社交媒体回音室内外意见群体影响力与传播力比较研究

The Comparative Study on the Influencing and Disseminating Power of Opinion Groups Within and Outside Social Media Echo Chambers

摘要

在社交媒体平台上，具有相似意见的用户往往形成意见群体，主导舆论事件中观点的提出与传播。传播环境的差异，如是否处于回音室效应中，可能影响意见群体影响力格局与信息传播广度，但基于这种差异的系统性探讨尚属不足。聚焦回音室效应的存在与否对意见群体影响力和传播力的差异性影响，构建多层分析框架，基于大语言模型精确划分意见群体，提出基于行为同质性的回音室效应识别方法，并改进超文本敏感标题搜索（HITS）算法测量和对比群体的影响力与传播力。结果表明，处于回音室效应的意见群体在影响力上无显著差异，但传播力显著更低，且具有更多的中性情感表达。情绪化的内容更容易引发讨论与共鸣，可能源于处于回音室的群体缺乏促进信息扩散的情绪化内容，导致信息虽在内部频繁互动，却难以跨出群体边界向外传播。

Abstract

On social media platforms， people sharing similar stances or attitudes often cluster into “opinion groups” that dominate the formulation and dissemination of perspectives in public opinion. Within these opinion groups， members tend to accept information that resonates with their own views in interactions， potentially leading to the echo chamber effect. The presence of echo chambers within opinion groups may affect members’ exposure to and engagement with heterogeneous opinions， which may affect group influence and information dissemination. However， it remains unclear whether there are significant differences between opinion groups within and outside the echo chamber effect. Therefore， this study aims to comparatively analyze the influencing and disseminating power of opinion groups within and outside echo chambers in the social network structure.This study conducts a multi-level analysis to investigate the problem. First， a clear definition of “opinion group” is proposed on the basis of an “opinion-attitude” structure， and opinion groups in online public opinion events are precisely identified using large language models. Second， a novel method based on homogeneity in retweeting behavior for identifying echo chamber effect is introduced， which is used to identify opinion groups within echo chambers. Finally， the HITS algorithm is improved to measure the influencing and disseminating power of opinion groups， and a comparative analysis of the influencing and disseminating power between groups within and outside echo chambers is conducted.The result reveals no significant difference in influencing power between groups within and outside echo chambers. However， a significantly lower disseminating power is shown in opinion groups within echo chambers. This suggests that echo chambers primarily affect the performance of opinion groups by constraining information dissemination， rather than directly enhancing or weakening the overall influence of the groups. The disseminating power of opinion groups is closely tied to the social media environment， whereas influencing power is more dependent on the inherent characteristics of groups themselves. Further sentiment analysis reveals that opinion groups within echo chambers display more neutral expressions， with fewer emotionalized expressions. Since emotional content is more likely to spark discussion and resonate with audiences， the observed differences in disseminating power between the two types of groups may stem from the limited outward permeability of information in groups within echo chambers， where information circulates frequently within the group but struggles to extend beyond its boundaries.This study proposes a novel definition of opinion groups centered on the “viewpoint-attitude” structure， introduces the use of large language models for hierarchical identification of opinion groups， and presents a modeling and identification method for echo chamber effects based on retweet behavior. Furthermore， the HITS algorithm is improved to measure the influencing and disseminating power of opinion groups. Through this approach， the study reveals， from the perspective of echo chamber effects， the differentiated disseminating power exhibited by opinion groups due to their respective communication environments， aiming to contribute to a better understanding of the dissemination mechanisms and governance strategies of online public opinion.

Graphical abstract

关键词

意见群体 / 回音室效应 / 社交媒体 / 大语言模型 / 影响力 / 传播环境 / 传播力

Key words

opinion groups / echo chamber effect / social media / large language models / influencing power / communication environment / disseminating power

在当代信息社会中，社交媒体上的舆论事件往往呈现出群体化的传播特征。具有相似意见、态度或价值观的用户往往在某一话题下自发聚集，形成意见群体^［1］。意见群体在网络信息传播中扮演着重要角色。一方面，意见群体作为内容提出者，引导着舆论事件中的议题构建^［2］；另一方面，意见群体作为内容传播者能够加强用户间、群体间的信息交流和社会联系1

1 BAEK E C, HYON R, LÓPEZ K, et al. Perceived community alignment increases information sharing[J]. arXiv preprint arXiv:2304.13796,2024.

