網絡輿情中基于心理暗示的溫和輿論引導策略研究

摘要： 為應對網絡輿論環境中信息繭房效應的消極影響，考慮在輿論引導過程中將個體對引導觀點的接受程度，提出基于心理暗示的溫和觀點引導策略，并構建了基于心理暗示的溫和引導策略模型。通過實驗分析了引導強度與引導比例的影響，研究了引導策略對輿論演化過程的影響，并在多個網絡下驗證了引導策略的穩定性，最后與傳統度引導策略進行了對比。結果表明溫和引導在引導效果具有優越性，尤其是能在中長期對群體輿論進行持續影響。

關鍵詞： 觀點演化；線上輿情；溫和輿論引導；心理暗示

中圖分類號： TB391.9；C94文獻標識碼： A

Moderate Online Opinion Guidance Strategy Based on Psychological Suggestion

LIU Yutong，CHEN Xi

（School of Artificial Intelligence and Automation， Huazhong University of Science and Technology， Wuhan 430074， China）

Abstract：To cope with the negative impact of the information cocoon effect in the network public opinion environment， we take the individual′s acceptance of guiding opinion into consideration， propose a moderate opinion guidance strategy based on psychological suggestion， and propose a moderate opinion dynamic model. We analyze the influence of guidance strength and guidance ratio through simulation experiments， and the influence of moderate guidance strategy on the evolution process of public opinion is studied. Then， we verify the stability of the bootstrapping strategy under multiple networks and compares it with traditional degree booting. The results show the superiority of moderate guidance in guiding effect， especially in the long term.

Keywords： opinion dynamics; online opinion; moderateopinion guidance; phycological suggestion

0 引言

隨著互聯網發展，線上社交網絡成為輿論演化的新環境。更快的信息流通，更便捷的信息獲取方式使得線上社交網絡呈現出與真實社交網絡中不同的現象。在線上社交網絡中，個體自主性更強，意見表達更加活躍。個體在豐富信息中自由且精確地選擇感興趣的信息。雖然新型輿論環境極大程度上便利了宏觀信息流通，卻給其中的微觀個體加上了無形的限制。學者們將這種限制稱為信息繭房效應。該效應是指個體處在一個特定環境，環境中的想法、信息、信念都是已經被個體接受的。個體就如同蟲被包裹在蟲繭之中［12］。選擇性曝光效應研究結果表明個體更傾向于選擇自己認同輿論環境［34］，也佐證了信息繭房的研究。

相比于現實社交輿論環境，個體更容易在線上輿論環境中陷入信息繭房。學者指出，線上輿論環境中個體對信息源的選擇自由度更高，個體的信息獲取更加符合自身偏好［5］。這種差異導致個體將多元化信息排除，最終導致個體獲得的信息與自身原本觀點高度一致，使得個體觀點僵化陷入信息繭房。陷入信息繭房的個體通常會無視其他多元化觀點。正因如此，線上輿論環境中往往會出現群體觀點碎片化或者觀點兩極分化的現象。個體固執己見，群體內部觀點無法協調，常常引發輿論爭執。這種不和諧的網絡輿論環境有可能會導致輿情危機的爆發，也可能激化群體內部的各種矛盾。然而，在輿論演化過程中輿論引導對輿論最終演化結果具有重要影響，有效的輿論引導能協調群體觀點，避免輿論危機的發生［6］。為了應對網絡輿論環境中信息繭房效應帶來的消極影響，對線上輿論的引導十分重要。

輿論引導是輿論演化研究的分支話題，目標是用合理的方式引導群體中部分個體，使得群體輿論盡可能形成一致或達到目標觀點，其“本質上是組織、個人和媒體通過特定手段對輿論的發展趨勢進行調控和影響，從而使改變群體行為和觀點”［7］。在以往基于輿論演化研究的輿論引導研究中，學者們提出了基于意見領袖的引導策略［89］，基于免疫機制的引導策略［1011］等。然而這些研究中，引導策略往往過于生硬地改變模型中個體的觀點。然而，人作為建模對象，在研究個體觀點演化時，個體復雜的行為動機應該被充分考慮。

個體觀點演化和觀點引導是一個涉及到多種因素的復雜過程，如果單純將研究中的個體視為可以隨意改變觀點的“智能體”，直接改變個體觀點或向個體強行附加目標觀點值，將會失去研究的現實意義。在輿論演化以及輿論引導研究中引入社會心理學的理論進行補充十分重要。心理暗示效應是社會心理學中十分經典的效應。該效應對個體觀點的影響，研究者們進行了諸多定性研究以及實證研究。例如文獻［12］提出了同質親和性理論在交互的過程個體中會選擇與觀點相似的個體進行交互。經典的阿希實驗提出個體的認知會在一定的社會壓力等外界環境因素影響下產生改變，最終影響個體行為決策［13］。然而，針對心理暗示對個體觀點改變的定量化描述卻鮮有研究。

