集智俱乐部

2026-07-15

导读：用统计力学、非平衡态物理学的框架解构信息传播、谣言演化等底层逻辑

导语

2026年6月发表于Physics Reports的一篇文章，由复杂网络与统计物理学界的领军人物 Guido Caldarelli, Manlio De Domenico, Oriol Artime 撰写的综述《新闻，谣言和观点的物理学》系统性地阐述了如何运用统计力学、复杂网络科学和非平衡态物理学的框架，来解构现代社会中信息传播、谣言演化与观点极化的底层逻辑。

关键词：信息传播，谣言，动力学，复杂网络，复杂自适应系统

郭瑞东丨作者

论文题目：The physics of news, rumors, and opinions

论文链接：https://www.sciencedirect.com/science/article/pii/S0370157326002073

发表时间：2026年8月5日

论文来源：Physics Reports

随着互联网的出现，物理网络与社会网络之间的界限已经变得模糊。这催生了一个复杂的自适应信息生态系统，在这个系统中，个人和机器都在争夺注意力，从而产生了各种集体现象。信息生产者的种种行为，从制造或策略性放大操控性内容，到大规模的协调转发，这些行为都可能引发错误信息传播、回声室效应以及意见两极分化等问题。

该文首先建立了分析描述上述复杂系统的理论基础，然后探讨了复杂网络的结构模型以及表征社交动力学的物理模型（例如，流行病模型和自旋模型）。随后，该文通过描述现代媒体生态系统中的社会动态来进一步阐述这些概念。这包括对各种平台的比较分析，以及信息混乱所带来的挑战。

在接下来的部分中，该文这一框架应用于两个核心现象：首先，通过分析信息传播的集体动态，重点关注相关模型、主要实证发现，以及错误信息所具有的独特特征；其次，本文回顾当前关于意见动态建模的方法，涵盖离散模型、连续模型以及协同进化模型等不同类型的方法。

信息传播网络的拓扑特征

要理解信息如何传播，首先必须理解承载信息的社交网络所具备的拓扑结构。真实社交网络展现出几个颠覆传统随机图理论的标志性特征。之前的研究认为网络中少数节点则扮演着“枢纽节点”的角色，它们拥有极高的度。早期的研究表明，这种度分布通常遵循幂律分布规律。这一发现使得许多网络被归类为“无尺度网络”。然而，后续的大规模统计分析表明，纯粹的幂律分布其实并不像最初认为的那样常见。相反，许多网络更适合用截断的幂律分布、对数正态分布或指数截断模型来描述。与这会对信息传播或疫情传播等动态过程产生重要影响。例如，虽然中心节点可以显著降低疫情爆发的门槛，但低度节点的稀缺性可能会降低长尾传播效应发生的可能性。

真实社交网络还具有小世界效应与高聚类。其全局平均路径长度极短（保证信息能迅速触达全局），但局部聚类系数极高（朋友的朋友也是朋友），这为“社会强化”和“回音室”的形成提供了温床。

现实世界网络中的一个普遍特性是社区性或模块化结构的存在：节点会聚集在一起，形成具有密集内部联系但外部联系稀少的群体。种介观层面的组织方式在生物系统中体现了功能专业化现象，在引文网络中表现为不同主题的群体，而在人类互动图中则表现为各种社交圈子。这样形成的模块化网络导致信息在跨社区传播时面临“结构洞”的阻碍；而同配性（相似节点倾向于连接）则是政治极化和意识形态隔离的网络拓扑根源。

从信息传播的角度来看，关键在于重尾度分布、小世界效应、聚类现象、社区结构以及同配性等规律性特征并不会以次要方式影响扩散过程：它们决定了扩散是局限于局部区域还是会扩展到整个系统；强化效应是只发生在局部社区内，还是会扩散到远处群体；以及具有影响力的节点是可以通过局部知名度来识别，还是可以通过它们在整体结构中的位置来识别。从这个意义上说，实证网络分析提供了任何现实扩散模型都必须面对的结构性约束。

信息传播网络的建模

该文回顾了从纯数学到物理机制的网络生成模型。作为基准的ER图无法解释重尾和高聚类；Watts-Strogatz (WS) 模型通过引入“随机重连”概率，让高聚类与短路径如何共存。Barabási-Albert (BA) 模型与优先连接：揭示了“富者愈富”的累积优势机制如何自然涌现出幂律度分布。

