強關系型社交媒體平臺不實信息傳播模型研究

黃逸磊，夏志杰，王詣銘

上海工程技術大學 管理學院，上海201620

社交媒體出現至今，經過不斷的發展演變，在社會輿論、熟人社交、陌生人社交等方面出現了各種類型的平臺[1]。不僅為公眾提供了大量新的信息交換方式，更是成為了人們獲取信息的重要渠道。與此同時，社交媒體平臺中不實信息的大量傳播會對社會造成惡劣影響，甚至產生危機事件[2]。了解社交媒體平臺中不實信息的傳播規律，有助于有效控制不實信息廣泛傳播，維護社會秩序。

由于不實信息在社交媒體平臺中的傳播與傳染病有相似性，所以一些研究者借鑒SIR模型對不實信息傳播進行定量分析研究，并在SIR模型的基礎之上加入更多的影響因素[3-4]，取得了大量的研究成果。但是，有學者指出SIR 模型較為簡單，不足以描述不實信息的傳播[5]。隨著復雜網絡的興起，學者們將復雜網絡理論應用于不實信息傳播研究[6]。不同于上述建模方法，Multi-Agent 建模方法著眼于粒子之間的交互，從微觀上對粒子個體進行分析，從宏觀上可以觀察復雜網絡的傳播特點，能夠更詳細地對不實信息的傳播進行模型描述。

本文通過對強關系型社交媒體網絡中不實信息傳播影響因素進行分析，借助Multi-Agent建模方法，建立考慮用戶個體異質性及用戶決策不確定性的不實信息傳播模型，克服傳統SIR 模型較為簡單的缺陷，提供一種不實信息傳播模型的構建思路。在多種不同結構的網絡以及Facebook網絡[7]中，通過控制變量法進行一系列的仿真模擬，分析不實信息傳播初始節點度、強關系型社交媒體網絡結構和用戶個體異質性對不實信息傳播的影響，探尋強關系型社交媒體平臺中不實信息傳播規律，對當前不實信息在強關系型社交媒體平臺中的傳播理論進行補充，為不實信息大規模傳播后的應對措施提供建議。

1 相關研究

1.1 社交媒體平臺類型劃分

關于社交媒體平臺中不實信息傳播規律的研究主要集中在微博與微信這兩大主流社交媒體平臺，有部分學者研究并發現了兩者傳播模式的區別[8-9]，但并未根據傳播特點對社交媒體平臺進行明確分類。Granovetter[10]從社會分析的角度將人際關系分為強關系與弱關系。基于此，張敏將社交媒體劃分為強關系社交媒體和弱關系社交媒體[11]。強關系社交媒體是基于線下熟人關系組成的線上網絡。在此類社交媒體平臺上，只有相互添加從而建立聯系的用戶之間才能夠相互交流。這樣的傳播模式導致了強關系社交媒體信息傳播具有私密性、大眾傳播力弱、小世界特性[12]等特點。比較有代表性的平臺有：微信、人人網、Facebook等。弱關系社交媒體是基于興趣等個人單方面選擇組成的網絡，用戶間關系脆弱，信任度低。在此類社交平臺上，用戶發布的信息是公開的。這導致弱關系社交媒體信息傳播具有輿論領袖，傳播范圍無局限，網狀鏈接裂變式傳播[13]等特點。比較有代表性的弱關系社交媒體平臺主要有微博、twitter等。

1.2 不實信息傳播模型

信息傳播模型的建立方式主要有兩類，一類是通過自上而下的視角進行建模，另一類是通過自下而上的視角進行建模[14]。

自上而下的研究視角通過從信息傳遞的用戶整體角度出發，觀察信息傳播過程中各群體的數量變化，通過微分方程建立模型，尋找信息傳播過程中的演化規律。一方面是基于傳染病模型為基礎的模型，另一方面是基于復雜網絡理論的復雜系統模型。Kermack等人[15]建立傳染病模型，將用戶群體分為三類，易感者S、患病者I、移出者R。學者們對此模型進行了一系列優化，使其更貼合實際的用戶人群特點。魏靜等[3]提出了部分無知者直接變為免疫者以及具有衍生效應的SIR 改進模型。陳波等[4]考慮到傳染病的潛伏期，在SIR 模型基礎上加入潛在狀態E，建立SEIR傳播模型。有學者將傳染病模型與復雜網絡相結合，構造出一系列謠言傳播模型。覃志華等結合了微信的網絡拓撲結構，建立兩層、三層網絡細化SIR 模型，對微信上謠言的傳播進行研究[16-17]。魏靜等通過建立雙層微信網絡模型模擬微信上的輿情傳播[18]。