基于上述思考，本文以觀點演化模型作為定量研究工具，從社會心理學的視角引入心理暗示效應，在線上網絡輿論環境下，對群體的輿論引導過程進行研究。特別是針對個體對引導觀點的接受程度，在引導過程中引入溫和輿論引導觀點，研究動態引導觀點的變化過程，以及個體受輿論引導后觀點的演化過程，并對基于心理暗示的溫和輿論引導策略引導效果進行分析并與傳統輿論引導策略進行對比。

1 文獻綜述

1.1 輿論演化與輿論引導

在以往研究中，輿論引導一直作為輿論演化研究的引申問題進行研究。在研究這類問題時，學者們結合了計算機仿真，統計學，物理學以及控制科學等多學科知識，嘗試構建模型定量描述人類社會中的復雜現象［14］。研究者們基于同質親和性理論，社會認同理論等描述群體中觀點聚合，該過程考慮個體感知外界觀點并與其他個體“溝通，協調，達成一致”。誠然，現實中個體之間不僅僅只有觀點聚合這一種行為。學者們為個體間交流補充了規則。其中最為著名的是有限信任假設，即個體只會在一定范圍內與其他個體進行觀點聚合，如果超過這個限制，則不進行交流。該假設廣泛應用在連續觀點輿論演化模型研究中。經典的連續性輿論演化模型包括FM模型［15］、Deffuant模型［16］、HK模型［17］等，主要用于描述觀點連續演化情景，例如針對個體態度動態變化過程、群體觀點極化、群體觀點反轉的研究等。除此之外，研究者們針對投票問題、決策問題等離散觀點情景構建了離散觀點演化模型，包括Voter模型［1819］、Sznajd模型［20］。

過往對輿論引導的研究十分充實，學者們從傳染病防治，復雜網絡，博弈論等角度探索了這個交叉學科問題。文獻［1021］借用傳染病研究的免疫機制構建了隨機免疫控制策略。其思想是通過保持群體中部分個體觀點不變，從而影響整個群體的觀點演化過程。后來，研究者提出通過引導意見領袖觀點對群體觀點進行引導，并提出了基于節點網絡拓撲特性的輿論引導策略［2224］，比如度引導策略、基于介數中心性的引導策略、基于局部中心性的引導策略等［2526］。Cao［27］提出基于網絡中節點信息接收頻率的自適應橋節點輿論控制策略，節省了獲取網絡拓撲信息的時間與成本。近些年，輿論演化研究多學科交叉背景不斷豐富，社會心理學對個體行為動機進行解釋，社會網絡分析以及控制論、信息論為輿論演化的定量研究提供基礎。與此同時，隨著大數據技術普及，原本基于理論和假設的輿論演化與輿論引導研究引入了真實數據，豐富了原本的模型。例如文獻利用博弈論補充考慮了引導節點的專業性和權威性對引導效果的影響。Chen等［28］基于現實數據構建了基于個體的公眾權威度屬性的輿論引導策略，優化了輿論引導效果。Afshar等［29］基于社會心理學提出了基于知情節點的引導策略，描述了“對關鍵節點的輿論引導”以及“關鍵節點影響群體輿論演化”的過程。文獻［30］提出在電子商務背景下，目標觀點不同的多個意見領袖的引導對群體觀點演化的影響。張軒宇等［31］研究了在考慮敵意媒體與偏見同化效應情境下，大型媒體發布的觀點對個體觀點的影響。劉琪等［32］研究了意見領袖引導作用對群體觀點逆轉的影響。文獻［33］提出線上網絡中的輿論引導要充分利用線上環境的特點，通過增加群體間互動的方式增加觀點探討，推動輿論演化過程。張云中等［34］結合智庫輿論引導力和媒體輿論引導力，提出了基于扎根理論的媒體型智庫輿論引導力。

然而，以往的研究忽略了輿論引導過程中個體觀點變化的基本假設。由于個體的認知閉合需求［35］以及同質親和性［12，36］，個體觀點不會出現巨大的變化。本文認為個體的認知改變是一個連續漸進的過程，通過直接改變個體觀點來引導群體觀點的引導策略違背了個體認知改變的基本規則。所以本文提出在構建引導策略時，個體對引導信息的接受程度應該被充分考慮。