随机双曲图 (RHG)是近年来网络科学的重大突破。将网络嵌入到负曲率的双曲空间中，径向坐标代表“流行度”（度），角坐标代表“相似度”。RHG在一个极其简约的几何框架内，同时统一了无标度、高聚类、小世界和层级社区结构，为社交网络的导航和潜在空间建模提供了强大的物理工具。同时，这种模型既可以作为解释性模型，也可以作为网络合成与分析的实际工具。从统计物理的角度来看，随机双曲图模型也可以被描述为具有约束总系统能量的最大熵集合；这种表述方式自然能够容纳额外的约束条件，比如任意的中观尺度结构。

这些不同的模型，源于对信息传播网络中对不同实证规律的回应方式。随机图模型体现了稀疏的连通性和路径长度的特点；小世界模型则解释了局部凝聚力与全局影响力之间的共存关系；适应度模型和隐藏变量模型则考虑了度的异质性；而块模型或潜在空间模型则能够捕捉到介观层面的组织、相似性和模块化特征。从这个角度来看，这些模型在信息传播研究中的实用性取决于我们试图保留、解释或忽略哪种实证特征。

网络科学发展的核心方向之一是提出生成式模型，通过明确的规则来指导网络的构建与演化，这些规则规定了如何添加新的节点和边，以及如何重新连接或移除现有的边。这些模型的重点并不在于单纯地重建网络的演化过程，而是理解这些过程如何驱动着宏观结构的形成。例如在社交网络中，我们观察到的“回音室”或“核心-边缘”结构，究竟是真实的物理信号，还是仅仅因为少数大V的活跃（异质性）而产生的随机统计假象？

文中重点介绍基于 Jaynes 最大熵原理的零模型（Null Models）。通过约束网络的某些宏观观测量（如每个节点的度序列），在满足这些约束的所有可能图中寻找熵最大的概率分布（等价于统计力学中的正则系综）。该模型可识别哪些结构模式对新闻、谣言和观点的传播具有重要影响的方式。

最大熵零模型相当于为网络构建了一个“受约束的随机背景”。如果真实网络中的社区结构显著偏离了最大熵零模型的预测，我们就能有底气地宣称：这里存在真实的社会学机制（如话语社区、同质性偏好），而非单纯的统计涨落。这种方法论彻底改变了计算社会科学中“伪相关性”的泛滥。

生成式的机制性模型为纯粹的统计或几何模型提供了补充性视角。它们明确指出如优先连接、三角关系形成、身份认同构建、同质性以及活动爆发等微观过程如何相互作用，从而形成实证网络中观察到的宏观结构特征。需要强调的是，新闻、谣言和观点的传播实际上是在由这些机制塑造的社会基础之上进行的，而信息动态与网络演化之间往往存在强烈的反馈循环。一个主要的局限性是，在现实的社会技术系统中，这些机制很少单独出现。实证网络通常包含累积优势、局部闭合、同质性、平台介导的推荐作用以及时间上的动态变化等因素。因此，生成模型的主要价值并不在于提供网络形成的字面性描述，而在于识别出那些可以针对数据中的特定结构特征进行测试的最小化过程。

社会动态的物理模型

在确立了网络基底后，文章第三部分系统梳理了用于描述状态在网络上演化的物理动力学模型。这些模型构成了理解信息传播和观点演化的工具箱。这些模型基于统计物理学原理，最初用于解释材料与生物系统中的相变、临界现象以及非平衡动力学。它们为捕捉人类互动的复杂、活跃且非平衡的特性提供了一个强大而简洁的框架。这些模型模拟信息的采纳或传播方式、网络的时空探索方式，以及意见的集体一致性或两极分化，能通过定量分析微观层面的互动规则是如何转化为宏观社会结果的。

渗流理论和分支过程是两个基本的随机模型，它们为传播现象提供了互补的视角。在社会技术系统中，这两个模型的重要性在于：许多传播现象都具有明显的特征，比如局部灭绝与系统范围的连锁反应之间的鲜明差异，以及疫情规模的巨大差异。而正是这些现象，使得连通性阈值和繁殖率波动成为了描述这类现象的自然方式。

