1974年,Tversky等人在《科学》杂志上发表了他们的“幸运轮”实验的研究结果^{[ 1]}。该项实验表明,人们在对信息进行甄别和判断的过程中会以最初的信息（锚）为参照点来调整对事件的估计,致使最后的估计值趋向于初始的锚定值。这种现象被称为信息判断与甄别活动中的锚定效应（Anchoring Effect）。然而,互联网的开放性使得网络信息的真实程度降低,网络虚拟社区中的许多信息往往是未经斟酌或考证的,虚拟社区信息甄别活动中锚定效应的存在可能会导致网络用户对信息做出错误的甄别和判断。2009年的“石首事件”和2010年的“钱会云案”中,由于政府权威部门的信息发布不及时或含混不清,造成大量伪信息充斥于各个网络虚拟社区,并借助锚定效应影响了众多网络用户对事件本身的判断,造成了严重的负面影响。

在这种背景下,如何在开放的互联网环境下帮助虚拟社区用户对网络信息进行甄别和判断,矫正锚定效应对信息甄别活动的错误导向,成为网络虚拟社区中信息知识服务与管理的新课题。本文在锚定效应相关研究成果的基础上,以概念格理论为基础,借助形式概念分析的方法对虚拟社区中的信息及其特征构建概念格,以概念聚类和关联规则挖掘辅助筛选和推荐具有较高通达性的“类比锚”（Analogical Anchors）,对由前锚信息造成的锚定效应进行干预,尝试探索网络虚拟社区信息甄别活动中锚定效应的矫正方法。

在Tversky等提出锚定效应理论之后的几十年中,国际学术界对锚定效应的相关研究从来没有间断过。锚定效应相关理论的应用研究已经从早期单纯的心理学研究转向商业领域,并且向非商业领域扩展。随着互联网的普及开始逐步向网络环境下的信息沟通与交流^{[ 2]}等领域渗透。在此期间,由Tversky等提出的“传统范式”^{[ 1]}一直在该研究领域占有重要地位。该范式中锚定起点的比较问题信息影响了被试对绝对问题的信息判断,被称为语义启动的范式。而在锚定效应的影响因素方面,Strack等和Mussweiler的研究表明,锚定信息的适用性（Applicability）与代表性（Representativeness）也会对锚定效应产生影响^{[ 3, 4]},越是在内容维度上一致的锚定信息越具有较高的信息通达性,并通过“选择通达模型”（Selective Accessibility Model,SAM）对锚定效应做出了解释。近年来,知识技能对锚定效应的影响受到了研究者的关注,研究表明,被试个体对相关领域知识掌握得越多,其在信息判断过程中就越不容易受到锚定信息的干扰^{[ 5, 6]}。其间具有实践指导意义的是Paritosh等的研究,他们提出通过“类比锚”^{[ 7]}来减少信息判断过程中的锚定偏差,即被试个体把与靶子相似的信息知识作为比较标准对信息进行估计,从而减少锚定信息导致的判断偏差。

锚定信息在很大程度上会导致被试个体对信息判断产生偏差,从而造成信息甄别活动中的锚定效应,因此在信息甄别过程中考虑多个锚定值是必要的。但是并不是随机产生的多个锚定值都会减少信息判断的偏差,因为Strack等和Mussweiler的“选择通达模型”已经证明锚定信息不同的通达性会对锚定效应产生不同的影响。尽管Paritosh等提出的“类比锚”可以减少信息判断过程中的偏差,但随意选择的“类比锚”会由于缺少通达性而被信息受众所忽视。如何在实践中通过向信息受众推荐具有高通达性的“类比锚”来减少信息判断的偏差目前尚没有可行的研究成果。同时,上述“类比锚”相关矫正理论仅仅基于单一的认知理论,很大程度上受个体知识技能的局限和束缚,缺少本体论的支撑。针对网络虚拟社区的研究则进一步表明,虚拟社区中参与者很容易受到个别贡献者的狂热所影响,从而产生锚定效应。尽管在语义启动模式下,大量的内容维度不一致的信息并不一定会被关注,但是个别内容维度一致的锚定信息足以对虚拟社区用户的信息甄别活动产生锚定效应,进而造成类似“石首事件”或“钱会云案”的负面影响。

20世纪80年代,德国达姆施塔特科技大学的Wille以形式概念分析（Formal Concept Analysis,FCA）重构了格理论（Lattice Theory）^{[ 8]}。通过特定领域的“对象━属性”的对应关系构建形式背景,并以形式背景诱导出相应的概念格,进而衍化出相关概念的外延和内涵,既可以呈现所有的数据细节,又不会人为降低复杂性^{[ 9]},从而成为处理概念化知识的重要工具。此外,以形式概念分析构建的概念格能够通过Hasse图清晰地呈现概念间的偏序关系,并揭示出概念的聚类和关联,以此可以在特定领域中帮助筛选具有高通达性的“类比锚”。

