5D Library › 集群动力学、耦合振子同步与分布式共识的数学模型 · English

第六章 有界信任:从共识到分簇,以及「回音室」的证据

只听与自己相近的意见

德格鲁特模型中,每个人都会被所有信任对象的意见拉动,无论他们相差多远。现实中人们往往只认真对待与自己差得不太远的意见。有界信任模型把这一点写进规则:意见之差超过容忍阈值 ε\varepsilon 的人互不影响。这类模型有两个基本版本,卡斯泰拉诺、福尔图纳托与洛雷托 2009 年的综述与洛伦茨 2007 年的专题综述都有系统介绍 (Castellano et al. 2009; Lorenz 2007)。

推导

两个模型。 意见 xi∈[0,1]x_i \in [0, 1]。

黑格泽尔曼—克劳泽模型(同步更新)(Hegselmann and Krause 2002):每一步所有人同时把意见换成与自己相差不超过 ε\varepsilon 的所有意见(含自己)的平均: xi(t+1)=1|Ii(t)|∑j∈Ii(t)xj(t),Ii(t)={j:|xj(t)−xi(t)|≤ε}.x_i(t+1) = \frac{1}{|I_i(t)|}\sum_{j\in I_i(t)} x_j(t), \qquad I_i(t) = \{j : |x_j(t) – x_i(t)| \le \varepsilon\}.

德富昂模型(随机配对)(Deffuant et al. 2000):每次随机抽两人 ii、jj,若 |xi−xj|<ε|x_i – x_j| < \varepsilon,两人都向对方移动差距的 μ\mu 倍(μ=0.5\mu = 0.5 时在中点相遇): xi←xi+μ(xj−xi),xj←xj+μ(xi−xj).x_i \leftarrow x_i + \mu(x_j – x_i), \qquad x_j \leftarrow x_j + \mu(x_i – x_j).

两者都是德格鲁特模型的非线性版本:信任矩阵不再固定,而取决于当前的意见。黑格泽尔曼—克劳泽模型在有限步内收敛到一个不动点,此时任何两个意见要么相等,要么相差超过 ε\varepsilon (Lorenz 2007)。

黑格泽尔曼—克劳泽模型:阈值与人数

程序对 500 个在 [0,1][0,1] 上均匀抽取的初始意见,在每个 ε\varepsilon 下模拟 40 次,统计达成共识(只剩一个簇)的比例、簇的数目(占 5% 以上者为「主要簇」)与收敛步数。把意见排序后,每个人的 ε\varepsilon 窗口可以用双指针找到,再用前缀和求平均,每一步只需 O(N)O(N) 次运算。最后比较 50、500 与 5,000 人时达成共识的比例。

推导

# Hegselmann-Krause (2002) bounded confidence: every agent moves at once to the mean of
# all opinions within eps of its own (itself included). N = 500 opinions drawn uniformly
# from [0, 1]; 40 runs per eps. On sorted opinions the eps-windows are found by two
# pointers and summed with prefix sums, so one step costs O(N). Stop when no opinion
# moves by more than 1e-10.
# Clusters: groups of final opinions closer than 1e-6; "major" = at least 5 % of agents.
import random, statistics

def hk(x, eps, max_steps=5000):
    x = sorted(x); n = len(x)
    for t in range(1, max_steps + 1):
        pre = [0.0]
        for v in x: pre.append(pre[-1] + v)
        lo = hi = 0; new = []
        for v in x:
            while x[lo] < v - eps: lo += 1
            while hi < n and x[hi] <= v + eps: hi += 1
            new.append((pre[hi] - pre[lo]) / (hi - lo))
        if max(abs(a - b) for a, b in zip(new, x)) < 1e-10:
            return new, t
        x = new                        # the update preserves the order of opinions
    return x, max_steps

def clusters(x, tol=1e-6):
    sizes = [1]
    for a, b in zip(x, x[1:]):
        if b - a > tol: sizes.append(1)
        else: sizes[-1] += 1
    return sizes

