文摘

社交网络充满了大量的错误信息,这常常误导公众做出错误的决定,刺激公众负面情绪,和对公共安全构成严重威胁,社会秩序。错误信息在社交网络的传播也成为学者们的普遍关注。在这项研究中,我们把错误信息传播在社会媒体为研究对象,并与真实信息来更好的理解错误的信息在社交网络的传播的特点。本研究采用深入学习方法进行内容分析和情感分析错误信息数据集和真实数据集,采用网络分析法来分析错误信息之间的差异和真实信息的网络扩散特征。研究结果显示,错误的信息在社交媒体上的传播是影响内容特征和不同的情绪,从而产生不同的变化。相关研究成果丰富现有的研究和治理作出一定贡献的错误信息和维护网络秩序。

1。介绍

错误信息是一种客观的社会现象,出现了社会运行的环境。通常指的是广为流传的有意无意的信息没有事实依据,并且确认或澄清1]。一直关注不仅在社会科学社会学和新闻等2),但也在计算机科学和其他研究领域3]。随着互联网技术的发展和社会媒体平台,错误信息通过口碑传播是通过社交媒体平台迅速传播,裂变扩散的特点,传播速度快,范围广泛的影响力,和深度的影响。大量的虚假信息和谣言的传播和误导性信息在社交媒体平台上不仅引起公众关注和威胁到公众的身心健康也给管理带来严峻的挑战和社会秩序的稳定4]。

错误的破坏性的性质也使“信息流行”的概念而为公众所知。“信息流行”是指一系列的生理和心理反应由公众面对错误时因为它很难识别信息的真实性,和错误信息的传播渗透到每个人的生活(5]。例如,COVID-19暴发期间,世界卫生组织认为是对抗“信息流行”作为其工作的一个重要组成部分6]。随着社交媒体的影响,“信息泛滥”的扩大范围和放大的错误带来的威胁。例如,当面对错误,未来的不确定性和缺乏信息会增加公众的心理压力,引起公众的焦虑和恐慌(7]。在这个时候,谣言和误导性信息的影响下,公众很可能被集团放大大众恐慌,引发集体社会危机,甚至导致各种社会悲剧(8]。它一直显示错误信息造成的伤害在社交媒体上传播更为严重的是由于社交媒体传播速度快等特点,广泛的影响力,和深度的影响。在此基础上,迫在眉睫的是理解错误的信息在社交媒体上的传播过程和管理错误信息9]。

此外,便利的交流和信息传播的及时性,社交媒体往往成为一个重要的双向信息交流的沟通渠道。一方面,考虑“信息茧,“弱关系的影响可以为我们提供更多样的信息,在此基础上社交媒体成为人们沟通的更好的选择。社交媒体的帮助下,我们可以接触到来自不同地区和行业的人更容易,和交流更频繁地与自己不同的人。因此,公众也可以了解有关情况,具体信息在不同地区不同的事件从社交媒体10]。另一方面,互动和融合的影响巨大的真实信息和错误信息在社交媒体平台上,公众往往容易情绪波动和倾向于发表自己的观点和情感在社交媒体平台和接收不同的反应取决于类型、事件的进展和内容(11]。与此同时,社交网络上形成公共意见或情感和社交媒体传播形成新的通信网络(12]。

近年来,社交媒体平台上的错误信息的传播引起了公众的关注,不仅因为错误很容易迷惑人,使他们做出错误的决策,导致经济和物质损失,还因为错误的信息会影响健康,医学和其他领域,传播错误的治疗方法,进一步损害公众的身心健康。同时,无约束错误将导致社会混乱和消极情绪的盛行,最终导致对社会产生巨大的影响。因此,尤为重要的是,要理解错误信息的传播过程和扩散特征在社交媒体平台上(13]。考虑这个问题,研究基于大规模社交媒体数据集,需要真实信息和错误信息为研究对象,并进行相关分析的内容和情感真实信息和错误信息的传播。此外,我们使用社会网络分析方法,进一步比较真实的网络结构信息和错误信息在传播的过程中,希望披露虚假信息的演化规律实现公众舆论管理的错误信息,减少错误信息带来的负面影响。

本文的其余部分的结果如下。在第二部分中,我们介绍相关的研究。在第三部分,我们提出的方法用于研究。在第四部分中,我们将展示分析结果和讨论,主要涉及内容的分析和情感传播真实信息和错误信息在社交媒体上。在第五部分,我们现在研究的结论,并进一步提出了未来研究的想法。

2。相关研究

2.1。错误信息在社交网络

未经证实的或更高的消息是非常普遍的社会媒体,研究从不同的角度试图概念化未经证实的消息。常见的名称包括“错误信息”、“造谣”,“假新闻”和“谣言”[14]。其中,错误信息,虚假信息,假新闻都强调了虚假的信息和描述的对象信息,是伪造的。区别在于错误常常出现在一个随机的形式与未知的意图和动机,并常常被研究者用来描述广义上的虚假信息(15]。虚假信息通常是正确信息的蓄意篡改获得好处或优势,然后传播(16]。使用类似于假情报,假新闻传播虚假信息和故事的幌子在可靠的来源的经济或政治利益17]。谣言是完全不同于以前的三个概念。尽管谣言还未经证实的信息,不需要总是虚假信息,也可以正确的信息在某些情况下,和谣言的传播动机和意图常常是未知的(18]。

错误信息在社交媒体上的传播一直是一个重要的研究课题。但在我们可以理解为什么错误信息可以在社交媒体上传播,我们需要有一个清晰的理解错误。错误的原因之一是担心重要的研究在于错误信息的误导性质。决策错误信息误导公众,使他们形成相应的行为,并产生情感和心理波动(19]。这个时候,公众形成一种适应性反应错误的刺激和影响下,往往与外界进行交互,然后放大的影响范围和程度的错误信息(20.]。一方面,错误信息,作为一个自适应形式的刺激反应,具有警示作用,表明公众的情绪是由外力紧张局面。另一方面,错误也反映了公众情绪背后的心理状态的社会环境。例如,当一个社会危机发生时,公众更容易受到其他的影响公众情绪错误信息的误导下,形成一个大型情感集群现象,这将影响社会秩序和容易对社会造成负面影响21]。