本文以基于本体论的形式概念分析的方法构建虚拟社区信息特征概念格,以概念聚类和关联规则挖掘辅助筛选和推荐能够引起信息受众关注的具有相同内容维度的高通达性的“类比锚”,借助形式概念分析对人类思维、交流、争论活动的支持^{[ 10]},尝试探索网络虚拟社区信息甄别活动中锚定效应的矫正方法。

选择某突发公共事件的网络舆论为初始数据源,搜集整理了与该事件相关的网络虚拟社区中主题帖（包括转帖）13篇,并对主题帖相关内容特征进行了整理,整理后的主题帖信息内容特征如表1所示：

表1

表1

表1 某突发公共事件网络主题帖信息特征 主题帖（Posts） 信息特征（Features） P1 当事人,时间,地点,事发原因,证据 P2 地点,处理结果,知情者 P3 当事人,事发原因,知情者,相关事件 P4 事发原因,证据,官方结论 P5 处理结果,相关事件,证据 P6 地点,证据 P7 事发原因,利益相关者,处理结果 P8 事发原因,官方结论,处理结果 P9 利益相关者,知情者 P10 当事人,事发原因,知情者 P11 事发原因,证据 P12 证据,官方结论 P13 利益相关者,官方结论

表1 某突发公共事件网络主题帖信息特征

表1作为初步整理后的数据源呈现为多值二维表格,基于表1的数据构建信息特征概念格则需要先将其转化为形式概念分析所要求的单值形式背景。一个形式背景C=（P,F,R）是由两个集合P和F以及P与F间的关系R组成。P的元素称为对象,F的元素称为属性。（p,f）∈R表示对象p具有属性f。本研究以虚拟社区中特定事件相关的主题帖为对象,以主题帖的信息内容特征为属性构建形式背景。由表1中数据得到的形式背景如表2所示：

表2

表2

表2 相关主题帖信息特征的形式背景 主题帖 F-a F-b F-c F-d F-e F-g F-h F-i F-j F-k P1 ● ● ● ● ● P2 ● ● ● P3 ● ● ● ● P4 ● ● ● P5 ● ● ● P6 ● ● P7 ● ● ● P8 ● ● ● P9 ● ● P10 ● ● ● P11 ● ● P12 ● ● P13 ● ●

表2 相关主题帖信息特征的形式背景

其中,F-a当事人;F-b时间;F-c地点;F-d事发原因;F-e证据;F-g处理结果;F-h知情者;F-i相关事件;F-j官方结论;F-k利益相关者。P4行F-d列的交叉点是“●”,则表示P4主题帖具有涉及“事发原因”信息特征的属性。

上述形式背景上的一个形式概念是二元组（X,Y）,其中X⊆P,Y⊆F,而且满足u（X）=Y,v（Y）=X,则称X是概念（X,Y）的外延,代表虚拟社区中该事件的相关主题帖;Y是概念（X,Y）的内涵,代表相关主题帖的信息特征。若（X₁,Y₁）,（X₂,Y₂）是某个背景上的两个概念,而且X₁⊆X₂,则称（X₁,Y₁）是（X₂,Y₂）的子概念,（X₂,Y₂）是（X₁,Y₁）的超概念,并记作（X₁,Y₁）≤（X₂,Y₂）,关系“≤”称为概念的“层次序”。（P,F,R）的所有概念用这种“序”组成的集合称为形式背景（P,F,R）上的概念格。由表2形式背景生成的信息特征概念格的Hasse图如图1所示：

图1

	Figure Option ViewDownloadNew Window
	图1 相关主题帖的信息特征概念格Hasse图

概念格Hasse图中,主题帖“P7”、“P8”、“P4”、“P1”、“P3”、“P10”、“P11”具有共同的属性“F-d（事发原因）”,或者说这7个主题帖聚类于属性“F-d（事发原因）”,也即这7个主题帖构成了对应内涵“F-d（事发原因）”的外延,如图2所示。

图2

	Figure Option ViewDownloadNew Window
	图2 基于概念格的概念聚类

概念格在呈现以上7个主题帖依据属性“F-d（事发原因）”聚类的同时,也通过节点之间的连线揭示出这7个不同主题帖的其他信息特征。其中,“P7”主题帖兼有“F-g（处理结果）”和“F-k（利益相关者）”两个属性,“P8”主题帖兼有“F-j（官方结论）”属性,“P4”主题帖兼有“F-j（官方结论）”和“F-e（证据）”属性,“P3”主题帖兼有“F-h（知情者）”、“F-a（当事人）”以及“F-i（相关事件）”三个属性等。