if __name__ == "__main__":
    rng = random.Random(2002); N = 500
    print("  eps  P(consensus)  mean clusters  mean major  1/(2 eps)  median steps"
          "  max steps")
    for eps in (0.05, 0.08, 0.10, 0.12, 0.15, 0.17, 0.19, 0.20, 0.21, 0.22, 0.23, 0.25,
                0.27, 0.30):
        res = [hk([rng.random() for _ in range(N)], eps) for _ in range(40)]
        cl = [clusters(x) for x, _ in res]; steps = [t for _, t in res]
        cons = sum(len(c) == 1 for c in cl) / 40
        major = statistics.mean(sum(s >= 0.05 * N for s in c) for c in cl)
        mc, md = statistics.mean(map(len, cl)), statistics.median(steps)
        print(f"  {eps:.2f}    {cons:4.2f}        {mc:5.2f}        {major:5.2f}      "
              f"{1 / (2 * eps):5.2f}        {md:5.0f}        {max(steps):5d}")
    print("P(consensus) by population size N (30 runs each; N = 5000: 10 runs)")
    print("    N    " + "".join(f" eps={e:.2f}" for e in (0.17, 0.19, 0.21, 0.23, 0.25)))
    for n in (50, 500, 5000):
        runs = 10 if n == 5000 else 30
        row = [sum(len(clusters(hk([rng.random() for _ in range(n)], e)[0])) == 1
                   for _ in range(runs)) / runs for e in (0.17, 0.19, 0.21, 0.23, 0.25)]
        print(f"  {n:5d} " + "".join(f"    {v:4.2f}  " for v in row))
#   eps  P(consensus)  mean clusters  mean major  1/(2 eps)  median steps  max steps
#   0.05    0.00         7.97         7.35      10.00            9           31
#   0.08    0.00         5.03         4.75       6.25            9           49
#   0.10    0.00         4.05         3.85       5.00            9           59
#   0.12    0.00         3.25         3.10       4.17            9           73
#   0.15    0.00         2.50         2.45       3.33            8           74
#   0.17    0.00         2.17         2.10       2.94            8           84
#   0.19    0.03         2.00         1.98       2.63            8           15
#   0.20    0.17         1.90         1.82       2.50            7          128
#   0.21    0.33         1.68         1.68       2.38            7           63
#   0.22    0.55         1.45         1.45       2.27           12          145
#   0.23    0.65         1.35         1.35       2.17           10          145
#   0.25    0.97         1.02         1.02       2.00           10           41
#   0.27    1.00         1.00         1.00       1.85            6           14
#   0.30    1.00         1.00         1.00       1.67            5            7
# P(consensus) by population size N (30 runs each; N = 5000: 10 runs)
#     N     eps=0.17 eps=0.19 eps=0.21 eps=0.23 eps=0.25
#      50     0.00      0.07      0.03      0.13      0.57  
#     500     0.00      0.00      0.30      0.83      0.97  
#    5000     0.00      0.10      1.00      1.00      1.00  

500 人时,ε≤0.17\varepsilon \le 0.17 从未达成共识,ε=0.25\varepsilon = 0.25 时 97% 达成共识,ε≥0.27\varepsilon \ge 0.27 时全部达成;共识比例越过一半的地方约在 0.22。比较不同人数,阈值随人数增加而变得锐利:ε=0.21\varepsilon = 0.21 时,50 人只有 3% 达成共识,500 人为 30%,5,000 人(10 次)全部达成;ε=0.19\varepsilon = 0.19 时,5,000 人为 10%。这与文献一致:福尔图纳托 2005 年在人数很多时得到的共识阈值约为 0.2 (Fortunato 2005),洛伦茨用密度模型得到 0.19 (Lorenz 2007)。框架中的「ε\varepsilon 约 0.2 时达到共识」只对人数很多的情形成立;几十人的小群体中,即使 ε=0.25\varepsilon = 0.25 也只有约一半的机会达成共识(50 人时 57%)。同一人数下两张表的 ε=0.23\varepsilon = 0.23 估计不同(0.65 与 0.83),来自抽样误差(每格只有 30 到 40 次模拟)。

