突发事件网络舆情演变过程中网民群体行为仿真研究
强韶华1,2, 吴鹏3
1.南京航空航天大学经济管理学院 南京 210016
2.南京工业大学土木工程学院 南京 211800
3.南京理工大学经济管理学院 南京 210094
通讯作者: 强韶华 E-mail:shaohua3900@163.com

作者贡献声明: 强韶华, 吴鹏: 提出研究思路, 设计研究方案;
强韶华: 进行实验;
强韶华, 吴鹏: 采集、清洗和分析数据; 论文起草;
强韶华: 最终版本修订。

摘要

【目的】

以突发事件中的网民群体为研究对象, 探索突发事件网络舆情演变的内在规律。

【方法】

引入人群仿真理论, 将网民映射为智能体, 探究突发事件网络舆情演变过程中网民群体行为特征和建模方法, 分析其行为演化的一般规律。

【结果】

实验结果显示, 意见领袖的存在可以缩短突发事件舆情演变所需的时间, 政府介入有助于突发事件网络舆情更快平息。

【局限】

对于突发事件中网民群体行为的仿真相对比较简单, 未能全面涉及影响突发事件网络舆情演变的因素。

【结论】

本研究可以在突发事件应急管理中预测网络舆情演变的路径, 从而支持网络舆情监控和信息公开策略的制定。

关键词: 突发事件; 网络舆情; 人群仿真
The Research of Crowd Simulation in the Evolution Process of Web Public Opinion of Unexpected Event
Qiang Shaohua1,2, Wu Peng3
1.School of Economics and Management, Nanjing University of Aeronautics & Astronautics, Nanjing 210016, China
2.College of Civil Engineering, Nanjing Tech University, Nanjing 211800, China
3.School of Economics and Management, Nanjing University of Science &Technology, Nanjing 210094, China
Abstract

[Objective]

Taking netizen crowd as the central of the research, the paper aims to discover the inner rule of the public opinion evolution in the unexpected event.

[Methods]

The study proposes the theory of crowd simulation which takes the individual as the agent to explain the behavior rule of crowd in a certain context and the inner mechanism of evolution of Web public opinion in unexpected events.

[Results]

Experimental results show that opinion leaders can reduce the evolution hours. And the government has a great impact on putting down the Web public opinion.

[Limitations]

The crowd simulation of Web public opinion in the unexpected event is fairly simple. Many more factors have not been taken into consideration.

[Conclusions]

This achievement can be used to forecast the evolution path of Web public opinion in the emergency management of unexpected event, and support the establishment of Web public opinion strategy and information disclosure strategy.

Keyword: Unexpected event; Web public opinion; Crowd simulation
1 引 言

中国互联网络信息中心《第32次中国互联网络发展状况统计报告》显示, 截至2013年6月底, 中国网民规模达到5.91亿, 互联网普及率达到44.1%[ 1]。由此可见, 网络逐渐成为大众生活的重要组成部分, 网络化生存已成为这个时代的基本事实。在突发事件的发生、发展和变异过程中, 网络也同样发挥了强大的影响力, 很多突发事件的发生发展都与网络舆情的敏锐介入紧密相关。网民针对那些关系到切身利益或自己所关心的问题, 会做出比在现实世界中更积极、热烈的发言和讨论。可以说网民是推动突发事件中网络舆情演变的主体。在网络舆情信息交流过程中, 集体心理的存在使网民个体的舆情表达受到群体影响而发生变化甚至扭曲[ 2]。因此, 为了发现突发事件网络舆情演变内在的规律和机理, 就需要以突发事件中的网民群体为中心, 关注网络舆情孕育、发生、发展、扩散、变换、衰减的整个过程。