渗流理论（Percolation）将信息传播视为网络上节点的“占据”。当占据概率 p 超过临界阈值 pc时，系统发生相变，涌现出贯穿全局的巨连通分量（GCC）。这解释了为什么某些迷因会突然“破圈”引发全球病毒式传播。

分支过程用基本再生数 R0描述早期级联的存活概率。而为了捕捉社交媒体上“爆发性”和“自激发”的时间特征，Hawkes过程被广泛使用。其强度函数 λ(t)=μ+∑g(t−ti)完美刻画了历史事件如何激发未来事件，是描述 Twitter 转发风暴的标配物理模型。

在实践中，渗流理论有助于我们理解全球性的连接性以及最终爆发的规模，而分支过程则能够捕捉到早期的随机动态和灭绝概率。像Hawkes过程这样的时间模型通过融入事件的真实时间安排，进一步丰富了我们对这一现象的理解。现代信息传播研究越来越多地结合这些观点，将渗流理论用于处理临界阈值问题，将分支过程近似法用于描述早期动力学过程，同时利用点过程模型来模拟实际的时间模式。不过，当相关过程主要由传播机会和随机繁殖所驱动时，这些框架才最为有效。而当采纳行为严重依赖于强化、记忆或策略性行为时，这些框架就不太适用了——这正是下文所讨论的更复杂的社交传染模型所关注的方面。

将信息类比为病毒，是早期社会物理学的主流。在这些模型中，每个个体都被归类到少数几个互斥的状态中。然而信息的传播方式与病原体并无完全相同之处。而在社会语境中，信息的恢复、遗忘、再次接触或重新激活往往具有不同的含义。简单的 SIR 模型假设单次接触即可感染，这无法解释现实中需要“社会强化”的复杂信息采纳行为。

为了弥补简单传染的缺陷，可引入了线性阈值模型 (LTM) 和独立级联模型 (ICM)。复杂传染（Complex Contagion）中个体采纳某种观点或行为（如参与社会运动、使用新技术），往往需要观察到多个邻居已经采纳。这种“多重暴露”和“社会强化”机制，使得复杂传染在高度聚类的网络中反而更容易传播，而在随机网络中容易消亡。这颠覆了“小世界网络最利于传播”的传统认知。

信息传播、社会学习理论以及算法在影响最大化问题上的应用，不断加深着我们对于信息、行为和创新如何在复杂社会系统中演化的理解。同时，这些模型也继承了其简化假设所带来的重要缺陷：影响往往被简化为单调激活过程，战略行为几乎不存在，而阈值或传播概率的经验校准则并非易事。它们的优势在于能够隔离强化效应和种子效应；而它们的弱点在于，现实中的交流环境通常比模型所假设的更加多样化、具有更强的适应性，并且其语义结构也更为复杂。

伊辛Ising模型将个体的二元观点（支持/反对）映射为自旋（+1/-1）。邻居间的耦合 J代表社会同侪压力，外部场 h 代表大众媒体，该模型中的铁磁相变对应社会系统中的共识形成，而临界现象（磁化率的发散）则对应社会舆论的极度敏感性和突变。Kuramoto模型用于描述连续观点的同步。每个个体是一个具有自然频率的振荡器，通过耦合逐渐对齐相位。这为理解社会共识的渐进形成、部分锁定（极化）提供了连续的物理图景。

这类同步模型在社交系统中的吸引力在于它们能够描述群体之间的逐步协调、部分锁定以及协同与非协同群体的共存现象。不过，这些模型的经验性解释通常比物理振荡器系统更为间接，因为测量得到的社交变量与振荡器相位之间的对应关系并不唯一。对于类似 Kuramoto 模型的社会动态模型来说，社交网络的结构是一个重要的考虑因素。网络的拓扑结构，无论是无标度、小世界还是随机结构，都会深刻影响同步过程，进而影响到扩散模式和意见形成的方式。研究人员需仔细将这些复杂的网络结构纳入模型中，以反映现实世界中的社交联系。

Kuramoto 模型的变体还可研究意见如何在社会中两极分化或趋同。在不同的网络结构下，社交网络可以从高度连通到较为分散的不同状态。在这种模型中，社交网络中的每个个体都被视为一个“振荡器”，而个体对某个话题的兴趣则体现在该振荡器的相位上。个体之间的互动，如对话、辩论或听取他人的观点，被建模为这些振荡器之间的耦合强度。此外，模型还考虑了有限信任的耦合关系，以及基于单位球体的高维意见空间，从而实现稳定的共识或两极分化状态。