阈值附近还有两个现象。第一,收敛很慢:大多数情形 5 到 15 步收敛,但 ε=0.20\varepsilon = 0.20 到 0.23 时最长要 128 到 145 步——两个即将合并的簇要经过很长时间才能「看见」彼此。第二,共识比例不一定随 ε\varepsilon 单调增加:洛伦茨 2006 年指出,在 ε\varepsilon 较小的区域,共识会在一段两极化之后「卷土重来」,而且依赖于人数 (Lorenz 2006)。所以「共识 → 两极化 → 碎片化」是随着 ε\varepsilon 缩小的大致趋势,不是界限分明的三个相。

德富昂模型:主要簇与离群者

程序对 200 个均匀分布的初始意见、μ=0.5\mu = 0.5,每人平均相遇 1,500 次,在每个 ε\varepsilon 下模拟 12 次。相距小于 0.01 的最终意见算作一簇,占 5% 以上的为主要簇,其余为次要簇;并与经验规则 ⌊1/(2ε)⌋\lfloor 1/(2\varepsilon) \rfloor 比较,给出最远两个主要簇之间的距离。

推导

# Deffuant, Neau, Amblard & Weisbuch (2000): random pairs meet; if |x_i - x_j| < eps both
# move by mu = 0.5 of the gap (they meet in the middle). N = 200 opinions uniform on
# [0, 1], 1,500 meetings per agent; 12 runs per eps. Clusters = groups of final opinions
# closer than 0.01; "major" = at least 5 % of agents, the rest "minor". Rule of thumb:
# about 1/(2 eps) major clusters.
import random, statistics, math

def deffuant(n, eps, rng, mu=0.5, meetings_per_agent=1500):
    x = [rng.random() for _ in range(n)]
    for _ in range(meetings_per_agent * n // 2):
        i = rng.randrange(n); j = rng.randrange(n - 1); j += j >= i
        d = x[j] - x[i]
        if -eps < d < eps:
            x[i] += mu * d; x[j] -= mu * d
    return sorted(x)

def clusters(x, gap=0.01):
    sizes = [1]
    for a, b in zip(x, x[1:]):
        if b - a > gap: sizes.append(1)
        else: sizes[-1] += 1
    return sizes

if __name__ == "__main__":
    rng = random.Random(2000); n, R = 200, 12
    print("  eps   P(all in    major      minor    floor(1/(2 eps))  spread of"
          "   P(single")
    print("        one)        clusters   clusters                   majors      major)")
    for eps in (0.05, 0.10, 0.15, 0.20, 0.25, 0.30, 0.40, 0.50):
        maj, mino, one, spread = [], [], 0, []
        for _ in range(R):
            x = deffuant(n, eps, rng); cl = clusters(x)
            big = sum(s >= 0.05 * n for s in cl); maj.append(big)
            mino.append(len(cl) - big); one += big == 1 and len(cl) == 1
            pos, k = [], 0                          # positions of the major clusters
            for s in cl:
                if s >= 0.05 * n: pos.append(statistics.mean(x[k:k + s]))
                k += s
            spread.append(max(pos) - min(pos) if len(pos) > 1 else 0.0)
        mj, mn, sp = statistics.mean(maj), statistics.mean(mino), statistics.mean(spread)
        print(f"  {eps:.2f}     {one / R:4.2f}        {mj:5.2f}      {mn:5.2f}"
              f"           {math.floor(1 / (2 * eps)):2d}            {sp:.2f}"
              f"      {sum(m == 1 for m in maj) / R:.2f}")
#   eps   P(all in    major      minor    floor(1/(2 eps))  spread of   P(single
#         one)        clusters   clusters                   majors      major)
#   0.05     0.00         8.67       2.00           10            0.88      0.00
#   0.10     0.00         4.33       0.83            5            0.76      0.00
#   0.15     0.00         2.75       0.83            3            0.60      0.00
#   0.20     0.00         2.08       0.92            2            0.50      0.00
#   0.25     0.00         1.83       0.67            2            0.37      0.17
#   0.30     0.17         1.25       0.92            1            0.11      0.75
#   0.40     0.42         1.00       0.83            1            0.00      1.00
#   0.50     1.00         1.00       0.00            1            0.00      1.00

