融入心理因素的在線社交網絡謠言傳播模型

王 超，倪 靜

(上海理工大學，上海 200093)

0 引 言

隨著移動互聯(lián)網技術的快速發(fā)展，新浪微博、Facebook、Twitter等社交平臺迅速崛起，滿足了人們信息獲取、傳播、分享以及社交的需求。然而，社交平臺卻是一把“雙刃劍”，它不僅為新知識，新觀點提供了傳播平臺，也為謠言這種不實信息提供了肆意滋生的溫床。根據中國互聯(lián)網絡信息中心(CNNIC)發(fā)布的第45次《中國互聯(lián)網絡發(fā)展狀況統(tǒng)計報告》[1]顯示，截至2020年3月，國內網民規(guī)模為9.04億，互聯(lián)網普及率達64.5%，因此謠言一旦在社交平臺上大肆傳播，將對社會秩序造成極大的負面影響。

謠言是指未經科學驗證的，缺乏可靠證據的言論[2]。與傳統(tǒng)口口相傳的社交方式相比，新型社交平臺上社交用戶通過轉發(fā)、點贊、評論等方式對信息進行進一步的傳播，使信息傳播速度更快，受眾更廣泛，這同時也使謠言的傳播范圍更廣，影響力更大。在微博平臺上，有專門的“微博辟謠”官方賬號，政府也有專門的辟謠網站“中國互聯(lián)網聯(lián)合辟謠平臺”，可盡管如此，謠言依舊甚囂塵上，因此對社交網絡中謠言的傳播機制進行研究具有重大的社會意義和學術意義。

最早進行謠言模型研究的是Daley和Kendall[3]，他們提出的DK模型把人群分為三類：無知者、傳播者和理性者。Maki和Thomson[4]對DK模型進行了改進并提出了MT模型。隨后，復雜網絡發(fā)展迅速，眾多學者研究成果斐然，其中對復雜網絡影響最深遠的是Watts和Strongatz[5]提出的WS小世界網絡和Barabasi和Albert[6]提出的BA無標度網絡。在這兩個復雜網絡模型的基礎上，Moreno[7]利用平均場方程研究了均勻網絡和非均勻網絡上的謠言傳播模型，得出謠言在均勻網絡上沒有傳播閾值的結論。

國內外眾多學者均借助生物數學中的傳染病模型來研究網絡謠言傳播，其中較為經典的傳染病模型有SI模型、SIS[8]模型、SIR[9]模型和SEIR[10]模型。張彬等人[11]對SIR模型進行改進，研究了謠言信息與辟謠信息的競爭傳播過程。李鋼等人[12]基于SEIR模型提出基于受眾年齡的ASCN謠言傳播耦合社交網。王丹等人[13]通過分析懲罰因子對謠言傳播的影響，建立了具有懲罰因子的謠言傳播模型。陳一新等人[14]基于傳染病模型加入“辟謠者”狀態(tài)，構建SIDR謠言傳播模型。顧秋陽等人[15]以經典SIR模型為基礎，加入移動社交網絡用戶數量等因子構建了移動社交網絡謠言傳播的參與群體動態(tài)演化模型。張亞明等人[16]改進傳統(tǒng)謠言傳播SIR模型并加入真相傳播者，構建了微信社交網絡T-IPSR謠言傳播模型。

影響謠言傳播規(guī)模和速度的因素眾多，包括個體的異質性、謠言本身的吸引程度、外部環(huán)境的影響等，但是心理因素在謠言傳播過程中的影響同樣不可忽視。從認知心理學的角度出發(fā)，該理論認為認知就是信息加工，包括感覺輸入的編碼、貯存和提取的全過程，這與易感個體初次接觸到謠言直至最后對謠言免疫有相似之處。從社會心理學的角度出發(fā)，該理論研究個體和群體在社會相互作用中的心理和行為發(fā)生及變化規(guī)律，認為人的大部分行為都是后天學習的結果，都是有機體在遇到某種刺激，引起某種行為反應受到強化而構成聯(lián)結的結果，這便是謠言感染者被謠言影響然后傳播謠言至易感個體，一直循環(huán)往復形成網絡輿論的全過程。因此，探討心理學因素在謠言傳播過程中的作用具有相當的合理性和研究價值。