2 文献回顾
2.1 突发事件与网络舆情

根据2007年通过的《中华人民共和国突发事件应对法》, 突发事件是指“突然发生, 造成或者可能造成严重社会危害, 需要采取应急处置措施予以应对的自然灾害、事故灾难、公共卫生事件和社会安全事件。”有关统计分析显示, 几乎所有突发事件都与网络有关, 其中20%直接由网络报道而引爆网络舆论; 另外80%由传统媒体先报道, 后经网络媒体转发引起网民关注, 成为网络热点, 形成网络舆论[ 3]。经过网络媒体和网民群体的主动作为和随机行动, 现实中的本体事件会在网络上演变成与本体事件具有较大相异性的变体事件。另外, 不仅突发事件会因为网络的作用而发生变化或调整, 因事件而衍生的相关报道、网民态度、网络话语等突发事件网络舆情也会形成扩散态势和井喷效应。而反过来, 事件衍生的网络舆情也会作用于事件的发展和政府的应对。

突发事件网络舆情是网络舆情的一种特殊形式, 但目前没有形成统一的定义, 方付建提出突发事件网络舆情是指“突发事件发生后, 公众通过新闻报道、网民爆料等方式在网络上表达和传播的关于事件真相、过程、原因、影响以及事件政府处理、事件背后的社会道德、体制等问题的各种言论”[ 4]。我国关于突发事件网络舆情的研究近几年才开始兴起, 在清华同方数据库的“中国期刊论文全文数据库”中进行文献检索可以发现, 目前研究的趋势从早期的舆情信息分析、舆情信息监督、舆情预警方法研究到舆情数据挖掘研究, 进而发展到群体行为和心理研究、舆情演化规律研究, 尤其是近年来引入复杂系统、人工智能、虚拟现实、认知心理学的理论和方法进行建模和仿真研究。

2.2 突发事件网络舆情演变建模和仿真研究

社会学和社会心理学家早期对群体行为的定性研究为进一步探究突发事件网络舆情演变机理提供了许多有价值的思想和方法, 其中以社会网络和社会动力学为工具对网络舆情演变建立了更深入的定量分析模型和方法。国外关于网络舆情演变的建模与仿真研究主要以物理学视角的粒子交互作用作为思路, 构建基于Agent的仿真模型(Agent-Based Modeling, ABM), 从而解释舆论演变过程和现象。其中, 应用较为广泛的有Sznajd模型、有限信任模型(如Krause- Hegselmann, KH模型)、协商模型(Deffuant模型)。之后, 很多研究者进行了扩展性研究, 形成了大量上述模型的变形模型[ 5, 6, 7]

目前国内学者专门进行突发事件网络舆情演变建模和仿真的研究相对较少, 有学者以具体事件为对象, 运用定量型方法分析网络舆情演变“群体极化”效应[ 8], 结合元胞自动机和基于Agent的模型提出基于网格 Agent 的群体性事件人群聚集模型[ 9]。中国人民解放军国防大学的研究团队尝试采用虚拟现实、社会物理学、人工智能等领域的方法对网络舆情传播模型、群体行为模型设计进行理论和方法的研究。哈尔滨工程大学经济管理学院危机管理研究所的研究团队以有限信任模型为基础, 运用复杂系统多主体建模方法, 研究危机信息舆论演化规律。

上述已有研究奠定了本论文的认识基础, 特别是哈尔滨工程大学杜蓉教授的相关研究[ 10]为本论文的仿真模型构建提供了借鉴。相关的大量研究主要从网络舆情演变的阶段和过程、特征与类型、作用要素等理论方面展开研究, 但以静态描绘为主, 对动态性和演变性考察较少, 尤其是缺少结合大规模真实数据预测网络舆情演变规律的仿真研究。本文面向突发事件网络舆情管理的实际需求, 立足于主导突发事件网络舆情演变的网民群体, 基于人群仿真理论, 结合线上线下数据进行多维度分析, 系统地揭示网民群体行为的发展规律和影响要素, 解释突发事件网络舆情演变的内在机理。

