《Entropy》：Co-Opetitive Bridging Structure in Rumor Cascades: A Multilayer Overlapping Community Approach with Information-Theoretic Characterization
编辑推荐：
社交媒体上的谣言事件会产生相互对立的阵营，其交互结构是传播模型或内容检测器无法捕获的。本研究描述了新浪微博上三个谣言事件的阵营与桥接结构，这些事件选自该平台辟谣频道发布的已确认案例。每个事件被表示为一个由转发、评论和提及关系构建的多层交互网络。阵营通过基于模块
社交媒体上的谣言事件会产生相互对立的阵营，其交互结构是传播模型或内容检测器无法捕获的。本研究描述了新浪微博上三个谣言事件的阵营与桥接结构，这些事件选自该平台辟谣频道发布的已确认案例。每个事件被表示为一个由转发、评论和提及关系构建的多层交互网络。阵营通过基于模块度的社区分配进行检测，重叠度通过社区上的分数成员分布来衡量。三个信息论量表征了该结构。在这三个事件中，成员熵区分了忠实用户与桥接用户。结构-立场互信息（MI）衡量交互社区与文本立场之间的一致性。跨层互信息衡量阵营在不同交互类型间的一致性。一个由平均边情感构成的竞合矩阵描述了阵营内部的合作与阵营之间的竞争，并识别出联盟结构。在这三个事件中，成员熵呈双峰分布，结构-立场互信息为正且高于排列零分布，竞合矩阵具有正的对角元素。这三个事件表现出三种不同的时间模式，即持续对峙、官方纠正后向单一阵营的硬化、以及两个阵营之间的联盟逆转。这些模式在无前瞻性的时间方案下得以恢复。在这三个事件中，桥接用户的介数中心性高于非桥接用户。结果描述了三个谣言级联中的跨阵营桥接结构，并将其结构与阵营关系的竞合解读联系起来。
谣言与错误信息在社交媒体上影响公众信任，并可能扰乱公共事件期间的社会秩序。现有量化研究主要沿两条路径展开：一是以易感-感染-恢复（SIR）类模型为核心的传播动力学与控制策略，二是基于传播图的机器学习谣言检测。二者分别回答谣言传播的规模、速度与消息真伪，但均未刻画用户之间的交互结构、围绕谣言形成的阵营，以及连接这些阵营的用户。博弈论模型将谣言传播视为谣言方与辟谣方之间的对抗，但通常预设阵营存在，未从交互数据中检测阵营。极化研究关注用户如何按信念聚集并识别回音室等结构，但多数方法将社区视为非重叠，未能显式建模桥接用户。因此，该研究旨在利用多层网络与重叠社区框架，结合信息论度量与竞合矩阵，从经验数据中刻画谣言级联的阵营与桥接结构。
研究人员以新浪微博辟谣频道发布的三个已确认谣言事件为对象，基于转发、评论、提及关系构建多层交互网络，通过基于模块度的社区分配检测阵营，并以分数成员分布度量重叠。该研究提出成员熵（membership entropy）、结构-立场互信息（structure-to-stance MI）、跨层互信息（cross-layer MI）三个信息量，并构建平均边情感的竞合矩阵。研究发现，三个事件均呈现双峰成员熵、正向且高于排列零分布的结构-立场互信息、正对角的竞合矩阵，以及三种不同的时间动态：持续对峙、官方纠正后向单一阵营硬化、以及阵营间联盟的逆转。桥接用户的介数中心性显著高于非桥接用户。这些结果将谣言级联的结构与竞合解读联系起来，为理解在线冲突提供了可复用的测量组件。论文发表于《Entropy》。
主要技术方法方面，研究人员构建包含转发、评论、提及三个相互作用层的多层网络，层间以统一权重聚合。采用模块度最大化局部移动算法检测社区（硬划分），随后将划分松弛为分数成员分布，以阈值标记桥接节点。数据来自新浪微博辟谣频道公布的三个已确认案例（R1、R2、R3），观察期分别为2022年11月25日至12月9日、2023年4月14日至4月28日、2024年5月23日至6月6日。信息论度量包括成员熵、结构-立场互信息与跨层互信息，并以排列零分布检验显著性。竞合矩阵基于文本情感符号（正/负）计算。时间分析采用固定支架、累积无前瞻和独立快照三种方案。研究还进行了多种鲁棒性检查。
研究结果分述如下。5.1 阵营结构与桥接群体：在三个事件中，R1和R2检测到2个社区，R3检测到3个社区。成员熵分布呈双峰，较大用户群熵近零，对应忠实用户，另有高熵群对应桥接用户。双高斯混合与双峰系数支持这一分离，表明桥接用户不是单峰分布的尾部。5.2 结构与立场一致性：结构-立场互信息在所有事件中高于排列零分布，归一化值分别为R1 0.97、R2 0.81、R3 0.28，经验p<0.001。R3较低归因于反转事件中用户立场的时间变化。5.3 竞合结构与桥接角色：竞合矩阵对角线全为正。R1、R2为对立两阵营；R3存在两个阵营间正非对角元，表明联盟。桥接角色中中介节点和摇摆节点为主，争议节点几乎为空，与联盟结构一致。支付对齐率接近1。5.4 时间动态：R2在官方纠正窗口前后，窗口级结构-立场互信息上升，平均桥接熵与边体积熵下降，最大阵营比例上升，表明向单一阵营硬化；R3在反转窗口内互信息下降，呈反转模式；R1无单一触发点，指标保持高位，呈持续对峙。5.5 跨层一致性：跨层互信息为中等水平（R1 0.49，R2 0.57，R3 0.55），评论与提及层最一致，转发层与其他层差异最大，支持多层独立建模。5.6 无前瞻时间分析：累积方案恢复了与固定支架相同的触发模式，而独立快照方案结果低且不稳定，说明信号来源于累计交互历史。5.7 基线方法比较：聚合模块度方法与参考阵营高度一致，NMI(Ref)达0.99至1.00；重叠表示使桥接F1显著优于硬划分基线（R1 0.90，R2 0.81，R3 0.74），未损失划分质量。5.8 桥接用户与介数中心性：桥接用户的转发层介数中心性均高于非桥接用户，秩双列相关r分别为R1 0.34、R2 0.14、R3 0.28，效应量因事件类型而异。5.9 鲁棒性：改变分辨率、重叠阈值、层权重及情感规则，主要结论不变。
讨论部分指出，三种时间模式可对应结构平衡理论中的极化、向共识转变和带联盟的分裂。R1为极化，R2向共识移动，R3为带联盟的分裂。桥接熵下降指示硬化，结构-立场互信息下降指示反转，可作为平台治理的候选监测信号，但需更大样本验证。结论部分重申，该研究描述了三个谣言事件的多层交互网络中的阵营与桥接结构，验证了信息论度量和竞合矩阵的适用性。具体而言，成员熵双峰检验提供了无需监督标签的桥接模式诊断；累积分析下的NMI(C;X)轨迹可区分对峙、硬化和反转三种动态；竞合矩阵提供了跨事件可比较的阵营间情感流紧凑表示；阈值敏感性分析为重叠指标的稳健性报告提供了模板。未来研究可扩展至更多事件，纳入账户属性与人工标注，并检验前瞻性分类能力。