目前類似SIR 的微分方程謠言傳播模型所基于的假設與現實情況大相徑庭。Zollo[5]在對Facebook 數據集進行分析的基礎上，指出傳染病模型過于簡單不足以解釋社交媒體中不實信息大規模快速傳播的問題。

自下而上的傳播模型通過強調用戶之間的交互作用，了解網絡輿情傳播過程，通過對粒子之間的交互行為建模，實現對現實情況的模擬。模型的主要類型有Ising 模型、Default 模型、元胞自動機模型、Multi-Agent模型等。這些模型能夠細致地從微觀角度描述用戶的交互行為，從宏觀角度分析傳播過程的整體效果，能夠較好地考慮社交媒體用戶個體異質性。Grabowski等通過基于Ising 的模型分析群體意見的形成過程[19]。鄧青等通過元胞自動機模型定量研究輿情傳播和干預機制[20]。孫雷霆通過Multi-Agent 模型從微觀角度分析傳播過程中的個體行為，從宏觀角度分析傳播程度和策略有效性[21]。有學者結合多種方法對輿情的生成和傳播規律進行研究。陳春陽等在Multi-Agent仿真模型的基礎上結合Deffuant有限信任模型，分析微博輿情生成機制和傳播規律[22]。

自下而上的傳播模型能夠更好地實現對于不實信息傳播過程中個體行為及其差異性的模擬，但是往往通過設置閾值來實現個體之間的交互規則的設置，無法模擬真實情況下用戶行為的不確定性以及非理性。

本文采用Multi-Agent建模方法模擬強關系社交媒體用戶網絡結構，分析并刻畫了強關系社交媒體中不實信息傳播的影響因素，同時考慮了用戶個體異質性，并通過D-S 證據理論模擬用戶在收到不實信息之后決策行為的不確定性。通過控制變量法，在不同網絡中進行仿真實驗，深入研究不實信息在強關系型社交媒體平臺用戶網絡中的傳播規律。

2 模型構建

強關系型社交媒體中，用戶之間主要的不實信息傳播模式之一是有限一對多的模式，即一位用戶發布不實信息，其好友可見。這些好友根據自己的判斷做出轉發或者沉默的行為，然后不斷循環上述過程，直至沒有用戶對不實信息進行轉發。根據這樣的不實信息傳播模式，利用Multi-Agent建模的方法將用戶抽象成為節點，用戶之間的好友關系抽象為邊，通過邊權重反映好友之間的親密度。在考慮了強關系社交媒體中不實信息傳播的影響因素基礎上，通過參數的分布來體現用戶的個體異質性。用D_S 證據理論來刻畫用戶行為決策過程中的不確定性。

2.1 模型假設

該模型用于模擬不實信息在強關系社交媒體用戶網絡中的傳播場景，并需要滿足以下假設。

（1）不實信息可達性良好。即每個用戶在強關系社交媒體平臺發布的不實信息所有好友都可見，并且好友看到并閱讀了該不實信息。

（2）不實信息的來源單一。傳播過程中不實信息的來源僅為強關系社交媒體平臺中不實信息傳播路徑上的用戶，不會有外界其他信息的介入，用戶不會生成修改之后的不實信息。

（3）傳播的非冗余性。每位用戶最多傳播一次不實信息。

（4）無煽動者。不實信息出現之后不存在組織有目的地煽動，不具有長時間有目的性的推動因素。

（5）在不實信息傳播的過程中，社交媒體平臺的用戶數量不變。

2.2 個體決策影響因素

用戶對于不實信息的轉發是一種對于當前環境的意見表達。在強關系社交媒體用戶網絡中的意見表達與現實人際關系網絡中的意見表達有一定相似性，用戶會綜合考慮多方面因素，再對接收到不實信息之后的行為做出決策。在此決策過程中涉及到三方面的因素，信息自身的相關因素、信息的收發雙方用戶的相關因素、用戶所處輿論環境的相關因素。