1.2 心理暗示效應

心理暗示是指在無對抗條件下，用含蓄、抽象誘導的間接方法對人們的心理和行為產生影響，從而誘導人們按照特定的方式行動或接受某種意見，使其思想、行為與暗示者期望的目標相符合［37］。研究表明心理暗示能對個體購物行為的選購決策［38］，藥物療效的主觀認知［39］以及特定事物的主觀記憶［4041］都產生影響。在輿論演化的研究中，社會心理學作為補充能很好地解釋個體在接收外部信息后的復雜應對行為。當個體接收外部信息時，如果個體自身觀點與外部信息相差較大，個體則會主觀地忽視外部信息，不受外部信息的干擾。而當個體自身觀點與外部信息相似時，個體會通過吸納外部信息強化自身觀點。個體對外部信息的處理方式在許多的輿論演化研究模型中都得到了體現。例如，在有界信任模型中，個體不會接收信任閾值外的信息；在FM模型中，個體會對觀點差距較大的觀點進行排斥［15］。在通過博弈論描述輿論演化的研究中，個體的期望收益會因為與交流個體觀點差異過大而降低［42］。后真相時代的輿論研究［31］中也提及個體會基于自身觀點對外部信息進行偏見同化。諸多社會心理學的實證研究都驗證了心理暗示效應能十分有效地改變個體的觀點［13，42］。其本質在于包含心理暗示的外部信息往往同時滿足與個體自身觀點相似以及對目標觀點具有偏向性兩個特點。這種外部信息使個體自身觀點逐漸發生改變，并逐漸接受目標觀點。

2 基于心理暗示的溫和引導策略

相比于在引導之初就直接向受引導個體直接推送相差很大的引導觀點，利用心理暗示進行引導，更符合現實情況，受引導的個體也更容易接受目標觀點。本文提出在引導過程中引入帶有心理暗示作用的溫和觀點來對受引導個體進行引導。考慮受引導個體自身觀點演化規律，溫和觀點將由受引導個體觀點動態決定。在引導過程中，利用線上輿論環境，不斷向受引導個體推送偏向引導目標的觀點，使得個體觀點逐漸向引導目標靠近，最終實現引導。在該策略的引導過程中，引導不會扭曲個體原本的信息獲取偏好，不會劇烈改變個體的觀點，總體上是通過對個體進行較為溫和的漸進式引導來實現引導目的。

引導過程具體如圖1所示，首先確定引導目標觀點，然后確定受引導個體觀點，計算兩者的觀點距離，如果個體能接受引導目標觀點（在個體的信任閾值內），則直接推送目標觀點。反之，則推送個體能接受且偏向于目標觀點的溫和觀點，對個體進行心理暗示，引導個體觀點向目標觀點改變。這個過程中若個體不能馬上接受目標觀點，也會受到暗示逐漸向目標觀點靠攏。由于群體中其他個體會與受引導個體交流，所以他們會間接受到引導的作用，使群體觀點逐漸向目標觀點演化。

3 基于心理暗示的溫和引導模型構建

互聯網的交流環境中，個體會與其他個體產生交流并更新自己的觀點；其次，個體還會接收到媒體的消息推送。由于互聯網環境下個體自主選擇能力更強，且個體一般情況下只與跟自己觀點相近的個體交互，這樣的交流特點與有界置信模型的交流規則十分接近，所以本文將基于有界置信HK模型以及其基本假設來構建研究模型。HK模型僅僅考慮了其他個體觀點對個體觀點的影響，學者們在HK模型上又做出了許多改進。慣性HK考慮了個體在改變觀點時歷史觀點的粘性［43］，CSHK模型則結合了上述模型綜合考慮了個體在場依存和場獨立兩種認知下的觀點演化［44］。CSHK模型中場獨立部分為個體獨立分析理解的觀點，在互聯網輿論環境下可以用來描述個體受媒體信息影響所產生的觀點；場依存部分為個體與群體中其他個體交流產生的觀點，可以視為個體在互聯網中與其他個體交流產生的觀點。CSHK模型能將互聯網交流環境中個體的觀點演化過程清晰描述，本文將基于CSHK模型描述個體的觀點演化過程，普通個體的觀點演化規則為

xit+1=c·ω·xit+1-ω·xit-1+1-c·1Ni∑j∈Nixjt（1）

Nit=j∈V|xit-xjt≤εi（2）

受引導個體還會在輿論演化過程中受到動態的溫和引導，這種引導是通過線上網絡平臺推送直接作用于個體的，屬于個體場獨立認知對個體輿論觀點的影響。受到引導的個體觀點演化規則為

