突发事件网络舆情中网民群体行为演化的Agent建模与仿真研究*
吴鹏, 杨爽, 张晶晶, 高庆宁
南京理工大学经济管理学院 南京 210094
吴鹏, ORCID: 0000-0001-7455-926X, E-mail: wupeng@njust.edu.cn。
摘要
目的

发现突发事件网络舆情演变过程中的网民群体行为模型、路径、规则以及与突发事件网络舆情演变的关系。

方法

基于Agent建模技术, 对突发事件中网络舆情演变过程中网民群体行为进行建模与仿真, 包括概念模型、Agent属性、交互规则、博弈规则的设计, 并基于NetLogo进行仿真与预测。

结果

结合典型突发事件网络舆情案例进行实证研究, 验证本文提出的Agent模型的科学性。【局限】本文提出的交互规则、博弈规则需要更多同类事件的对比和优化。

结论

基于Agent的建模方法能够综合现实情境和网民群体的行为, 进行突发事件网络舆情演变的建模、仿真, 揭示突发事件网络舆情演变的规律。

关键词: 突发事件; 网络舆情; 基于Agent的建模方法; 群体行为仿真
中图分类号:
Agent-Based Modeling and Simulation of Evolution of Netizen Crowd Behavior in Unexpected Events Public Opinion
Wu Peng, Yang Shuang, Zhang Jingjing, Gao Qingning
School of Economics and Management, Nanjing University of Science &Technology, Nanjing 210094, China
Abstract

[Objective] This paper is to analyze evolution path of network public opinion in the emergency management of unexpected events, and discover the relation between evolution of netizen crowd behavior and public opinion of unexpected events. [Methods] Design a Multi-Agent model which involving Agent properties, interaction and game rules among Agents, cross validation method between online and offline, and simulate this Multi-Agent model based on NetLogo system. [Results] With an empirical study, the feasibility of the Multi-Agent is verified. [Limitations] The interaction and game rules of Multi-Agents need to be optimized based on more empirical study in special domain. [Conclusions] Agent-Based Modeling can combine netizen crowd behavior and real environments for modeling and simulating, and can discover the inner rule of the public opinion evolution in the unexpected events.

Keyword: Unexpected; events; Public; opinion; Agent-Based; modeling; Crowd; simulation
1 前 言

网民是推动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” [1]。因此为了发现突发事件网络舆情演变内在的规律和机理, 需要以突发事件中的网民群体为中心, 关注网络舆情演化的整个过程, 这就需要综合现实情境和网民群体的认知和行为, 进行模拟、仿真, 直观地展现其行为动机以及与突发事件网络舆情演变的关系, 进一步揭示突发事件网络舆情演变的规律。

Minsky在《心智的社会》一书中指出, “ 复杂的群体行为是由多个具有交互性和自主性的智能体(Agent)在相互协调、相互合作的基础上涌现生成的; Agent可以看作是那些宿主于复杂动态环境中, 能够自主地感知环境中的信息, 自主地采取行动, 并能够实现一系列预先设定目标或任务的计算实体” [2]。源于

分布式人工智能领域的智能体理论, 为构建群体行为模型提供了一条全新途径[3]。在突发事件中, 具有不同偏好和行为习惯的网民个体, 在与各网络媒介交互过程中, 获得、理解和判断各影响因素的综合作用, 并依据感知的信息确定其行为, 使其成为适应性的行动者[4], 因此网民就可以被抽象为具有感知性、协同性、交互性的智能体。网民智能体在相互作用的同时受到其所在环境的影响进行自适应感知、学习、决策, 能够表现出符合真实社会群体特性的模拟效果。

