡献集中在事实澄清上,如更新冲突术语、识别相关方及确保内容的准确性。虽然X平台倾向于意识形态和情感叙事,但像维基百科这样的知识驱动型平台则更重视客观记录和描述性清晰度。关于合作动态,该表表明,由于缺乏共同主题,两个X平台群体之间的互动尤为困难,难以达成协作和共识。这种碎片化不仅反映了每个社区的不同优先事项,还凸显了跨平台对话的挑战,因为它们采用不同的沟通方式。主题上的缺乏重叠可能减少了有意义的交流机会,进一步巩固了各社区在其各自的讨论边界内,反而可能强化了回音室效应,而非促进跨社区互动。图4展示了参与编辑、更新和改进维基百科页面的各种账户的活动情况。下载:PPT、PowerPoint幻灯片、PNG格式的大图、TIFF格式的原始图片。图4. 维基百科账户活动。链接:https://doi.org/10.1371/journal.pcsy.0000087.g004

这张热图揭示了两个显著的观察结果。首先,它表明在俄罗斯入侵乌克兰之前,就已经有活动发生了,具体来自两个账户:Tobby72和8.28.81.21。这两个账户之前就与维基百科社区有过互动,要求将页面标题修改为“俄乌战争”,这可能是俄罗斯早在几个月前就决定入侵乌克兰的宣传活动的一部分。第二个观察结果是,只有少数账户会一次性表达他们的观点,并且这些账户没有编辑账户名(名称由维基百科本身用数字表示以区分它们),而“专业”账户是最活跃的,它们通常需要纠正其他账户并对页面进行修改或提出建议。然而,一个潜在的局限性是,X平台和维基百科的某些账户可能实际上属于同一个人。尽管考虑的数据集规模相对较小,但无论是通过X平台的API还是通过维基百科的抓取,都无法获得如电子邮件地址等账户级别的标识符,这些信息可以进行验证和跨平台匹配。此外,即使这些信息在理论上可用,同一个人仍然可以在不同的平台上使用不同的账户(包括不同的电子邮件地址)。因此,任何匹配过程都存在很高的假阴性风险,因为同一个人可能使用两个不同的电子邮件地址。

图5展示了维基百科账户之间的网络互动,通过结合节点和边属性提供了信息。下载:PPT、PowerPoint幻灯片、PNG格式的大图、TIFF格式的原始图片。图5. 维基百科网络账户:主题、情感、情绪和熵。链接:https://doi.org/10.1371/journal.pcsy.0000087.g005

节点根据其相对重要性(大小)和社区归属(颜色)来表示,而边则传达了额外的信息层次,包括通过BERTopic提取的主题、情感、情绪和香农熵。该图显示,某些账户在编辑、评论和提出修改建议方面的作用显著高于其他账户。此外,它强调了用户之间的互动不仅在熵方面有所不同,它们所传达的情感基调也不同。最后,许多灰色账户仅表现为自循环,表明它们提出了文本修改建议但未收到任何回应。在这种情况下,我认为缺乏回应意味着接受了这些建议的修改。可以在上述链接找到动态的动画版本。

通过分析情感和熵之间的差异,可以在图6和图7中看到显著的不同。下载:PPT、PowerPoint幻灯片、PNG格式的大图、TIFF格式的原始图片。图6. X/Twitter和维基百科情感随时间的变化。链接:https://doi.org/10.1371/journal.pcsy.0000087.g006。图7. X/Twitter和维基百科熵随时间的变化。链接:https://doi.org/10.1371/journal.pcsy.0000087.g007