xit+1=c·1-β·ω·xit+1-ω·xit-1+β·pit+1-c·1N∑j∈Nixjt（3）

其中，c為場獨立認知方式的比重系數，ω為歷史消息的比重系數，εi為個體i的信任閾值，Ni表示在個體i信任閾值內的個體數。β為引導強度，強度越強引導觀點的比重就越大，個體受到的監督與引導就越強。pit為個體所接受的心理暗示信息觀點值，pit取值根據個體觀點值進行動態調整，調整規則：

pit=P|P-xit|≤ xit+sgnP-xit· |P-xit|> （4）

其中，P為輿論引導的目標觀點。考慮到個體對引導觀點的接受程度，在個體觀點與目標觀點距離較大時個體無法直接接受目標觀點，本文引入溫和觀點對個體進行引導。當個體觀點與目標觀點距離大于個體信任閾值時，受引導個體將根據自身觀點接收動態變化的溫和觀點。反之，受引導個體將直接接收目標觀點。當β=1且 趨近于無窮時，受引導個體的觀點演化規則可退化成傳統的度引導策略引導規則。pit隨P和xi（t）的取值分布如圖2所示。

4 仿真實驗以及結果分析

為驗證基于心理暗示的溫和引導策略的有效性，本文設置了3組實驗。首先，本文在全連通網絡中研究了溫和引導模型內部參數對引導效果的影響。接著，通過對比，分析了不同引導強度下的輿論演化結果。最后，本文在多種網絡模型下驗證了溫和引導模型的有效性，并與度引導策略進行了對比。實驗中，個體總數N=1 000，期望目標觀點P=1，信任閾值ε=0.1。實驗在群體達到穩態或最大步長時停止。參數c和ω已在文獻［44］中進行了研究，均設置為0.5。場獨立認知系數c的取值代表，在后續所有的仿真實驗中假設場獨立認知與場依存認知對個體的認知起到相同的作用。歷史消息比重ω的取值代表在后續的仿真實驗中假設個體在線上輿論環境中接受到的信息推送受到其前兩期的歷史觀點的影響。

4.1 引導強度和引導比例對群體輿論演化結果的影響

為了研究溫和引導模型內部參數對群體輿論演化以及引導效果的影響，實驗在全連通網絡下進行，最大步長T=10 000。模型中引導效果取決于兩個因素：引導強度（β）和引導比例（K）。其中，引導比例是指群體中受到引導個體所占群體總人數的比例，它能對引導結果產生最直接的影響，即引導比例越大，受到直接影響的人數就越多。引導強度是指受引導個體所受到的引導大小，引導強度越強，個體在場獨立認知中受到引導信息的影響就越大。

首先分析引導比例對輿論演化的影響，仿真實驗結果如圖3所示。其中，Y軸為穩態時群體平均觀點，X軸為引導比例。隨著引導比例提升，穩態時群體平均觀點逐漸向目標觀點靠近。由于引導比例決定了受引導個體的數量，因此引導比例越高，受到引導直接影響的個體就越多，引導結果肯定就越好。但是圖3也反映出在不同的引導強度下，群體的輿論演化有著不同的特點，圖中虛線代表在普通個體完全不與受引導個體發生交流時，群體輿論演化的理論結果。所以實線與虛線在Y軸上的差距就代表著引導策略對群體的間接引導結果。由圖3可以看出引導強度為0.1的間接引導效果要優于強度更大的情況。考慮到現實情況下提升引導比例需要耗費巨大的成本，引導應該在較低的引導比例下進行。所以，引導強度的選擇十分關鍵。本文將通過仿真實驗進一步探究引導強度對引導效果的影響。

圖4展示了引導強度對引導效果的影響。可以看出在引導比例保持一致的情況下，引導效果隨著引導強度的升高先增后減，過高的引導強度反倒使得引導效果變差。具體分析可以發現，由于引導比例不變，直接受到引導效果的個體數量不變，引導的直接效果在引導強度變化中未改變，引導強度的變化影響了間接引導效果。為綜合分析引導強度和引導比例影響，本文進行多次仿真實驗所得的引導效果熱力圖，見圖5，可以看出在適當的引導比例與引導強度下（紅色區域）引導策略能成功將群體引導到目標觀點。但是，當引導強度高于0.5時，仿真結果顯示，為了成功引導整個群體所要求的引導比例快速升高。隨著增大引導強度而帶來的引導效果的降低是反直覺的。接下來，本文將分析反直覺現象的底層原因。

