论文题目：

Comparing information diffusion mechanisms by matching on cascade size

论文链接：

https://www.pnas.org/content/118/46/e210078611

网络中的信息鱼龙混杂，充斥大量的虚假信息，为了应对这一挑战，社交网络平台寻求制定策略，以遏制虚假信息的传播，例如找出虚假和真实信息在传播过程中的统计差异，从而用算法自动识别和标记潜在的错误信息。2018年发表，如今已被引用3900余次的Science论文[1]，基于2006年至2017年期间多个社交平台的数据，研究者得出结论“谎言比真相传播得更远、更快、更深入、更广泛”，上述梦想似乎是可行的。然而，2021年的PNAS新论文，却使用相同的数据，得出来相反的结论。

这样南辕北辙差异的来源，是考察传播范围相同的两则信息（一真一假），比较其传播过程。新研究发现，按照上述方式，真消息和假消息并没有统计上的差异。之所以在整体上，虚假信息传播特征和真实信息不同，那是由于在社交网络上，虚假信息触及的用户更多的缘故。而这正是2021年PNAS论文的贡献。

图1：图a-e，真实和虚假信息在传播上的各项指标呈显著差异；图f-j，在相同的传播规模下，真实和虚假信息的传播指标基本相似。

上图从左到右，分别展示了信息送达了多少人，信息传播了多少次，传播过程中最多的一次转发涉及多少人，传播过程病毒化传播的程度，以及传播过程送到的独特用户数的累积概率分布（a-d，f-h纵轴为事件的出现概率，图中的线为累积概率密度分布，e和j纵轴为信息已传播的分钟数）。从图1-a-e可以看到，真信息和假信息之间，有显著的差异。但在图1-f-j中，真信息和假信息在传播过程中，其深度、最大宽度及病毒化程度都基本相同，并且送达的独特用户个数也是接近的。

为了论证研究方法的可靠性，研究者对比了不同媒介的信息：文本、图片、视频和请愿书在传播过程中的差异，发现在控制传播人数后（和前文相同的统计方法），不同媒介间的差异依然显著。这说明如果真假信息间实际上存在差异，在控制传播人数后，依旧会在描述传播过程的统计量上呈现差异。进而指出整体来看，信息真假在传播过程中显现的差异，几乎完全可以用虚假新闻传播的范围更大来解释。

这一发现，指出仅仅通过比较这些推文，无法分辨哪些是真实的，哪些是不真实的。新发现有助于说明为什么某些社交平台采取点遏制虚假信息的措施，没有起作用。指出不能通过关注那些传播链更长，或者转发最多的信息，来应对虚假信息，因为虚假信息并不在那些病毒化传播最广的信息中富集。相对于找出特定类型的信息，为了限制虚假新闻的传播，仅仅关注减少信息的平均“传染性”就足够了。而更好的应对虚假信息的方法，则是提高用户的鉴别能力。

从这个故事中，读者可以学到的另一个经验是要保持批判性思维，不能因为是顶刊高引用的论文，就相信其结论。同样的数据，在不同的统计方法对比下，会呈现出截然相反的结论。其次，在将基于描述性数据得出的结论应用于政策制定时，需要考虑因果性的分析，试图解释为何会出现上述差异。

此前的工作[1]，对真假信息传播差异出现原因的解释是：虚假和真实信息所包含的情绪有差异，虚假信息更多和恐惧、厌恶和惊讶等负面情绪有关，而情绪差异导致了两者传播过程的差异。而从图1来看，在触及的独特用户这一指标上，虚假和真实信息的差异最为明显。其原因是互联网中存在着显著的回音室效应，真实信息的传递，大多局限在特定小群体中，而虚假信息“出圈”的能力更强，从而使得大多数人都不传播真实信息的时候，虚假信息还会持续有人传播（图1.e）。

这项研究，支持了通过提升用户的鉴别能力，能够更好地遏制虚假信息。因为虚假信息的半衰期更长，在此传播过程中，每一个能够阻止进一步传播的节点，都能阻止未来数十个甚至百个潜在的传播。

参考文献：

[1] https://www.science.org/doi/10.1126/science.aap9559

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：

点击“阅读原文”，追踪复杂科学顶刊论文