主要簇的数目与经验规则 ⌊1/(2ε)⌋\lfloor 1/(2\varepsilon)\rfloor 大致相符:ε=0.15\varepsilon = 0.15 时平均 2.75 个(规则为 3),0.10 时 4.33 个(规则为 5),0.05 时 8.67 个(规则为 10);ε\varepsilon 小时略少于规则。德富昂等人 2000 年与魏斯布赫等人 2002 年都报告了这一规律 (Deffuant et al. 2000; Weisbuch et al. 2002),本-奈姆、克拉皮夫斯基与雷德纳 2003 年发现簇的分岔图样随 1/ε1/\varepsilon 近似周期性地重复 (Ben-Naim et al. 2003)。有两点需要注意。

第一,「两极化」在模型中只是两个簇,未必在两端。ε=0.20\varepsilon = 0.20 时平均有 2.08 个主要簇,最远两簇相距 0.50,大致位于 0.25 与 0.75 附近,而不在 0 与 1。第二,多数人达成共识时,两端常常留下少数「离群者」:ε=0.40\varepsilon = 0.40 时 12 次全部只有一个主要簇,但只有 42% 的模拟是所有人都在同一簇,其余都留下了次要簇;ε=0.50\varepsilon = 0.50 时才全部归于一簇,与「ε≥0.5\varepsilon \ge 0.5 时一定达成共识」的结论相符 (Lorenz 2007)。黑格泽尔曼—克劳泽模型在共识区没有留下这种次要簇(500 人、ε≥0.27\varepsilon \ge 0.27 时簇数与主要簇数都是 1.00),两个模型在这一点上不同;不过在 ε\varepsilon 较小时,黑格泽尔曼—克劳泽模型也会留下少量次要簇(上表中 ε=0.05\varepsilon = 0.05 时平均 7.97 个簇,其中主要簇 7.35 个)。

左:黑格泽尔曼—克劳泽模型中 500 个意见的最终位置随 \varepsilon 的变化(每个 \varepsilon 一次模拟,点的大小表示簇的人数);\varepsilon 从大到小,从一个簇分裂为两个、三个以至更多。右:德富昂模型主要簇的数目(每点为 4 次模拟的平均)与 \lfloor 1/(2\varepsilon) \rfloor 的比较。

「回音室」:类比与证据

有界信任模型常被用来说明「回音室」:人们只听相近的意见,群体就分裂成互不往来的几块。作为类比,这是有启发的;但需要分清模型说了什么、没说什么。模型说的是:在只与相近意见互动的规则下,容忍阈值越小,最终的簇越多。它没有说人们实际上是这样更新的,也没有说增加与对立意见的接触就会减少分裂——在这些模型中,「接触」与「被影响」是同一件事,而现实中两者可以分离。

证据

接触对立观点不一定减少极化。 贝尔等人 2018 年招募经常使用推特的美国民主党与共和党支持者,随机让一部分人付费关注一个转发对立阵营观点的机器人账号一个月。关注自由派机器人的共和党人事后明显更加保守;关注保守派机器人的民主党人略微更加自由,但不显著 (Bail et al. 2018)。尼汉、塞特尔、索森等人 2023 年在《自然》上报告的脸书实验发现,来自观点相近来源的内容在用户看到的内容中占很大比重,但实验性地减少这类内容并没有可测量地减少极化等态度指标 (Nyhan et al. 2023)。

这两项研究都与「多接触对立观点就能打破回音室」的简单推论不符。有界信任模型本身也提示了原因:ε\varepsilon 之外的意见对一个人没有吸引力;如果再加上「差得太远的意见引起反感」这样的排斥机制,接触反而可能拉大距离。本书不对任何真实的社会议题作出判断。