4.2 輿論演化過程分析

為了分析引導強度升高反倒造成引導效果下降的原因，本節選取合適的引導比例（K=0.2），針對合適的引導強度（β=0.2）與過高的引導強度（β=0.8）進行輿論演化過程仿真實驗。仿真實驗依舊在個體總數N=1 000的全連通網絡上進行。其余參數與4.1小節仿真實驗相同。通過仿真實驗所得到的群體觀點變化趨勢，以及個體觀點變化趨勢對在不同引導強度的群體輿論演化進行細節上的過程分析。

圖6、7為仿真實驗得到的不同引導強度下的輿論演化過程圖。圖6展示了具有適當引導強度的輿論演化過程，而圖7為具有相同引導比例但引導強度較高的輿論演化過程。兩圖的a圖是群體平均觀點隨演化步長的變化曲線，b圖是群體中所有個體的觀點演化過程。對比圖6、7的a圖可以發現，在適當引導強度下（見圖6a），受引導群體的觀點始終與普通個體群體觀點接近，且偏向目標觀點。這表明受引導個體受到直接引導后先向目標觀點演化，并且帶動普通個體群體觀點產生向目標觀點演化的傾向。最后，整個群體的觀點在目標觀點達到統一。然而在圖7a中，受引導群體的平均觀點快速與普通群體產生差距，普通群體的平均觀點變換逐漸平緩。從最終的引導結果看出，引導強度為0.8時僅部分普通個體能被成功引導。

進一步分析圖6b和圖7b的群體觀點演化過程可以發現，在輿論演化初期，個體快速形成小型輿論群體。如果小群體內存在受引導個體，則小型輿論群體將受到輿論引導的間接影響，小群體的觀點將逐漸向目標觀點演化。圖6b展現了理想的輿論演化情景。在這個情景下，受引導個體觀點相較于其所處的小群體觀點更偏向于目標觀點，能有效引導小群體內的普通個體向目標觀點方向改變觀點。然而，一個群體中如果沒有受引導的個體，小群體的觀點就不會受到引導，將在群體內觀點達到一致后保持觀點穩定。在引導強度過高的圖7b情景下，被引導個體更新觀點幅度過大，快速脫離原本所處的小群體，使得小群體內部的普通個體不再與受引導個體進行觀點交流，導致只剩下普通個體的小群體不再受到間接引導，小群體的觀點變得穩定，不再接收信任閾值外的信息，小群體出現觀點固化的現象。

結合上文仿真實驗，在適當的引導強度與比例下，基于心理暗示的溫和引導策略能有效引導群體在目標觀點達到共識。引導比例決定了引導的直接效果，引導的間接效果受到很小的引導強度就能引導群體中大部分個體觀點向目標觀點演化并最終達到目標觀點。但是，并不是引導強度越高引導結果越好。若引導過于劇烈會導致被引導的個體過快改變自身觀點并脫離其原本輿論環境，這種情況下雖然群體整體輿論環境偏向目標觀點但是會導致群體出現碎片化的小群體，引導效果不佳。同時現實情形中，引導比例和引導強度提高意味著引導成本提高。所以，制定引導策略時需要選取盡可能小的引導比例和引導強度。

4.3 溫和引導模型在不同網絡下的有效性研究

前文仿真實驗在全連通網絡中探究了模型本身參數的影響。本節將驗證溫和引導策略在不同網絡下的穩定性。由于社交網絡與全連通網絡存在很大區別，對引導有效性的驗證需要在能反映線上社交網絡特點的網絡模型中進行。ER網絡，BA無標度網絡和WS小世界網絡都一定程度描述了現實網絡結構的特點，且認可度較高。本文將在3個網絡下分別進行仿真模擬，并分析實驗結果。為了確保可比性，本節選擇了相同網絡規模的網絡，并使3個網絡中節點的平均度相等。在實驗的下一部分中，本節使用的網絡包括1 000個節點，網絡的平均度為6。本節以固定的引導強度（β=0.2）重復10次仿真實驗。在每個網絡下，每個仿真實驗的最大時間步長T=10 000。當觀點穩定或達到最大步長時，仿真將終止。

