关于「信息级联:直播间为什么会爆发或冷场」,《注意力的经济学》给出的定量结论是什么?
结论:平均阈值变动半个百分点,从 0.265 到 0.270,结果就从几乎所有人变成不到 6%。产品本身什么都没变。邓肯·瓦茨证明了随机网络上的级联也有同样的不连续性:全局级联只在网络连通度的一个窗口内出现,一旦出现,就既罕见又巨大 (Watts 2002)。
数据口径:本书不是商业、投资或法律建议。 书中以标注框区分已发表的证据、可运行的 Python 计算(28 段,全部核对)、原典与作者的假说,每个假说都写明什么结果会推翻它。
对照数据表
下表数字由本章 Python 程序原样打印,可重新运行复现。 程序只用 Python 标准库与结论吻合的打印值: 0.265, 0.270
| mean threshold | final share joined |
|---|---|
| 0.200 | 100.0% |
| 0.240 | 100.0% |
| 0.250 | 100.0% |
| 0.260 | 100.0% |
| 0.265 | 100.0% |
| 0.270 | 5.8% |
| 0.280 | 4.4% |
| 0.300 | 3.3% |
| 0.350 | 2.3% |
核心公式
\[P(\text{正确级联}) = \frac{p^2}{p^2 + (1-p)^2} 。\]
查看完整验算程序
from statistics import NormalDist
def final_share(mu, sigma=0.12, seed=0.02):
"""Granovetter threshold model: each viewer joins once the share already joined reaches their threshold.
Thresholds ~ Normal(mu, sigma); a seed share joins anyway. Iterate r -> seed + (1 - seed) * F(r)."""
F = NormalDist(mu, sigma).cdf
r = seed
for _ in range(2000):
r = seed + (1 - seed) * F(r)
return r
print("mean threshold final share joined")
for mu in (0.20, 0.24, 0.25, 0.26, 0.265, 0.27, 0.28, 0.30, 0.35):
print(f"{mu:14.3f} {final_share(mu):18.1%}")唯一数据源与引用
范雅福(Fan, Y.). (2026). 《注意力的经济学》第 3 章「信息级联:直播间为什么会爆发或冷场」(版本 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23689302
DOI: 10.5281/zenodo.23689302 · 阅读本章所在专著 · 5DL-B-006 · v1.0.0 · CC-BY-NC-ND-4.0
BibTeX
@book{fan2026006,
author = {Fan, Yafu},
title = {The Economics of Attention},
year = {2026},
publisher = {5D Library},
edition = {1.0.0},
doi = {10.5281/zenodo.23689302},
url = {https://doi.org/10.5281/zenodo.23689302}
}