3 基于Agent的网民群体行为仿真模型构建

本文运用ABM方法, 构建基于Agent的网民群体行为原型系统, 即概念模型。研究在政府介入情况下, 在网络突发事件舆情演变过程中网民的群体行为规律。

3.1 概念模型设计

本文构建的概念模型设置三种主体: 网民、舆情信息、政府, 如图1所示。概念模型按照影响力大小将网民分为三类, 不同影响力的网民在交互过程中对其他网民的影响有所区别, 图1中的箭头为舆情信息传播的方向。

图1 突发事件信息传播的概念模型

由于网络舆情演变过程比较复杂, 在建模时并不能将所有因素都考虑周全, 受到一定限制。因此在本文的模型中, 笔者提出以下4个模型假设。

(1) 本模型将网络媒体、意见领袖等都看作网民, 与政府对网民的影响模式有所区别。

(2) 所有网民都可以发布、传播信息, 网民对突发事件的态度分为“赞成” “中立” “反对”三种; 政府可发布辟谣信息, 政府的态度分辟谣和掩盖真相两种趋势。

(3) 网民的态度会受到其他网民的影响或接收政府发布的信息而改变。从众性越高的网民越容易在交互中改变自己的状态; 影响力越高的网民越容易影响与其交互的其他网民, 使其改变状态。

(4) 网民总数、政府的信息公开速度作为外部条件是已知的, 且网民主体每一时段仅与一个参与主体进行交互。假设每个网民的从众性、影响力, 政府的公信力、信息公开速度, 舆情信息的重要性都不随时间改变。

3.2 主体分类及属性描述

根据上述概念模型及模型假设, 各类主体的属性如表1所示:

表1 各主体属性表

(1) 网民主体的属性描述

①态度(Attitude): 网民个体的态度可以分为赞成、中立、反对三种。将t时刻网民i的态度记为Ai(t), 取值范围为[-1, 1]区间内的连续值。其中, Ai(t)∈[-1, - 0.33]表示网民持反对态度, Ai(t)∈(- 0.33,0.33]表示网民持中立态度, Ai(t)∈(0.33, 1]表示网民持赞成态度。

②类型(Type): 本文中将所有网民分为三种类型, 分别为企业(Ti=1)、个人认证(Ti=2)及无认证(Ti=3)。企业即新浪微博中, 蓝色V认证中除去政府机构之外的用户; 个人认证指黄色V认证的用户; 无认证指没有获取认证的普通用户。本文未设置区分网络媒体和网民, 故以主体属性来作区分。

③从众性(Conformity): 不同的网民随他人改变意见的程度不同, 其差异可以体现在用户填写的微博转发理由中是否易于赞同转发的原微博的意见。将网民i的从众性记为Fi, Fi在[0,1] 区间取值。在[0,0.3]区间为“从众性低”, 此类网民不易随他人改变态度, 始终坚持自己的观点; (0.3,0.7)为“从众性中”, 表明受到他人影响时此类网民态度可能改变也可能不改变; (0.7,1为“从众性高”, 此类网民容易听从他人意见后改变自己观点。

④影响力(Influence): 网民在交互过程中, 对其他网民的影响因人而异。将网民i的影响力记为Ii, 在本模型中按照影响力大小分为“大”、“中”、“小”三类。根据仿真实验所选取的对象中, 企业机构、个人认证、无认证用户所占比例分别为10%、20%、70%, 以此作为其影响力的依据, 从而对于Ii取值[0,0.7时影响力为“小”; 取值(0.7,0.9时为“中”; 取值(0.9,1时为“大”。

(2) 舆情信息主体的属性描述

①重要性(Importance): 舆情信息的重要性指的是舆情信息所描述事件对所有参与者的重要程度。本文中假设舆情信息对所有网民和政府机构的重要性都相同, 舆情信息越重要, 越容易被传播。用P表示舆情信息的重要性, P值越大, 信息越重要, 在[0,1]间随机取值。