此外,一些研究分析影响因素,错误的信息在社交媒体上的传播。研究指出,真正的信息和错误信息往往是混合和难以识别,和错误信息为真实信息的误解的主要原因是公众分享和传播错误的信息在社交媒体上(22]。社会媒体用户倾向于支持的传播在社会媒体未经证实的信息,但通常不传播信息已经被证明是错误的。问题是,社会媒体用户往往缺乏共享它(之前识别错误的能力23]。研究已经进行了解释缺乏公众的错误信息识别在此基础上,与相关研究主要集中于政治、心理和媒介素养的观点。例如,从政治的角度来看,它一直认为公众的政治取向影响人类大脑的信息处理,和基于模型的政治取向提出了解释政治方向使公众形成信息偏差,因此选择相信虚假信息(24]。其他研究结合网页浏览数据和在线调查数据来分析人们如何分享在政治选举中假新闻。研究发现,公众的行为偏好在错误信息和信任产生重大影响,公众更愿意相信他们支持的政客们的故事,即使是假的故事,充满了难以置信的元素(25]。在心理学领域,一些研究测量的准确性受访者感知的错误信息进行认知测试(CRT)受访者反映,并发现更好的CRT的受访者进行测试,他们更容易发现错误和更准确。这个研究的发现证明心理因素的重要性。当公众更倾向于使用分析思维而不是懒惰思维识别信息时,他们更有可能识别真假的区别信息(26]。研究也成对Twitter数据与公共账户在选举期间分析假新闻传播的过程中,他们发现,心理上保守的人更有可能接触到假新闻和能够发现它。相关研究已经证实心理因素的识别错误信息的影响(27]。领域的媒介素养,一些学者认为,公众的普遍信任的错误信息在社交媒体上传播主要源于数字媒介素养的缺乏。使用的研究调查数据来自美国和印度在选举期间评估媒介素养运动干预措施的有效性,以及数字媒介素养研究结果证实,扮演着一个重要的角色在错误的识别28]。一些学者进行了实证研究来评估媒介素养较高的个体是否更有能力识别假新闻和比较不同的媒介素养等方面信息素养和新闻素养。结果验证了信息素养的有效性,可以有效地提高公众的识别错误信息的能力(29日]。这些研究也提供了参考我们理解错误的信息在社交媒体上的传播从多个视角,并帮助我们进一步理解为什么互联网用户在社交媒体分享和传播错误信息。

2.2。错误信息和内容分析

社交媒体已经成为公众沟通的重要方式和获取相关信息由于无限制的访问。然而,由于缺乏在线监督用户匿名性、真实的信息和错误信息之间的界线并不总是容易区分,这使得公众经常面临被误导的风险当访问相关信息。,独特的回音室设计的社交媒体平台允许人们普遍需要的信息收集在一起。虽然这可以促进人们之间的通信在相同的情况下,增加公众的可能性将获得他们所需要的真实信息,错误信息(它也放大了负面影响30.]。此外,互动和融合真正的社交媒体平台上的信息和错误信息也吸引了很多学者研究的传播错误信息,并进行定量研究。例如,一些学者从社交媒体和编码中提取Ebola-related推他们用专业知识背景评估的比例提取的tweet,包含的具体内容。发现百分之十的相关微博包含错误信息(31日]。另一项研究进行了内容分析错误信息关于COVID-19,发现只有百分之三十八的错误关于COVID-19社交媒体平台是完全捏造,而且大部分的错误信息是由扭曲和伪造的真实信息(32]。相关的发现证实错误信息的集成和融合的现状和真正的关于社交媒体的信息,这可以帮助我们理解错误信息在社交媒体上的进化和扩散模式。

除了使用内容分析区分真实信息和错误信息,相关的研究也集中在错误的信息在社交媒体上的传播特点,特别是如何错误信息传播相对于真实信息(33]。例如,通过检查的微分分布大规模真实信息和错误信息在社交媒体平台上,一项研究发现错误信息传播速度快的特点,传播路径长,比真正的信息更广泛的传播范围。此外,错误的信息内容是小说往往比真实的信息,所以它是更容易被公众在社会媒体共享。还发现,错误信息的内容是更有可能刺激的情绪,如恐惧、惊讶的是,和厌恶情绪,如预期,悲伤和快乐诱发真实信息(34]。一些研究也指出错误时可以更快地传播错误信息的内容是有关重大公共危机事件。举个例子,在2019年COVID-19,错误信息爆炸和传播的数量在全球范围内非常短的扩散。根据相关机构,在流行病的传播,大约46000的实例epidemic-related错误信息传播在社会媒体每天从互联网用户迅速传播和转发35]。除了这些研究中,一些学者也试图理解错误信息的来源和演化模式通过内容分析。基于大量的Twitter数据的分析,发现大多数的错误信息在社交媒体上生成通用账户,但内容通常包含链接的网站缺乏可信的来源。也发现错误信息在社交媒体上的传播是一个动态的过程,内容发生动态变化,即。,它是由网络用户不断修改在下一步在传播的过程中36]。

基于错误信息内容分析方法是很重要的。一方面,错误信息内容传达的偏见和误解,可能影响了公众信任的专家、机构和政府,导致不必要的恐惧和猜疑的传播。例如,有研究指出,大部分公众依赖于网上评论评价和判断企业和机构,并维护他们的信任在相关机构网上评论的影响。然而,网上评论包含错误信息会加剧公众的偏见和误解37]。另一方面,错误也可以扭转公众的行为应对自然灾害、事故、公共卫生和社会安全突发事件。例如,有研究指出,随着互联网的发展,社交媒体已经成为公众的一种重要渠道寻求健康信息。然而,健康信息的真实性将严重影响病人的治疗和威胁到他们的生命38]。因此,内容分析方法用于分析社会媒体的错误理解的内容特征错误信息。它不仅有利于识别错误信息在社交媒体上,但它也可以导致错误信息的管理和维护网络安全。

2.3。错误信息和情感分析

错误信息在社交媒体上的传播意味着不同的公众情绪,情绪也改变错误信息的传播。一方面,除了特定的社会条件的影响,心理状态是错误的生产的一个重要因素,形成公共活动的附加产品适应性条件下公众的情绪[39]。另一方面,情绪也扮演着重要的角色在社会媒体传播错误信息。因为他们可以满足一些公众的心理需求,错误不断形成和社交媒体上的传播。相关研究指出,错误信息的传播离不开情感,和错误信息可以迅速传播,一群陷入消极情绪如焦虑(40]。因此,它是特别重要的分析社会媒体基于情感分析的错误信息。