目前鮮有結合心理學對謠言傳播機制進行研究的文章，前人在研究心理因素在謠言傳播方面做了開創(chuàng)性的工作。王亞奇[17]通過數值仿真結果表明好奇心理機制的存在加速了謠言在網絡中的傳播，降低了網絡的傳播臨界值。朱冠樺等[18]利用改進的SIR模型研究從眾心理對謠言傳播的影響，發(fā)現(xiàn)從眾效應的增幅越大，謠言傳播速度越快。林芹等[19]基于用戶的心理特征利用優(yōu)化的SIS模型對社交網絡輿情進行研究。王小初[20]考慮社交網絡中的反沉默螺旋現(xiàn)象，表明初始傳播節(jié)點的節(jié)點度大小的選擇會使得謠言呈現(xiàn)出不同的傳播效果。遲鈺雪[21]考慮逆反心理對網絡輿情傳播的影響，認為事件熱度在逆反心理的作用下會迅速上升。

然而，大多數從心理學角度考慮謠言傳播的研究都屬于定性分析，很少涉及定量分析。除此之外，在目前的謠言傳播模型中，大多數研究僅考慮單一心理因素對謠言傳播的影響，不符合個體對謠言討論、傳播的全過程心理變化。而且，在目前的研究中還未有結合心理因素使用SEIR(Susceptible-Exposed-Infectious-Recovered)模型對謠言傳播進行研究的文章。

基于以上認識，該文首先在傳統(tǒng)SEIR模型的基礎上，引入好奇心心理、從眾心理，構建融入心理因素的改進SEIR謠言傳播模型，列出微分動力學方程，并對模型進行穩(wěn)定性分析。接著使用Matlab軟件分別在自建網絡和真實網絡上進行模擬仿真，分析好奇心心理、從眾心理、信息干擾率以及個體免疫率對謠言傳播的影響，最后由分析結果提出引導和控制謠言傳播的建議。

1 謠言傳播模型基礎

1.1 經典SEIR傳染病動力學方程

經典的SEIR傳染病動力學模型將人群分為四類：易感者S、潛伏者E、感染者I、免疫者R。易感者(Susceptible)指未得病者，但缺乏免疫能力，與感染者接觸后容易受到感染。潛伏者(Exposed)指接觸過感染者，但暫無能力傳染給其他人的人。感染者(Infectious)指染上傳染病的人，可以將疾病傳染給易感者。免疫者(Recovered)指被隔離或因病愈而具有免疫力的人。用S(t)、E(t)、I(t)、R(t)分別表示在t時刻處于易感狀態(tài)、潛伏狀態(tài)、感染狀態(tài)、免疫狀態(tài)的個體密度，則SEIR傳染病動力學模型的傳播過程如圖1 所示。

SEIR傳染病動力學模型可用如下微分方程組(1)表示：

(1)

1.2 改進的SEIR模型的內在傳播機制

好奇心[22]是個體遇到新奇事物或處在新的外界條件下時，更深入、更有序和更努力地探尋知識的過程。因此好奇心其實是一種生而具有的潛在動機，是人對信息缺口做出的一種反應[23]。以新浪微博的“熱搜榜”為例，當用戶進入“微博熱搜”頁面時，用戶不知道每個話題的具體內容，因此用戶一方面會根據熱度排行，點擊進入高熱度的話題，另一方面用戶會根據自己的興趣愛好選擇話題。以上兩種點擊進入話題的方式本質上是在好奇心驅動下對話題具體內容的獲取，從謠言傳播機制上理解，點擊話題了解具體內容這一動作使易感者轉變?yōu)闈摲摺?/p>

從眾心理[24]是指個人受到外界人群行為的影響，而在自己的知覺、判斷、認識上表現(xiàn)出符合于公眾輿論或多數人的行為方式。經典的阿希從眾實驗結果表明只有大約四分之一到三分之一的被試者保持了獨立性，沒有被從眾，所以從眾心理是普遍所有的心理現(xiàn)象。從眾現(xiàn)象的產生有兩個重要的原因，一是由于信息不足而引起的從眾，二是由于社會的一致性要求?！吨袊旅襟w發(fā)展報告No.7 (2016)》[25]研究表明超七成受訪者表示當謠言真假難辨時，會出于“寧可信其有”的心理選擇相信謠言。從謠言傳播機制方面理解，由于從眾心理的存在，謠言的大規(guī)模轉發(fā)傳播使處于潛伏狀態(tài)的用戶會選擇傳播謠言，進入感染狀態(tài)。