②模糊性(Ambiguity): 舆情信息的模糊性指的是舆情信息所描述的内容距事件真实情况的差异程度。用M(t)表示舆情信息的模糊性, 其初始值在[0,1]区间取值, 在实验过程中会随着政府公开信息的速度加快而减少。

③传播强度(Intensity of Spread): 舆情信息的传播强度可以描述舆情信息传播的环境。将舆情信息传播强度记为S(t), 表示舆情信息在网络中传播速度的快慢。由奥尔波特的谣言传播强度公式R = i·a(其中R代表谣言传播强度, i指重要性, a指模糊程度)[ 11], 本文设S(t) = P ·M(t), 在[0,1]区间取值。

(3) 政府机构主体的属性描述

①状态(Tend to Refute): 政府应对舆情信息有辟谣、掩盖真相两种趋势。将政府机构的状态记为Rk(t), 取值范围为[-1,1]。Rk(t)>0时表示在t时刻政府k对舆情信息进行辟谣, Rk(t)=0时表示在t时刻政府不辟谣, Rk(t)<0表示政府试图掩盖真相, Rk(t)越接近于1表明政府辟谣的趋势越强。

②公信力(Credibility of Government): 政府的公信力指政府使网民相信政府公开信息的能力。政府公信力记为C, 是与t无关的常数, 在[0,1]间取值, C越接近于1, 政府公信力越高, 网民越容易受政府的影响。

③信息公开速度(Rapidity of Information Publication): 政府应对网络突发事件会采取一定措施, 其中对网络舆情的演化起到最直接作用的就是公开关于突发事件的正确的引导信息。将政府公开信息的速度记为V, 是与t无关的常数, 在 [0,1]区间取值, V越接近于1, 政府公开信息速度越快。

3.3 主体之间交互规则设计

主体之间交互规则指的是主体和主体之间互相产生影响的规则, 本文将这些规则用函数的形式来表示, 为其影响因素赋予不同的权重。

(1) 网民主体之间的交互规则

由于微博的互动方式区别于传统媒体单向传播的模式, 是一种社交网络化的传播, 本文的模型将微博上的网络媒体、意见领袖视作影响力高的网民, 设置在同一类主体中。定义t时刻网民i对网民j的影响函数为(网民i分为1、2、3三类, 分别代表影响力大、中和小的网民, 不同类型网民影响函数的权重不一, 主要参考了笔者于2011年开展的网民心智模型问卷调查):

f1(i,j,t)=0.4Ii(t)+0.2Fj(t)+0.4S(t)

f2(i,j,t)=0.3Ii(t)+0.3Fj(t)+0.4S(t)

f3(i,j,t)=0.2Ii(t)+0.4Fj(t)+0.4S(t)

其中, Ii(t)为传播者i的影响力, Fj(t)为网民j的从众性, S(t)为突发信息传播强度。

(2) 网民主体和政府机构之间的交互规则

政府是否介入, 对于网络突发事件的平息起着至关重要的作用。政府信息公开的速度越快越能有效降低舆情信息的模糊性, 并且在一定程度上降低网民的恐慌程度。政府公信力越强, 网民越信任政府, 就越不容易被谣言蛊惑, 有助于从根源上阻止谣言的扩散。根据南京大学新闻传播学院对江苏网民抽样调查的结果, 定义政府机构对网民i的影响函数为:

f(K,i,t)=0.4Fi(t)+0.4C+0.2V

其中, Fi(t)为网民i的从众性, C为政府公信力, V为政府公开信息速度。

3.4 主体之间通信规则构建

(1) 网民主体之间的通信规则

本文将舆情信息在微博上进行传播时的单一交互过程视作单向传播, 定义网民i(传播者)与网民j(接受者)之间的通信规则如下:

|Ai(t)-Aj(t)|≤0.5时, 传播者与接受者之间分歧较小, 接受者容易受到传播者意见的影响, 容易改变看法, 其中阈值0.5的设置主要参考了上述基于网民心智模型的问卷调查。t+1时刻网民j的态度转移公式为:

Aj(t+1)=Aj(t)+[Ai(t) -Aj(t)]×f(i,j,t)

|Ai(t)-Aj(t)|>0.5时, 传播者与接受者之间分歧较大, 由时刻t到时刻t+1之后, 网民j不改变自己的态度, 即:

Aj(t+1)=Aj(t)

(2) 网民主体、舆情信息和政府机构之间的通信规则

网民i的态度随着政府辟谣产生变化, 网民态度越趋近赞同, 舆情信息传播强度越低, 政府中止辟谣的倾向越强。

t+1时刻网民i的状态转移方程式为:

Ai(t+1)=Ai(t)+Rk(t)×f(K,i,t)

t+1时刻政府K的状态转移方程式为:

Rk(t+1)=Rk(t)-Ai(t)×S(t)

随着政府对网民影响的增大及政府公开信息速度的提高, 舆情信息的模糊性将下降, 随之其传播强度减小。即由M(t+1)=M(t)-V×f(K,i,t)得:

S(t+1)=S(t)-P×V×f(K,i,t)

在无政府介入的情况下, 假设舆情信息传播强度为一固定值, 即:

S(t+1)=S(t)

3.5 主体之间交互算法设计

本文的建模仿真是基于仿真算法的不断执行来实现的。

(1) 网民之间(与舆情信息)的交互算法

本文设计的网民与舆情信息交互仿真算法包括三个方面: 网民主体、网络舆情信息主体的产生(即初始化过程)、网民主体与舆情信息交互过程中网民的属性值变化以及数据图的更新。具体仿真算法如图2所示:

图2网民之间交互算法流程图

①此处权重的设定参考了笔者2011年开展的基于网民心智模型的相关问卷调查, 相关问卷在发表于《情报学报》的论文“基于多维尺度法的网站分类目录理解用户心智模型空间性测量研究: 以政府网站为例”和“网站用户信息获取中的心智模型研究”中均有所应用。

②此处权重的设定参考了网络社会协同创新管理问卷调查, 2013。

(2) 网民、舆情信息、政府三者的交互算法

本文设计的网民、舆情信息及政府三者的交互仿真算法包括三个方面: 网民主体、政府主体的初始化, 网民主体与政府交互过程中网民主体的属性值变化以及数据图的更新。具体仿真算法如图3所示:

图3网民、舆情信息、政府三者之间交互算法流程图

4 网民群体行为仿真实验

本文以2013年3月底“H7N9后因板蓝根可预防H7N9的谣言而产生板蓝根抢购事件”作为实验情景, 统计了相应的数据, 并以上述模型为指导编写了NetLogo程序, 进行仿真实验。

4.1 仿真平台选择

目前常用的多主体仿真平台主要有: Swarm、RePast、NetLogo等。NetLogo是一个可编程的建模仿真环境, 尤其适用于随时间变化而变化的复杂系统的仿真实验。NetLogo语言简单、灵活, 且可视化程度高, 本文研究的网民群体行为涉及网民和政府的状态随时间的演变情况, 因此选择NetLogo平台进行仿真。

4.2 仿真实验假设

(1) 影响力大的网民个体(意见领袖)越多, 舆情演变所需的周期越短;

(2) 政府介入能使网络突发事件更快平息;

(3) 政府公信力越高, 对网络突发事件的控制越有效;

(4) 政府的信息公开速度越快, 网络突发事件的平息速度越快。

4.3 仿真数据获取

本文所采集的数据为2013年4月2日至4月5日之间新浪微博中包含“板蓝根”关键字并且与H7N9禽流感相关的所有微博(包含原创微博和转发微博), 共获得研究所需相关微博发贴8 216条, 由于应用软件的局限, 确定研究数量为500条, 按比率确定各仿真数据值。