在错误使用情感分析的研究方法,探索情感变化错误信息的影响因素是一个重要的研究对象。例如,一些研究者探讨了错误的情感动态影响因素定量分析互联网用户在社交媒体上的情感行为。研究发现,错误信息包含负面情绪远远超过其他类型的信息,而用户参与度等因素,评论的数量,和时间的讨论都在错误信息影响情绪的变化。一般来说,越活跃用户,他们更多的评论,讨论的时间越长,和占主导地位的消极情绪越41]。研究也进行了研究错误活跃在社交媒体在公共危机为研究对象,来识别情感的互联网用户在评论下错误信息。发现互联网用户的性别和学科分类的内容会影响情绪的变化(42]。一些研究情绪分析流行的错误信息在社交媒体上基于内容分析的方法,发现内容,形式,和语言学的错误信息发生了变化,公众的情绪也是如此。一般来说,冲突的错误信息的内容越多,越有吸引力的字体(如彩色字体比普通字体)更有吸引力,更夸张的和极端的使用语言,更强烈的公众情绪的变化是(43]。

除了情绪影响因素的分析,这也是一个重要的话题理解情绪的进化模式引发的错误信息在社交媒体。一方面,社会媒体存在错误信息的传播者,当公众情绪波动错误信息的影响下,社会媒体经常放大的影响情绪,使情绪在社会网络迅速传播。另一方面,情绪在社交媒体上的传播通常存在于一些常规形式。通过分析一定数量的文本数据,我们可以试着揭示情绪在社交媒体上的演化规律。例如,一项研究结合网络科学分析情绪关于Twitter的政治选举的错误信息,并发现帖子与负面情绪比那些积极的或中性的情绪。同时,错误信息关于选举的赢家有一个更广泛的扩散网络社交媒体,和更积极的情绪表示喜欢和支持他们(44]。一些研究使用大数据驱动的方法进行情感分析的“病毒”传播虚假和真实的信息关于自然灾害的社会媒体基于大量的数据。研究发现,微博与负面情绪传播的速度比微博积极的或中性的情绪。也发现,情绪有一个相反的效果“病毒”蔓延的真假信息社会媒体(45]。基于数据从社交媒体平台聊天,一些研究也试图映射趋势随着时间的推移在公众情绪相关的错误信息。这项研究不仅证实错误引发的负面情绪的比例超过积极情绪也发现消极情绪事件信息受到影响的倒u型曲线。当事件信息进一步透露,当处理措施和应对方法被引入或伪造信息,错误信息造成的负面情绪会减少的比例和错误信息带来的负面情绪会减弱(46]。

总之,活跃的错误信息在社交媒体带来主要的负面情绪,这不仅影响公众的心理和行为,提高网络舆论管理的难度也会影响社会秩序的稳定,维护社会安全。因此,结合网络分析方法,分析传播的法律情感的错误信息在社交网络不仅有利于网络舆论发生时提供建议情感管理,也为了更好地实现指导和预防和控制网络舆论,从而消除负面影响带来的群体情绪的变化。

3所示。研究方法

本文选择错误信息为研究对象,比较了网络结构的错误信息和真正的社会媒体的信息,以更好地揭示错误信息在社交媒体上的扩散和演变规律,并提供了一个错误的舆论管理参考。研究的框架结构图如图1。首先,我们获得的错误信息,真正的信息,社会媒体舆论和相应的数据集,并完成数据预处理。其次,我们结合深入学习方法进行内容分析和情感分析错误信息和真实的信息数据,试图比较错误的扩散模式和真实的信息在社交媒体上使用网络分析方法。最后,我们画了一个关联图显示错误信息的干扰和真实的信息在网络结构和显示错误信息的演化模式和真实的信息网络。

3.1。网络分析方法

为研究方法,分析人际关系,网络分析方法已广泛应用于不同的学科。最典型的和著名的网络分析方法属于社会网络分析方法,这是一个组合的方法和工具,研究人际关系,交流,和沟通,通过大量的研究人员和研究领域47]。在社会网络分析方法中,我们描述了社交网络的人之间的关系通过节点和边的概念。节点被定义为个人或团体都连接在一个方向的边缘代表形成一个社交网络的关系图(48]。与社会网络分析方法,我们可以理解稀疏参与社交网络之间的关系。同时,我们能够分析的重要性的位置社交网络的参与者通过测量网络中心和识别网络中重要的和孤立的参与者(49]。简而言之,社会网络分析方法不仅能够分析的广度(范围),还深度参与者之间的关系,提供支持探索人际互动和沟通的程度。

随着网络技术的发展,在线社交网络的基础上形成的社交媒体已经成为人际交往活动的一个重要组成部分。与传统社交网络相比,在线社交网络具有更高的参与,网络规模大,更快的网络结构的变化,和更广泛的网络影响(50]。同时,在线社交网络的迅速增长,已渗透到人们的日常生活,为每个人都提供了一个方便的交流方式。与传统的社会网络分析方法,在线社交网络分析方法主要关注信息的流动和传播在社会媒体和已成为机器学习领域的一个重要研究方法,数据挖掘和复杂网络系统的支持下巨大的社交媒体数据(51,52]。分析过程的在线社会网络分析方法,一方面,社会媒体用户作为网络的各个节点,和信息的转发用户构成传播关系,显示了网络结构和可视化方法。另一方面,相关信息将继续发展和传播等社交网络通过用户交互的评论,收藏,meme。通过在线社交网络分析方法,我们不仅可以分析结构的网络用户之间的沟通和互动,也探索某一事件的传播演化模式与社交媒体数据的支持。因此,我们使用网络分析方法来分析错误信息在社交媒体上的传播模式。

在本文中,我们使用的网络用户参与传播错误信息作为转发节点和用户之间的关系边缘映射出错误信息的网络结构。此外,结合内容分析方法和情感分析方法,我们分析了网络传播错误信息的特点,如meme的数量,收藏,评论的错误信息,然后探讨了进化的错误信息在社交网络模式。同时,考虑到唯一的错误是不够的调查错误信息在社交媒体上的进化,我们也选择相应的真实信息作为比较对象。通过比较错误信息的传播和真正的关于社交媒体的信息,我们可以看透进化错误信息在社交媒体上的扩散特征。

3.2。内容分析方法

在本文中,我们使用内容分析方法分析数据,总结错误的主题和真实的信息。首先,数据预处理后,以减少噪声干扰和需要进一步过滤数据在本文中,我们使用了TF-IDF方法提取文本关键词基于单词的重要性。根据词在文本和语料库的频率,我们提取20中最重要的关键词文本使用TF-IDF方法基于加权处理。