從上述從眾心理產生的原因出發(fā)，該文引入個體免疫率和信息干擾率兩個作用因素。個體免疫率是指部分潛伏狀態(tài)的節(jié)點辨識出了謠言的真假或者由于本身對謠言內容不感興趣，不進入感染狀態(tài)，直接進入免疫狀態(tài)。信息干擾率是指信息對個體的干擾程度。該類信息即包括官方的辟謠信息，也包括與謠言無關的其他信息。

2 融入心理因素的改進SEIR謠言傳播模型

2.1 模型構建

將社交平臺上的用戶定義為節(jié)點，用戶與用戶之間的聯(lián)系定義為邊，根據謠言傳播路徑和謠言傳播特點，將傳播過程中的節(jié)點分為以下四類：

(1)易感狀態(tài)S(Susceptible)節(jié)點：在此狀態(tài)的節(jié)點處于未知狀態(tài)，對謠言內容一無所知，但有接收謠言的能力。

(2)潛伏狀態(tài)E(Exposed)節(jié)點：該類節(jié)點已接觸過謠言，知曉謠言內容，但還未傳播謠言，有概率進行傳播，也有概率直接進入免疫狀態(tài)。

(3)感染狀態(tài)I(Infected)節(jié)點：該類節(jié)點已成功傳播了謠言，并有概率將謠言傳播給其他鄰居節(jié)點。

(4)免疫狀態(tài)R(Removed)節(jié)點：該類節(jié)點已傳播過謠言且對謠言信息不再感興趣，不會再次參與謠言的傳播。

如圖2所示，改進的SEIR謠言傳播模型中四類節(jié)點的狀態(tài)轉移關系如下所示：

(1)易感狀態(tài)節(jié)點S以概率λ+α轉變成潛伏狀態(tài)，或者直接對謠言不感興趣，以概率σ直接轉變?yōu)槊庖郀顟B(tài)R。其中，λ為直接感染率，α為在好奇心驅使下的附加感染率。

(2)進入潛伏狀態(tài)E的節(jié)點會在社會趨同性的影響下或在信息不足的情況下，將其他人當作是有價值的信息來源，從而形成從眾心理，以概率ε轉變?yōu)楦腥緺顟B(tài)I?；蛘邼摲鼱顟B(tài)節(jié)點由于本身受教育程度高或者生活經歷豐富，可以辨識出謠言真假，從而轉變?yōu)槊庖郀顟B(tài)節(jié)點R。

(3)進入感染狀態(tài)節(jié)點I會積極地向其他節(jié)點傳播謠言，在多次遇到其他傳播者時以概率β進入免疫狀態(tài)R。

(4)信息對用戶的干擾發(fā)生在潛伏狀態(tài)節(jié)點，感染狀態(tài)節(jié)點和免疫狀態(tài)節(jié)點，因此用信息干擾率μ來衡量因為信息干擾而流出的用戶節(jié)點，使模型更加符合真實網絡中的傳播狀況。

根據上述用戶傳播規(guī)則，可得在線社交網絡中融入心理因素的改進SEIR傳播模型的微分動力學方程為：

(2)

用S(t)、E(t)、I(t)、R(t)分別表示在t時刻處于易感狀態(tài)、潛伏狀態(tài)、感染狀態(tài)、免疫狀態(tài)的節(jié)點比例，則有公式(3)：

S(t)+E(t)+I(t)+R(t)=1

(3)

模型中各個變量及參數的含義如表1所示。

表1 模型中各個變量及參數的含義

好奇心是在初始直接感染率λ的基礎上加上附加感染率α，α由如下公式定義：

(4)

公式(4)為心理學上的韋伯定律，其中ΔU為差別閾限，U為標準刺激強度。α為韋伯分數，且0<α<1。韋伯發(fā)現(xiàn)同一刺激差別量必須達到一定比例，才能引起差別感覺。對刺激物的差別感覺，不取決于一個刺激增加的絕對數量，而取決于刺激物的增量與原刺激量的比。因此使用韋伯分數作為衡量在好奇心驅動下的附加感染率。

根據萬佑紅等人[26]對從眾效應的刻畫，隨著網絡中謠言傳播者數量的增加，從眾效應越發(fā)嚴重，即潛伏狀態(tài)節(jié)點轉換為感染狀態(tài)節(jié)點的概率越大。設個體發(fā)生從眾行為的概率為ε，可由公式(5)定義：

ε=λe-lnλ·m(t)

(5)

2.2 動力學方程平衡點穩(wěn)態(tài)分析

網絡謠言傳播的基本再生數R0是指一個感染狀態(tài)節(jié)點進入一個完全是易感狀態(tài)節(jié)點的人群中，預期產生的新的感染狀態(tài)節(jié)點的預期數量。當R0≤1時，謠言信息會逐漸消亡，當R0>1時，謠言信息會在一定范圍內傳播。