现代媒体生态与信息传播的实证机制

该文第四、五部分将物理模型落地于现代数字媒体生态（X/Twitter, Facebook, Reddit, WhatsApp等），揭示了信息传播的微观机制与介观约束。该部分分析为什么每个平台都受到了科学界的关注，总结迄今为止发现的关键现象规律，并讨论一些实际的问题，如 API 的限制、数据偏见以及伦理约束。此外，该文还会简要回顾这些网络在不同尺度上的涌现特性及其所带来的主要问题。

不同的平台规则，直接决定了信息传播的物理方程：

X (Twitter)及类似的微博是有向关注网络+时序转发网络。它允许研究者分离“潜在暴露”（粉丝图）与“实际传播”（转发图）。其层级结构呈现出明显的蝴蝶结结构（Bow-tie structure）：包含强连通核心（LSCC，意见领袖）、输入端（IN，权威信源）和输出端（OUT，大众受众）。

Facebook的双向好友，同时算法推荐带来的·高聚类。这种拓扑天然适合复杂传染和回音室（Echo Chambers）的形成。实证表明，Facebook 上的信息传播高度依赖局部社会强化。

Reddit是基于主题而非个人关系的社区。其物理拓扑表现为二部图和评论树。研究表明，Reddit 的跨社区交流较多，意识形态回音室不如 Facebook 显著，但存在基于人口统计学特征的隐性隔离。

WhatsApp/Telegram端到端加密导致网络不可见，必须使用超图（Hypergraphs）和群组共现网络来重建传播路径，这里的传播呈现出极强的局部爆发和隐私屏障。

在 Facebook 和 Twitter 上，同质性（Homophily）导致了严重的回音室效应。事实核查信息往往只能在科学阵营内传播，一旦进入阴谋论阵营，甚至会引发 “逆火效应（Backfire Effect）”（即反驳反而强化了原有错误信念）。相比之下，基于主题的 Reddit 平台意识形态回音室较弱，但存在基于人口统计学特征的隐性隔离。而跨越不同平台（Telegram, Twitter, 微博）和不同语义场的信息传播级联数据，在经过适当尺度缩放后，展现出惊人的普适性，其标度指数（如 τ=3/2）与物理学中的分支过程或随机场伊辛模型（RFIM）高度一致。这表明不同平台上的信息传播可能属于同一个普适类。

观点动力学（Opinion Dynamics）

-内在状态的连续或离散演化

社交媒体平台已经彻底改变了信息在社会中的传播方式。大规模的新闻或虚假信息可以在几分钟之内迅速传播开来，而理解为何某些内容会“走红”则成为了一个重要的科学和社会挑战。信息的传播并非仅仅是网络上的传输过程，而是受到注意力、信任、社会强化以及社会关系的组织等因素的影响。这些研究为当代关于在线传播的研究提供了概念基础。物理学的贡献并没有取代这一视角；相反，它通过引入粗粒度的动态模型和严谨的评估工具，为分析提供了补充性的视角，这些工具有助于量化哪些经验结构具有实际意义，以及需要哪些机制来再现这些结构。

图 1 展示了三种关于“观念、创新与态度”传播的理论，这些理论出自 1982 年的一本文化地理学教科书「人类马赛克》。在物理学家的眼中，“重新定位扩散”类似于热传递理论中的对流现象，而“传染式扩散”则更接近于传导现象。图 1 中的另一种传播模型“层级式扩散”让人联想到 Lazarsfeld 提出的两步传播模型，该模型原本用于描述大众媒体对选举的影响。这种模型提出了一种由大众媒体和网络同伴同时产生影响的观点，这一观点在社交媒体研究中被证实是可行的。在那些已被充分研究的数学模型中，与之最相似的可能是反应-扩散系统。

图1：文化传播的模型

关于在线传播过程的实证研究表明，类似传染病SIR模型对信息传播机制的理解往往不够充分：在许多情况下，信息的传播不仅取决于是否接触到了相关信息，还取决于积累了多少次不同的接触机会、这些信息是从哪些社会环境中获得的，以及人们是如何与这些信息互动的——这些因素都受到了有限的注意力和先前信念的影响。这些实证证据促使我们不再采用那种类似于谣言或流行病描述的模式来进行分析，而是转向那些需要强化、反复接触或多重信号才能促进采纳的模型。而不是仅仅依靠一次成功的接触就能实现采纳。实证研究一直强调，在采纳决策中，强化效应和阈值效应至关重要，社会影响并非像简单的传染那样发挥作用，而更像是一种由认知因素介导的过程。在这种过程中，各种情境线索会增强影响的显著性和可信度。

