案例研究：宁波女子辱骂滴滴司机微博舆情信息统计

2020年1月8日左右，一则“宁波女子辱骂滴滴司机”的视频出现在网络上。视频中，一名年轻女子情绪激动，不断辱骂滴滴司机，称这名司机是“低级的人”“只配开滴滴”。一些网络平台对视频做了剪辑，冠以一些吸引眼球的标题继续传播，比如“宁波富家女辱骂滴滴司机：你生来就是当牛做马的”等。不少网友纷纷指责骂人的女子“没有素质”，甚至进行人身攻击。

不过，就在对女子的指责和谩骂充斥网络之时，事件突然出现了反转。1月12日，这名滴滴司机突然发声辟谣，发布了4分50秒的视频回顾了事情经过，称自己有错在先，最初迟到了15分钟，快到终点时也没有将乘客送达目的地，该男子承认自己有言语辱骂女乘客、故意急刹车导致女乘客脸部撞到了座椅靠背上等情况。网络舆情瞬间从指责骂人女子转向了指责司机。

本章通过“八爪鱼采集器”爬取了新浪微博上“宁波女子辱骂滴滴司机”事件辟谣前后的热门微博内容、点赞及评论，将评论文本根据情感分类为正向、负向及中立3种类别。其中平均情感倾向是指该条微博内容下用户的整体情感偏向，平均情感倾向=［微博内容情感极性×点赞数+1×（正向评论数+正向评论点赞数）+（-1）×（负向评论数+负向评论点赞数）］/（点赞人数+评论人数+评论点赞人数）。统计相关信息并汇总，如表9-2所示。

表9-2　案例“宁波女子辱骂滴滴司机”微博舆情信息统计

续　表

从表中可见：①从单条微博的正、负向评论数及点赞数来看，在谣言传播过程中，即使是在辟谣前，也存在正向和负向两种传播者。②从平均情感倾向得分来看，公众对该事件的态度从整体负面转变为整体正面，这说明正、负向传播者之间是会相互转化的，随着辟谣信息的进一步公开，负向传播者的数量越来越多，谣言传播被遏制。③从微博内容及相对应的评论正、负情况来看，正向微博内容下的用户情感更偏正向，而负向微博内容下的用户情感更偏负向，这说明易感者对谣言持有的态度与易感者周围的正、负向传播者数量有关，正向传播者周围的易感者更容易相信谣言，而负向传播者周围的易感者更容易质疑谣言。

因此，本章所提出的SPNR模型能较好地符合实际案例状况。

为进一步探究模型的实用性，本章运用MATLAB软件构建了仿真新浪微博的BA网络，然后在该网络中应用改进的SPNR模型仿真实例网络背景下的谣言传播过程。由于新浪微博月活跃用户数量太大，难以计算，本章将网络节点数假设为N=1000。构建完成的BA网络平均路径长度为4.1，平均聚类系数为0.024，符合平均路径长度短、聚类系数高的小世界特性。同时，网络平均度为3.97，网络图中度数高的节点数量较少，度数低的节点数量较多，节点度的呈现符合无标度特性。因此，可用此网络来模拟新浪微博的网络情况。

为排除初始节点状态分布对谣言传播的影响，本部分随机设定了初始节点的状态，并以此次生成的状态作为实验初始节点探究遗忘率参数、正负向转移率、网络结构对谣言传播的影响。

第一，遗忘率参数对谣言传播的影响。

本书9.3节中介绍了初始时刻的谣言遗忘率a-1，代表了谣言对传播者的吸引力。a-1越大，初始遗忘率越大，感染者越容易因遗忘机制而停止传播。当a＞1时，遗忘机制会在初始时刻发挥作用；当a＜1时，遗忘机制在一定时间后才会发挥作用。参数b代表遗忘率变化的速度，b值越大，遗忘率变化的速度越快，谣言更容易被遗忘。如图9-12—图9-15所示的仿真结果与该结论一致。

在信息量爆炸增长的当今时代，随着热点信息不断涌现，人们对焦点事件的关注度也频繁变化。网络中新兴热点事件的出现和转变不仅会降低人们对旧热点（谣言）事件的关注度，也会加快人们对旧热点事件的遗忘速度，即降低a值，提高b值。根据上述结论，有关部门可以利用热点事件的不断转变和涌现来降低谣言传播的最终规模。

图9-12　BA网络不同a值下正向感染者数量变化

(www.xing528.com)

图9-13　BA网络不同a值下免疫者数量变化

图9-14　BA网络不同b值下正向感染者数量变化

图9-15　BA网络不同b值下免疫者数量变化

第二，正负向转移率对谣言传播的影响。

从图9-16和图9-17中可以看出，当其他参数不变时，μ2值越大，正向感染者数量达到顶峰的时间越短、峰值越低、生命周期越短，免疫者达到稳定状态的时间越短且数量越少。

本书9.3节介绍了转移率μ2代表正向感染者转为负向感染者的概率，转移率μ2越高，代表负向感染者的影响力越强，越能促进传谣者向辟谣者转化。如图9-16及图9-17所示的仿真结果与该结论一致。根据该结论，本部分通过增强辟谣者话语权、增加辟谣者数量等方式增加辟谣者的影响力，能够有效促进传谣者数量的降低及谣言传播规模的缩小。

图9-16　BA网络不同μ2值下正向感染者数量变化

图9-17　BA网络不同μ2值下免疫者数量变化

第三，网络结构对谣言传播的影响。

本书9.3节进行数值仿真时，构造了N=1000的小世界网络，网络平均聚类系数为0.35，平均路径长度为3.86，符合平均路径长度短、平均聚类系数高的小世界特性。但此网络的平均度为10，网络不具有无标度特性。

小世界网络和无标度网络的区别主要在于节点度。无标度网络中存在“意见领袖”节点，其节点度大，则代表节点影响力大。而在小世界网络中，节点度较为平均，缺少“意见领袖”节点。

对比本书9.4节及9.5节中的图，可以观察到，在本章构建的SPNR模型下，小世界网络及无标度网络这两个网络结构对网络谣言传播的影响不大，两种网络下的谣言传播趋势相近。产生这一结果的原因就在于本章构建的SPNR模型中尚未考虑各个节点影响力对传播参数的影响。