(1) 网民的初始化。

①网民个体的初始态度(P-Attitude): 全部微博中对事件的态度为“赞成”、“中立”、“反对”的微博发贴数量分别为2 336条、4 660条、1 220条。初始化时, 计算三种态度的占比情况, 设置赞成者、中立者、反对者的数量, 并设置网民颜色分别为绿色(赞成)、黄色(中立)、红色(反对)。

②网民个体的从众性(P-Conformity): 其是一个固定值, 分为[0,0.3]、(0.3,0.7]、(0.7,1]低、中、高三个等级, 按照每一个用户赞同其转发原文的态度的次数占该用户所有转发次数的比例, 统计出的人数比率分别为22%、28%、50%。

③网民个体的影响力(P-Influence): 其也是固定值, 分为[0,0.7]、(0.7,0.9]、(0.9,1]小、中、大三个等级, 按照统计的每一个用户被转发数区间的比例, 人数比例分别为60%、29%、11%。

④网民类型(P-Type): 企业、个人认证、无认证三种的数量, 所占比例分别为10%、20%、70%。

(2) 舆情信息初始化: 传播强度S(t)取0.5。

(3) 政府辟谣的状态(G-Refute): 采用发布辟谣信息以及不发布辟谣信息的发贴数量占政府总发贴量的比例, 作为政府Rk(t)的初始值(辟谣发贴数量>不辟谣发贴数量, Rk(t)>0, 计算出比例赋值, 同理不辟谣发贴数量>辟谣发贴数量, Rk(t)<0)得Rk(0)= - 0.46, 作为Rk(t)初值使用。

4.4 仿真实验结果

(1) 网民与舆情信息交互即无政府介入的情况如图4所示。图中纵坐标表示网民的数量, 横坐标表示时间的流转, 绿色(①)、黄色(②)、红色(③)分别表示持赞成、中立、反对态度网民数量的变化。可以看到, 随着交互的进行, 中立者越来越多, 而赞同者和反对者都是越来越少, 且中立者明显占了最大比重。这是因为本文的模型中, 只有政府可发布正确的引导信息; 在没有政府介入的情况下, 网民不知道何为正确的信息, 而网民直接互相影响, 就会使态度极端的人越来越少, 并且最终都趋于中立状态。

(2) 网民、舆情信息及政府三者之间的交互, 由图5可以看到, 与无政府状态下相比, 有政府介入的情况下, 达到较稳定的状态需要消耗的时间显然较少, 验证了4.2节中的实验假设(2)。

图4 网民与舆情信息交互仿真实验效果图

图5 网民、舆情信息、政府三者交互仿真实验效果图

图5(a)和图5(b)曲线的对照可以看出, 意见领袖数量的增多有利于更早达到稳定状态, 验证了4.2节中的实验假设(1)。

比较图5(b)、图5(c)和图5(d), 可以发现政府公信力越大、公开信息速度越高, 更有助于消除反对意见, 验证了4.2节中的实验假设(3)和实验假设(4)。同时可以看出, 提升信息公开速度产生的影响不如提升公信力产生的影响大。

5 结 论

本文针对突发事件网络舆情的演变, 以网民群体作为研究对象, 构建Agent仿真模型, 通过一系列的计算机仿真实验, 研究了影响网络舆情演变的一些主要因素: 意见领袖、政府是否介入以及介入的及时性、政府的公信力、政府的信息公开速度。意见领袖的参与、政府的及时介入及其公信力和公开信息的速度对于突发事件网络舆情的平息有着积极的作用, 否则会引发网络舆情的进一步扩散。

本次仿真实验的结论能够较好地说明许多社会中存在的真实情况。在遇到网络突发事件时, 政府应及时发现突发事件发生的征兆, 及时公开信息, 并与意见领袖进行有效的沟通, 借助他们的力量去平息网络突发事件。实验还证实, 在其他因素不变的情况下, 提升政府的公信力, 系统也能更快达到稳定。政府的公信力不是一朝一夕就能提升的, 政府应塑造公正、公平、公开、处处为民的形象, 比起意见领袖, 网民更容易相信有公信力的政府发布的信息。