本研究旨在通过网民群体行为的Agent建模仿真研究, 支持突发事件网络舆情发展态势演变和路径的预测。

2 基于Agent的建模方法

如何对群体行为进行建模是群体行为建模与仿真中十分关键的一个步骤, 群体行为建模可以展示仿真过程中Agent的感知、与环境交互、决策、行为选择等一系列过程[5]。群体行为建模方法的发展经历了“ 单纯几何模型— 基于动力学和运动学的模型— 基于物理规则的模型— 基于行为规则的模型— 基于认知感知的模型” 这样一个发展阶段[6, 7]。其中, 结合智能体Agent技术, 深入研究人的认知、心理行为是群体行为建模的主要发展趋势。基于Agent的建模方法(Agent-Based Modeling, ABM)是这一趋势的代表性成果, 受到研究者的广泛关注。

(1) 基于Agent的建模方法

ABM的基本思想是抽取出复杂系统的个体模型, 表示为Agent, 赋予Agent个体感知能力、决策能力、行为能力等, 使Agent在一定的综合环境中演化, 从而可以观察和研究其演变规律。ABM被认为是对复杂适应系统(CAS)进行建模的最好方法, 是最有可能揭示出“ 缘起于微观的宏观效应” 的建模方法, 对于由大量具有主动性的主体(Agent)组成的复杂系统来说, 具有特别重要的意义[8]。本研究在ABM方法的基础上, 将突发事件中的网民映射为Agent, 将每个网民的特性映射为Agent的属性, 将网民的个体行为映射为Agent的方法, 这样, Agent便与突发事件中的网民群体建立起联系, 建立个体Agent模型, 然后将这些Agent在一定的规则相互作用下, 构建多Agent系统, 通过观察多Agent系统运行规律找到人工社会的规律, 进而可以解释网络舆情演变中的宏观现象。

(2) 本文研究的创新点

近年来, 研究者尝试引入ABM方法进行网络舆情演化研究, 包括网民情绪扩散[9, 10, 11]、在线社会网络形成[12]等, 但是绝大部分或关注于对单个案例的过程、特征和作用要素分析, 或关注于建模仿真模型的设计, 研究视角多基于对历史事件的分析统计和解释, 缺少对未来发展趋势的预测; 研究方法大都是宏观理论分析或微观模型设计, 缺少与实际管理需求相结合的综合研究; 研究策略主要是静态分析, 缺乏动态性的连续观察和模拟[13]。究其原因是研究对象多数以案例事件本身为中心, 缺乏对导致舆情演变的最直接主体(网民)的行为和认知分析。本文立足于主导突发事件网络舆情演变的网民群体, 提出网民群体行为的建模方法、仿真模型, 全面、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, 支持突发事件网络舆情发展的态势、路径的预测, 不仅整体、动态地进行考察分析, 同时形成具有可操作性的研究结果。

3 网民群体行为建模

本文设计Agent建模的流程框架如图1所示。将突发事件中的网民映射为Agent, 结合大规模实际案例数据, 进行网民群体行为的特征研究和建模, 包括网民群体种类、结构、属性、行为、相互间的关系及交互规则, 结合网络世界的网民行为数据以及现实世界的网民属性数据, 进行交互验证, 以分析事件发生过程中网民群体的形成和行为特征及其影响因素, 从而随着突发事件的事态发展预测网络舆情的演变。

图1 多Agent仿真的主题框架

3.1 概念模型设计

议程设置就是一个问题及其解决方案得到或失去公众和政府注意的过程[14], 大众传媒影响了公众对现实问题及其重要性的认识, 受众判断某种主题是否重要, 主要看媒介对该主题的重视程度……, 媒介通过设置议程制造、引导舆论, 网络媒体会利用自身的平台互动优势进行网络议程设置[15]。在网络环境下, 话语权得到空前解放, 很多网民取得了一定程度的话语权, 但是话语权失衡的现象在网络传播中依然有迹可循[16]。在网络中出现的草根意见领袖的话语权得到加强, 已经可以拥有和官方媒体一起参与网络议程设置的能力。

本文结合议程设置概念引入网民情感的相关理论, 分析草根意见领袖和代表政府的官方媒体在网络舆情不同阶段采取不同行动对危机事件发展态势的影响, 构建Agent概念模型, 其中议程设置体现在草根意见领袖、代表政府的官方媒体以及网民之间的交互规则设计, 话语权争夺体现在草根意见领袖和代表政府的官方媒体共同作用下对网民情感倾向性的博弈规则设计, 模型整体框架如图2所示:

图2 Agent概念模型

其中, 网络情感是指某一时刻网民群体的情感。当危机事件发生后, 网民群体给予一定的关注度, 并且随着事态的发展, 网民的情感也会发生变化, 当网络情感达到一定阈值时, 草根意见领袖会采取一定的行动, 如发布带有一定情感色彩的微博等; 代表政府的官方媒体也会根据其所设置的网络情感阈值采取行动, 如进一步揭示事实真相等。草根意见领袖和官方媒体的行为会进一步引导网民的情感, 如果引导适当会使网民情感平复。

3.2 个体属性设置

参考文献[17], 结合本研究, 设置各个主体的主要属性如表1所示, 网民、政府、草根意见领袖部分主要属性如表2表5所示, 其中, 政府在网络舆情中行为信息的表达以官方微博或者媒体作为载体, 例如“ 某某政府在线” 。

表1 各个主体属性设置
表2 网民个体属性设置
表3 网民群体情感属性设置
表4 官方媒体属性
表5 草根意见领袖属性设置
3.3 交互规则设计

各主体存在彼此之间的相互作用, 以网民Agent和网民Agent、意见领袖Agent和网民Agent、政府Agent和网民Agent之间的相互作用进行说明。

(1) 网民Agent之间的交互规则

本文将舆论信息在微博上进行传播时, 在单一交互过程中视作单向传播, 同时, 交互过程是发生在存在关注关系的个体之间, 网民i(传播者)与网民j(接受者)之间的通信规则如下: 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。t+1时刻主体j的状态转移方程式为:

(1)

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Atj(t+1)=Atj(t) 。

网民之间的影响程度与自身的从众性大小和对方的影响力有关, 由此定义网民i受到网民j的影响函数[17]为(对正效应指标和负效应指标进行归一化处理):

(2)

其中, p1为网民i和网民j态度差异的阈值, 如果二者差异程度大于p1, 则网民j不会对网民i产生影响; 如果二者差异小于等于p1, 则网民j会对网民i产生影响。如果网民i与网民j的态度发生相互的影响, 则i调整后的态度和情感分别为:

(3)

(4)

(2) 网民Agent和政府Agent之间的交互规则

政府主要通过官方媒体来影响网络舆情。官方媒体j对网民i的影响与网民自身的从众性和官方媒体的影响力、公信力和信息公开速度和干涉强度有关, 由此定义网民i受到官方媒体j的影响函数为:

(5)

如果官方媒体j对网民i产生影响, 则网民i调整后的态度和情感分别为:

(6)

(7)

(3) 网民Agent和草根意见领袖Agent之间的交互规则

草根意见领袖的传播行为主要有原创、评论转发、沉默转发三种。草根意见领袖的传播行为会影响网民的态度。此外, 草根意见领袖的影响力、态度和权威水平也会影响网民的态度。草根意见领袖j对网民i的影响与网民自身的从众性和草根意见领袖的影响力、可信度有关。由此, 定义网民i收到意见领袖j的影响函数为:

(8)

如果意见领袖j对网民i产生影响, 则网民i调整后的态度和情感分别为:

(9)

(10)

3.4 博弈规则设计

在危机事件中, 每类群体(官方媒体、草根意见领袖等)称为代理人。每个代理人对一件事情持有自己的态度 。采用连续的态度模型, 态度定义区间 , 根据Deffuant模型的交互规则[18]改变各自的态度值, 将从群体中选择出两个不同个体的态度取值用x和 表示, 同时定义其交互的阈值为 , 只有当 时, 两个个体方可进行态度的交互。每次博弈时, 在不同代理人中随机选择, 然后不同代理人根据不同的收益选择各自的策略, 当代理人选择的策略导致他们能够进行态度交互时, 将按照Defaunt模型的交互规则改变各自的态度值。

