意见领袖、沉默的螺旋与群体极化

互联网的诞生和发展，无疑为群体讨论的研究提供了更加复杂的网络结构机 制：群体讨论发生的时空条件、参与者规模、讨论的频率都发生了巨大的变化，群 体讨论中的“沉默螺旋”问题和“群体极化”问题再度回到研究者的关注中心。 当然，无论是加强沉默还是削减极化，互联网对群体讨论与 舆论传播的持久性也存在不同程度的影响，一些讨论能够持久发生，另一些热点问 题却昙花一现（罗亮，2016）。

那么，从群体讨论的整体来看，为什么不同的群体讨论具有不同的持久程度？ 从群体讨论的互动过程来看，什么样的机制又会导致“沉默的螺旋”与“群体极 化”的发生？以往的研究较多从具体的语境和内容出发对其中间过程和机制做了分 析（朱珉旭，2014），但较少有研究从社会网络互动形式模型的角度切入，在理论 上进行演绎和分析。

鉴于此，本文在简要回顾沉默的螺旋、群体极化等相关理论的基础上，对群体 讨论的情况进行前提假设和模拟仿真，以期探索不同群体讨论的个人特征及其网络 结构位置对群体讨论过程与结果所产生的差异化影响。基于模拟结果，本文也将对 互联网时代下的群体讨论与信息传播特点进行反思。

（一）沉默的螺旋

沉默的螺旋最早由德国学者伊丽莎白·诺尔-诺依曼（Elisabeth Noelle- Neumann）于20世纪70年代提出（诺尔-诺依曼，2013：5），具体而言，这一理 论强调了意见气候（opinion climate）、恐惧孤立（fear of isolation）、准统计官能 （quasi-statistical sense）这三个核心概念（朱珉旭，2014）。由此，学者进而推论出 了“沉默的螺旋”现象得以展开的5个前提假定：（1）社会的存在使得背离社会的 个体产生孤独感；（2）个体常常对孤独产生恐惧；（3）对孤独感恐惧使得人们不 断地估计可能被社会接受的观点；（4）估计的结果影响着人们是否公开表达观点； （5）上述假定通常综合起效，不断形成和巩固公众观念（刘海龙，2001）。从这一 意义上而言，沉默的螺旋理论“揭示了舆论寡头化的倾向，诠释了舆论‘不完美’ 而不是‘非理性’的状态”（郭小安，2015），而纽沃斯等人（Neuwirth, Frederick & Mayo，2007）则进一步指出，人们在感受到意见相左的氛围时候更容易害怕被孤 立，而拒绝表达真正的意见——在另一项关于中美两国媒体报道与评论的研究中也 发现，冲突性信息最容易形成沉默的螺旋（季佳颖，钱晓杭，2018）。

但是这一理论也遭遇诸多争议。不少学者批评了理论在不同文化背景和时空条 件中的适用性问题（Shoemaker, Breen & Stamper，2000） 。许多经验调查和批评也对该理论在文化语境、制度环境和技 术边界之间的关系进行了反思（Neuwirth，2000；周宏刚，2006）。

回顾上述对沉默的螺旋理论的检验和批评，不难发现其结论大多建立在对某 一特定文化语境或讨论议题的截面调查之上，然而与之相比，更具有建设性的反 思或许应当将这一理论本身的“过度社会化”人性假设考虑进来（Grannovetter， 1985）。

可以说，如果只是将沉默的螺旋理论放置于一个又一个的具体语境中，那么就 将会呈现出各种各样甚至千差万别的理论结果 ，但从理 论形式本身引入人际互动和社会网络观点的研究仍然不足，“沉默的螺旋”在何种 网络结构的条件下更可能产生？“沉默”在时间和数量尺度上有怎样的表现？都值 得进一步在理论上加以探索。