参考文献
[1] 中国互联网络信息中心. 第32次中国互联网络发展状况统计报告[R/OL]. [2013-07-17]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201307/t20130717_40664.htm.(China Internet Network Information Center. The 32nd China Internet Network Development Statistics Report[R/OL]. [2013-07- 17]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201307/t20130717_40664.htm [本文引用:1]
[2] 毕宏音. 网络舆情形成与变动中的群体影响分析[J]. 天津大学学报: 社会科学版, 2007, 9(3): 270-273.
(Bi Hongyin. Group Influence in the Formation and Change of Network Public Opinion[J]. Journal of Tianjin University: Social Sciences Edition, 2007, 9(3): 270-273. ) [本文引用:1]
[3] 时国珍, 原碧霞. 突发事件网上演变规律与舆论引导[J]. 中国记者, 2010(5): 39-40.
(Shi Guozhen, Yuan Bixia. The Evolution Law and Opinion Lead of Unexpected Event on Network[J]. China Jounalist, 2010(5): 39-40. ) [本文引用:1]
[4] 方付建. 突发事件网络舆情演变研究[D]. 武汉: 华中科技大学, 2011.
(Fang Fujian. Study on the Evolution of Public Opinion on Network of Unexpected Event [D]. Wuhan: Huazhong University of Science and Technology, 2011. ) [本文引用:1]
[5] Sznajd-Weron K, Sznajd J. Opinion Evolution in Closed Community[J]. International Journal of Modern Physics C, 2000, 11(6): 1157-1165. [本文引用:1] [JCR: 0.615]
[6] Banerjee B, Kraemer L. Evaluation and Comparison of Multi-agent Based Crowd Simulation Systems[A]. // Agents for Games and Simulations II [M]. Berlin, Heidelberg: Springer-Verlag, 2011: 53-66. [本文引用:1]
[7] Stauffer D, de Oliveira P M C. Persistence of Opinion in the Sznajd Consensus Model: Computer Simulation[J]. The European Physical Journal B-Condensed Matter, 2002, 30(4): 587-592. [本文引用:1] [JCR: 1.282]
[8] 金苗. War 2. 0: 重大事件新闻发布与社会化媒体的“初体验”——铸铅行动YouTube以军频道实证研究[J]. 国际新闻界, 2009(10): 96-102.
(Jin Miao. War 2. 0 in Military News Release and Social Media: A Case Study of Israeli Destruction Force’s YouTube Channel in Operation Cast Lead[J]. Chinese Journal of Journalism & Communication, 2009(10): 96-102. ) [本文引用:1] [CJCR: 0.6846]
[9] 常钦, 党会森. 基于网格Agent 的群体性事件人群聚集模型研究[J]. 中国人民公安大学学报: 自然科学版, 2011, 17(3): 71-74.
(Chang Qin, Dang Huisen. The Research of Heterogeneous Assembling Model Based on Grid Agent[J]. Journal of the People’s Public Security University: Science and Technology, 2011, 17(3): 71-74. ) [本文引用:1]
[10] 杜蓉, 梁红霞. 公共危机事件中政府对网络舆论的引导仿真[J]. 情报杂志, 2011, 30(11): 61-66.
(Du Rong, Liang Hongxia. Simulating Government’s Guide Effect on Network Opinion of Public Crisis[J]. Journal of Intelligence, 2011, 30(11): 61-66. ) [本文引用:1] [CJCR: 0.951]
[11] 奥尔波特, 波斯特曼. 谣言心理学[M]. 刘水平, 梁元元, 黄鹂译. 沈阳: 辽宁教育出版社, 2003.
(Allport G W, Postman L. Rumor Psychology[M]. Translated by Liu Shuiping, Liang Yuanyuan, Huang Li. Shenyang: Liaoning Education Press, 2003. ) [本文引用:1]