，对舆论观点的传播扩散发挥重要影响。然而，针对意见群体对于公共舆论的影响，学界呈现出两种不同的观点。部分研究认为，意见群体的形成会对社交媒体信息传播与公共舆论产生积极影响，增强观点共识和话题影响力^［3］。另一部分研究则认为，意见群体的形成可能造成观点极化，影响共识的建立^［4］；且群体的出现也促进了虚假信息的曝光和传播^［5］，容易给舆论发展和信息传播带来消极影响。意见群体对于公共舆论发展的影响究竟是好是坏尚未可知，因此，对意见群体进行深入研究对于把握公共舆论发展、治理社交媒体场域具有重要现实意义。

意见群体在舆论传播中的作用可通过影响力和传播力两个维度进行衡量：影响力可衡量意见群体作为“内容提出者”发挥的作用，体现为群体的权威程度，即对他人认知和观点产生引导的能力；传播力可衡量意见群体作为“内容传播者”的作用，体现为群体在社交网络上的中心程度，即对信息的传播扩散能力^［6］。关于群体影响力和传播力的影响因素，现有研究主要从意见群体本身的特征入手，探讨群体成员结构（如意见领袖^［7］、成员角色^［1］、群体规模^［8］）对于群体影响力和传播力的影响，却往往忽视了意见群体所处的社交环境对于传播表现可能存在的影响。在社交媒体中，意见群体往往呈现出意见同质性特征，其成员在群体互动中倾向于接受与自己产生共鸣的信息，这一特征与回音室效应描述的传播机制高度契合。在社交网络中，处于回音室效应环境中一方面限制了成员对异质观点的接触和采纳，强化了回音室内的既有立场^［9］，另一方面容易造成回音室内信息传播增多而回音室间信息交流减少的现象2

2 YANG W. Are there echo chambers in the US news ecosystem? Evidence from Twitter/X[J].arXiv preprint arXiv:2404.15631,2024.

。这种结构性的同质连接不仅可能改变信息的影响力格局，还可能影响信息的传播广度。然而，现有研究对于回音室效应在群体层面的作用机制仍缺乏系统性探讨，处于和不处于回音室效应的意见群体在影响力与传播力上的表现差异目前尚无定论。因此，本研究引入回音室效应作为可能影响群体影响力和传播力的因素，并提出以下核心问题：在社交网络结构中，处于和不处于回音室效应中的意见群体，在影响力和传播力上是否存在显著差异？

一 文献综述

（一） 舆论事件中的意见群体

在舆论事件发生时，社交媒体平台为用户提供了表达意见和与他人互动的机会。在交流互动的过程中，一些用户在特定议题上形成共识，并自发聚集，形成意见群体^［1］。这些具有共识的意见群体在公众舆论形成和演变中发挥着重要作用。意见群体在社交网络中的作用主要体现在两个方面。一是内容提出：意见群体引导着议题在社交网络中的构建，且其中的意见领袖往往能够强化议题内容，促进群体观点的形成和融合。二是内容传播：当个人观点与社交圈中的其他人产生共鸣时，他们更有可能分享信息，从而加强社会联系和信息交流，这会影响信息的传播路径和速度，甚至引导和改变他人立场，对舆论的演变和扩散发挥着重要影响。

然而，现有研究关于意见群体的描述性概念却不尽相同，对意见群体的定义缺乏统一界定。Conover等^［10］在研究中提出了“意见集群”的概念，特指在社交网络中具有相似政治观点和信仰的用户集群。同样地，相关研究也强调意见群体具有相似的信仰和价值观，认为社交媒体用户倾向于选择符合其信仰体系的信息，并围绕共同的叙述加入群体3

3 CINELLI M, MORALES G D F, GALEAZZI A, et al. Echo chambers on social media: a comparative analysis[J]. arXiv preprint arXiv:2004.09603,2020.