由于公式(2)中前3個方程均無免疫狀態(tài)節(jié)點R，因此只考慮前3個微分方程即可。

(6)

2.2.1 零傳播平衡點

零傳播平衡點是指謠言在不傳播情況下的解。當E=0，I=0，考慮到實際情況下潛伏狀態(tài)節(jié)點向感染狀態(tài)節(jié)點轉化的概率極小，在系統(tǒng)平衡點分析中不做考慮，滿足(ε+μ)/δ<1,μ/β<1時，為本系統(tǒng)的無病平衡點，具體分析如下：

公式(6)的Jacobi矩陣為：

(7)

特征方程det(J-xE)為：

|J-xE|=

(8)

將可能的無病平衡點Q1(1,0,0,0)帶入公式(2)，發(fā)現(xiàn)Q1為符合實際的無病平衡點。將Q1帶入公式(8)可得行列式：

|J-xE|=

(-σ-x)(-δ-ε-u-x)(-β-μ-x)

(9)

由公式(9)可得特征根x11=-σ,x12=-δ-ε-μ,x13=-β-μ。

根據Routh-Hurwitz法則和實際情況判斷，當(ε+μ)/δ<1,μ/β<1時，Q1為系統(tǒng)的無病平衡點。

2.2.2 非零傳播平衡點

非零傳播平衡點描述的是當謠言仍然存在，但傳播區(qū)域穩(wěn)定的態(tài)勢。當E≠0,I≠0，且s*滿足0

將潛伏狀態(tài)節(jié)點E和感染狀態(tài)節(jié)點I看作是只有一個輸入和一個輸出的系統(tǒng)分析，采用Lyapunov方法構造一個函數V，令V=E+I。

(δ+μ+ε)E(t)]+θ2[εE(t)-

(β+μ)I(t)]=θ1·ξS(t)E(t)+

E(t)[-θ1(δ+μ+ε)+

θ2·ε]-θ2·(β+μ)I(t)

(10)

令θ1=θ2=1，帶入公式(10)可得：

(11)

所以，當s*≠0,i*≠0且0

3 模型仿真及數值分析

3.1 網絡構建

研究表明，新浪微博、Facebook、Twitter等平臺的社交網絡具有無標度特征，且關于輿情的研究也大多用無標度網絡來模擬社交網絡，因此，該文采用BA無標度網絡進行仿真實驗。根據無標度網絡的算法，構建一個節(jié)總數為1 000的無標度網絡，節(jié)點平均度為6，網絡總邊數為3 000。圖3展示了BA無標度網絡的節(jié)點度分布。

根據無標度網絡的性質，可得以下微分動力學方程組：

(12)

3.2 無標度網絡中謠言傳播過程模擬仿真

該文設定在N個節(jié)點的無標度網絡中，每個用戶為一個節(jié)點，用戶與用戶之間的關系用邊來連接。初始網絡中只有一個謠言傳播節(jié)點，其他均為無知者，根據公式(12)，設定初始值N=1 000，S(0)=0.999，E(0)=0，I(0)=0.001，R(0)=0。參數設置為λ=0.7，α=0.25，ε=0.85，β=0.8，δ=0.05，μ=0.01，σ=0.15，通過模擬可得圖4各狀態(tài)節(jié)點密度變化趨勢圖。

如圖4所示，隨著時間t的推移，易感狀態(tài)節(jié)點的數量迅速減少，其中一部分變?yōu)闈摲鼱顟B(tài)，還有一部分因為不感興趣，直接進入免疫狀態(tài)，不參與謠言的傳播。進入潛伏狀態(tài)的節(jié)點數量迅速上升至最大值然后緩慢下降，直至為0，潛伏狀態(tài)節(jié)點一部分由于從眾心理進入感染狀態(tài)，一部分因為辨識出謠言的真假從而進入免疫狀態(tài)，還有一部分因為信息干擾的存在而遺忘謠言。進入感染狀態(tài)的節(jié)點逐漸增加至峰值后下降為0。上述傳播過程符合個人的心理狀況和在線社交網絡的實際傳播情況。

