基于二维极化检测的众包智能LSGDM模型
《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:A Crowd-Intelligence-Driven LSGDM Model Based on Dual-Dimensional Polarization Detection
【字体:
大
中
小
】
时间:2026年07月27日
来源:TRENDS IN FOOD SCIENCE & TECHNOLOGY 17.4
编辑推荐:
•研究亮点1:对群体数据中的情感极化与结构极化进行综合检测。•研究亮点2:基于自适应Deffuant–DeGroot–FJ混合模型实现定制化干预。•研究亮点3:通过反向云模型映射量化观点的模糊性与随机性。
引言
随着互联网技术的快速发展,以群体智能为驱动的大规模决策制定已成为数
•研究亮点1:对群体数据中的情感极化与结构极化进行综合检测。•研究亮点2:基于自适应Deffuant–DeGroot–FJ混合模型实现定制化干预。•研究亮点3:通过反向云模型映射量化观点的模糊性与随机性。
引言
随着互联网技术的快速发展,以群体智能为驱动的大规模决策制定已成为数字经济时代的关键决策范式[1]。根据苏罗维基关于“群体智慧”的基础理论[2],只有当观点的多样性和独立性得到保持时,集体智慧才能超越个体专业能力。在大规模决策制定的发展过程中,研究人员提出了多种机制来应对复杂的偏好环境。例如,近期有研究提出通过挖掘最大序数-基数共识来解决不完整的模糊偏好关系[3],并运用随机多准则可接受性分析来促进社交网络群体决策中的共识形成[4]。然而,唐和廖对大规模决策制定发展趋势的最新综述[5]指出,在线平台的高度开放性极大地复杂化了这一前提。随着非合作行为和观点聚集现象的日益普遍[6],回音室效应[7]和信息茧房[8]越来越威胁到决策者的独立性。这不仅会导致极端观点扩散、网络碎片化以及动态感知失效等系统性风险[9],在美國总统选举[10]和英国脱欧公投[11]等现实事件中也有体现。具体而言,极化在结构和情感层面都会对社会产生双重影响:在结构层面[12][13],它限制了公众获取多样化信息渠道的途径,加剧了确认偏误,削弱了决策的客观性;在情感层面[14],它会加剧情感分歧,比如在脸书和推特等平台上,算法放大的恐惧或愤怒情绪会助长谣言和“后真相”现象,进一步扭曲公众认知[15]。因此,准确识别结构极化与情感极化的各个维度,并设计有效的动态干预策略,仍是当前在线群体智能决策研究中的重要挑战。
群体极化概念由弗雷泽等人于20世纪70年代提出[16],描述了群体讨论如何使个体观点变得更加极端。后来,桑斯坦[17]和帕里泽[8]将这一现象延伸到数字空间,他们指出回音室效应、信息茧房以及个性化推荐系统都是加剧信息隔离的系统性风险。后续研究利用社会网络分析和图论来量化推特等平台上的结构极化现象。例如,加里梅拉[7]识别出了关键节点和社群,揭示了路径依赖的信息流动规律;戴和程[18]直观展示了党派极化现象;马塔科斯[19]通过图论指标衡量结构极化;库拉科夫斯基[20]则引入“心理步长”概念来量化意识形态差异。这些进展揭示了在线讨论的碎片化特征,但它们大多依赖于网络拓扑结构,忽视了情感倾向的连续分布,因而无法捕捉到情感极化现象。考虑到受情感影响的个体会表现出确认偏误和动机性推理,从而强化信念循环[21],研究人员开始运用情感分析技术来量化情感极化:穆斯科等人[22]使用情感得分的标准差,而普拉塞蒂和村田[23]则开发了基于直方图的指标以及加权同质性指数。不过,这些方法依赖于基础统计学,难以捕捉复杂的情感变化。随着对群体极化研究的深入,干预策略逐渐成为学术研究的重点。例如,李等人[24]提出了审议民主模型,博尔赫斯等人[25]设计了自适应网络演化模型,吴等人[26]则利用社交机器人传播信息,这些方法为降低不同网络结构和个体特征下的极化现象提供了灵活的解决方案。
尽管这些研究提升了人们对群体极化的理解,但将其应用于社交媒体环境中的大规模决策制定时,仍面临诸多根本性挑战。现有方法假设观点具有独立性,而回音室效应会放大相关噪声,导致群体决策结果出现偏差。此外,当前方法通常分别处理结构碎片化和情感分歧,未能把握二者之间的关联风险。最后,标准观点动态模型中的统一干预规则对于那些心理抵抗力极强的极端分子无效,从而导致持续冲突和决策共识难以达成。
总之,虽然在与群体智能相关的大规模决策制定领域已经取得了重要的理论和方法进展,但现有的整合方法往往忽视了群体极化带来的非理性偏差;而且目前的极化研究大多聚焦于静态网络或单一维度分析,缺乏对结构极化与情感极化特征的同步识别以及针对性干预措施。因此,在极化环境下开展在线群体智能信息融合与大规模决策制定工作面临着三个核心挑战:(1)如何高效准确地检测在线评论社区中的结构极化与情感极化特征;(2)如何针对不同的极化特征设计差异化的干预策略,以筛选出真正理性的观点;(3)如何将干预后的群体智能观点整合为统一且可靠的偏好值。
基于上述需求,本研究提出了一种新框架,其在三个关键方面区别于现有的大规模决策制定方法和极化干预策略:(1)同步双维度极化检测。以往的研究大多仅关注结构碎片化(如网络聚类)或情感分歧(如情感波动)中的某一方面。本文的创新之处在于构建了一个统一框架,能够同时检测并量化这两方面的极化程度。通过结合双模态情感测试(Dip Test + GMM)与基于随机游走的结构指标,我们克服了单一维度方法的局限性,从而全面识别决策过程中的群体极化风险。(2)异构自适应干预机制。现有的干预策略通常对整个网络应用统一的交互规则。相比之下,我们设计了一种混合观点动态机制,能够动态将用户分为极端型、过渡型和理性型三类。我们创新性地结合了用于处理顽固用户的Friedkin-Johnsen(FJ)模型与用于处理有限信心交互的Deffuant模型,相比传统统一规则,显著提升了干预的精准度和收敛速度。(3)基于反向云生成的不确定性校准信息融合机制。与传统依赖静态权重的融合方法不同,本研究利用云模型将干预后的观点分解为期望值、熵值和超熵值。这种分解方式为构建动态不确定性指数提供了必要的数学参数,使系统能够在融合过程中自动排除高噪声来源。
为验证所提模型的有效性和实用性,本研究以15万至25万元人民币价位的新能源轿车选购为案例,利用专业汽车评测平台及社交媒体上的用户生成内容作为决策输入数据。实验结果表明,所提方法能有效减弱情感极化与结构极化现象,提升最终排序的区分度,为新能源车型选择提供全面且具有科学依据的决策支持。
本文的其余部分安排如下:第2节回顾社会网络、观点动态框架以及云模型的相关理论,为我们的研究奠定理论基础。第3节介绍一种多源异构数据驱动的群体智能信息挖掘方法,详细阐述基础群体智能得分的计算方法以及辅助性的群体智能决策信息提取方法。第4节,我们构建了一个具备双维度极化检测功能的在线群体智能驱动大规模决策制定模型,包括极化检测、干预模拟以及基于云模型的信息融合功能。第5节通过新能源车型选购的案例研究,通过对比结果和参数分析来验证该模型的有效性与实用性。最后,第6节总结我们的研究结论,并探讨该研究的局限性。
生物通微信公众号
生物通新浪微博
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