在本文中, 政府与意见领袖都会影响网民群体。所以, 政府与意见领袖博弈结果不仅会表现在意见领袖受影响程度上, 还会在网民情感变化曲线上有所反映, 可以构造政府与意见领袖博弈算法, t时刻, 政府主体j对意见领袖i的影响函数为:

(11)

(1) 当意见领袖i是受政府j影响而产生的新参与者时, 可能出现两种不同的情况: 当 时, 意见领袖i变为接受者, 不传播, 此时意见领袖受到政府轻度影响; 当 时, 意见领袖i直接变为传播者, 为[0, 1]区间内的常数, 此时意见领袖受到政府严重影响。

(2) 当意见领袖i为已经存在的接受者时, 在政府j影响后, 可能出现三种不同的情况: 若 , 意见领袖i对政府j传播的信息不感兴趣, 退出关注; 若 , 意见领袖i对政府j传播的信息感兴趣, 选择持续关注, 不传播, 此时也算意见领袖受到政府轻度影响; 若 , 意见领袖i对政府j传播的信息非常感兴趣, 选择传播信息, 为[0, 1]区间内的常数, 此时意见领袖受到政府严重影响。

4 实证研究
4.1 实验背景

本文选取于2014年2月20日凌晨27分左右发生在南京口腔医院的“ 南京官员殴打医护人员” 事件作为分析对象, 案例事件发展进程如表6所示:

表6 案例事件发展进程
4.2 仿真实验

在新浪微博平台上抓取该事件相关的微博, 抓取任务的时间区间为2014年2月20日0点到2014年4月15日18点。针对该话题共抓取33 079条原创微博、289 898条转发、303 437条评论和360 536个微博用户的基本信息, 共提取出280 283条转发关系。下面以代表政府的官方媒体和草根意见领袖对网民情感影响的博弈实验来解释。本文选择NetLogo软件进行仿真实验, 数据处理流程和仿真实验流程如图3所示。

图3 案例数据处理与仿真实验流程

仿真过程中有10个政府参数和4个媒体参数可以进行调节, 以便直观地观察当政府、媒体的参数变化时博弈过程与博弈结果的变化, 确定政府和媒体应该怎样调整, 才能起到正确的引导作用, 使事件往好的方向发展。当意见领袖、政府、媒体都不介入状态下网民之间交互, 可以看出, 网民的情感呈波动变化, 但大体上维持正面情感、负面情感的比例稳定, 如图4所示:

图4 当意见领袖、政府、媒体都不介入状态下 网民之间交互结果

当选择政府与意见领袖博弈时, 可以分为两种情况: 一是当政府的公信力等属性很高时, 草根意见领袖受到政府严重影响的人数迅速增加, 网民情感以较快的速度向正面变化, 这就是政府各方面属性较高时的博弈结果(如图5所示); 二是当政府的公信力等属性降低到一定程度时, 意见领袖受到政府严重影响的人数迅速降低, 网民情感正面变化趋势也随之减慢, 这是政府各方面属性较低时的博弈结果(如图6所示)。

图5 政府公信力高情况下的博弈结果

图5图6不难发现, 政府的公信力、传播力、引导力是决定政府控制力的关键, 在政府公信力等属性较高时, 政府对网民的引导将会变得高效; 而当政府公信力等属性较低时, 政府对意见领袖以及网民的

图6 政府公信力低情况下的博弈结果

影响力就会下降, 无法快速引导网民群体的情感往好的方向发展。所以, 政府想要在网络事件中起决定性作用, 必须提高公信力、传播力、引导力, 才能在网络事件中占据主导地位, 引导事件向好的方向发展。

5 结 语

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, 将网民映射为智能体(Agent), 以网民情感为基础, 提出网民群体行为的多Agent技术的交互规则设计模型、博弈规则设计模型, 并结合实际案例进行建模仿真, 通过对突发事件中网民群体行为演化的“ 感知— 决策— 行为— 动作— 反馈” 的闭环过程的解析, 全面、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, 并且根据仿真结果得出具有可操作性的规则和模型。未来研究可以从以下几个方面展开:

(1) 网民群体认知行为规则研究, 研究网民群体在突发事件网络舆情演变过程中的认知过程、认知步骤、学习与记忆、问题解决等问题;

(2) 网民群体行为转换规则研究, 研究网民群体在突发事件网络舆情演变过程中的心智状态转换过程、转换规则及其对群体行为的影响;

(3) 网民群体行为决策研究, 研究网民群体在突发事件网络舆情演变过程中的行动目的、行为标准和行为偏好集合、Agent的情感状态之间的关系;

(4) 网民群体行为动机研究, 研究网民群体在突发事件网络舆情演变过程中的“ 信念— 愿望— 意图” , 分析网民群体的感知行为、推理行为、决策行为、学习行为。

Ex Libris和Instructure联手整合阅读清单与学习管理

Ex Libris集团宣布将与Instructure公司合作, 成为Instructure的认证合作伙伴计划成员。 Instructure是一家SaaS公司, 创造了Canvas学习管理系统(Learning Management System, LMS)。两家公司的共同客户将受益于新的Ex Libris Leganto阅读列表解决方案与Canvas学习管理系统的集成。

Leganto针对教师和学生的需求而设计, 是一个易于使用的应用程序, 使教师可以创建、维护和审查各类课程阅读书目, 并监督其使用。学生可以方便地访问他们阅读列表中的条目, 跟踪阅读相关的任务。Leganto是第一个通过提供图书馆管理, 学术内容, 以及教学和学习三大系统之间的内置跨系统流程来支持课程阅读的解决方案。

“ 我们很高兴Ex Libris成为认证合作伙伴, ” Instructure副总裁Melissa Loble指出: “ 在Instructure, 我们专注于为数百万的学生和教师提供最好的工具。能够简化相关课程阅读过程的Leganto已被证明是一个优秀的工具。Leganto将作为Canvas中的课程和图书馆基础架构库之间的一个关联, 有助于确保课程所需的教材能通过图书馆来访问, 同时, 它还将跟踪资源的使用情况, 为决策支持提供依据。”

“ Ex Libris很高兴能与Instructure合作, 让学校从课程阅读书目的创建、维护、评估和访问这一跨系统工作流程的独特价值中获益。” Ex Libris公司主管发现和交付解决方案的副总裁Shlomi Kringel说: “ Canvas和Leganto的集成将为双方的教师和学生提供一种极好的体验, 并为学校实现其教学和学习目标提供支持。”

(编译自: http://librarytechnology.org/news/pr.pl?id=20570)

(本刊讯)