这两张图以时间尺度展示了X平台和维基百科上的情感和熵的图形表示。虽然两个平台上的情感似乎相对一致,但在熵方面存在明显对比。熵衡量信息的不可预测性或复杂性,在X平台上显著低于维基百科。这表明X平台上使用的语言通常比维基百科上的语言更简单、更缺乏细微差别。这种差异可以归因于内容创建的性质和每个平台的服务目的。在维基百科上,贡献需要得到可信来源的支持,编辑通常需要使用精确、正式且具有丰富上下文的语言来证明他们的编辑,并确保符合平台的可验证性和中立性标准。这种严谨性和细节的要求可能导致更高的熵,反映了更复杂的语言结构。维基百科社区的一个关键方面是其独特的平台文化,这种文化创造了“工作”和“志愿服务”的错觉。虽然贡献者是自愿参与的,但平台的结构化特性,包括编辑指南、同行评审流程和争议解决机制,反映了有组织的劳动,促进了社会环境的协作努力,有助于协作的传播和增长。而X平台的字符限制及其作为快速信息分享和实时反应的平台角色,自然倾向于使用更直接的语言,以最小化复杂性并最大化参与度和即时性。维基百科的结构化环境则鼓励对话、妥协和中立的追求,促进了更有建设性的合作形式。这两种对比鲜明的文化方式也塑造了每个平台内的冲突和合作动态。一个关键的紧张点在于管理用户参与的社会规则和目标。在X平台上,用户作为“公民”行使言论自由,受到的限制较少;而在维基百科上,用户则作为“志愿者”行事,遵守社区指南和协作标准。

3. 讨论

在俄罗斯和乌克兰冲突期间对X平台和维基百科的比较分析,为我们提供了关于不同平台上信息如何共享、讨论和塑造的深刻理解。通过检查X平台上的支持战争和反对战争的网络以及维基百科社区内的讨论,我发现了在话题处理方式、使用语言的复杂性以及用户互动动态方面的显著差异。尽管情感检测和情感分析没有产生显著结果,但主题和熵分析却显示了重要信息。在X平台上,对话的特点是两极分化的社区,每个社区都专注于特定的叙述——例如北约的参与或人道主义关切——几乎没有重叠。支持战争的社区倾向于使用历史和地缘政治论点,往往缺乏可靠的来源;而反对战争的社区则关注人权和谴责战争罪行。这种两极分化,加上平台的简洁性和即时性,导致使用的语言熵较低,倾向于简单直接的陈述,这些陈述可以迅速引起共鸣或引发反应。相反,维基百科的讨论展示了一个更加结构化和受监管的环境,在这里达成共识和保持中立的必要性至关重要。讨论的主题较少是站在某一方,更多的是关于准确描述事件、命名惯例和呈现经过验证的信息。引用和证据的要求使得语言的熵更高,因为贡献者必须构建更精确和复杂的论点来验证他们的编辑。这一点通过观察到的协作模式得到了进一步证明,其中只有少数专门的编辑频繁参与讨论以维护页面的完整性,而偶尔或一次性使用的用户影响有限。

另一个需要考虑的关键方面是维基百科上的贡献者通常如何看待他们的参与,是将其视为工作还是志愿服务。这种文化视角可能会随着时间的推移鼓励更加建设性和有条理的方法,这可能会显著影响社区内的冲突和合作行为。