假说 · 尚未验证 · 容忍阈值取决于讨论规则

在有界信任模型中,ε\varepsilon 是个人的固定参数。作者推测,它至少部分取决于讨论的规则:如果要求每个人先复述对方的理由再表达异议,人们愿意向较远意见移动的范围会变大。可以在数值估计任务中检验:随机分配两种讨论规则,测量每个人的修改量与「他人意见与自己初始意见之差」的关系,估计有效的 ε\varepsilon。如果两种规则下估计出的 ε\varepsilon 没有差别,这个推测就是错的。这只是关于实验室讨论规则的推测,不构成任何政治主张。

本章小结

有界信任模型中,意见只受相近意见的影响。黑格泽尔曼—克劳泽模型在人数很多时约在 ε≈0.2\varepsilon \approx 0.2 处由分簇转为共识,人数少时阈值模糊,阈值附近收敛很慢,共识比例也不一定单调;德富昂模型的主要簇数约为 ⌊1/(2ε)⌋\lfloor 1/(2\varepsilon)\rfloor,两端常留下离群者,ε≥0.5\varepsilon \ge 0.5 时必定共识。模型中的「两极化」只是两个簇,不一定在两端;「回音室」是类比,现场实验并不支持「多接触对立观点就能减少极化」的简单推论。下一章把这些研究与古代关于「和」与「同」的论述并读。

参考文献

Bail, Christopher A., Lisa P. Argyle, Taylor W. Brown, et al. 2018. “Exposure to Opposing Views on Social Media Can Increase Political Polarization.” Proceedings of the National Academy of Sciences 115 (37): 9216–21. https://doi.org/10.1073/pnas.1804840115.
Ben-Naim, Eli, Paul L. Krapivsky, and Sidney Redner. 2003. “Bifurcations and Patterns in Compromise Processes.” Physica D 183 (3–4): 190–204. https://doi.org/10.1016/S0167-2789(03)00171-4.
Castellano, Claudio, Santo Fortunato, and Vittorio Loreto. 2009. “Statistical Physics of Social Dynamics.” Reviews of Modern Physics 81 (2): 591–646. https://doi.org/10.1103/RevModPhys.81.591.
Deffuant, Guillaume, David Neau, Frédéric Amblard, and Gérard Weisbuch. 2000. “Mixing Beliefs Among Interacting Agents.” Advances in Complex Systems 3: 87–98.
Fortunato, Santo. 2005. “On the Consensus Threshold for the Opinion Dynamics of Krause–Hegselmann.” International Journal of Modern Physics C 16 (2): 259–70.
Hegselmann, Rainer, and Ulrich Krause. 2002. “Opinion Dynamics and Bounded Confidence: Models, Analysis and Simulation.” Journal of Artificial Societies and Social Simulation 5 (3): 2.
Lorenz, Jan. 2006. “Consensus Strikes Back in the Hegselmann–Krause Model of Continuous Opinion Dynamics Under Bounded Confidence.” Journal of Artificial Societies and Social Simulation 9 (1): 8.
Lorenz, Jan. 2007. “Continuous Opinion Dynamics Under Bounded Confidence: A Survey.” International Journal of Modern Physics C 18 (12): 1819–38.
Nyhan, Brendan, Jaime Settle, Emily Thorson, et al. 2023. “Like-Minded Sources on Facebook Are Prevalent but Not Polarizing.” Nature 620 (7972): 137–44. https://doi.org/10.1038/s41586-023-06297-w.
Weisbuch, Gérard, Guillaume Deffuant, Frédéric Amblard, and Jean-Pierre Nadal. 2002. “Meet, Discuss, and Segregate!” Complexity 7 (3): 55–63.

Fan, Y. (2026). Collective Dynamics, Coupled-Oscillator Synchrony and Distributed Consensus: From the Kuramoto Phase Transition and Vicsek Flocking to DeGroot Spectral Convergence, Read Beside Classical Chinese Thought on Harmony and Conformity [集群动力学、耦合振子同步与分布式共识的数学模型] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23828063 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).