图2： 2002-2003 年伊拉克战争而发起的连锁邮件宣传活动的传播过程。这些邮件的发送次数随着向下移动而逐渐增加。

关于信息传播的微观机制模型中，最简单的Daley-Kendall模型引入了“窒息者（Stiflers）”概念。与病毒不同，谣言传播者遇到已经听过该谣言的人时，会失去兴趣并停止传播。这种机制导致谣言的最终规模与网络拓扑中的密切相关：Hub 会迅速变成窒息者，从而阻断谣言的长尾传播。

Dodds-Watts 的社会传播模型假设个体能够记住过去接触过某种传染性影响的情况。在时间t时，每个个体d都有的概率从另一个随机选择的个体那里获得一剂 p的传染性影响。在过去的t个时间步骤中，个体总共获得的传染性影响剂量之和如果突破一个阈值，一个易感个体就会被感染。对个体触发传染能力的阈值进行调节，会对传染发生的概率产生显著影响。而且，那些容易受影响的个体数量越多，传染发生的概率就会越高。有关该模型行为的概述，请参见图 3。该模型揭示了“易感人群”比“意见领袖”对触发全局级联更为关键。

图3：上排图表展示了Dodds-Watts社会传播模型的“剂量响应曲线”，即在一个时间单位内，如果有k个邻居被感染，个体被感染的概率。下排图表则展示了感染个体在接收到来自感染邻居的传染机会时的稳态感染比例。

信息传播的路径和最终规模受到网络介观结构（社区、核心-边缘、同质性）的强烈约束。影响力不仅取决于节点的“度（Degree）”，更取决于其全局特征核心度（k-shell）。物理学中的集体影响力（Collective Influence, CI）指标被证明能更准确地识别出那些连接不同社区的“隐藏影响者”，从而更有效地触发或阻断全局级联。

利用最大熵零模型，研究者可以从认证用户（大V）的受众重叠中剥离噪声，提取出真实的“话语社区”。实证发现，政治辩论网络普遍呈现 “蝴蝶结（Bow-tie）”结构：包含信息源（IN）、意见领袖核心（LSCC）和大众受众（OUT）。这在物理学上印证了社会学中的“两步流动”理论，即信息必须通过核心节点的中介才能跨越社区边界。

图4：在复杂网络中，存在一种蝴蝶结式的网络的组织结构。这种结构由一个核心节点构成，该节点通过强连通分量与所有用户相连；而边缘节点则无法与核心节点相连。

扩散过程不仅受到暴露结构的影响，还受到认知状态、行为反应以及活动模式等异质性的影响。这些因素有助于解释：为什么具有相似网络位置的用户可能会在级联增长过程中扮演截然不同的角色，以及为什么一些类似流行病的模型只有在加入了具有心理意义的状态变量之后，才能继续发挥作用。

分数阶 SIR (FSIR) 模型和考虑注意力衰减的模型能对行为异质性与认知免疫建模。个体的“心理免疫力”、对信息过载的阈值、以及基于记忆的多重暴露累积（Dodds-Watts 模型），使得信息传播不再是简单的马尔可夫过程，而是带有认知延迟和非线性响应的复杂动力学。即使假信息被辟谣，由于它已融入个体的心理模型，其影响依然长期存在（表现为物理上的滞后现象 Hysteresis）。

即使在采取了纠正措施之后，错误信息的持续存在，这就是所谓的“持续影响效应”。对此需要采用具有非马尔可夫记忆核的模型来捕捉长期记忆现象。传统的马尔可夫模型认为，状态转换的概率仅取决于当前状态，而不受过去经历的影响。然而，心理学研究表明，即使人们已经意识到错误信息的虚假性，他们仍然会继续依赖这些错误信息，尤其是当错误信息已经融入了他们的心理模型中时。非马尔可夫模型则引入了记忆效应，即接受或拒绝新信息的概率取决于之前经历的顺序和时机。这些模型能够解释诸如优先效应（早期的信息具有更大的影响力）以及难以摆脱根深蒂固的信念等现象。