（1）從信息自身的角度來看，信息自身需要存在一定的價值才能引起人們的關注，信息價值越高，用戶對信息的關注度越大。信息的價值具有時效性。隨著時間流逝，信息的價值也隨之減弱。強關系社交媒體中信息老化規律與文獻信息老化規律具有一定相似性，依據文獻老化規律負指數模型，構建如下信息價值模型。

vi(t)表示在t時刻，用戶網絡中用戶i處，信息所包含的價值。其中v0為信息的固有價值，t0為信息傳播的起始時刻，λi為信息的關注度。

λ0為網絡信息衰減特征標度系數，由經驗統計數據獲得，信息價值的針對性越強其值越大，表示傳播范圍越窄。ψ～N(0,1) 是各種不確定性因素形成的外界關注度，外界關注度越高，信息關注因子越小。

（2）從信息收發雙方的角度分析，信息的接收者接收到信息之后的行為會受到自身性格、用戶的表達欲、信息傳播者影響力的影響。

用戶性格可以通過用戶活躍程度體現，用戶在社交媒體上的行為頻率以及好友數量等特征反映了用戶的活躍程度。由此，構建用戶交際活躍度模型。

其中，Qi表示用戶i的交際性格等因素組成的影響因子。Qi∈(0,1)，di表示用戶i的好友數量，表示用戶i的k位好友總數。

用戶的表達欲是一個用戶接收到信息后自我表達需求的程度。用戶想要表達自己一方面是因為性格使然，越活躍的人越傾向于表達自我。另一方面也因為用戶對于收到的信息觀點產生共鳴，增強了用戶對于特定信息的傳播意愿。構建如下用戶表達欲模型。

其中，li表示信息接收者的交際活躍度。Ai表示用戶i的觀點共鳴度，Ai∈[-1,1]。當Ai ＜0 時，表明用戶對當前接收到的信息有不同意見。各個用戶觀點共鳴度Ai的差異反映了用戶個體的異質性。宏觀上用戶個體的異質性表現在網絡的結構和Ai的分布兩方面。

推送者影響力反映信息推送者對于信息接收者的影響力。在強關系社交媒體中推送者影響力與推送者的活躍性相關，也與其推送信息的力度相關，推送力度可能與信息與個體利益相關度、興趣愛好等很多復雜因素有關。信息收發雙方的親密、信任程度也會影響信息接收者進行轉發的意愿。構建推送者影響力模型。

其中，βi表示推送者的推動力度，rij表示用戶之間的親密程度。σ表示信息在強關系社交媒體中發布后，用戶向外界推送的熱情隨著時間推移降低的速度。

（3）從用戶所處輿論環境來看，用戶好友組成的輿論環境對于不實信息的觀點會影響用戶在強關系社交媒體中的自我表達。用戶傾向于表達與眾人相同的觀點，當觀點與眾人不同時，便傾向于沉默。輿論環境由信息驅動，受用戶群體的表達和時間兩方面的影響，會隨著信息價值隨時間的衰減而減弱，也會隨著周邊用戶綜合觀點的變化而變化。建立以下輿論環境模型。

其中，ε是時間閾值，當t-t0＞ε時，輿論環境難以形成。

2.3 個體類型劃分

在強關系型社交媒體中用戶接收到不實信息所產生的行為有轉發、點贊、評論。其中僅有轉發行為對不實信息的傳播有直接的影響。針對用戶的轉發行為，參考SIR模型對于用戶狀態的分類，將用戶分為無知者U（未收到不實信息的用戶，Unknown）、轉發者P（收到不實信息并進行轉發的用戶，Propagated）、沉默者S（收到不實信息并保持沉默的用戶，Silent）。

在用戶接收到不實信息之前都為無知者，在用戶接收到不實信息之后根據自身所處環境的情況做出行為決策，確定成為轉發者或者沉默著。用戶的決策過程雖然會受到上述因素的影響，但是由于人的非理性，用戶最終的決策結果具有不確定性，不適合直接通過閾值的設置來劃分用戶類型。

D-S證據理論可以不需要先驗概率，通過不確定性的表示方法以概率的形式表示最終結果的特點，在描述存在不確定性的現象時具有一定的優勢，適合模擬強關系型社交媒體用戶接收到不實信息后的多屬性決策行為[23]。基于上述分析，利用D-S證據理論建立用戶行為決策模型。

辨識框架：將用戶決策之后可能出現的兩種用戶類型，轉發者(P)和沉默者(S)構成的集合作為辨識框架，記為Θ={P,S}，Θ的冪集為2θ={?,{P},{S},{P,S}}。