。此外，Gruzd等^［11］强调意见群体是在特定议题及共同兴趣和话题上持有相似观点，并通过互动和交流形成的用户集合。McPherson等^［12］也认为对共同话题持有相似意见的人更有可能形成基于意见的社区，并产生紧密的信息内容互动。除了基于观点内容的群体定义，还有研究侧重于意见群体相似的情感倾向性^［13］。这一现象表明，意见群体的生成机制具有高度复杂性，涉及观点立场、意见表达、价值信仰以及情感态度等多因素的交互作用。尽管现有研究普遍强调意见群体内部的相似性，但在具体界定上多聚焦于观点相似或情感相似中的某一方面，尚未形成统一、全面的定义框架。

意见群体在定义一致性上的欠缺带来了群体识别层面的挑战。现有研究大多基于以用户为节点的网络结构进行意见群体识别划分，对于群体内成员实际意见内容和情感态度缺少综合的量化考量。传统的静态群体识别方法（如Louvain算法、社区检测算法和二分网络法等）侧重于基于网络结构的分析识别，忽略了网络中节点的内容属性，无法捕捉到社区内部的主题一致性和情感共鸣^［14］。孟青等^［15］基于图注意力网络，以用户转发行为对意见群体进行动态提取，但同样未考虑用户转发内容与情感态度。现有方法均难以准确反映意见群体内在的观点一致性和情感倾向，导致识别结果与实际的意见分布容易存在偏差。

综上，如何结合在观点、情感等多层次上的同质性对意见群体进行定义，并有效地识别意见群体，仍有待深入研究。由此，本文提出第一个研究问题：

Q1：如何结合多层次特征对意见群体进行全面的定义与识别？

（二） 意见群体的影响力与传播力

在社交媒体舆论传播中，意见群体发挥着“内容提出者”和“内容传播者”的双重作用。一方面，意见群体作为“某一议题领域的权威信息源”，在社交媒体中扮演者内容提出者的身份，通过其影响力对他人认知和观点产生引导作用^［16］；另一方面，意见群体“连接不同观点的中心信息节点”，承担着内容传播和扩散的职能，其信息能力取决于传播力^［6］。

关于意见群体影响力与传播力的影响因素，现有研究大多从群体本身的属性出发进行探讨。其中，意见群体的成员角色结构被广泛认为是影响群体影响力和传播力的重要因素。首先，群体中的意见领袖因其自身高度的感染力，往往能够改变群体内其他用户的个人行为，从而强化群体的整体影响力^［7］。其次，群体内部不同类型的成员（如名人、媒体、官员等）能够吸引不同类型的用户，提升内容的传播力^［1］；意见群体也可以通过增强不同类型用户的共识而影响信息交流^［17］。此外，群体规模被认为是影响群体传播力的因素，更大规模的群体具备更高的传播起点与更广的覆盖面，能够在短时间内快速触达更多用户，具有更强的传播力^［8］。

然而，值得注意的是，现有研究极少讨论环境因素对于意见群体影响力和传播力的影响。Choi等^［18］在微博平台中的研究表明，处于回音室效应的群体对于虚假信息的传播速度明显高于不处于回音室效应中的群体。这表明，意见群体所处的环境也可能影响群体的影响力与传播力。因此，除群体成员结构与群体规模外，群体所处的传播环境也需要被纳入有关影响力和传播力的考量。

（三） 意见群体中的回音室效应

意见群体中的成员通常持有相似立场，他们在群体互动中倾向于接受与自己产生共鸣的信息，这可能导致回音室效应的出现。从组成元素来看，回音室的形成被划分为两个阶段：一是“回音”的形成，即当信息与接收者的观点吻合时，信息会被认为更可信，而听到重复的信息又会进一步强化接收者的观点；二是“腔室”的形成，腔室是一个最小的网络结构，为信息回声提供了必要空间^［19］。这恰好对应了现有研究中有关回音室效应识别的两大方法：基于用户发布内容的分析识别和基于社交网络结构的分析识别。前者旨在通过测量内容态度间的同质性归纳出可能的回音室，如通过内容极性测量判断内容的同质性高低^［20］，以及基于自然语言处理测量用户发布内容中的态度同质性^［21］。后者往往根据用户间的互动行为构建社交关系网络，并通过节点相似性测量（如同质性、共识度、节点间距离等）、聚类算法和社区发现算法（如鲁汶算法）等方法进行回音室的识别提取。在社交媒体上的意见群体中，以转发行为为首的组内互动多见而组间互动少见是回音室呈现出的一大特点^［22］。然而，现有回音室测量方法一方面大多停留于静态测量，对回音室效应在群体行为模式上的同质性测量存在欠缺；另一方面大多基于个体粒度进行测量，将具有一定同质性的个体聚集并形成回音室，却没有基于群体粒度探讨已然形成的群体是否处于回音室效应中^［23］。因此，从回音室效应特有的行为模式出发，对意见群体中的回音室效应识别重新建模，是本研究的一大重点。