3.2.1 好奇心驅動下附加感染率α對謠言傳播的影響分析

在其他參數保持不變的情況下，改變α的值，分別取0，0.1，0.2。如圖5所示，當好奇心越強烈，潛伏狀態(tài)用戶的數量越大，增速也越快。當α=0時，無好奇心的驅使，以直接感染率進入潛伏狀態(tài)，此時達到潛伏狀態(tài)節(jié)點最大值的t=1.899，潛伏狀態(tài)節(jié)點最大值為0.560 4。當α=0.1時，此時達到潛伏狀態(tài)節(jié)點最大值的t=1.74，潛伏狀態(tài)節(jié)點最大值為0.620 5。當α=0.2時，此時達到潛伏狀態(tài)節(jié)點最大值的t=1.669，潛伏狀態(tài)節(jié)點最大值為0.679 4。

上述數據表明，在好奇心的驅使下，會增加節(jié)點進入潛伏狀態(tài)的概率，更快達到潛伏狀態(tài)節(jié)點數量頂峰，并使?jié)摲鼱顟B(tài)節(jié)點的最大值增加。

3.2.2 由從眾心理引起的從眾概率ε對謠言傳播的影響分析

由于個體的心理差異性，該文在其他參數保持不變的情況下，分別設置ε的值為0.1，0.3，0.5，0.8。如圖6所示，當ε=0.1時，此時達到感染狀態(tài)節(jié)點峰值的t=6.029，感染狀態(tài)節(jié)點峰值為0.266 5。當ε= 0.3時，此時達到感染狀態(tài)節(jié)點峰值的t=4.214，感染狀態(tài)節(jié)點峰值為0.444 7。當ε=0.5時，此時達到感染狀態(tài)節(jié)點峰值的t=3.422，感染狀態(tài)節(jié)點峰值為0.521 3。當ε=0.8時，此時達到感染狀態(tài)節(jié)點峰值的t=3.057，感染狀態(tài)節(jié)點峰值為0.578 6。

從上述的數據可知，當從眾心理越來越明顯時，節(jié)點進入感染狀態(tài)的概率越大，達到感染狀態(tài)節(jié)點峰值的時間越短，峰值越高。由數據結果可知，從眾心理是導致謠言大規(guī)模傳播的關鍵性因素，因此合理控制從眾心理尤為重要。

3.2.3 個體免疫率δ對謠言傳播的影響分析

由圖7可知，在保持其他參數不變的情況下，取δ的值為0.1，0.3，0.5，0.8時，E(t)的最高點分別為(1.694,0.685 7)，(1.454,0.601 4)，(1.299,0.537 2)，(1.237,0.462 7)。數值結果表明，個體免疫率越高，潛伏狀態(tài)節(jié)點的數量越少，達到潛伏狀態(tài)節(jié)點數量頂峰的時間也逐漸減少。

3.2.4 信息干擾率μ對謠言傳播的影響分析

分別考慮信息干擾率對潛伏狀態(tài)節(jié)點和感染狀態(tài)節(jié)點的影響。在保持其他參數數值不變的情況下，分別取μ的值為0.1，0.3，0.5，0.8。當μ=0.1時，E(t)的最大值點為(1.657,0.671 8)，I(t)的最大值點為(2.722,0.513 6)。當μ=0.3時，E(t)的最大值點為(1.622,0.600 8)，I(t)的最大值點為(2.602,0.395 6)。當μ=0.5時，E(t)的最大值點為(1.547,0.542)，I(t)的最大值點為(2.479,0.313 1)。當μ=0.8時，E(t)的最大值點為(1.472,0.471 5)，I(t)的最大值點為(2.194,0.229)。

由上述數據可知，當信息干擾率逐漸增大時，潛伏狀態(tài)節(jié)點和感染狀態(tài)節(jié)點的峰值均逐漸減小，且達到峰值的時間也在減小。所以，信息的數量和質量對網絡用戶的影響巨大，甚至信息的流速和信息的來源渠道也會影響用戶的判斷。

3.3 真實數據集中謠言傳播過程模擬仿真

該文選取新浪微博平臺作為研究對象，從Stanford社交網絡公開數據集[27-28]獲取新浪微博真實網絡數據。由于數據集中具有較多的孤立節(jié)點，不利于仿真實驗，因此對數據集中的節(jié)點根據度的大小進行排序，選取其中度較大的200個節(jié)點作為真實實驗數據集進行模擬仿真。真實數據集的網絡結構特征參數如下所示：節(jié)點數量200，邊數量1 091，最大出度62，最大入度38，聚類系數0.203 1。