（二）群体极化

与“沉默的螺旋”类似，群体极化同样是传播学与社会学关注的重心。“群 体极化（group polarization)”最早由传播学者斯通纳（Stoner，1961）提出，而后桑 斯坦(Cass Sunstein)做出了最具影响力的总结：团体成员一开始就有某些倾向，在商 议后人们朝偏向的方向继续移动，最后形成极端的观点（Sustein，2006：5-10）。 也有类似观点认为，群体极化指的是经由群体讨论之后所形成的群体态度，往往比 讨论之前的群体成员个人态度的平均值更趋向极端化（Myers & Lamm，1976）。 随着社会心理学与政治学者参与对群体极化现象的讨论，极化问题不仅仅指观点和 立场的激进，也包括观点两极化中的内部高度同质化；不仅分析小群体讨论决策过 程中的极化，也分析社会公众在媒介和意识形态情景中的极化（夏倩芳，原永涛， 2017）。

从群体极化的发生逻辑来看，有大量经典研究从社会心理机制与信息扩散 机制进行总结，目前主要形成两大主流解释路径。第一是社会比较理论（Social Comparison Theory）； 第二是有力 论据理论（Persuasive Argumentation Theory） 。

事实上，对于群体极化问题本身还有许多新的综合性角度值得关注，其中不 乏模型化的方法对极化倾向的群体进行建模演绎。早期迈尔斯和拉姆提出了社会 动机（social motivation）、行为承诺（action commitment）与认知基础（cognitive foundation）三者互相作用，共同导致群体极化的模型（Myers & Lamm，1976），后 续有部分研究继而提出如社会联合过程模型（social combination processes）、系统性 偏移模型（systematic shifts）、信息汇聚模型（information aggregation）等思路进行模 拟（夏倩芳，原永涛，2017）。特别地，有一些研究从复杂网络的观点关注了信息 观点传播和创新扩散的现象（Krackhardt，1997；Watts，1999），而笔者认为，社会 网络除了影响信息扩散机制而导致舆论极化，很可能其网络本身中的参与者特征与 结构性位置也会导致潜在极化的结果，并且在很大程度上伴随着“沉默的螺旋” 这 一过程。以社会网络的视角进行建模探索，不仅可以在理论层面演绎群体讨论最终 趋于沉默和极化的进程，而且还允许我们纳入讨论持久性即时间周期的维度，考虑 在时间层面“沉默”以及“极化”的可能特征，这一点较之前的研究也有所突破。

（三）群体讨论过程中的社会网络

从社会网络的视角出发，群体讨论进程中的参与者关系和相对 位置对其结果则更有重要意义。 曾明彬等人指出，社会网络理论在 技术传播中的效果主要表现为“关系强度、网络结构位置和网络结构形态”三方面 （曾明彬，周超文，2010），因此，笔者认为，意见领袖更多时候是处于群体讨论 网络中的核心位置的活跃分子，其不仅能够积极发声，而且能够得到广泛关注和回 应。

就群体讨论的情景而言，互联网的出现极大地影响了人们的互动方式，讨论的 情景由FTF（Face to Face）向CMC（Computer mediated Communication）转变，因而 也可能对如沉默的螺旋、群体极化等经典的传播理论提出了挑战（朱珉旭，2014； 夏倩芳，原永涛，2017）。但同时，亦有大量研究针对互联网情景下的群体讨论与 信息扩散进行研究。

那么，从群体讨论过程出发，最终整个发言系统如何演化成为“沉默的螺旋” 或者“群体极化”的结果？并且这一结果在互联网情景下又怎样展现？本研究即通 过对群体讨论中的个人特质、网络位置以及网络结构，对其结果进行探索和模拟。

（一）前提假定

根据理论，我们将模拟的模型设计为如图1所示，对于沉默的螺旋主要操作化为 讨论进程中不同群体活跃或沉默的周期时长，当一方活跃周期显著高于另一方时， 沉默的螺旋极有可能发生；而对于群体极化则计算当整体讨论结束后，不同群体最 终加总的发言数量，当一方发言数量远高于另一方时，我们认为群体观点在某种程 度上走上极端化。此外，对于群体讨论中的“意见领袖”，我们认为其为处于群体 的核心位置的活跃分子，有更高的初始发言倾向也更容易收到回应。