Mass函數：根據2.2節分析的影響因素確定模型的Mass函數，如表1。

表1 Mass函數含義表

3 仿真分析

本文從不實信息傳播初始節點度、強關系社交媒體網絡結構以及用戶個體異質性三個方面對強關系型社交媒體中不實信息傳播效果進行仿真研究。當前對于強關系型社交媒體網絡結構的研究雖有一定成果，但是還足以直接使用相關的研究結論構建出接近真實強關系型社交媒體網絡的拓撲結構。所以實驗中，分別采用了規則網絡、隨機網絡、小世界網絡、無標度網絡以及Facebook 社交圈數據集。考慮到節點數量對于仿真結果的影響，因此五個網絡中的節點數量均為4 039。分別將初始節點度、網絡結構、觀點共鳴度A分別作為控制變量進行仿真模擬。

3.1 模型實現及初始化

本文的強關系型社交媒體平臺不實信息傳播模型通過基于Python語言開發的復雜網絡建模工具NetworkX實現。

為了盡可能地減小模型中研究因素以外變量的數值差異對實驗結果的影響，仿真實驗中將研究因素以外的變量常量化，使用固定值作為初始狀態，考察強關系型社交媒體平臺不實信息傳播模型隨著時間變量t不斷變化的運行規律；并且為保證實驗的可重復性，所有需要用到隨機數序列的變量均使用Python 隨機數種子函數random.seed，使每一次仿真實驗的隨機數序列相同。模型仿真的初始化涉及兩個方面：變量的常量化和隨機數序列固定。本文所做的仿真實驗，均在以下初始化條件下實現。

（1）變量的常量化。信息傳播起始時刻t0=0，在信息價值模型中，v0=1，λ0=1，ψ=0.5，推送者影響力模型中σ=0.5，輿論環境模型中ε=10。

（2）隨機數序列固定。通過[0，1]上的隨機值來體現用戶交際性格影響因子Qi、推送者推送力度βi、用戶間親密度ri的程度。為了減少極端值，假設三者的隨機數序列在[0，1]上均服從正態分布這些隨機數序列代表強關系型社交媒體用戶網絡中各個用戶的特征，為保證每一次仿真實驗中作為控制變量的用戶群體特征保持一致，使用Python 隨機數種子函數random.seed，使每一次仿真實驗的隨機數序列相同。

3.2 節點度對于傳播效果的影響

將初始節點度作為自變量，觀點共鳴度Ai作為控制變量服從均勻分布。實驗模擬不實信息從某一個節點發出，在不同強關系型社交媒體網絡拓撲結構中的演化過程。統計了在不同網絡拓撲結構下，不同節點度的初始節點與傳播者占比、沉默者占比以及兩者占比總和的相關性，如表2。其中，信息受眾指傳播者與沉默者的總和。

表2 相關系數表

在隨機網絡與小世界網絡中不實信息傳播初始節點度與信息受眾占比的線性相關性相對明顯，且為負相關，小世界網絡的負線性相關性大于隨機網絡，即不實信息傳播初始節點度越大，傳播范圍越小。在無標度網絡與Facebook社交網絡中，不實信息傳播初始節點度與信息受眾占比呈相對明顯的正相關，即不實信息傳播的初始節點度越大，信息受眾數量越大。

從不實信息受眾的細分角度分析，除小世界網絡外，沉默者類型用戶的數量變動對不實信息受眾數量的影響相較傳播者明顯。

與常理不同的是，不實信息傳播初始節點度不一定與信息受眾數量正相關，同時沉默者類型的用戶對信息受眾數量的影響較大。

3.3 網絡結構對于傳播效果的影響

有學者認為社交網絡中個人之間的信息流會改變人們對于選舉的觀點[24]。強關系型社交媒體中用戶關系網絡的拓撲結構也是信息流的網絡結構。因此，網絡拓撲結構可能會對不實信息的傳播以及強關系型社交媒體網絡中用戶對不實信息的觀點產生影響。在此仿真實驗中，將初始傳播節點度和觀點共鳴度A作為控制變量，在五類網絡中分別選取一個節點度為6的節點作為不實信息傳播初始節點，觀點共鳴度A服從均勻分布。各用戶類型的占比趨勢變化如圖1～圖3。

圖1 沉默者S占比變化趨勢

圖2 傳播者P占比變化趨勢

五類網絡所能夠達到的最大受眾數量都達到了98%以上。但是傳播高峰以及用戶關注度消退所持續的時間有所不同。用戶持續關注的時間由長到短依次為規則網絡＞小世界網絡＞無標度網絡＞Facebook網絡＞隨機網絡。從不實信息傳播的周期劃分[25]來觀察，強關系型社交媒體網絡結構對不實信息傳播的蔓延期長度以及緩解期持續時間有一定影響。不實信息傳播過程的緩解期時長與網絡構建規則的隨機性有關，網絡構建過程中隨機性越強，不實信息傳播緩解期時長越短。