关于回音室效应对于意见群体的影响，一方面，回音室效应的存在限制了回音室内用户对其他观点的获取，降低了用户对其他观点的接受意愿，从而加强了回音室内的政治信仰和观点^［9］；另一方面，当回音室群体形成时，信息会在群体内部迅速传播，而具有相互冲突意识形态的回音室之间的交流则变得有限^［24］。这表明，回音室效应的存在既可能通过增强群体内部的一致性影响群体影响力，也可能通过增强群体内部交流、限制群体外部交流影响群体传播力。但回音室效应带来的影响是促进还是抑制，处于和不处于回音室效应中的群体在影响力、传播力上的差异是否显著，均尚未可知。由此，本文提出第二个研究问题：

Q2：如何识别意见群体中的回音室效应？处于和不处于回音室效应中的意见群体，在影响力和传播力上是否存在显著差异？

二 研究方法

本研究采用多层级、多阶段的分析方法，深入探究所选定舆论事件中的意见群体，关注其可能处于的回音室效应及其影响力和传播力。

（一） 数据收集与社交网络构建

1 数据收集

微博以其丰富的舆论话题信息和独特、可追溯的转发链成为网络舆情事件的主要发生地，因此是探索网络舆论事件中意见群体的理想平台。2023年，一辆特斯拉汽车在四川省成都市街头接连撞向了11辆小汽车，造成多辆汽车受损严重，3人受伤。警方通报后，相关话题“#警方通报特斯拉连撞11车事故#”在16小时内冲上微博热搜，阅读量达7 142.2万人次，最大互动量达4万人次，事件内容真实且争议严重。车主声明与特斯拉官方声明各执己见，相关话题“#连撞11车特斯拉车主发声#”“#特斯拉回应成都连撞11车事故#”一度同时登上微博热搜，分别引起13.9万人次和3.5万人次的互动量。当一个事件具备讨论量大、事件内容真实、讨论话题具有争议性等特征时，该事件在回音室效应上具有研究代表性^［25］。因此，本研究选取“特斯拉连撞11车”事件作为分析对象。

本研究利用Python编码爬取微博平台中以该事件相关词条为关键词的微博，共计8 935条。对上述微博进行事件相关性核验后，保留8 112条相关微博作为分析数据。每条数据包含微博内容、原创和转发类型、认证类型以及用户基本信息等维度。此外，对每条微博文本进行基于自然语言处理的情感分析，将每条文本的情绪归类到喜悦、恐惧、悲伤、惊奇、愤怒和中性中的一类。

2 社交网络构建

在微博平台上，网络舆论事件的传播通常以转发的形式进行。转发行为不仅是对原始微博内容的传播，还可能产生新的观点。这种逐层转发行为构成了转发链条。转发行为具有显著的文本格式标记，并遵循统一的结构，即“//@用户名：微博内容”。基于该结构，本研究利用正则表达式提取出数据中的所有完整转发链条，并由此构建出该事件下的微博转发行为有向图。其中，每个节点唯一对应一条微博，包含其微博内容和作者信息。

（二） 基于大语言模型的意见群体识别

1 意见群体识别

本研究将意见群体定义为“由对于某一话题具有相似观点，且在观点中持有相同态度的个体所组成的集合”。其中，观点代表用户对某一事件或话题的核心立场，态度反映用户对该立场的情感或支持程度，可被划分为支持、反对和中立^［2］。观点和态度均由用户所发表的意见、看法形成。基于该定义，本研究使用在处理复杂语义、识别多层次观点和意见方面极为出色的大语言模型4

4 KIM J, LEE B. AI-augmented surveys: leveraging large language models and surveys for opinion prediction[J].arXiv preprint arXiv:2305.09620,2024.