考虑简化研究模型，我们做出如下基本假定前提：

假定一（群体构成假定）：一个讨论群体由有限的个体组成，且在模拟的过程 中没有新群体成员加入讨论。群体成员可以依据个体的活跃程度和核心与边缘的位 置进行不同维度的划分，后文也将同时考虑全通网络和无标度网络两种不同的网络 结构。但在讨论周期内个人身份特质、所处网络位置以及所持观点保持恒定，所讨 论的议题对象差异也不纳入本模型中。

假定二（个人特质及其观点假定）：群体中存在的两类观点对应两类群体，活 跃者支持某α类观点，即在讨论开始时期其个体具有较高的发言倾向，称之为α参 与者；非活跃者支持另一β类观点，在讨论开始时期其个体的发言倾向较低，称之 为β参与者；每人每期实际只有发言与否两种状态。

假定三（网络位置及其回应假定）：群体中存在核心与非核心两类成员，核心 成员发言后，收到他者回复的概率要高于非核心成员；每人每期实际只有收到回复 与否两种状态。

假定四（个体发言及终止假定）：个体当期发言概率受到上一期自身发言概率 和当期个体收到回应情况的影响。特别地，个体在每期存在发言概率衰减倾向，如 果其发言后未得到回复，其当期发言概率衰减倾向加剧，如果其发言后得到回复则 其当期发言概率衰减倾向消失，如果其未发言则发言概率衰减倾向保持稳定。当全 体成员发言概率（发言倾向）都迭代为0时，群体讨论过程终止。

（二）模型参数

1.群体构成参数

理论上，我们可以设定这样一个进行讨论的群体，由1至i共N人组成（i≤N）。 其中，有A人为α参与者（A≤N），同时令二分变量Ai表示第i个体是否为α参 与者（1=α参与者，0=β参与者），并且设a为α参与者群体的人数占总人数的比 重（0≤a≤1） ； 亦有共C人属于群体的核心人物（C≤N）； 又设I代表群体中既为α参与者且处于群体核心位置的人数（即代表“意见 领袖”的人数）。

2. 群体讨论参数

在描述群体讨论的发言情况方面，我们设定参数如下：

Y 为群体从开始发言到结束发言期间的发言总数，Yα表示α参与者在整个讨论 期间的发言数，Yβ则表示β参与者在整个讨论期间的发言数；

设定群体讨论的一次发言及其收到的回应为一个周期，那么T 为群体从开始发 言到最终所有人都没有发言倾向所经历的周期数，Tα则表示α参与者的总发言期 数，Tβ表示β参与者的总发言期数；而R为群体从开始发言到全体无发言倾向阶段 所产生的个体收到回应的数量加总。

设t 表示具体的发言阶段（期数），并假定每人每期会发言0或1次 ；假定每期每人会收到0或1 个回应。

3. 建立群体构成参数与发言情况参数的关系

（一）群体规模、α参与者比重与核心人物比重的影响

基于模拟的数据，我们可以得到关于群体规模、α参与者占比以及核心人物占 比情况对群体讨论进程（发言期数、发言数量、发言结构等）的影响如下。

1.群体规模

对群体规模的考察限定了模型中有一半的α参与者（a=0.5）和一半的核心人物 （c=0.5），且不存在既核心又活跃的“意见领袖”（p=0）。

表1显示， 随着规模增大，对于两类观 点持有者，皆有可能有更大概率存在更多的“持久发言者”，逐渐提高两类群体的 讨论持久度，但此时在讨论周期方面尚未出现巨大的分野，总体而言无论是沉默的 螺旋还是群体极化的倾向都较不明显。