圖8顯示了在不同網絡下溫和引導策略的平均引導效果。盡管在不同的網絡下，溫和引導策略的效果略有不同，但從圖8可以看出引導效果具有穩定性。與全連通網絡相比，這些網絡的拓撲特征與真實網絡更加接近。當引導比例K>30%時，由于本文所提出的基于心理暗示的輿論引導策略的受引導個體是在群體中隨機選取的，不依賴群體中的觀點關鍵節點，所以溫和引導策略在3種網絡下的引導效果較為相似。當引導比例較小時，WS小世界網絡下成功引導人數略微少于另外兩個網絡，其原因在于小世界特性，網絡聚度系數較大，引導信息難以在網絡中擴散。在引導比例升高后，3種網絡的引導效果幾乎一致。

本節還將溫和引導策略與度引導策略進行了對比。在對比過程中，本節主要考慮引導策略的兩個因素：一是成功引導的個體C，二是引導所需時間T。但是，這兩個因素都不能反映整個情況。盡管C是最終目標，但收斂時間（T）太長則不切實際。簡而言之，理想的引導策略應在合理的時間內引導盡可能多的人。為了全面評估兩種策略，本節引入了一個綜合因子E=1-0.5（（N-C）/N+T/Tmax），其中Tmax為最長的T，N為網絡中個體的總數。引導過程花費的時間越長，得到的E越小。成功引導的個體數C越大，E越大。簡而言之，E越大越能體現引導對于群體輿論演化的有效性。本節從多次模擬中收集數據，結果見圖9。

從圖9可以看出，在3個網絡下，溫和引導策略優于度引導策略，更能有效地引導群體。但是，從圖9還可以看出，指標E之下的兩種引導策略之間的差距較小。由于指標E綜合考慮了引導效果指標C和引導所花費的時間，導致溫和引導策略與度引導策略在指標E上差距較小的原因在于溫和引導策略花費的時間更長。在前文討論中，輿論演化圖6、圖7表明，溫和引導在引導過程中緩慢改變群體的觀點。在引導末期，個體緩慢向目標觀點轉移，觀點變化十分緩慢。

為了進一步比較這兩種引導策略，本節還將仿真時間限制為300，比較了這兩種策略的短期引導效果，結果見圖10所示。圖10中溫和引導策略仍然可以引導更多的個體達到期望的目標，得到更高的指標c評分。在相對較短的演化時間內，溫和引導策略仍具有較好的引導作用。此外，被引導個體還能持續吸引未達到目標觀點的普通個體，以便成功地引導更多的個體。綜上所述，與度引導策略相比，溫和引導策略能在短期內達到更好的引導效果，并且還能持續引導群體內未達到目標觀點的個體向目標觀點演化。

5 結論

針對互聯網環境的信息繭房效應，本文提出了基于心理暗示的溫和引導策略。相較于以往的引導策略，溫和引導策略考慮了引導過程中個體的接受程度，結合心理暗示原理，引入了利于個體接受的溫和觀點。結合仿真實驗結果，溫和引導策略能有效引導群體在目標觀點到達一致。

本文主要得出了3個結論：1）引導比例決定直接引導效果，與最終的引導效果正相關；引導強度決定間接引導效果，過高的引導強度并不利于群體觀點統一。本文通過輿論演化過程分析解釋了這種反直覺現象。溫和引導策略在適當的引導強度和引導比例下能有效引導群體實現觀點統一。2）在無標度網絡、小世界網絡以及隨機網絡中，溫和引導策略均能對群體進行有效引導，其受拓撲結構的影響較小，能在復雜的社會網絡環境中有效應用。3）在無標度網絡、小世界網絡以及隨機網絡中，溫和引導策略所得到的引導效果指數都優于度引導策略。在進一步的對比中，溫和引導策略在短期引導效果優于度引導的基礎上，能更長期更廣泛地影響群體觀點。溫和引導策略不僅能引導中立個體接收目標觀點，還能通過長期影響引導原本持有觀點與目標觀點有較大差距的個體。

綜上所述，基于心理暗示的溫和引導策略能有效對群體輿論演化過程進行引導。未來的研究可以在兩個方向中發展：建立一個更加精細的模型用于討論個體受到直接引導后的觀點改變過程；嘗試構建一個考慮非線性的個體觀點接受模型。

參考文獻：

［1］SUNSTEIN C R. Republic. com［M］. Princeton： Princeton University Press， 2001.

［2］JAMIESON K H， CAPPELLA J N. Echo chamber： rush Limbaugh and the conservative media establishment［M］. Oxford： Oxford University Press， 2008.

［3］IYENGAR S， HAHN K S. Red media， blue media： evidence of ideological selectivity in media use［J］. Journal of Communication， 2009， 59（1）： 1939.

［4］LAWRENCE E， SIDES J， FARRELL H. Self-segregation or deliberation？ blog readership， participation， and polarization in American politics［J］. Perspectives on Politics， 2010， 8（1）： 141157.