4. 材料与方法

本工作的所有测试和结果都可以在链接中找到,包括维基百科用户互动的时间动画。在这项工作中,我分析了X平台和维基百科平台之间的互动,以观察用户是否能够在各自的社会网络中找到解决方案和合作。作为“战场”,选择了俄乌战争/入侵这一主题,这一主题在入侵发生两年后的今天(2022年2月24日)仍然在新闻中。虽然维基百科仍然是一个免费的数据收集平台,但X平台近年来经历了不同的变化,尤其是在其被新所有者收购之后。本出版物中提取和呈现的数据是在X平台新政策变更之前的数据。数据来自X平台(使用标签#RussiaUkraineConflict和#RussiaUkraineWar,这些标签在当时的互动次数最多)和维基百科,在2022年2月24日俄罗斯军队入侵乌克兰期间收集的。然而,在入侵两天后,X平台被俄罗斯政府封锁了。由于俄罗斯民众无法表达对正在进行的入侵的看法,我认为只使用前两天的数据是必要的,总共获得了5,480条推文。至于维基百科的数据,下载了战争前一个月和战争后一个月的用户互动数据,共计约85个讨论主题。为这两个数据库创建了协作网络,但对于维基百科来说,通常会与多人进行互动,因此可以创建一个网络;而对于X平台来说,由于许多参与者更喜欢通过使用标签而不是直接与其他用户交流来表达观点,因此很难识别出一个连贯的用户互动网络。因此,我为X平台(以及维基百科)的参与者创建了一个讨论网络,使我们能够观察讨论的主题,并提取出不同主题领域的用户互动的全面地图。对于这两个数据库,都使用了停用词来清理数据,并使用二元组(bigram)来提取主题。二元组是一串标记中的两个相邻元素,通常是字母、音节或单词。在许多应用中,二元组常用于文本的简单统计分析,包括计算语言学、密码学、语音识别等。在这种情况下,根据单词在同一句子中的连接频率,选择了最重要的单词作为节点,并将它们与同一句子中第二常用的单词连接起来(作为边)。二元组的概率使用以下公式计算:其中,表示在给定前一个单词的条件下单词出现的概率;表示单词对出现的次数;表示单词出现的次数。整个单词序列的概率可以这样计算:最终结果是一个主题网络。X平台的数据被分为支持战争和反对战争两部分,以突出不同的观点和社区差异。为了避免个人偏见问题,使用了Amazon Mechanical Turk (MTurk) 来分析这两个社区。每个用户被问及句子是支持战争、反对战争、中立还是完全无关。每个句子还留出了5分钟的时间,以避免用户匆忙并获得更好的结果。每个句子至少由3个人阅读和评估。如果被分析的推文与其标签集至少有三分之二的标签相同,则该句子被相应地标记。表5展示了标签的分布百分比。此外,为了避免政治偏见,只选择了不住在俄罗斯、乌克兰或白俄罗斯等国家的个人作为MTurk工作者。表格中的结果显示,78.4%的样本被赋予了标签,而其余部分包含至少有三个版本和相互矛盾意见的条目被排除在外。

关于情感分析和情绪检测模型的技术方面,我使用了最适合当前数据集的模型,该数据集几乎完全是英文的,并包含大量评论。选择这些模型是为了优化在这特定数据上的性能和准确性。对于情感分析,我使用了nlptown/bert-base-multilingual-uncased-sentiment模型,该模型在大约630,000条人类标注的产品评论上进行了预训练。在一个包含30,000条评论的保留测试集上,该模型的准确率为95%(偏移1),这是序数情感尺度的标准可靠性指标。对于情绪检测,我使用了distilbert-base-uncased-emotion模型,该模型在人类标注的Twitter情绪数据集上进行了微调。该模型的准确率为93.8%,F1值为93.79,在同一基准测试上与更复杂的架构(如BERT、RoBERTa)相当或更高。由于这些模型是作为经过验证的检查点应用的,并没有在这个语料库上进行重新训练,因此我没有计算新的混淆矩阵。相反,我依赖于它们针对人类标注数据的已发布验证结果。一个方法上的局限性在于与战争相关的话语中可能存在领域转移(例如,讽刺、委婉语、具有文化特性的情感表达),这一点在局限性部分已经得到了承认和讨论。本研究的情感分析和情绪检测组件可能存在的另一个局限性是缺乏账户级别的人口统计信息,如性别或教育背景。先前的研究[25,26]表明,性别特定的交流模式可能会影响在线讨论中的情感结果。然而,无论是抓取程序还是X API都无法提供可靠或符合伦理标准的人口统计标识符。此外,试图从用户名、头像或语言线索中推断这些属性会引入方法上的偏见和伦理问题。因此,本研究无法实施性别特定的分析。总之,为了分析X和Wikipedia用户之间的互动,以及通过BERT进行的情感分析和情绪检测(考虑到战争可能带来的影响),我们使用了自然语言处理(NLP)技术来观察在简单语言和复杂语言之间的冲突性互动与合作是否存在差异。

**支持信息**
**致谢**
本项工作得以完成,得益于2023年在都柏林大学学院(UCD)与Taha Yasseri的合作,期间得到了卡塔尼亚大学“Ettore Majorana”物理系的资助。我在那里攻读博士学位,由Giovanni Giuffrida教授指导。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号