其次,我们需要提取语义特征根据单词的意义在语言环境和与其他词的关系,然后将语义特征转化为特征向量。一般来说,离散和分布形式是常用的词表示的计算机。不同之处在于,前者代表每个单词长向量,而后者代表每个词作为一个致密连续固定长度的向量。与前者相比,后者不仅可以节省的向量空间表示词与词之间的关系也更好。因此,在现有的研究中,经常被研究人员采用分布式表示来表示词向量(53]。在这项研究中,我们使用了Word2vec方法引入谷歌将文本数据转换为文本内容词向量和映射到向量空间计算单词之间的相似性(54]。Word2vec模型主要由连续Bag-of-Words模型,预测当前词根据上下句和连续Skip-gram模型,预测基于当前词的上下文。在大样本数据集的分析,文本分析中的CBOW模型的有效性已经被先前的研究证实。与Skip-gram模型相比,CBOW模型有更大的优势分析效率和分析速度(55]。因此,我们使用了CBOW模型完成的训练向量和文本数据转换成词向量。

最后,我们分析了错误的主题和真实的信息基于k - means聚类方法。通过使用K - means方法,研究处理过的样本集分为K类别和试图最小化样本之间的距离在每个类别和类别之间的距离最大化,进而实现基于设置聚类类别 。最小平方误差的计算过程见方程(1)。用最小平方误差 ,用不同的聚类类别 。文档和均值向量的聚类类别表示和 ,分别。

常见的无监督聚类方法,K - means主要通过相似性达到不同类别的分类,K和手段,分别代表聚类类别数和聚类向量的平均值。大小的常见的方法用来测量K是弯头的方法,和由余弦距离测量的距离或欧氏距离公式(56]。使用弯头的方法,我们选择不同K集群样本集和计算值之间的误差平方和文档向量聚类平均向量,根据曲线的绘制平方误差的总和。通过观察综合平方误差曲线,我们可以发现平方误差随的价值K。因此,我们可以推断出适当的价值的大小K,然后分类错误信息和真实信息的主题K类别。

3.3。情绪分析方法

与社交网络语料库的扩张建立在社交媒体平台上,情绪分析已经成为自然语言处理的一个重要研究领域,文本挖掘。情绪识别和分析评论,意见,在社交网络和其他文本语料库不仅通过情绪分析提供数据支持,我们对信息的传播模式的理解社交媒体和公众情绪的变化也使进一步的解释背后的行为逻辑社交网络的互联网用户(57]。目前,常见的情感分析方法主要分为两类。一是通过建立情感词典和结合语义比较文本关键词在样本数据之间的相似性和情绪词汇的字典,然后计算文本的情绪强度关键字分配相应的情绪标签的文本(58]。另一种方法是使用机器学习的方法,如支持向量机,朴素贝叶斯、基于神经网络的深度学习方法进行偏差分析情绪以监督的方式,并分配相应的情绪标签文本(59]。然而,在情绪分析基于句子类型的社交媒体平台,基于情感词典的方法常常会影响最终的情感分类结果由于忽视了上下文。因此,机器学习和深度学习方法中经常使用的情绪分析社会网络数据。然而,以情感分析为例,支持向量机,CRF等机器学习方法过分依赖手工标记数据和限制在处理自然原始表单中的数据。深度学习方法结合简单但非线性模块学习复杂的功能和深度学习的自学习特性大大提高了自然语言领域的应用能力和在情绪分析显示了更好的效果60,61年]。

字面意思的情绪分析对象,长期和短期记忆模型,可以学习单词向量情绪分类的不同长度表现出更好的性能和被研究人员广泛使用62年]。由于递归神经网络的进一步发展,LSTM模型保留了复发性神经网络学习的灵活性文本序列的上下文信息和地址的困难传统复发性神经网络在长时间存储信息。同样,LSTM模型仍与复发性神经网络结构一致,但细胞的内部结构是由循环状态 ,输入门 ,忘记门 ,输出门 ,和隐藏的状态输出 ,这与递归神经网络的不同。其中,完成模型的最终输出当前状态的转换。计算过程方程所示2,在那里代表隐藏状态的输出时间 ,和和 ,分别代表模型的状态输出门细胞单位时间 。

模型的输出门决定什么应该输出通过计算乙状结肠层,和计算过程方程所示(3),表示的状态输出门的时候 , 表示输出状态之前的一刻,表示输入当前时刻的状态信息,和表示输出的重量和偏差,和用的激活函数 。

模型操作的一个重要阶段,细胞更新是一个中间阶段,其中输入信息经过大门,忘记门,最后进入门的输出。细胞状态更新更新如方程所示(4), , ,表示状态的细胞单位,忘记门,输出门的时候 ,分别用重量和偏差和 。

忘记门决定哪些信息应该丢弃,计算过程方程所示(5),表示激活函数,和表示忘记门的重量和偏见,分别。

在模型中输入的主要工作门结构是决定哪些信息应该输入,如方程所示(6)。在这种情况下,输入的重量和偏差门是用和 ,分别。

虽然LSTM模型执行在处理输入上下文序列,该模型也有一些缺点,它不能考虑的方向输入和只能处理文本序列在一个方向上。因此,我们采取了双向长期和短期内存模型中,它可以处理文本序列从左到右和从右到左两个平行的长期和短期记忆模型。与长期和短期内存模型相比,双向长期和短期内存模型可以获得信息和连接过去和未来的隐状态落后和向后的方向,并通过相同的输出层输出上下文信息。它不仅提高了文本处理的范围,还提高了文本处理的效率。计算最终的输出的过程模型的显示在以下方程:

在本文中,我们使用NLP&CC数据集的训练集和测试集,和情感标签数据集的“喜欢”“令人惊讶的是,”“厌恶”,“悲伤,”“幸福”“愤怒”、“恐惧”,分别是(63年,64年]。在我们的研究中,我们使用一个双向LSTM模型分配情感标签文本数据。模型的测试精度满足我们研究需求和表达为0.71。与此同时,为了进一步提高模型的精度和效率的情绪,我们随机抓起200000微博推训练。在训练的基础上,我们实现了两个错误的分析和真实的信息数据集。最后,我们给每一微博情感标签推错误信息数据集和真实数据集的信息在社交网络学习情感进化的模式。

4所示。结果与讨论

4.1。数据收集和预处理

在本文中,我们选择了新浪微博平台的大型开源数据集作为分析对象(65年]。作为一个在中国最受欢迎的社交媒体平台,新浪微博有5.3亿活跃用户,建立了一个巨大的在线社交网络,也提供了丰富的数据源调查错误信息在社交网络的传播。数据集都是开源数据集从2015年到2016年,主要由错误信息和真实的信息数据集。我们获得的有关内容和转发信息数据集和建造中的每个原始微博传播错误信息网络和真正的关于社交媒体的信息。其中,微博中的错误信息数据集来自被伪造的信息新浪社区管理中心。同时,收集的数据也比较研究的类似数量的真实信息。真实的信息和错误信息同时在场,这吸引了广泛的公众关注和内容已经被证明是正确的。错误的细节数据集和真实的信息数据集如表所示1。