［5］FLAXMAN S， GOEL S， RAO J M. Filter bubbles， echo chambers， and online news consumption［J］. Public Opinion Quarterly， 2016， 80（Special Issue1）： 298320.

［6］何建佳，胡祖平. 基于元胞自動機的網絡輿論演化建模及仿真［J］. 情報理論與實踐， 2018，41（5）：155160.

HE J， HU Z. Modeling and simulation of network public opinion evolution based on cellular automata［J］. Information Studies： Theory & Application， 2018，41（5）：155160.

［7］計永超， 劉蓮蓮. 新聞輿論引導力：理論淵源、現實依據與提升路徑［J］. 2a9a577f1d452519614fb5bea6e72c13新聞與傳播研究， 2016，23（9）：1526，126.

JI Y， LIU L. Guidance of news： theoretical origin， practical basis and improvement path［J］. Journalism & Communication， 2016，23（9）：1526，126.

［8］FLYNN L R， GOLDSMITH R E， EASTMAN J K. Opinion leaders and opinion seekers： two new measurement scales［J］. Journal of the Academy of Marketing Science， 1996， 24（2）： 137147.

［9］DAVIS R L. Accelerating the diffusion of innovations using opinion leaders［J］. Annals， 1999，556（1）： 5567.

［10］ PASTOR-SATORRAS R， VESPIGNANI A. Immunization of complex networks［J］. Physical Review E-Statistical Physics， Plasmas， Fluids， and Related Interdisciplinary Topics， 2002， 65（3）： 18.

［11］ COHEN R， HAVLIN S， BEN-AVRAHAM D. Efficient immunization strategies for computer networks and populations［J］. Physical Review Letters， 2003， 91（24）： 25.

［12］ GARGIULO F， GANDICA Y. The role of homophily in the emergence of opinion controversies［J］. Journal of Artificial Societies and Social Simulation， 2017， 20（3）：8.

［13］ LARSEN K S. Conformity in the asch experiment［J］. Journal of Social Psychology， 1974， 94（2）： 303304.

［14］ CASTELLANO C， FORTUNATO S， LORETO V. Statistical physics of social dynamics［J］. Reviews of Modern Physics， 2009， 81（2）： 591646.

［15］ FLACHE A， MACY M W. Small worlds and cultural polarization［J］. Journal of Mathematical Sociology， 201 35（13）： 146176.

［16］ DEFFUANT G， NEAU D， AMBLARD F， et al. Mixing beliefs among interacting agents［J］. Advances in Complex Systems， 2000， 3（4）： 8798.

［17］ HEGSELMANN R， KRAUSE U. Opinion dynamics and bounded confidence models， analysis and simulation［J］. Journal of Artificial Societies and Social Simulation， 2002， 5（3）：2.

［18］ CAMPBELL A， GURIN G， MILLER W E. The Voter Decides［M］.Oxford， England： Row， Peterson， and Co， 1954.

［19］ SOOD V， REDNER S. Voter model on heterogeneous graphs［J］. Physical Review Letters， 2005， 94（17）： 69.

［20］ SZNAJD-WERON K. Sznajd model and its applications［J］. Acta Physica Polonica B， 2005， 36（8）： 25372547.

［21］ YANG D， LIAO X， SHEN H， et al. Dynamic node immunization for restraint of harmful information diffusion in social networks［J］. Physica A： Statistical Mechanics and Its Applications， 2018， 503： 640649.

［22］ IOANNIDIS E， VARSAKELIS N， ANTONIOU I. Change agents and internal communications in organizational networks［J］. Physica A： Statistical Mechanics and Its Applications， 2019， 528： 121385.

［23］ SABIDUSSI G. The centrality index of a graph［J］. Psychometrika， 1966， 31（4）： 581603.

［24］ FREEMAN L C. A set of measures of centrality based on betweenness［J］. American Sociological Association， 1977， 40（1）： 3541.

［25］ VALENTE T W， PUMPUANG P. Identifying opinion leaders to promote behavior change［J］. Health Education and Behavior， 2007， 34（6）： 881896.

［26］ CHEN D， L L， SHANG M S， et al. Identifying influential nodes in complex networks［J］. Physica A： Statistical Mechanics and Its Applications， 2012， 391（4）： 17771787.

［27］ Qian C， Cao J， Lu J， et al. Adaptive bridge control strategy for opinion evolution on social networks［J］. Chaos： an Interdisciplinary Journal of Nonlinear Science， 201 21（2）： 025116.