参考文献
[1] 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): 270-274.
(Bi Hongyin. Group Influence in the Formation and Change of Network Public Opinion[J]. Journal of Tianjin University: Social Science, 2007, 9(3): 270-274. ) [本文引用:1] [CJCR: 0.323]
[2] 何炎祥, 陈萃萌. Agent和多Agent系统的设计和应用[M]. 武汉: 武汉大学出版社, 2001: 13.
(He Yanxiang, Chen Cuimeng. The Design and Application of Agent and Multi-agent System [M]. Wuhan: Wuhan University Press, 2001: 13. ) [本文引用:1]
[3] 岳峰, 胡晓峰, 李志强, . 多智能体涌现生成的群体行为仿真[J]. 系统仿真学报, 2008, 20(Sl): 205-208.
(Yue Feng, Hu Xiaofeng, Li Zhiqiang, et al. Generating Crowd Behavior Simulation from Multi-agent’s Emergence[J]. Journal of System Simulation, 2008, 20(Sl): 205-208. ) [本文引用:1] [CJCR: 0.527]
[4] DeAngelis D L, Mooij W M. Individual-based Modeling of Ecological and Evolutionary Processes[J]. Annual Review of Ecology, Evolution and Systematics, 2005, 36: 147-168. [本文引用:1] [JCR: 10.977]
[5] Azahar M A B M, Sunar M S, Daman D, et al. Survey on Real-Time Crowds Simulation [A]// Technologies for E-Learning and Digital Entertainment[M]. Springer Berlin Heidelberg, 2008: 573-580. [本文引用:1]
[6] 杨志谋, 司光亚, 李志强, . 群体行为建模理论基础与建模方法研究[J]. 系统仿真学报, 2009, 21(16): 3621-3625, 3630.
(Yang Zhimou, Si Guangya, Li Zhiqiang, et al. Basic Theory and Method of Crowd Behavior Modeling[J]. Journal of System Simulation, 2009, 21(16): 3621-3625, 3630. ) [本文引用:1] [CJCR: 0.527]
[7] 王鑫. 数据驱动的人群动画仿真技术研究[D]. 杭州: 浙江大学, 2009.
(Wang Xin. The Simulation Research of Data-driven Crowd Animation [D]. Hangzhou: Zhejiang University, 2009. ) [本文引用:1]
[8] 江世杰, 韩战钢. 复杂系统研究中基于Agent的模型化方法[J]. 上海理工大学学报, 2011, 33(2): 124-129.
(Jiang Shijie, Han Zhangang. Agent Based Modeling in Complex System Research[J]. Journal of University of Shanghai for Science and Technology, 2011, 33(2): 124-129. ) [本文引用:1] [CJCR: 0.535]
[9] 刘炜, 陈俊杰. 一种基于Agent的智能元搜索引擎框架[J]. 计算机工程与应用, 2005(3): 137-138, 211.
(Liu Wei, Chen Junjie. A Framework for Intelligent Meta-search Engine Based on Agent[J]. Computer Engineering and Applications, 2005(3): 137-138, 211. ) [本文引用:1]
[10] Mitrovic M, Tadic B. Patterns of Emotional Blogging and Emergence of Communities: Agent-based Model on Bipartite Networks [OL]. [2014-06-07]. arXiv Preprint. arXiv: 1110. 5057. [本文引用:1]
[11] Sobkowicz P, Kaschesky M, Bouchard G. Opinion Formation in the Social Web: Agent-based Simulations of Opinion Convergence and Divergence[A]// Agents and Data Mining Interaction[M]. Springer Berlin Heidelberg, 2012: 288-303. [本文引用:1]
[12] Gatti M, Appel A P, Pinhanez C, et al. Large-scale Multi- Agent-based Modeling and Simulation of Microblogging-based Online Social Network [C]. In: Proceedings of the 14th International Workshop on Multi-Agent-based Simulation. 2013. [本文引用:1]
[13] Sobkowicz P. Modeling Opinion Formation with Physics Tools: Call for Closer Link with Reality[J]. Journal of Artificial Societies and Social Simulation, 2009, 12(1): 11-25. [本文引用:1]
[14] Birkland T A. After Disaster: Agenda Setting, Public Policy, and Focusing Events [M]. Georgetown University Press, 1997. [本文引用:1]
[15] 胡正荣. 传播学总论[M]. 北京: 北京广播学院出版社, 1997: 312.
(Hu Zhengrong. Communication [M]. Beijing: Communication University of China Press, 1997: 312. ) [本文引用:1] [JCR: 6.718]
[16] 周斌. “强-弱”冲突案件的网络舆情及传统媒体的理性应对[J]. 新闻爱好者, 2013(11): 29-32. [本文引用:1]
[17] (Zhou Bin. Rational Response of Public Opinion and Traditional Medias in “Stong-Weak” Conflicting Legal cases[J]. Journalism Lover, 2013(11): 29-32. ) [本文引用:1]
[18] 钟扬廉. 基于UIGP 模型预测分析下的高校网络群体极化研究[J]. 科协论坛, 2012(9): 85-86.
(Zhong Yanglian. Research of Group Polarization in University Networks Based on Pridiction of UIGP Model[J]. Science & Technology Association Forum, 2012(9): 85-86. ) [本文引用:1]
[19] Deffuant G, Neau D, Amblard F, et al. Mixing Beliefs among Interacting Agents[J]. Advances in Complex Systems, 2000, 3(1-4): 87-98. [本文引用:1] [JCR: 0.786]