表1显示数据集的统计数据。其中,有2351真正的微博和1717154转发的信息。原始微博用户发布的微博转发52158次最多,至少12倍,平均730转发。错误消息的数量是2313,和转发的数量是2093056。原始微博用户发布的微博转发59319次,至少11次,平均905次。

4.2。网络结构的错误信息

通过微博转发关系ID和数据集,我们可以了解真实信息的扩散和错误的信息在社交网络。与此同时,基于微博的中期,我们获得了一些真正的二、三级转发信息信息和错误信息在转发的过程中,以构建真实的信息和错误信息的传播网络社交媒体。在此基础上,我们使用了Fruchterman Reingold布局画的图转发网络。真实的信息和错误信息的传播图社交媒体如图2。

在图2,我们可以观察到网络由真正的社会媒体信息和错误信息。考虑到空间的限制,我们随机选择了一些真实的信息和错误信息的传播在社会媒体。其中,图2(一个)显示了转发网络由真实信息和错误信息在社交媒体上,与紫色的节点表示错误事件和网络用户错误信息,和绿色的节点代表真正的信息事件和网络用户真实信息。数据2 (b)和2 (c)显示错误信息和真实信息的网络传播结构,分别。

首先,在网络图由错误信息和真实的信息,真实信息或利用假信息的网络结构是稀疏的,边的数量远小于节点的数量,还有很多孤立节点。这可能是相关数据集的内容的本质。我们采用的数据集是由不同的错误事件和真实信息事件,以及事件之间的联系不是很密切。虽然有一些事件之间的交叉关系,大多数都是有区别的,在转发过程中在一个孤立的形式存在。结合文本材料,大多数原始数据收集的相关事件相关的话题。例如,当谈到食品安全事件,用户经常列举以前类似的事件比较分析,这也是一个重要原因不同事件之间的网络连接。其次,在本文中采用的数据集,虽然错误事件的数量小于真实信息,错误信息的转发关系比这更真实的信息。它也可以从图直观地观察到2错误信息的网络图的密度和更紧密相连的节点彼此真实信息的网络图。而真实的信息,错误信息有更多的优势扩散的范围和深度和更有可能吸引公众的注意,被公众在社交网络传播。结合文本材料,错误信息在社交网络上经常存在夸张的标题和内容,它更有可能被公众注意和转发。这也初步证实了现有研究的结论错误信息更有可能比真正的社交媒体上的传播信息。

4.3。主题类别的错误信息和真实的信息

基于获得的数据集的错误信息和真实的信息,我们将数据分成七个类别使用聚类方法和确定每个类别的话题标签和解释内容结合的信息内容。然而,考虑到信息内容嵌入到事件微博并不总是容易区分,有通常情况涉及多个主题。因此,研究人员提取每个主题和匹配的关键词提取的关键词的文本信息事件的微博。如果事件的文本信息微博符合多个关键词,微博推特将获得相应的话题标签,尽管不匹配关键字的微博将获得相应的话题标签根据人工注释内容。真正的主题类别信息和错误信息如表所示2。

它可以观察到从表2微博的数量的分布是处于不平衡的状态分为七个主题中真实的信息和错误信息。首先,真实信息和错误信息微博帖子都分布在最多的食品和产品安全。食品和产品安全涉及到每个人的日常生活,因此它是最容易滋生错误信息和真实的信息。现有的研究也显示错误信息的原因和真正的食品和产品安全相关信息从多个角度如教育水平、性别、年龄、和媒体报道66年]。

其次,真正的信息和错误信息分布在公共安全和犯罪主题仅次于食品和产品安全的地区。公共安全主题之间的差异和犯罪主题在于,前者有一个更广泛的范围,涉及国家安全、社会保障、和个人安全,而后者主要是违反法律由个人或小群体。的原因两个主题清廉指数排名较高的主题分布的数量并不仅仅因为这类事件最有可能引发公众愤怒,同情,但也因为相关事件和其他情绪容易被青睐和广泛报道的媒体。因此,真实信息和错误信息都有大量的微博在公共安全和犯罪主题。

政治主题主要涉及政治事件信息,政治家,和主要政策。一方面,公众往往更加关注政治和热衷于讨论和关注与政治相关的事件和信息。另一方面,也因为政府发行的主要政策往往影响社会和每个人的生活的各个领域。然而,也有一些个人或团体误解个人利益的政策,允许错误传播。

灾难主题主要包括自然灾害和意外事故造成的经济和财产损失,危及公众的安全。当自然灾害或事故发生时,社会媒体,作为一种方便的沟通方式,成为公众分享灾难信息的重要平台,寻求帮助。因此,常常有一个广泛的公众讨论相关话题。然而,社交媒体的弱伪造功能也导致错误信息的广泛传播事件,如自然灾害和意外事故。例如,与灾害有关的信息往往是扭曲的社会媒体的夸大的人数,扭曲事件的真实情况,阴谋论,和其他方法。

社会事件和名人主题更有针对性,前者主要针对事件引起社会反应和公众讨论和担忧,而后者主要应对名人和其他celebrity-related事件。然而,这两种类型的事件往往只涉及某些群体;例如,前者更地理上有区别,后者更杰出的人口属性,如粉丝。真实的信息和错误信息的分布并不比其他的话题。

4.4。错误的扩散特征和真实信息

进一步比较进化模式的错误信息和真实的信息在社交网络和理解错误信息和真实信息的扩散特点,我们跟踪每个原始微博的转发关系和度量错误事件的扩散特征数据集和真实信息事件通过使用三个指标:转发,评论,收藏的微博。转发的数量的积累主要是指在社交网络的扩散指数由社交媒体,这微博的扩散程度的措施。评论的数量指的是用户交互的积累指数在《社交网络》的帖子,衡量微博的用户参与度。最爱的数量主要指的次数的积累,文章收集用户在社交网络和措施用户接受和认可程度的微博帖子。这三个指标涉及一些扩散特征,如扩散范围,扩散参与,用户验收,等,可以给我们一个更全面的理解错误的扩散模式和真实的信息在社交网络。表3显示了区别真正的信息和错误信息的转发数量,收藏,评论微博。

它可以观察到从表3每个真正的信息事件转发924倍(SD 2706.101)。其中,最大的一个真实的信息被转发81776次,和至少一个真实信息被转发的30倍。从数量的角度来看,每个真实信息的平均值约为648 * 1961.269 (SD),真正的信息保存最多40873倍,至少有一个没有救了。评论的数量,大约有387条评论1061.163 (SD)平均为每一个真实的事件在微博上的信息,26275条评论的最大数量和最小数量的任何评论。偏斜度和峰度代表的不对称和陡度的变量,分别。通过观察偏度和峰度,我们发现转发的数量,最爱,真正的信息和评论都是向右的,陡峭的,用一把锋利的高峰。其中,向右偏移和最高程度的转发数量是最深的。

