导语

近日，研究者在Nature Communications上发表了一项研究，通过分析十个月内Twitter上400000篇文章传播情况，发现社交网络机器人在低质量内容传播中有着重要作用，为了达到文章病毒式传播效果，它们会事先寻找特定用户，而这些用户对这种定向打击毫无抵抗力。

论文原题：

The spread of low-credibility content by social bots

论文地址：

https://www.nature.com/articles/s41467-018-06930-7

当今社会，网络错误信息的广泛传播会对社会民主造成很大威胁。当我们使用社交媒体时，我们就会碰到各种各样虚假或是误导性报道，比如骗局、阴谋论、标题党或是伪科学。

这些错误信息的病毒式传播成因复杂，来自各个领域的科学家正联合社交媒体平台进行研究，并以期采取相应的措施。

曝光：低质量内容产出者大起底

假新闻更“有毒”

研究者不考虑那些已经被揭露真相的特例故事，而是追踪低质量内容的来源。这些来源被权威第三方媒体机构和事实核查组织认定为“长久产出低质量内容者”，以此表明这些低质量内容产出机构不遵循新闻诚信。

研究者通过爬虫追踪120处低质量内容来源，发现大多数低质量内容都是错误信息。他们还通过爬虫收集了七个事实核查机构产出的文章。在2016年中到2017年3月底期间，一共收集到了低质量来源389569篇文章和事实核查机构的15053篇文章，并进一步收集了与低质量文章相关的13617425条Twitter以及事实核查过的文章相关的1133674条Twitter。

低质量媒体平均每周产出100篇文章。然而同时，低质量内容的流行度分布与那些真实的新闻流传度分布几乎一样，低质量内容也可能流传甚广。这与以前一项分析不谋而合：假新闻比真新闻更可能呈病毒式传播。

图1 | 内容的病毒式传播。

点表示的是Twitter账号，连线表示的是文章转发。点的大小代表账号影响力，衡量的标准是一段时间内账号的被转发数。点的颜色展示机器人指数，从蓝色（可能是真人）到红色（可能是账号机器人），黄色的点难以判断，因为这些账号要么被关停了，要么删除了所有Twitter内容。

a Twitter上低质量来源文章（蓝圈）的概率分布，和经事实核查的文章（黄色正方形）的概率分布。两种文章分享的的账户数分布类似。

b 一篇题为《FBI刚刚颁布了Anthony Weiner的逮捕令证明他们操控了大选》的中度病毒传播的文章在2016年大选后在400条Twitter中转发。

c 一篇名为《精神烹调》的重度病毒性传播的文章，讲的是2016年大选4天前，Clinton的竞选委员会主席进行了一场神秘的仪式，这篇文章在30000条Twitter中被传播。

这里我们需要注意的是所有转发都指向原文，多个层级的转发都包含了同一篇文章的链接。如果要看到这个传播网络的交互，请移步：

iunetsci.github.io/HoaxyBots/

特征：慧眼识别低质信息

科学家们还发现了一些低质量文章传播的独有特征。

第一个特征是大多数低质量文章通过原推和转推传播，很少有在回复中传播的（图2a），而事实核查过的文章则是转推和回复都会被分享（图2b）。

图2a | 传播低质量内容的Twitter的类型分布与经事实核查后的新闻的大不相同。每篇文章在三个轴上分布代表分享文章的不同类型的推，这三个维度分别是：原推，转推和回复。

当用户Alice转了用户Bob的推，这个推就被转发给所有Alice的粉丝看，而当Alice回复Bob的推时，这个回复只会被Bob和Bob和Alice的共同粉丝看到，颜色代表的是每篇文章在各自容器内的数量。

第二个特征是这些转发量很大的推文会更多集中在少数大号，这些大号被称为“超级传播者”（图2c）。这个发现是反直觉的，一般我们都以为一篇文章传播的越广，看到的人越多，那么特定的群体或账号重要性越低。

图2c | 低质量来源的文章流行度和发布行为集中度的相关关系，我们把那些通过少量推发却广为传播的一系列文章称为流行组。每个流行组内的文章，每一个小提琴状的图形展示了一个基尼系数，代表着少量用户发布的集中程度。在小提琴的图形中，轮廓的宽度代表相应的流行度，中位数用一条短直线表示。

图2d | 研究者用机器人评分算法来评估帐号的自动化程度，0.5代表的是人类和机器人的分界线；那些随机的915个至少发布过一条低质量新闻来源链接的帐号（橙色）代表的机器人评分，961个总是传播低质量内容的超级传播者的机器人评分（蓝色）。这两组的分数完全不同。（p < 10−4 ); 超级传播者更可能是机器人帐号。

套路：社交机器人的传播策略

既然机器人帐号在传播低质内容中很重要，那么它们是否在传播的某些阶段非常关键呢？

研究者通过研究发现，类机器人帐号在低质文章发布后的几秒内极其活跃，比之后的时间段都要活跃（图3a）。以此猜想，这种机器人帐号的早期介入会明显增大低质文章变成病毒式传播的机会。

图3a | 机器人策略一：机器人帐号会在低质文章发布后大量介入。研究者考察了60000个参与1000篇文章病毒式传播的帐号，聚焦于文章发布后的一小时，把所有时间转换成了对数时间。这个图形显示的是在每个对数时间段内，分享低质文章账户的机器人分数分布。

除了早期介入外，另一个策略是提及名人。

比如@realDonaldTrump这个帐号就在19条推里面被提及，每条推都与非法移民的投票的假新闻有关。账户的粉丝数基本上可以衡量这个账户在Twitter上的影响力，机器人帐号通过不断提及这些名人帐号，提升爆光度，要是这些帐号中能有一两个转发，那么这个低质内容很有可能变成病毒式传播。

图3b | 机器人策略二：研究者统计了那些在病毒式传播中被提及的名人帐号的平均粉丝数。这些被提及的帐号可以在机器人评分中被分为三个组别。图内嵌套图显示的是在每个组别内，被提及的名人帐号的粉丝分布。

警惕：机器人和僵尸粉的力量

我们已经发现了这些机器人和僵尸粉的行为特征，再来看看在低质内容的传播上，真人如何参与交互。

图4a显示真人账户转发推送情况。研究者发现人们无法区分真人账户转发的低质内容和机器人账户转发的低质内容，甚至从推送量来看，真人转发与机器人转发呈类线性关系，也就是说，他们转发机器人账户的推送数目跟转发真人账户推送数目相差无几。这在一定程度上表示，社交机器人的存在会加速低质内容在真人社交网络的传播。

简单地说，就是每次机器人的转发都会有一定程度的真人的参与，使得低质信息传达到更多的真人账户。而类似的加速现象在经事实核查后的新闻中却不存在。

图4 | 机器人帐号对真人的影响。

a表示的是传播低质内容的机器人评分分布和首次传播低质内容账户的机器人评分分布。

b上部显示的是转发的人的机器人评分分布，这些账户主要是真人。

c左部显示的是转发真人账户的机器人评分分布，对应的分别是评分0.4以下（黑叉），0.5以下（紫星）或0.6以下（橙圈）。不管是那个阈值下，研究者都发现有很大一部分的推送是真人账户转发机器人账户。

角色定位：擒贼先擒王

要理解机器人账号的力量，还需要评估他们在传播网络中的角色。

聚焦转发网络，这个网络里点代表账户，连结代表转发，研究者采用了一种网络拆除技术，每一次取消一个用户的连结，然后分析转发数的减少和文章数目的减少。这时候减少数目越多，那就代表这个节点在整个网络中更重要。