在线信息生态系统中，信息传播是随时间发生的，涉及多个平台和形式，而且往往受到各种强化机制的影响，这些机制不仅取决于网络拓扑结构，还取决于协同的曝光、集体注意力以及内容的语义或情感特征。这些因素不仅为原本的标准模型增添了现实感，还能从质量上重塑信息传播的时机、有效阈值，以及信息传播的路径。因此，相关文献逐渐将单层、基于个体的描述方式扩展为具有时间维度、多层结构以及更高阶的框架。

人类活动具有强烈的爆发性（Burstiness）和记忆效应（事件间隔时间呈幂律分布，而非泊松过程）。这种非马尔可夫性意味着过去的暴露历史会直接影响未来的采纳概率。在自适应网络中，网络拓扑的演化与传播动力学的时间尺度相耦合，会产生自我强化的极化反馈。

当扩散行为不再局限于单一交互层时，又会出现新的限制。实际上，信息传播很少发生在孤立的平台上。用户通常会存在于多个在线环境中（如 Twitter、Facebook、WhatsApp 等），信息在这些相互连接的系统之间流动。从网络物理学的角度来看，这种情况最适合用多层或多重网络模型来描述。在这种模型中，每一层都代表一个独立的平台，而各层之间的连接则体现了跨平台的用户活动。层间耦合（桥接节点）能显著降低传播的渗流阈值。即使在单一平台上处于亚临界状态（本应消亡）的信息，也能通过多层协同引发超临界的全局爆发。

多模态内容（文本+图像+视频）在物理上等效于多层耦合，通过认知冗余协同增强了信息的“有效传播率”。叙事和高唤醒度情绪（如愤怒、恐惧）构成了高阶组织原则。它们利用人类的认知启发式偏差，极大地提高了信息的处理流畅度和感知可信度，使得嵌入叙事的虚假信息比单纯的流行病传染更具破坏力。

通过计算表征集体注意力这一有限资源的时间序列的转移熵（Transfer Entropy），可以提取出方向性的因果信号，作为大规模社会协调（如抗议活动）的早期预警指标。

意见动力学模型

意见动力学（opinion dynamic）模型与社会传播模型有所不同。在这些模型中，每个个体从一开始就有代表其观点的变量（身份、知识等），而这一变量会在模型运行过程中发生变化。社会学的一个基本假设是，人类的行为和决策方式受到个体对各种事务所持意见的影响。然而，意见并非影响意见变化的唯一因素。长期以来，社会科学界一直在争论个人特质与情境因素之间的相对影响——这一争论被称为“个人与情境之争”[479]。这场争论的核心在于确定社会行为最重要的预测因素。虽然个人特质与意见之间存在关联，但其他有影响力的因素也逐渐被提出来。研究表明，性格特征可以预测一个人的平均行为表现，尤其是在社会影响较小的情况下。

最基础的连续变量是无参数voter投票模型。个体随机模仿一个邻居的观点。在低维格点上，系统经历“粗化（Coarsening）”过程，最终走向全局共识（吸收态）c，如何捕捉达到共识状态的不同方式。引入了群体规模 q 和非线性指数 α后，当 α>1时，个体表现出对改变的“阻力”（类似于一阶相变）；当 α<1时，个体极易受多数派影响。这解释了社会中为何会出现“沉默的螺旋”或“突然的舆论反转”。引入了代表“个体独立思考/媒体随机影响”的噪声参数a后，噪声的存在消除了吸收态，恢复了遍历性。系统会经历从双峰分布（两极分化/共识）到单峰分布（多元共存）的连续相变。

实中的观点往往是连续的（如 0 到 1 之间的政策倾向）。Deffuant-Weisbuch (DW) 模型的核心机制是有界置信度。只有当两个体的观点差异小于容忍度ϵ时，他们才会相互妥协、相互靠近。当ϵ较大时，系统走向全局共识；当 ϵ减小，系统发生分岔，意见空间分裂为多个孤立的聚类（极化）；当 ϵ极小时，系统陷入碎片化。这完美映射了现实社会中“中间派消失、极端派林立”的现象。Hegselmann-Krause (HK) 模型中个体不是与单个邻居妥协，而是取其“置信区间”内所有邻居的局部平均值。这是一种高阶相互作用。HK 模型同样展现出临界阈值 ϵc≈0.2，低于此值，社会必然碎片化。