根据表中的数据3,我们还发现,每个错误信息被转发2138次6299.091 (SD),远期的最大数量是103682年和88年远期的最小数量。最爱的数量,每个错误信息保存521乘以2308.874 (SD)平均最爱的最大数量是48889次,最爱的最低数量为0次。评论的数量,大约有540条评论2261.956 (SD)平均为每个错误信息,评论的最大数量是38103,最低的评论0。的偏斜度和峰度,转发的数量,收藏,评论的错误信息显示向右偏移和峰值状态。其中,峰值的集合是最明显的,和右斜的评论的数目是更深层次的。

与此同时,我们也把独立样本T以及进一步扩散特征之间的差异比较真实的信息和错误信息。结果表明,真实之间有显著差异信息和错误信息的转发数量,收藏,评论( ),的平均值和错误信息的转发和评论数的平均值大于真实信息,这意味着错误信息的传播特点是容易被传播在社会媒体进一步验证。与真正的信息相比,公众更倾向于在互动和交流错误信息在社会网络,它更有可能向前传播错误信息,这使得错误信息在社交网络迅速传播。与此同时,我们还发现,真实信息事件的数量大于错误信息,这意味着尽管错误信息在社交媒体的快速传播,人更高层次的识别和对真实信息的支持。结合文本材料,这是相关内容真实信息的特征。真正的信息通常包含更多的知识和更详细的参数,和被网络用户更容易收集。至于错误信息,一方面,它经常吸引用户的注意力通过夸张的标题,然后被网友转发。另一方面,借助误导和有争议的内容,用户经常互相争论,导致大量的评论在错误信息的帖子。然而,由于错误的信息可以很容易地证明是伪造和偏振的争论也使得用户往往不会收集文章、错误信息收集的数量小于真实的信息。

此外,我们使用了一般线性模型(GLM)检查扩散特征之间的差异不同类别的话题真信息和错误信息建立原来的微博用户的粉丝数作为控制变量。全球语言监测机构允许多元方差分析和常被用来指两个或两个以上变量之间的差异进行比较。首先,我们建立了模型根据研究的需要,决定模型是一个单变量或多变量方差分析。两者的区别在于因变量的数量。其次,我们估计模型通过测试和模型试验的价值。我们使用统计推断计算的意义和价值。最后,在获得重要的价值观,需要解释的意义关系。全球语言监测机构数据显示显著的相互作用信息真实性和主题类别(F= 2.264,威尔的λ= 0.991, )。边际估计和置信区间的转发数量真实信息和错误信息在不同的主题类别如图3。边际估计和置信区间的数量最喜欢的图所示4。边际估计和置信区间的评论在图所示5。与此同时,为了进一步符合正态分布的假设,我们进行对数转换的转发数量,最爱的数量,和评论。

结合边际估计和意义的测试中,我们分析了真实信息和错误信息的扩散特征在每个主题类别。为主题类别的公共安全和政治、估计的平均值显示错误信息的扩散指数在转发和评论是高于真实信息,和最爱的扩散指数低于真实的信息。然而,错误信息和真实信息有显著区别仅为最爱。主题类别的食品和产品,错误信息在转发和评论的扩散指数也高于真实信息,在收藏和较小的比真实的信息,还有一个重要区别错误信息和真实的信息在所有的三个方面。主题类别的名人,没有显著区别错误信息和真实信息转发的数量、收藏和评论,这可能是相关的小样本大小主题类别的名人。主题类别的犯罪,有显著区别错误信息和真实信息的转发和收藏,在转发的扩散指数,错误是比真正的信息。最爱的扩散指数,错误还不到真正的信息。为主题类别的灾难,错误信息的扩散指数大于真实信息转发和收藏,有显著性差异,这可能与灾难的发生常常伴随着信息的急救措施。至于主题类别的社交活动,与前面的主题分类,错误信息的扩散指数小于真实信息的转发和收藏,有显著性差异,这可能与这一事实有关社会事件的真实信息更容易被识别,这是更可能引起网民的情感。

总之,我们进一步证实,在社交网络上,错误的信息传播速度比真实信息在大多数情况下,和更有可能被网络用户转发和传播。用户参与由评论而言,错误也是一个有利的位置与真实的信息。然而,最爱的数量而言,错误信息是一般不到正确的信息,和真正的信息更容易被公众的更详细的内容特征,因此显示的数量优势的最爱。

4.5。情绪变化的错误信息在主题分类

分配后的情感事件标签对应的错误信息和真实的信息,我们首先使用卡方检验分析之间的情感分布是否有显著差异错误信息和真实的信息。结果证实的存在显著差异的分布信息真实性在情绪(皮尔逊卡方= 17.705, )。第二,我们比较特定情感的分布差异错误信息和真实的信息。细节如表所示4。

它可以观察到从表4“喜欢”情绪主导真实信息和错误信息,这也是为什么真实信息和错误信息可以得到许多转发。结合文本材料,真实信息和错误信息包含公众想要获取的信息,如饮食搭配,健康知识,轶事,等,吸引了公众的利益。因此,在情感的分布之间的真实信息和错误信息,“喜欢”情感的情感开始占据主导地位。

其次,相比之下,除了情感”,“负面情绪主导的“厌恶”和“悲伤”占据主流的错误信息和真实的信息,和数量远远大于其他情感类型。文本材料的分析表明,公众往往形成“厌恶”和“悲伤”的情绪,面对灾难,犯罪,和其他类型的消息。这一发现也符合我们的期望,当面对自然灾害,事故,或其他类似的事件,在现实中,我们更有可能形成“厌恶”和“悲伤”的情绪等因素的影响下同情心和正义感。

与此同时,我们也把真实的信息和错误信息分为不同的主题类别和比较真实的信息和错误信息的分布在情绪不同的主题类别。信息真实性的具体分布信息情感在不同主题分类如表所示5。