［28］ Chen X， Xiong X， Zhang M， et al. Public authority control strategy for opinion evolution in social networks［J］. Chaos： an Interdisciplinary Journal of Nonlinear Science， 2016， 26（8）： 083105.

［29］ AFSHAR M， ASADPOUR M. Opinion formation by informed agents［J］. Journal of Artificial Societies and Social Simulation， 2010， 13（4）：5

［30］ ZHAO Y， KOU G， PENG Y， et al. Understanding influence power of opinion leaders in e-commerce networks： an opinion dynamics theory perspective［J］. Information Sciences， 2018， 426： 131147.

［31］ 張軒宇，陳曦，肖人彬.后真相時代基于敵意媒體效應的觀點演化建模與仿真［DB/OL］. ［20220624］. https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65FzzQr8IgOxMTUujzlt9MGZG3cQV-UiqPngqocS_bONte_6UebBG4-&uniplatform=NZKPT.

XUANYU Z， XI C， RENBIN X.Modeling and simulation of opinion evolution based on hostile media effect in the post-truth era［DB/OL］. ［20220624］. https：//kns.cnki.net/kcms2/article/abstract？v=3uoqIhG8C45S0n9fL2suRadTyEVl2pW9UrhTDCdPD65FzzQr8IgOxMTUujzlt9MGZG3cQV-UiqPngqocS_bONte_6UebBG4-&uniplatform=NZKPT.

［32］ 肖人彬，劉琪. 觀點動力學視角下基于意見領袖的網絡輿情反轉研究［J］. 復雜系統與復雜性科學， 2019，16（1）：113.

XIAO R， LIU Q. Anopinion dynamics approach to public opinion reversion with the guidance of opinion leaders［J］. Complex Systems and Complexity Science， 2019，16（1）：113.

［33］ 張镕，張云中，王依婷. 基于情感分析的媒體型智庫輿論引導力測度研究［J］. 情報理論與實踐， 202 44（4）， 130137.

ZHANG R， ZHANG Y， WANG Y.Research on public opinion guidance measurement of media-based think tanks based on sentiment analysis［J］. Information Studies： Theory & Application， 202 44（4）， 130137.

［34］ 張镕，張云中. 基于扎根理論的媒體型智庫輿論引導力構成與作用機制研究［J］. 情報理論與實踐， 202 44（11），8088.

ZHANG R， ZHANG Y. Research oncomposition and mechanism of media-based think tanks’ public opinion guidance based on grounded theory［J］. Information Studies： Theory & Application， 202 44（11），8088.

［35］ WEBSTER D M， KRUGLANSKI A W. Individual differences in need for cognitive closure［J］. Journal of Personality and Social Psychology， 1994， 67（6）： 1049.

［36］ MILLER MCPHERSON， LYNN SMITH-LOVIN， JAMES M. COOK. Birds of a feather： homophily in social networks［J］. Annual Review of Sociology， 200 27： 415444.

［37］ 謝耘耕， 榮婷. 微博輿論生成演變機制和輿論引導策略［J］. 現代傳播：中國傳媒大學學報， 201 178（5）： 7074.

XIE Y， RONG T.Weibo opinion dynamics and guidance strategy［J］. Modern Communication（Journal of Communication University of China）， 201 178（5）： 7074.

［38］ LEE L， FREDERICK S， ARIELY D. Try it， you’ ll like it［J］. Psychological Science， 2006， 17（12）： 10541059.

［39］ MCCLUNG M， COLLINS D. “Because I know it will！”： placebo effects of an ergogenic aid on athletic performance［J］. Journal of Sport & Exercise Psychology， 2007， 29（3）： 382394.

［40］ MICHAEL R B， GARRY M， KIRSCH I. Suggestion， cognition， and behavior［J］. Current Directions in Psychological Science， 2012， 21（3）： 151156.

［41］ PARKER S， GARRY M， EINSTEIN G O， et al. A sham drug improves a demanding prospective memory task［J］. Memory， 201 19（6）： 606612.

［42］ YIN X， WANG H， YIN P， et al. Agent-based opinion formation modeling in social network： a perspective of social psychology［J］. Physica A： Statistical Mechanics and Its Applications， 2019， 532：121786

［43］ CHAZELLE B， WANG C. Inertial hegselmann-krause systems［J］. IEEE Transactions on Automatic Control， 2017， 62（8）： 39053913.

［44］ CHEN X， ZHAO S， LI W. Opinion dynamics model based on cognitive styles： field-dependence and field-independence［J］. Complexity， 2019， 2019（1）：2864124.

（責任編輯 李 進）