进一步基于图1相关主题帖的信息特征概念格进行关联规则挖掘,设置最小支持度为20％,最低置信度为50％,则可以获得两条关联规则：

（1）F-a=>F-d（0．23,1．0）

（2）F-e=>F-d（0．23,0．5）

其中,规则“F-a=>F-d（0．23,1．0）”的支持度为23％,信度为100％,即实验数据源中有23％的该事件相关主题帖具有“F-a（当事人）”和“F-d（事发原因）”两个方面的信息特征,且具有“F-a（当事人）”信息特征的主题帖中有100％的置信度同时具有“F-d（事发原因）”信息特征,“F-a（当事人）”和“F-d（事发原因）”两个信息特征具有较高的关联性,这一点在Hasse图中“F-a（当事人）”和“F-d（事发原因）”两个概念节点之间的连线上得以体现。Hasse图中“F-e（证据）”和“F-d（事发原因）”两个概念节点之间并不存在直接连线,但是关联规则挖掘的结果“（F-e=>F-d（0．23,0．5）”显示这两个信息特征也具有较高的关联性,这一隐含的关联规则在单纯基于认知的研究方法中是难以发现的。根据需要,还可以调整最小支持度和最低置信度的阈值,从而获得更为细腻的关联规则。

网络虚拟社区中,许多信息所涉及的事件本身并非是信息受众所了解或熟悉的。特别是当热门信息主题出现后,即使人们对事件本身并不了解或熟悉,但仍然愿意积极参与。此时,人们对信息的判断和甄别往往受到个别主题帖的锚定效应的影响,从而产生信息判断的偏差或信息甄别的失误。而如果能够向信息受众推荐具有高通达性的“类比锚”,则可以帮助信息受众降低判断偏差或避免甄别失误。然而,盲目提供和推介内容维度不一致的信息锚并不会引起信息受众的关注,也不会激发信息受众的内在知识。

上述基于虚拟社区信息特征概念格的分析表明,通过基于概念格的概念聚类和关联规则挖掘能够帮助信息受众筛选和推荐高通达性的“类比锚”,实现信息甄别活动中锚定效应的矫正。以“F-d（事发原因）”信息特征为例,信息受众由于对于“事发原因”信息的渴求,很可能会受到具有“当事人”信息特征的前锚信息（P1、P3、P10）的影响,从而使其对“事发原因”信息的甄别受到具有“当事人”信息特征的主题帖的锚定,进而产生信息判断偏差。基于概念格的概念聚类结果显示“P7”、“P8”、“P4”、“P1”、“P3”、“P10”、“P11”各主题帖都具有“事发原因”的信息特征,即这7个主题帖具有相同或相似的内容维度,以此作为“类比锚”具有较高的通达性,可以帮助降低信息判断的偏差。如,主题帖P4和P8同时具有“F-j（官方结论）”的信息特征,而具有“官方结论”信息特征的“事发原因”作为“类比锚”必然会在一定程度上矫正单纯带有“当事人”信息特征的“事发原因”所产生的锚定效应。同理,带有“F-k（利益相关者）”和“F-d（事发原因）”信息特征的“类比锚”（P7）也同样会对信息甄别中的锚定效应产生矫正。即对于“事发原因”信息的甄别活动中,可以通过具有一致或近似内容维度的高通达性的“官方结论”和“利益相关者”等“类比锚”信息,矫正“当事人”前锚信息产生的锚定效应。

进一步,还可以借助关联规则的挖掘结果,在满足最小支持度和最低置信度阈值的条件下,调整“类比锚”的筛选和推荐。关联规则“F-a=>F-d（0．23,1．0）”显示“当事人”与“事发原因”具有很高的关联性,这导致信息判断和甄别过程中对“事发原因”信息的判断更容易受到具有“当事人”特征的相关信息的锚定。而关联规则“F-e=>F-d（0．23,0．5）”尽管在表面上并没有Paritosh等所强调的类比推算计算模型“KNACK”^{[ 7]}中的直接因果关系,但是“证据”信息特征与“事发原因”信息特征内在的隐含关联关系表明,以具有“证据”特征的相关信息作为“类比锚”也会对“事发原因”信息甄别过程中的锚定效应产生矫正。

基于概念格的虚拟社区信息甄别中锚定效应矫正的研究,在现有的主要基于认知理论的锚定效应相关研究成果基础上,从本体论的视角出发,采用形式概念分析的方法构建出特定事件相关主题帖的信息特征概念格。在此基础上,以概念聚类呈现了不同信息特征之间内容维度的共性和个性,并借助关联规则挖掘信息间隐含的关联模式,以此筛选和推荐具有较高通达性的“类比锚”,来降低信息判断的偏差。从认识论和本体论相结合的角度,尝试探索网络虚拟社区信息甄别活动中锚定效应的矫正方法。

本文对虚拟社区信息甄别相关问题的探讨仅仅是一个初步的尝试。随着相关理论的不断成熟和技术的不断进步,以本体论和认识论相结合的虚拟社区信息管理与服务的相关研究必将逐步深入展开,这些问题都有待于在未来的工作中进一步努力研究。