2. α参与者比重与核心人物比重

（1）α参与者比重（a）

固定了群体规模N=20，核心人数C=10（即核心人数占比c=0.5）以及处于核心 的α参与者人数I=0（即相对应的占比p=0）之后，我们对a的影响进行分析。

根据表2，随着α参与者人数占比增加，α参与者群体的发言持久周期与发言数 量分别在a=0.2前后与a=0.4前后逐渐超过了β参与者群体。群体沉默的周期差距相对 不明显，而从最后发言量的差距反转来看，群体极化初现端倪。总体上，模型结果 表现出个人特质的作用，即有更多的α参与者（活跃者），对群体讨论的导向越有 利于α观点被热议。

（2）核心人物比重（c）

同样地，固定了群体规模N=20，α参与者人数A=10（或其占比a=0.5），以及 处于核心的α参与者人数I=0（或其占比p=0），可以得到核心人物比重c的影响。

表3可被理解为随着更多β参与者（较不活跃者）成为 群体核心，其发言更可能收到回复，因此沉默倾向和极化倾向都得到一定缓解。

（3）α参与者比重（a）与核心人物比重（c）的共同影响

图3显示了允许p进行变动的情 况，可以发现，在p=0时，α参与者比重和核心人物比重对于整个群体讨论周期持久 度的正向影响边际效用递减，而在考虑p之后，二者对整个群体的讨论周期持久度几 乎没有太大作用，其更多受到p的增长而提升，下文就这一问题做了进一步的模拟。

进一步模拟，随着a增大，α参与者和β参与者的活跃周期差距不断扩大，但是 随着c增大，二者在发言周期和发言数量的差距则略微受到调节。当然，“意见领袖 “的比重（即核心位置的α参与者，表现为p的值）对结果的影响也不容忽视。

（二）处于核心的α参与者（I）数量占全体比重（p）的影响

1.全通网络下p的影响

首先，为了显著看出影响机制，我们考虑群体规模N=500，α参与者占比 a=0.5，核心人数占比c=0.5的群体，结果发现这一过程具有非线性的特征，当处于 核心的α参与者占比初始提高时，其对于群体讨论的持久性有显著提升，而随着p增 加，其影响效果逐渐削弱。

其次，仍然考虑规模N=20，A=10，C=10的群体，表4显示了处于核心的α参与 者占比（p）的影响效果。随着p的增大，整体发言持续周期变长，最后几乎实现了 表1中N=900人时的效果（T约等于18），同时，α类观点与β类观点的发言周期差 距迅速扩大，最终前者几乎为后者的2倍，这意味着当9期以后，该群体内几乎只有 α参与者发言；而从发言量的差距来看，α类观点由初始的平均超过β类观点12.15 频次，到最后平均超过34.79频次，即在发言量方面甚至超过了2倍。由此，α参与 者某种意义上成为“意见领袖”，尽管使得群体发言周期更为持久，但是如果处于 核心的α参与者占比过大，β参与者（较不活跃者）则在早期就容易陷入“沉默的 螺旋”，而群体极化的特征在讨论周期和发言数量上都充分显现。可以说，这一过 程反映了个人特质与网络位置交互作用的重要性。

2. 无标度（scale free）网络中p的影响

在其他条件不变的情况下，我们考虑调整核心人物与非核心人物收到回复的 概率的差距，设核心人物收到回复的概率λ=0.8，而非核心人物收到回复的概率 σ=0.2，这意味着几乎只有核心人物会收到回复，非核心人物之间几乎不存在回复 关系，形成了某种具有无标度特征的网络。

在这一网络结构条件下，随着p值增大，α参与者（活跃者）从无论是发言周期 还是发言数量落后的情况下，逐渐反超β参与者（较不活跃者），并且当全体活跃 者都处于核心位置时，α观点的发言周期与发言数量甚至为β类观点的三倍，β观 点陷入“沉默的螺旋”和群体极化的倾向更为明显。