分別對好奇心驅動下附加感染率α，從眾心理引起的從眾概率ε，個體免疫率δ和信息干擾率μ進行仿真，通過與3.2節(jié)仿真結果對比，驗證以上四種因素在真實數據集中對謠言傳播趨勢的影響與自建無標度網絡一致。由圖9可知，通過改變參數α、ε、δ和μ的值，各人群變化趨勢與自建無標度網絡一致，符合3.2節(jié)得出的結論。值得注意的是，由于在真實數據集中選取的200個節(jié)點具有較大的度，因此在真實網絡中由于參數變化導致的人數變化幅度大于自建無標度網絡中人數的變化幅度，這也符合真實網絡“富者愈富”的特性。

3.4 模擬仿真研究意義

3.4.1 理論意義

該文采用控制變量的仿真實驗方法對謠言傳播過程進行模擬，形象地展現(xiàn)了不同參數調控下的謠言傳播效果。與其他研究相比，更加充分地揭示了不同參數在謠言傳播過程中的影響作用。仿真結果明確了好奇心心理和從眾心理在謠言傳播過程中的關鍵作用，同時也證明個體免疫率和信息干擾率對抑制謠言傳播也起到了至關重要的作用。附加感染率的增加，會使?jié)摲鼱顟B(tài)節(jié)點的數量增加，并且達到潛伏狀態(tài)節(jié)點峰值的時間也逐漸變小。從眾概率的增加，會進一步促使?jié)摲鼱顟B(tài)節(jié)點向感染狀態(tài)節(jié)點的轉化，并且從眾概率越大，感染狀態(tài)節(jié)點數量越多。而個體免疫率的增大，使?jié)摲鼱顟B(tài)節(jié)點的數量減少，大大增加了向免疫狀態(tài)節(jié)點的概率。特別的是，信息干擾率越大，潛伏狀態(tài)節(jié)點和感染狀態(tài)節(jié)點的峰值都在逐漸減小，這可能是因為信息干擾率包含兩層含義，一層是與謠言相關信息的干擾，一層是與謠言無關信息的干擾。所以無論是什么信息，都會在一定程度上干擾用戶的判斷，與謠言無關的信息會造成用戶的興趣衰減和遺忘，與謠言相關的信息會不斷重塑用戶本身的觀點。

3.4.2 實踐意義

仿真結果可以為在線社交網絡中的謠言傳播提供若干建議。

(1)從用戶角度而言，首先要著重提高網絡用戶知識素養(yǎng)，增強用戶對謠言的警惕意識。為了降低從眾心理的影響，網民應善于利用互聯(lián)網，從多渠道多角度剖析謠言，提高用戶辨別謠言的能力。其次，對于不全面、不準確的信息，網民要謹慎的選擇是否轉發(fā)，做到不盲目，不跟風。

(2)從社交平臺本身來說，要善于運用大數據技術和智能推薦技術，警惕“信息孤島”現(xiàn)象的出現(xiàn)。同時，加強網絡監(jiān)管，對發(fā)布虛假信息和夸大性信息的機構和組織建立懲罰機制，從源頭斷絕謠言產生。

(3)官方媒體需要及時發(fā)布高質量的辟謠信息，且信息內容要做到言簡意賅、通俗易懂。同時要大力培養(yǎng)社交網絡中的意見領袖，尤其是知識科普型意見領袖，便于反謠言信息的擴散，減少謠言傳播規(guī)模和時間。

4 結束語

所建立的在線社交網絡謠言傳播模型在理論層面上融合了心理因素，即研究了好奇心心理和從眾心理對謠言傳播的影響，使得模型設計具有較強的適用性和可操作性。重點關注附加感染率、從眾概率、個體免疫率、信息干擾率這四個調控因子的作用，對其進行仿真分析，探究謠言傳播過程的影響機制，并獲得了有價值的結論，具有一定的理論意義和創(chuàng)新意義。此外，仿真模型構建合理，與現(xiàn)實聯(lián)系緊密，形象地展現(xiàn)了不同參數對謠言傳播的作用效果，清晰直觀。仿真結果具有一定的實際指導意義，能夠應用于在線社交網絡中謠言信息的治理，有助于提高政府治理水平。

將心理因素與改進的SEIR模型進行結合，對謠言傳播機制進行研究，在一定程度上刻畫解釋了謠言傳播過程中的影響因素，但仍存在局限性。第一，沒有在多社交平臺上進行多層網絡的模擬仿真，例如由微博、微信、貼吧、QQ等社交平臺所構成的多層社交網絡。第二，沒有考慮到謠言傳播過程中引起的衍生話題和多事件的傳播。因此在上述方面有待進一步深入研究。