图5：根据容忍度参数的不同取值，Deffuant–Weisbuch 连续意见模型可能的结果：a所有节点都持有相同意见的情况；b意见分裂为多个中间立场的情况；c意见空间出现两极分化的情况。右侧的图d展示了 DF 模型的分岔图：不同意见集群的位置随着容忍度参数的变化而变化。粗线表示由多数代理组成的集群，而细线则表示即使代理数量有限，也无法形成多数派集群的集群位置。e和f展示了相关集群的质量分布。

传统模型假设网络是静态的，但这违背了人类“道不同不相为谋”的本性。自适应网络与碎片化相变引入了观点与拓扑的协同演化（Coevolution）。当个体发现邻居观点与自己相左时，除了改变观点（妥协），更可能选择断开连接（Rewiring），转而寻找观点相似的新邻居（同质性重连）。以重连概率p为控制参数。当p<pc 时，网络保持连通，系统通过局部妥协达成全局共识；当p>pc时，网络发生碎片化相变（Fragmentation Transition），分裂成多个互不相连的组件，每个组件内部达成共识，但组件之间观点迥异。这在物理上对应于系统的渗流相变或伊辛模型中的对称性自发破缺，是解释当今互联网“部落化”和“政治极化”的最有力物理模型。

总结与物理学视角的方法学启示

信息的传播动态受到简单和复杂的传染过程的共同影响。虽然一些错误的观点通过病毒式传播等方式传播（即简单传染），但另一些观点则需要反复接触或社会层面的强化才能传播开来（即复杂传染），尤其是在意识形态上相对孤立的社区中。阈值模型和有限信心下的意见动态分析有助于理解如何通过强化、选择性接触和网络共同进化来维持两极分化现象，并使某些观点随着时间的推移而变得更加持久。时间维度进一步增加了复杂性，包括突发性、记忆效应以及非马尔可夫式的互动等现象。因此，我们需要建立能够捕捉这些生态系统非静态动态的时间依赖模型。这进一步强调了研究无序结构中传播模式背后原理的必要性，同时也需要衡量各种在线媒体中的不同叙事形式所具有的普遍性。

即使网络结构或信息获取方式发生微小变化，也可能引发集体信念系统的重大变化。人类心理因素，如确认性偏见、动机性推理以及身份保护型认知行为，在其中起着关键作用。社会心理学研究指出，这些偏见会加剧人们对虚假信息的敏感性。个体决策与社会困境之间的相互作用。例如，在分享速度和准确性之间的权衡问题进一步增加了应对这些问题的复杂性。因此，通过介观层面的分析，将微观层面的认知偏见与宏观层面的社会差异联系起来显得至关重要。

对虚假信息、误导信息以及不良信息的研究体现了这一基于物理学的框架在现实问题中的应用价值。通过整合各种结构和动力学方面的见解，我们可以更好地理解虚假信息是如何传播、持续存在并不断演变的。在对抗虚假信息的过程中，必须考虑到恶意行为者以及平台生态系统本身的适应性特征。源识别方法，包括基于网络的归因技术和机器学习分类器，面临着诸多挑战，比如伪装网络和跨平台传播等干扰手段。同时，内容审核政策往往难以在审查风险与快速干预需求之间取得平衡，尤其是在加密或私密空间中，虚假信息更容易滋生。与此同时，这些模型的经验性校准仍然很困难，因为这一过程依赖于对错误信息的明确定义、针对不同平台的可见性机制，以及人们对纠正和干预措施的多样化认知反应。

关于新闻、谣言和观点的物理学原理的统一视角表明，这些现象不仅仅是社会或技术方面的问题，它们还是由集体动态、随机过程和网络组织等普遍规律所塑造的复杂适应系统。未来的研究应注重跨平台分析，以追踪信息的迁移与韧性，并开发适用于政策的模拟模型，以便在现实且动态的条件下对干预措施进行压力测试。通过将这些努力建立在实证网络科学和随机过程、相变理论以及渗透理论等理论进展的基础上，同时考虑到人类行为的复杂性，我们就能更好地应对这个超连接信息时代的挑战，并构建一个更加明智且富有韧性的数字社会。