，从文本语义层面出发，基于对用户发布内容的理解来识别和划分意见群体。所有基于大语言模型的分析基于对中文文本理解能力较强的Moonshot人工智能大模型完成。

基于对意见群体的定义，本研究先对微博内容进行观点提取，再进行内容态度识别。首先，基于特定提示词和大语言模型从根微博中提取出7个具有代表性的观点类别。假设所有根微博的观点类别可以涵盖其所属舆论事件中所有微博的观点类别。因此，根微博观点类别的提取结果可有效代表整个网络舆论事件中的观点分布。其次，基于提示词与大语言模型将所有微博匹配至唯一对应的观点。为确保大语言模型在观点匹配过程中的准确性，本研究采用分层抽样，在每个观点类别随机抽取10%的微博进行人工核验。核验结果显示，观点匹配任务的加权准确率为94.16%，匹配结果具有较高的可信度。最后，通过提示词与大语言模型将所有微博进行态度识别和分组，将它们唯一地划分至支持、反对和中立中的一种。为确保态度识别的准确性，本研究对每个观点类别和态度进行分层抽样，随机抽取10%作为样本进行人工核验。经核验，态度识别的加权准确率为91.33%，结果具有较高的可信度。最终，处于相同观点中且持有相同态度的微博所对应的用户组成的群体即为划分出的意见群体。

2 群体成员结构识别

为识别意见群体中成员角色结构，本研究通过用户微博账号的认证类型提取意见群体中各用户所属角色。有研究将推动网络舆论事件发展的关键主体分为“个体”和“组织”两个类别，其中“个体”包含普通网民与意见领袖，“组织”包括政府与媒体^［12］。结合微博平台公共事件特性和数据特点，本研究将企业团体也纳入组织类角色的考量范围，即用户角色包含个人和组织两种类别，普通网民与意见领袖属于“个人类”角色，政府、媒体与企业团体属于“组织类”角色。用户角色与微博账号认证类型的对应关系如表1所示。

（三） 基于转发结构的回音室效应识别

1 回音室效应识别

同质性即个体倾向于与持有相似观点和态度的他人进行互动和交流，是回音室效应的显著特征。现有回音室效应的识别方法大多局限于个体粒度上对于内容同质性的识别，且大多为静态测量。然而，在基于大语言模型的意见群体识别任务中，具有相同观点和态度的个体已被归入相同的群体。因此，本研究基于群体粒度的行为同质性设计回音室效应识别方法，以微博的转发行为作为行为同质性的分析对象，定义以下同质性测量方法：

H_i=\frac{{\sum }_{x,y\in G_i}{O}_x\bigcap I_y}{{\sum }_{x,y\in G_i}\left[O_x\bigcap \left(\overline{O_x\bigcap I_y}\right)\right]}（1）

其中，H_i为每个意见群体的同质性值，G_i为每个意见群体内部的节点集合，I_x是指向节点 x的节点集合，O_x是节点x指向的节点集合。

当H_i>\mathrm{1}时，意见群体i的群体内被转发数量大于群体间被转发数量，该意见群体具有同质性，处于回音室效应中；时，意见群体i的群体内被转发数量小于群体间被转发数量，该意见群体具有异质性，不处于回音室效应中。

2 相似群体筛选

在意见群体中，成员角色结构和群体规模被认为是影响意见群体影响力与传播力的核心因素。为排除这两类因素对研究的影响，聚焦探索回音室效应的存在对群体的作用，本研究在不处于回音室效应的意见群体中筛选出与处于回音室效应的意见群体同等数量的、在成员角色结构和群体规模上均显著相似的意见群体，作为后续研究的分析对象。

选取意见群体中“个人类”角色与“群体类”角色数量之比和意见群体规模（即各个意见群体中的用户数量）作为衡量群体相似性的指标。首先，分别计算各个不处于回音室效应的意见群体与处于回音室的群体在这两个指标上的差异，并进行标准化。其次，利用欧式距离分别计算不处于回音室效应中的群体与各个处于回音室效应的群体之间的差异值，以评估它们在二维指标上的相似性。欧氏距离计算方式如下：