根據Facebook網絡的仿真結果，推斷真實的強關系型社交媒體網絡在不實信息傳播的不同階段能夠體現出不同類型網絡的傳播特性。雖然前人研究證明強關系型社交媒體用戶網絡具有無標度和小世界特性[26]，但是網絡結構對于不實信息傳播各階段的影響還需要進一步的研究。

此外，信息受眾的構成也有所不同。在五種網絡結構中傳播者的傳播作用由大到小依次為Facebook網絡＞隨機網絡＞無標度網絡＞小世界網絡＞規則網絡。這也印證了不實信息傳播過程中存在少數的重要傳播者，他們會推動不實信息的傳播最大化[27]。大部分人在接收到不實信息后不會做出轉發行為，屬于沉默者，但是他們對不實信息所持有的觀點卻可能是社會的主流意見。如何發現傳播熱點事件中沉默者的主流用戶意見是一個困難但又重要的問題。

圖3 傳播范圍變化趨勢

3.4 用戶個體異質性對于傳播效果的影響

本文所建立的強關系型社交媒體不實信息傳播模型考慮了用戶個體異質性因素在不實信息傳播過程中的作用。用戶個體異質性在模型中表現為用戶觀點共鳴度Ai的分布情況。Ai服從正態分布，期望表示用戶總體對于當前不實信息的觀點共鳴程度整體偏好，標準差反映了用戶群體觀點的分布幅度，即用戶個體異質性的程度。當Ai為均勻分布時為用戶個體異質性分布的極端情況。

用戶個體異質性對于信息傳播會產生影響[28]。因此，實驗中僅改變用戶觀點共鳴度Ai的分布情況，對用戶個體異質性不同的六種情況進行仿真模擬。

（1）Ai服從期望為0的正態分布，用戶觀點共鳴度總體在0 附近，即用戶總體意見未出現正向或者負向偏見的情況下，用戶個體異質性較強和較弱之間所產生的傳播差異。f1:A～N(0,1/3) 和f2:A～N(0,1/6) 如圖4、圖5。

（2）Ai服從期望為0.5 的正態分布，用戶觀點共鳴度總體在0.5 附近，即用戶總體意見與不實信息的意見相近，出現了正向的偏見的情況下，用戶個體異質性較強和較弱之間所產生的傳播差異。f3:A～N(1/2,1/3)和f4:A～N(1/2,1/6)如圖6、圖7。

（3）Ai服從期望為-0.5的正態分布，用戶觀點共鳴度總體在-0.5附近，即用戶總體意見與不實信息意見不同，出現了負向偏見的情況下，用戶個體異質性較強和較弱之間所產生的傳播差異。f5:A～N(-1/2,1/3) 和f6:A～N(-1/2,1/6)如圖8、圖9。

在用戶總體意見未出現正向或者負向偏見的情況下(f1,f2)，用戶個體異質性會影響不實信息受眾群體的構成，增加傳播者占比，減少沉默者占比，但是總體的受眾占比沒有變化。用戶個體的異質性增加還會延長不實信息的生命周期，延長不實信息傳播生命周期中的蔓延期與緩解期。

用戶總體意見與不實信息的意見相近，出現了正向偏見的情況下(f3,f4)，用戶個體異質性增加會增加小世界網絡沉默者占比，不實信息傳播的緩解期縮短。

圖4 f1中傳播者占比變化趨勢

圖5 f2中傳播者占比變化趨勢

圖6 f3中傳播者占比變化趨勢

圖7 f4中傳播者占比變化趨勢

圖8 f5中傳播者占比變化趨勢

圖9 f6中傳播者占比變化趨勢

用戶總體意見與不實信息的意見相反，出現了負向的偏見的情況下(f5,f6)，隨著用戶個體異質性的增加，無標度網絡和小世界網絡中不實信息傳播的爆發速度加快，不實信息的蔓延期延長，沉默者占比升高。

