多層社交網絡中的資訊動力學：代理模型與介入設計

封存文章

本文是合成社交網絡上的方法研究。它沒有使用真實平台用戶資料，也不能證明某一治理措施在現實世界必然有效。

錯誤資訊不是單一病毒：同一個人會在家庭群組、公開平台和專業網絡中表現不同；內容的新奇、情緒與來源可信度亦會改變分享。代理模型的用途，是把這些微觀規則明確寫出，再觀察集體級聯。

一、代理與狀態

每個代理 $i$ 有信念 $b_i\in[-1,1]$ 、信任 $q_i$ 、媒體素養 $\ell_i$ 及分享成本 $c_i$ 。資訊狀態可分為未接觸、已接觸、相信、分享及更正。狀態轉移不是自然常數，而是待估計的行為模型。

接觸內容 $m$ 後，採信機率可寫成

P_i(\mathrm{believe}\mid m) =\sigma\!\left( \alpha q_{i,m} +\beta\,\mathrm{align}(b_i,m) +\gamma n_i -\delta\ell_i \right),

$n_i$ 表示鄰居的社會證明， $\sigma$ 為 logistic 函數。

把家庭、工作與平台關係表示成鄰接矩陣 $A^{(1)},\ldots,A^{(L)}$ 。跨層耦合容許同一代理把內容由一層帶到另一層。資訊暴露強度可寫成

\lambda_i(t) =\sum_{\ell=1}^{L} w_\ell\sum_jA_{ij}^{(\ell)} s_j(t)\,\kappa(m).

若只用單一隨機圖，會低估社群結構、橋接節點與回音室。

代理模擬保留異質性；平均場 ODE 則提供基準。例如簡化的

\dot U=-\beta UI,\qquad \dot I=\beta UI-\gamma I-\eta CI,\qquad \dot C=\eta CI-\mu C

描述未接觸 $U$ 、錯誤相信 $I$ 與更正接觸 $C$ 。它不能重現網絡級聯，但可檢查在均勻混合極限下，代理模型是否出現合理方向。

代理是否分享可視為效用比較：

u_i =r_{\mathrm{attention}} +r_{\mathrm{identity}} -c_{\mathrm{reputation}} -c_{\mathrm{moderation}}.

「理性」在此只表示模型內的效用規則，不代表用戶真的計算公式。參數需要由實驗或觀測行為校準，並承認未觀測混雜。

候選介入包括降低推薦增益、接觸前提示、摩擦式延遲、事實核查標籤及針對橋接節點的媒體素養訊息。比較時同時量度：

最小化錯誤資訊而不限制任何正常內容通常不可能，因此結果應以 Pareto 前沿呈現。

對每個隨機種子，固定網絡、代理與初始內容，只改變介入策略。成對比較

\Delta Y_s=Y_s(\text{介入})-Y_s(\text{基準})

可降低蒙地卡羅噪聲。再對網絡結構、同質性及行為係數做全域敏感度分析。

模型容易把複雜政治判斷壓成真假二元狀態。真實平台還有推薦系統、機械人帳戶、跨語言傳播與策略操縱。研究資料需去識別化，介入要有透明、申訴與獨立審核；模型不應用來鎖定個別政治立場。

Lazer et al., “The Science of Fake News,” Science, 2018.
Vosoughi, Roy, and Aral, “The Spread of True and False News Online,” Science, 2018.
Kivelä et al., “Multilayer Networks,” Journal of Complex Networks, 2014.
Epstein, Generative Social Science.