D_i\left(p,q\right)=\sqrt[]{p_i^{\mathrm{2}}+q_i^{\mathrm{2}}}（2）

其中，p_i为处于和不处于回音室效应的群体在标准化后的角色数量比例之差，q_i为处于和不处于回音室效应的群体在标准化后的群体规模之差。最后，筛选出欧式距离小于显著性阈值的群体，并筛选出其中与各个处于回音室效应中的意见群体最为相似的数个不处于回音室效应的意见群体作为后续研究的分析对象。

（四） 基于改进HITS算法的群体影响力、传播力测量

1 群体影响力、传播力测量

超文本敏感标题搜索（hyperlink-induced topic search，HITS）算法由Kleinberg提出，通过权威值（authority）和中心值（hub）两维度信息分析网页之间的链接结构，从而评估网络页面的重要性^［26］。Kratzke^［6］已证实将HITS算法应用于社交群体网络场景具有有效性和独特优势。在微博的社交网络结构中，权威值是用户权威性的体现，可以代表用户影响力；中心值是信息传播者的体现，可以代表用户的传播力^［27］。HITS算法迭代过程如下：

Auth\left(i\right)={\sum }_{j\in I_i}Hub\left(j\right)（3）

Hub\left(i\right)=Auth\left(j\right)（4）

其中，Auth\left(i\right)为节点i的权威值，Hub\left(i\right)为节点i的中心值；I_i是节点i所指向的节点集合；对应地，O_i是指向节点i的节点集合。

每个节点中用户的权威值和中心值均由HITS算法计算而得。为进一步得到每个意见群体的权威值与中心值，本研究改进HITS算法，对群体内各节点权威值、中心值分别求和并标准化，得到群体权威值（group authority，GA）和群体中心值（group hub，GH）。计算公式如下：

G{A}_i=\frac{{\sum }_{x\in G_i}Auth\left(x\right)}{\left|G_i\right|}（5）

G{H}_i=\frac{{\sum }_{x\in G_i}Hub\left(x\right)}{\left|G_i\right|}（6）

2 群体影响力、传播力对比检验

为了对比处于和不处于回音室效应中的意见群体在影响力、传播力上的区别，本研究将处于回音室效应中的意见群体和其相似群体的权威值（GA）和中心值（GH）作为检验变量，对两组意见群体进行Mann-Whitney U检验。假设如下：

H0a：在权威值方面，处于回音室效应中的群体与不处于回音室效应中的群体之间不存在显著差异。

H1a：在权威值方面，处于回音室效应中的群体与不处于回音室效应中的群体之间存在显著差异。

H0b：在中心值方面，处于回音室效应中的群体与不处于回音室效应中的群体之间不存在显著差异。

H1b：在中心值方面，处于回音室效应中的群体与不处于回音室效应中的群体之间存在显著差异。

三 研究结果

（一） 意见群体与回音室效应识别结果

本研究基于大语言模型识别出“特斯拉连撞11车”舆论事件所具有的7个观点和21个意见群体5

5 篇幅限制，意见群体识别结果留存备索。

。意见群体按“观点类型-态度”的格式命名，其中，数字序号与观点类型编号相对应。各群体的成员角色结构如图1所示。

基于对意见群体中回音室效应的识别建模，计算21个意见群体的行为同质性，识别出5个处于回音室效应中的意见群体：2-中立、4-支持、6-支持、7-中立和7-反对。相应识别出5个与它们在成员结构、群体规模上最为相似的不处于回音室效应的意见群体：1-支持、1-反对、3-支持、5-中立和6-中立。结果如表2所示。

5个处于回音室效应中的意见群体和相似的5个不处于回音室效应的意见群体的用户情绪统计情况如表3所示。相较而言，当意见群体处于回音室效应中时，其用户表达的内容在情绪上更加中性，有更少的情绪化表达。