3. 较大规模无标度网络中p的影响

在上述基础之上，我们考虑较大规模的网络（N=100），并且假设a=0.3（即 A=30）和c=0.3（即C=30）。结果显示的趋势与表5基本保持一致，不同之处在于：

首先，尽管α参与者占比较小，但随着比重p的变化，最终在发言周期和发言量上 都远反超β参与者；其次，对比重p初始的微小变化，Tα反超Tβ的速度更快；第 三，Tα与Tβ和Yα与Yβ所拉开倍数距离有先后之分，p在0.02前后实现了Tα对Tβ的 反超，而在0.18前后才实现Yα对Yβ的超越。总之，这说明在规模较大的无标度网络 中，尽管某类参与者数量较少，但是其中只要有一定比例的“意见领袖”，则对于 整体发言讨论结果则有扭转性质的影响。

（三）无标度网络结构中a、c与p三者的共同影响

如上文所述，在固定α参与者与核心人物占比的情况下，“意见领袖”占比 （p）对群体讨论的结果可能产生扭曲。但是，当允许a与c变动时，p的作用边界为 何？即“意见领袖”的比例在多大程度上可能扭曲结果？甚至导致“沉默的螺旋” 或“群体极化”的出现？下文将针对这一系列问题进行模拟。

1.“反转式”的结果何时出现？

为了方便可视化，我们引入参数k1与k2分别表示两类参与者群体在发言周期和 发言总量方面的标准化差距 ；同时 刻画 出特定a与c条件下p对T的“影响域”边界；类似地， 刻画p对Y的“影响域”边界。

对k 1min 而言，α参与者比重越小，越可能出现群体中意见领袖的比重取到最小值时，产生T α＜T β的情况；而核心人物比重c的影响更为复杂，其效果受到a的调节，当c≤1-a近似满足时，若群体中意见领袖的比重取到最小，意味着α参与者较少为核心人物，此时更容易出现Tα＜Tβ的情况。对k1max而言，存在明显的脊线，即当a与c同步增大时，Tα＞Tβ在意见领袖的比重取到最大值的情况下更加明显。在讨论周期方面出现“反转”的情况，近似发生在a+c≤1, 0

同理，当p取最小值时，k 2min 图存在谷线a+c=1，意味着a的影响受到c的调节， 只有核心人物数量超越谷线约束，α参与者才能部分成为核心人物，意见领袖逐渐出现，对其群体整体的发言量结果产生非线性影响。当p值取最大，存在脊线a=c，意味着α群体皆为核心人物时，a与c同步增长即意见领袖群体的比重扩大，此时最能形成两类参与者发言量的差距。综合二者，在发言数量方面出现“反转”的可行域，相较于发言周期出现“反转”的情况，其要求更为严格（近似在0.2＜a＜0.6；0.2＜c＜0.8之间的小部分面积），这也意味着意见领袖在发言数量方面扭转讨论格局的难度更大。

2. “沉默的螺旋”与“群体极化”何以可能？

除了讨论格局的“反转”之外，我们还关心“沉默的螺旋”与“群体极化” 所可能发生的条件。由此，我们首先引入参数γ（γ＞0），并且假设当Tα =γtTβ 时，“沉默的螺旋”可能发生，即在讨论后期，几乎只能听到α参与者的声音；假 设当Yα =γyYβ时，“群体极化”可能发生，即总体发言量α观点是β观点的倍数， 群体观点可能走向极端。

显然，γ的值受到a、c以及p参数的影响。当固定γ=γ0时，根据p与γ的正 相关性，假设存在门槛值p0，使得当其他条件不变时，p定义域内的任意p≥p0都有 γt≥γ0（或者γy≥γ0），这一假设使得我们可以通过固定γ来识别群体实现“沉 默的螺旋”（α参与者讨论周期远大于β参与者）和“群体极化”（α参与者群体 的总发言量远大于β参与者群体的总发言量）的门槛临界值。