在用戶個體異質性程度相同的情況下，用戶總體觀點與不實信息觀點的偏差程度會對不實信息傳播趨勢產生影響。用戶總體觀點與不實信息的觀點相反時，小世界網絡與規則網絡在不實信息爆發之前出現了傳播的潛伏期。潛伏期的出現說明用戶對于與自己觀點不相符的不實信息會先進行思考，存在一個不實信息發酵的過程，然后再進行大規模傳播，如果不實信息與受眾的觀點相符，不實信息在強關系型社交媒體中會在極短時間內完成大規模爆發。

并非所有的不實信息在Facebook 社交圈網絡中都會被大規模傳播，僅在用戶總體觀點與不實信息觀點相似時，社交媒體網絡中的不實信息才出現大規模傳播的情況，并且信息受眾的構成中沉默者的占比更多。這印證了沉默螺旋有可能存在于強關系型社交媒體平臺中[29]。

綜上所述，在不同網絡拓撲結構中，受眾總體觀點以及用戶異質性對不實信息不同階段的傳播效果產生不同影響。在六種不同情況下的仿真實驗中，觀察到小世界網絡與規則網絡中不實信息傳播的潛伏期會受到影響；不實信息傳播爆發期受影響的網絡結構，主要是無標度網絡、小世界網絡、Facebook網絡；不實信息傳播蔓延期受影響的網絡結構，主要是無標度網絡、小世界網絡；不實信息緩解期受影響的主要是小世界網絡。具體網絡結構與不實信息各傳播階段的關聯性需要進一步地詳細研究。

4 結語

本文對不實信息在強關系型社交媒體網絡中傳播的影響因素分析，通過Multi-Agent方法，建立了考慮到用戶個體異質性及用戶決策不確定性的強關系型社交媒體不實信息傳播模型。通過一系列仿真實驗得到不實信息在強關系型社交媒體網絡中的一些傳播規律。

為保證仿真實驗分析的有效性，首先分析不實信息傳播初始節點度對傳播范圍可能產生的影響。發現，不實信息傳播初始節點度不一定與信息受眾數量正相關，而沉默者類型用戶對信息受眾數量的變化影響較大。不實信息傳播初始節點度不完全能夠決定不實信息傳播范圍。在此結論的基礎上進一步了解網絡結構對于不實信息傳播的影響。不實信息傳播過程的緩解期長短與網絡的隨機性有關，網絡構建過程中隨機性越強，不實信息傳播的緩解期越短。真實的強關系型社交媒體網絡在不實信息傳播的不同階段體現出不同類型網絡的傳播特性。強關系型社交媒體網絡不僅代表用戶之間的好友關系，還可能包含用戶異質性信息等其他與不實信息傳播相關的信息。

在真實的傳播環境中，不實信息在強關系型社交媒體網絡中的傳播會受到用戶總體觀點偏好以及用戶個體異質性的影響。由此，在上述分析的基礎上，控制用戶觀點共鳴度的分布情況進行仿真實驗，發現用戶總體觀點偏好、個體異質性會對不實信息傳播周期中各個階段的長短、傳播速率以及不實信息受眾的構成產生影響，且對不同網絡結構造成的影響各不相同。

由于環境以及人們認知的影響，用戶總體的觀點會有偏見，此時，個體異質性的增加會增加沉默者在不實信息受眾中的占比，傳播者的傳播作用也變得更加強大。同時，不實信息的蔓延期延長，但是不實信息緩解速度更快。所以，雖然不實信息的大規模傳播不可避免，但是可以通過提升不實信息緩解速度，快速修正用戶對于事實的錯誤認知，方法是讓不同背景、不同專業的意見領袖發表自己的觀點，讓用戶所接收到的相關信息多維度、多領域，提升用戶異質性。

在仿真實驗中，并非所有的不實信息都會大規模傳播，當不實信息所表達的內容與用戶總體觀點相似時，才會出現大規模傳播。不實信息傳播的不同階段受到用戶異質性以及用戶總體觀點偏見程度對于不同網絡的影響程度不同。因此，廣泛傳播的不實信息也體現了與之相近的用戶總體觀點，可以讓企業或者官方組織從不實信息側面了解自身形象以及用戶的需求。

不實信息傳播的過程涉及到大量影響因素，本文在信息傳播主體和對象方面僅考慮到了信息價值、信息的收發雙方的性格和影響力、輿論環境這三類相關因素。還有進一步完善的空間。本文提供了一種不實信息傳播模型的建立框架，未來可以進一步完善此不實信息傳播模型的框架，使其更加契合強關系型社交媒體網絡中不實信息的真實傳播情況；并且還需要通過問卷調查或者實驗分析，進一步完善對于用戶異質性的實際分布情況研究。