（二） 影响力、传播力显著性检验结果

处于、不处于回音室效应中的意见群体在权威值、中心值上的差异性检验结果表明，在权威值上，两个群体之间不存在显著差异（P=\mathrm{1.000}>\mathrm{0.05}），拒绝假设\mathrm{H}\mathrm{1}\mathrm{a}，接受原假设\mathrm{H}\mathrm{0}\mathrm{a}；在中心值上，两个群体之间存在显著差异（），拒绝原假设\mathrm{H}\mathrm{0}\mathrm{b}，接受假设\mathrm{H}\mathrm{1}\mathrm{b}。对比两个群体的平均中心值发现，处于回音室效应的意见群体在平均中心值上低于不处于回音室效应的相似意见群体。

由此可见，回音室效应的存在对意见群体的影响力不存在显著影响，但显著降低了意见群体的传播力。这意味着回音室效应可能通过限制信息传播的广度或强度，影响意见群体对舆情事件的传播，而非直接改变群体的影响力。

三 结论与讨论

在社交媒体平台上，具有相似观点的用户往往会形成意见群体，主导舆论事件中的观点提出与传播。意见群体成员在互动中更倾向于接收与自身观点产生共鸣的信息，可能导致回音室效应的出现。意见群体中回音室效应的存在可能影响群体内部对异质观点的接触与交流，影响群体影响力格局和信息传播广度。本研究采用多层级、多阶段的分析方法，结合意见群体和回音室效应的相关理论，深入探索回音室效应的存在与否对舆论事件中意见群体的差异性影响，以期更好地把握网络舆论的传播机制与治理策略。首先，提出以“观点—态度”为核心的多层次意见群体定义，并以大语言模型为基础，为意见群体构建两层识别方法，对舆论事件中的意见群体进行细粒度、高准确率的提取与划分；其次，提出基于用户行为模式的回音室效应建模识别方法，识别意见群体中可能存在的回音室效应；最后，改进HITS算法测量群体影响力和传播力，并对比分析回音室效应的存在对意见群体影响力和传播力可能产生的影响。

结果表明，处于回音室效应中不会显著影响意见群体在舆论事件中的影响力，但会显著降低意见群体在舆论事件中的传播力。这表明，回音室效应主要通过限制信息传播的广度和深度来影响群体在舆论事件中的表现，而非直接提升或削弱意见群体在事件中的权威影响力。这意味着群体影响力并不因回音室效应的存在与否受影响，而是更多地取决于群体本身的性质，如群体成员角色、群体规模等；群体传播力则与群体所处环境紧密相关，如是否处于回音室效应中。进一步的情绪分析显示，处于回音室效应的意见群体在信息表达中表现出显著更高比例的中性情绪，而情绪化表达（如惊奇、恐惧、愤怒、喜悦、悲伤等）相对更少。情绪上的差异可能源于群体内部高度的同质性。相近的观点和同质化的传播行为使得成员不需要借助情绪化的表达引发注意或调动讨论，故而转向更理性、中性的交流方式。这种表达风格弱化了传播层面的效果。从信息传播机制的角度看，情绪化的内容更容易引发用户的讨论与共鸣，而中性情绪则较难激发受众的传播动机，信息缺乏可扩散性。因此，处于回音室效应中的群体尽管在内部互动频繁，但其信息缺乏外部渗透力，难以跨出群体边界进行有效传播。

参考文献

[1] LIU S， GUAN X， XIA H. Exploring group opinion polarization based on an opinion dynamics model considering positive and negative social influence［M］//CHEN J， HUYNH V N， TANG X， et al. Knowledge and systems sciences. Singapore： Springer Nature Singapore， 2023： 260-273.

[2] DONG J， ZHANG Y C， KONG Y. The evolution dynamics of collective and individual opinions in social networks［J］. Expert Systems with Applications， 2024， 255： 124813.

[3] GU X， CHEN F， YANG X， et al. Evolutionary trend and network structure characteristics of publicity information dissemination about waste separation by different opinion leaders［J］. Resources， Conservation and Recycling， 2023， 194： 106991.

[4] POGSON M， NICHOLLS T. Agent-based modeling of diversity， new information and minority groups in opinion formation［J］. Computational Communication Research， 2024， 6（1）： 1-40.

[5] DEL VICARIO M， BESSI A， ZOLLO F， et al. The spreading of misinformation online［J］. Proceedings of the National Academy of Sciences， 2016， 113（3）： 554-559.

[6] KRATZKE N. How to find orchestrated trolls？ A case study on identifying polarized Twitter echo chambers［J］. Computers， 2023， 12（3）： 57-78.