基于观察表5,我们发现有一个错误的信息之间的关系和真实信息的内容类型和情感类型。公安、主题的最常见的表达情绪情感的真实信息和错误信息,厌恶,和悲伤。其中,情感就像来自应急管理措施体现在信息和及时响应事件;厌恶的情绪来自带来的危害公共安全事件对国家、社会和个人;和悲伤的情绪主要来自对受害者的同情。主题类别的食品和产品,情感真实信息和错误信息是最反映喜欢和厌恶。结合文本材料,像撒了谎的情绪食品安全的知识和产品中包含的微博信息,和厌恶说谎的情感冲突和仇恨的假冒伪劣食品和产品。在政治的主题类别,如和厌恶常常反映在真实的信息,而喜欢和快乐通常是反映在错误信息。结合文本材料,喜欢的情绪反映在信息,满足公众的好奇心关于政治领域,厌恶的情绪反映在不满一些政治事件和政策,和幸福的情感往往是反映在对政治人物的支持和批准,一些政策。主题类别的名人,喜欢和厌恶的情绪成为主流的信息和错误信息。 The emotion of like came from the public’s love for some stars and celebrities, while the emotion of disgust also came from the public’s resistance to some stars and celebrities. In the topic category of crime, emotions were mainly embodied in two types of emotions: like and disgust. As the most direct source of information, the public’s emotion of like is more obvious when they see images of criminals being arrested and punished in media reports, while the emotion of disgust was mainly from the resistance to the crime. In the topic category of disaster, the emotions of like and sadness were often reflected. Among them, the emotion of like came from the solidarity and common support of the public in the face of disaster, while the emotion of sadness was mainly reflected in the loss of personnel and property. In the topic category of social events, like and disgust often occupied the dominant position. Among them, the emotion of like came from the public’s curiosity about strange and usual stories, while the emotion of disgust came from the fact that some social events often contained contents that go against the social conscience.

此外,我们还验证是否存在显著差异在学科分类的效果之间的情感真实的信息和错误信息。结果表明,相比之下,真实信息(皮尔逊卡方= 38.707, ),主题类别的错误更重要影响的情感类型(皮尔逊卡方= 178.625, ),和情感上分布有显著差异的不同的主题在错误信息。因此,重要的是要把错误信息分成不同的主题和理解错误的情感分布不同主题的类别对我们更好的理解错误的信息在社交网络的扩散模式。

4.6。情感分析的网络错误的扩散特征

相关研究已经证实,情绪扮演着一个重要的角色在错误信息的传播。一方面,情绪的影响下,公众将互动和相互交流不同的事件,这将引起激烈的讨论。另一方面,信息也嵌入与公众情绪信息共享和传播的过程中,和错误信息在社交网络的传播往往是由不同的情绪。因此,本文比较了网络错误的扩散特征和真实的信息通过情感分析进一步揭示了网络扩散模式的错误信息。结合现有数据,进一步确定具体每个主题的相关性在不同的情绪,我们使用皮尔逊的点二列相关系数分析之间的相关性信息真实性和相应的网络扩散特征。其中,相关的方向代表是否有主导地位网络扩散。正相关关系意味着错误的信息更容易被转发,支持,和评论比真实的信息,通过网络用户在社交网络和负相关意味着真正的信息更有可能被转发,支持,评论比错误信息通过网络用户在社交网络。相关性越强,越接近信息准确性和网络扩散之间的关系。信息真实性和转发的数量之间的相关性如图6。信息真实性和最爱的数量之间的相关性如图7。信息真实性和评论的数量之间的相关性如图8。

从主题的角度来看,公共安全的话题,错误信息包含像和悲伤更容易被网民转发,而错误信息包含厌恶和恐惧更难以被网友转发。其中,包含情感的信息之间的相关性有统计学意义的准确性和转发的数量( )。最爱的数量而言,错误与悲伤更容易收集的互联网用户,而误传,厌恶,恐惧被互联网用户不太可能被收集。其中,包含情感信息厌恶之间的相关性有统计学意义的准确性和最爱的数量( )。评论的数量而言,错误信息和情感的悲伤更有可能被网民评论,而错误的信息与情感的恐惧和厌恶更难被网民评论。

在食品和产品的主题,信息的真实性在不同情感类型呈正相关,转发的数量,和错误的信息在社交网络更容易转发。其中,信息包含的情感像( ),厌恶( ),和悲伤( )之间的相关性有统计学意义准确性和转发的数量。最爱的数量而言,信息的真实性在不同情感类型与最爱的数量负相关,和真实的信息被网络用户更容易收集。其中,信息包含的情感像( ),恐惧( ),和悲伤( )之间的相关性有统计学意义的数量准确性和最爱。评论的数量而言,信息的真实性在不同情感类型呈正相关,互联网用户,和错误的信息更有可能被网民评论。其中,信息包含的情感像( )和厌恶( )之间的相关性有统计学意义的数量准确性和评论。

政治的话题,错误信息的情感,厌恶,和悲伤更有可能被网民转发,与快乐的情绪而真实的信息更有可能被网友转发。其中,信息包含的情感像( )和厌恶( )之间的相关性有统计学意义准确性和转发的数量。最爱的数量而言,错误的情绪,厌恶,和悲伤更容易收集的互联网用户,虽然有快乐情感的真实信息被互联网用户更容易收集。评论的数量而言,错误信息一样,厌恶,幸福,悲伤更有可能引起网民的评论。

主题的名人,错误信息包含喜欢的感情是很难被网民转发,和错误的信息在厌恶的情绪更容易被网友转发。数量的最爱,错误的喜欢和厌恶的情感被互联网用户更容易收集。在评论的数量方面,喜欢的情感的错误信息是不太可能被用户评论,而厌恶的情绪的错误更容易讨论用户。

在犯罪的主题,包含情感的误传,厌恶,幸福,恐惧,和悲伤被互联网用户更容易地转发,而错误的情绪下意外是更难被网友转发。其中,信息包含的情感像( )之间的相关性有统计学意义准确性和转发的数量。最爱的数量而言,错误的情绪下,恐惧,和悲伤被互联网用户更容易收集,而错误的情绪下,厌恶,惊喜,幸福和悲伤被互联网用户较难收集。评论的数量而言,错误信息包含的情感,厌恶,幸福,恐惧,和悲伤更有可能被网民评论,而意外的错误信息包含的情感更难以被网民讨论和沟通。

在灾难和社会事件的主题,错误信息包含的情感,厌恶,和悲伤更有可能被网友转发。最爱的数量而言,错误信息包含的情绪像被网络用户更加难以收集,包含厌恶的情绪和悲伤和错误的信息被网络用户更容易收集。在社交活动的主题,信息包含厌恶的情绪 )之间的相关性有统计学意义的数量准确性和最爱。评论的数量而言,错误信息包含的情感,厌恶,和悲伤更有可能被网民讨论和沟通。

