以下是三篇研究中关于**群体极化（Polarization）和煽动性信息传播（Inflammatory Messages Spread）**的具体实验设计、对比方法与结论：

1. AgentSociety（文档1）

实验设计：

  • 群体极化：

    • 环境设定：模拟10k+代理在包含城市、社交、经济三维空间的环境中互动，代理的“心智模块”（情绪、需求、认知）驱动行为。
    • 干预变量：
      • 模块耦合强度：对比“情绪-需求-认知”模块是否动态关联（如情绪是否影响需求优先级）。
      • 外部压力：引入经济不平等或资源竞争（如飓风导致资源短缺）。
    • 数据收集：跟踪代理的交互记录（5M+次）、意见分布（通过文本分析归类为“极端/中立/温和”）。
    • 对比组：无模块耦合的代理 vs. 完全耦合的代理；正常环境 vs. 高压环境。

  • 煽动性信息传播：

    • 信息注入：在社交网络中植入极端言论（如政治煽动或虚假信息）。
    • 传播机制：代理通过“社交互动”模块接收信息，并根据认知模块判断是否转发。
    • 对比组：不同信息类型（中性 vs. 煽动性）、不同传播网络结构（集中式 vs. 去中心化）。

结论：

  • 极化：
    • 模块耦合的代理在高压环境下更易极化（如经济压力下需求冲突激化情绪对立）。
    • 极化程度与真实社会数据（如美国政治调查）趋势一致，验证模型有效性。
  • 信息传播：
    • 煽动性信息在去中心化网络中扩散更快，但集中式网络（如权威媒体主导）能抑制极端内容。
    • 代理的认知能力（如批判性思维）显著降低虚假信息传播率。

2. OASIS（文档2）

实验设计：

  • 群体极化：

    • 平台模拟：在X（Twitter）和Reddit上模拟百万级代理的互动。
    • 推荐系统干预：
      • 兴趣匹配（TwHIN-BERT模型推荐相似内容）vs. 热度排序（按点赞/时间排序）。
    • 对比组：不同推荐算法下的意见分布；小规模（1k代理）vs. 大规模（1M代理）模拟。

  • 煽动性信息传播：

    • 信息类型：注入争议性话题（如疫苗副作用）和中性话题（如天气）。
    • 传播路径：记录代理的转发、评论、点赞行为，分析扩散网络。
    • 对比组：无推荐系统 vs. 兴趣推荐 vs. 热度推荐。

结论：

  • 极化：
    • 兴趣匹配算法加剧极化：代理在“信息茧房”中形成极端集群（如X平台极化程度比Reddit高30%）。
    • 规模效应：百万级代理下极化现象更显著（小规模模拟无法复现真实社交媒体极端化）。
  • 信息传播：
    • 煽动性内容在热度排序下传播更广（因热门内容曝光率高），但兴趣匹配导致更深层渗透（目标用户更易接受）。
    • 无推荐系统时，信息传播依赖社交网络结构（如“超级传播者”节点主导）。

3. LLM-based Opinion Dynamics（文档3）

实验设计：

  • 群体极化：

    • 确认偏误诱导：通过提示工程赋予代理弱/强确认偏误（如“只接受支持自身观点的信息”）。
    • 记忆策略：对比“累积记忆”（保留所有交互历史）vs. “反思记忆”（动态总结关键信息）。
    • 话题类型：科学（如气候变化）、历史（如疫苗争议）、常识（如地球形状）三类争议性话题。
    • 量化指标：意见偏差（Bias）和多样性（Diversity），通过分类器将代理自然语言回复映射到-2（强烈反对）到+2（强烈支持）的标度。

  • 信息传播：

    • 开放/封闭环境：代理能否引用外部信息（如“我的医生朋友说疫苗安全”）vs. 仅依赖内部交互。
    • 双代理对话：随机配对代理进行多轮辩论，跟踪意见变化。

结论：

  • 极化：
    • 确认偏误是关键驱动：强确认偏误下，意见多样性（Diversity）提升50%，接近人类社会的碎片化分布（表1）。
    • 反思记忆加剧极化：动态总结强化既有观点，而累积记忆因信息过载减缓极化。
  • 信息传播：
    • 开放环境抑制极化：代理引用外部科学事实（如气候数据）促进共识，但需依赖LLM的知识准确性。
    • 封闭环境模拟更可控：适合研究纯社交影响（无外部信息干扰）。

总结对比

平台 群体极化驱动因素 煽动性信息传播机制 关键发现
AgentSociety 模块耦合、环境压力 社交网络结构、认知能力 高压环境+模块耦合显著加剧极化；去中心化网络加速极端传播。
OASIS 推荐算法（兴趣/热度）、代理规模 推荐系统主导传播路径 兴趣匹配导致深层极化，热度算法扩大传播面；百万代理模拟更贴近现实。
LLM-based 确认偏误、记忆策略 开放/封闭环境下的信息引用 确认偏误是碎片化主因；开放环境依赖LLM知识库，可能掩盖真实社交动力学。

现实意义

  • 平台设计：OASIS证明推荐算法需平衡热度与多样性，避免“信息茧房”。
  • 政策干预：AgentSociety表明经济平等政策可缓解极化，外部冲击需应急响应机制。
  • 认知干预：LLM实验提示，教育（减少确认偏误）和事实核查（开放环境）可抑制极端化。