[7] FEBRIA LINA L， HARTINI S， MARDHIYAH D， et al. Understanding opinion leadership in social media： the role of perceived fit with personal interests in purchase behavior and social media engagement［J］. International Journal of Economics and Management， 2024， 18（3）： 343-357.

[8] MALINEN S， KOIVULA A. Influencers and targets on social media： investigating the impact of network homogeneity and group identification on online influence［J］.First Monday，2020，25（4）：10453.

[9] FIRMANSYAH Y， RAMADHONY F， ROHANIAH Y. Opportunities and challenges towards the 2024 election： the “echo chamber” phenomenon and the influence of social media on the levels of political literacy of beginner and millennial voter［J］. ICCD， 2023， 5（1）： 243-249.

[10] CONOVER M， RATKIEWICZ J， FRANCISCO M， et al. Political polarization on Twitter［J］. Proceedings of the International AAAI Conference on Web and Social Media， 2021， 5（1）： 89-96.

[11] GRUZD A， HAYTHORNTHWAITE C. Enabling community through social media［J］. Journal of Medical Internet Research， 2013， 15（10）： e248.

[12] MCPHERSON M， SMITH-LOVIN L， COOK J M. Birds of a feather： homophily in social networks［J］. Annual Review of Sociology， 2001， 27（1）： 415-444.

[13] SONG K， WANG D， FENG S， et al. Detecting positive opinion leader group from forum［M］//GAO H， LIM L， WANG W， et al. Web-age information management. Berlin， Heidelberg： Springer Berlin Heidelberg， 2012： 95-101.

[14] YANG J， LESKOVEC J. Defining and evaluating network communities based on ground-truth［J］. Knowledge and Information Systems， 2015， 42（1）： 181-213.

[15] 孟青， 刘波， 张恒远. 在线社交网络中群体影响力的建模与分析［J］. 计算机学报， 2021（6）： 1064-1079.

[16] DUBOIS E， BLANK G. The echo chamber is overstated： the moderating effect of political interest and diverse media［J］.Information， Communication & Society， 2018， 21（5）： 729-745.

[17] YE S， TU L L， WANG X J，et al. Opinion consensus incorporating higher-order interactions in individual-collective networks［J］. Chinese Physics B， 2024， 33（7）： 070201.

[18] CHOI D， CHUN S， OH H， et al. Rumor propagation is amplified by echo chambers in social media［J］. Scientific Reports， 2020， 10（1）： 310-319.

[19] JASNY L， WAGGLE J， FISHER D R. An empirical examination of echo chambers in US climate policy networks［J］. Nature Climate Change， 2015， 5（8）： 782-786.

[20] AGUILAR E， FUJISAKI Y. Reaching consensus via coordinated groups［J］. SICE Journal of Control， Measurement， and System Integration， 2021， 14（1）： 20-26.

[21] LI W， GUO C， DENG Z， et al. Coevolution modeling of group behavior and opinion based on public opinion perception［J］. Knowledge-Based Systems， 2023， 270： 110547.

[22] VENDEVILLE A， DIAZ-DIAZ F. Echo chamber effects in signed networks［J］. Physical Review E， 2025， 111（2）： 024302.

[23] CHEN X， LIANG H， ZHANG Y， et al. Consensus manipulation in social network group decision making with value-based opinion evolution［J］. Information Sciences， 2023， 647： 119441.

[24] BOUTYLINE A， WILLER R. The social structure of political echo chambers： variation in ideological homophily in online networks［J］. Political Psychology， 2016， 38（3）： 551-569.

[25] 郭小安， 何君琼. 反态度信息与平衡信息接触对舆论极化的影响：一项在线实验的实证检验［J］. 国际新闻界， 2023（7）： 25-46.

[26] KLEINBERG J M. Authoritative sources in a hyperlinked environment［J］. Journal of the ACM， 1999， 46（5）： 604-632.

[27] 齐佳， 徐建民. 基于改进HITS算法的微博用户影响力计算方法［J］. 图书馆杂志， 2022（4）： 106-114.

基金资助

华中科技大学教学研究项目(2023100)

中央高校基本科研业务费专项项目(82400049)