从情感的角度来看,主题类别下如情感,错误信息的主题下名人更难以被网民转发,在其它的主题类别和错误的信息更容易被互联网用户比真实信息转发。其中,公共安全的信息包含主题( ),食品和产品( ),政治( ),和犯罪( )之间的相关性有统计学意义准确性和转发的数量。最爱的数量而言,真实信息的主题下公安、食品和产品,灾难和社会事件被网络用户更容易收集。错误信息的主题下政治、名人,和犯罪被互联网用户更容易收集。其中,信息包含食品和产品的主题( )之间的相关性有统计学意义的数量准确性和最爱。评论的数量而言,错误信息的主题下名人被在线用户更难被讨论,和错误的信息在剩下的主题类别更有可能比真正的在线用户信息讨论。其中,信息包含食品和产品的主题( )之间的相关性有统计学意义的数量准确性和评论。

主题类别下的厌恶情绪,真实信息的主题下公安更有可能被网民转发错误信息。错误信息在其他类型的主题类别更有可能被网络用户转发。其中,信息包含食品和产品的主题( )和政治( )之间的相关性有统计学意义准确性和转发的数量。最爱的数量而言,真正的食品和产品的主题信息,公安、和犯罪被互联网用户更容易收集,而错误的主题下政治、名人,灾难和社会事件被互联网用户更容易收集。其中,信息包含公安的主题( )和社会事件( )之间的相关性有统计学意义的数量准确性和最爱。评论的数量而言,错误信息在主题类别的食品和产品,政治、名人,犯罪,灾难和社会事件被互联网用户更容易讨论。与错误信息相比,真实信息包含公安的主题更有可能被网络用户评论。其中,信息包含食品和产品的主题( )之间的相关性有统计学意义的数量准确性和评论。

在主题类别惊喜的情绪,错误信息的主题下食品和产品更有可能被网友转发。主题类的犯罪,真正的信息更容易被网络用户转发错误信息。最爱的数量而言,真正的主题下的食品和产品的信息,和犯罪被互联网用户更容易收集。评论的数量而言,错误信息的主题下食品和产品被互联网用户更容易讨论。主题类别的犯罪,真正的互联网用户更有可能讨论的信息错误。

主题类别中的幸福的情绪下,错误信息的主题下食品和产品,和犯罪在社交网络更容易转发。在政治的主题类别,真实的信息更容易被转发网络上的错误信息。最爱的数量而言,真正的食品和产品的主题信息,政治,和犯罪被互联网用户更容易收集。评论的数量而言,错误信息的主题下食品和产品,政治,和犯罪被互联网用户更容易讨论。

主题类别中的恐惧情绪下,错误信息的主题类别的食品和产品,和犯罪更有可能比真实信息在社交网络转发。主题类别的公共安全,真正的信息更有可能比错误信息通过网络转发。最爱的数量而言,真实信息的主题下公共安全和食品和产品被互联网用户更容易收集,在错误信息犯罪被互联网用户更容易收集。其中,信息包含食品和产品的主题( )之间的相关性有统计学意义的数量准确性和最爱。评论的数量而言,错误信息更有可能引起用户的讨论在社交网络的主题类别的食品和产品,和犯罪。主题类别的公共安全,真正的信息更容易被用户在网络上讨论。

在主题类别悲伤,除了主题类别的名人之间并没有显著相关性,其余的主题类别的错误信息更有可能比真实的信息在网络上转发。其中,信息包含食品和产品的主题( )之间的相关性有统计学意义准确性和转发的数量。最爱的数量而言,真实信息的主题下食品和产品被网络用户更容易收集,而错误的主题下公安、政治、犯罪、灾难和社会事件被网络用户更容易收集。其中,信息包含食品和产品的主题( )之间的相关性有统计学意义的数量准确性和最爱。评论的数量而言,除了名人的话题,没有明显的相关性,错误的信息在其他主题更容易讨论用户比真实的信息在互联网上。

主题类别下愤怒,错误信息在食品和产品的主题更容易被转发和评论比真正的信息网络。真正的食品和产品的主题信息被互联网用户更容易收集。没有剩余的主题类别之间显著相关。

综上所述,通过比较之间的相关性信息准确性和网络每个主题在不同情绪下的扩散特征,我们可以进一步提供相应建议公众舆论的治理和预防错误的评估。错误的信息在社交网络上传播时,其可以有效地减少威胁指导讨论内容和情绪,维护网络秩序的治理目标和实现社会稳定。

5。结论

作为信息传播的重要渠道,社会媒体不仅已经成为一个重要的真实信息的交流平台,但也导致了错误的信息在社交网络的传播。一方面,社交媒体上的传播错误信息误导公众和促使他们做出错误的决策。另一方面,它也带来了巨大的威胁公众的身心健康和经济属性。因此,重要的是要理解错误的信息在社交媒体上的传播特点。它不仅可以提供参考和依据错误信息的治理社会媒体也是维护网络安全的顺序。,也可以提前预防和控制错误信息通过理解错误的扩散规则,以减少错误的信息更有效地在社交媒体上的传播,从而减少错误信息从源造成的伤害。在本文中,我们把错误信息传播在社会媒体为研究对象,使用深度学习方法分析错误信息的内容特征和情感特征,并结合网络分析方法进行有针对性的分析错误信息的网络扩散特征的社交网络。此外,该研究还介绍了相应的真实信息比较研究的基础上,分析错误信息,进一步揭示错误信息在社交网络的传播规律。

相关研究发现不同特点的错误信息和真实的社交网络中信息传播。在内容分析,有错误信息的网络分布和扩散特征的差异和不同话题的真实信息。在情感分析中,我们还发现,情感是一个重要的因素影响的传播错误信息,和错误信息在社交网络传播的过程中表现出不同的变化由于不同情绪的影响。一方面,这些发现补充研究内容与错误信息作为研究对象,扩大边界的错误信息。另一方面,他们也为错误的舆论管理提供参考。通过引导公众讨论不同的主题和内容,并引导公众产生相应的情绪,它有助于实现错误信息的管理,减少错误造成的危害,维护社会秩序的稳定。此外,借助分布的主题和情绪的错误信息在社交媒体上,我们也有一个更深的理解的错误信息在社交媒体上的传播规则。,这也使得一个更深层次的演化特征的分析错误信息在社交媒体和社交网络的驱动因素的错误信息。这为我们提供了一个基础进一步探索错误信息在社交媒体上的传播机制。与此同时,在未来,我们将进一步深化基于本文的研究,采用不同的数据和方法,以更好地揭示错误信息在社交网络的传播模式。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由中国国家自然科学基金批准号下71501153,中国陕西省创新能力支持项目批准号下2021 krm135,宏大的理论和实践问题的研究基金会在中国的陕西省哲学社会科学在批准号2021年nd0221,研究陕西省教育部基金批准号下的中国20 jg020,中国陕西省自然科学基金批准号下2019 jm - 572。