情绪如何在社交网络中传播并影响决策：一个舆论动力学视角

🧒 初中生也能看懂的版本

① 研究背景（为什么要做？）

你有没有发现，网上一件事吵起来的时候，大家的说法会越吵越像，情绪也会跟着传染？有人一激动，评论区很快就一片火气；有人一冷静，气氛又慢慢降下来。可过去研究舆论的数学模型，几乎都只算「观点」这个数字怎么更新——DeGroot 模型、Friedkin-Johnsen 模型、有界信任模型，都是这么干的，把人的心情当成无关紧要的背景。

但心理学实验早就告诉我们：情绪会影响我们怎么理解信息、愿不愿意听对方说话；而且人会不自觉地和聊得来的人「情绪同步」。所以，只算观点、不算情绪，等于把一半的机制丢掉了。这篇论文要补的，就是这一半。

② 研究问题（要回答什么？）

作者想问两件事。第一，情绪在人群里是怎么传播的，最后会稳定成什么样子？是一个人一个心情，还是整个群体慢慢趋同，或者分成几团？第二，情绪稳定之后，又是怎么改变观点走向的——什么时候大家达成一致，什么时候两极分化，什么时候分成几个各自抱团的小圈子？

更进一步，作者希望给出可以被验证的数学条件：满足什么条件就一定会共识，满足什么条件就一定会分簇。这样「情绪影响舆论」就不只是一句直觉，而是一个能算、能检验的命题。

③ 研究方法（怎么做的？）

作者先把情绪放到一个圆环上。这是心理学里著名的环形情绪模型：横轴是愉悦到不悦，纵轴是兴奋到平静，每种情绪都是圆上的一个点。用数学说，就是一个复数——长度代表情绪有多强，角度代表是哪一种情绪。

接着，人和人之间的关系也用复数来表示：正号是朋友、负号是对手，大小代表关系强弱。整个社交网络于是变成一张「复数加权有向图」。第一步让情绪沿着网络流动，模拟情绪传染；等情绪稳定下来，再用它去调整每条边的「说服力」，让观点按新的权重更新。

理论部分靠拉普拉斯矩阵、等价划分和谱性质来推出收敛条件。验证用了两组数据：一个自己构造的三簇网络，以及经典的 Zachary 空手道俱乐部真实友谊网络——34 个人、78 条边，最后分裂成 18 人对 16 人两派。

④ 结果（发现了什么？）

论文给出两个主要定理。定理一：如果没有任何人被外部的情绪源持续「加料」，并且整个网络对应的矩阵只在某一个方向上零阻尼，那么所有人的情绪会收敛到同一个值，观点也随之达成共识。

定理二：如果在每个小圈子里放一个不同的外部情绪输入，并且相应矩阵满足同样的稳定条件，情绪和观点就会「分簇收敛」——簇内一致、簇间不同。这正是我们常说的极化和聚类。

在空手道俱乐部上，当两派的情绪完全相反时，观点走向两极；情绪接近时，则在各自阵营内趋同。换句话说，同一张网络，只要情绪配置不同，就能演出共识、极化、聚类三种结局。论文的表 I 还总结：快乐会提高合作、降低对抗；悲伤会把合作关系翻成对抗；但两个人都悲伤时反而更愿意互相体谅；而平静或警觉时，关系几乎不受影响。

⑤ 讨论（这些发现说明什么？）

作者强调了三层意思。第一，情绪不是个人私有物，而是群体层面的集体现象。它像温度一样，可以被系统性地调节——论文用「反馈矩阵」来刻画这种调节，比如一个沮丧的人长期处在积极情绪的人群里，情绪会被慢慢拉高。

第二，情绪一致会放大观点一致。这解释了为什么很多极化不是「讲道理讲出来的」，而是「情绪先分成两团，观点再跟着站队」。只做事实核查，往往治不了这个病。

第三，这套模型把「情绪干预」变成了一个可以计算的设计问题：想降低对立，先别急着输出论点，先看群体的情绪分布和网络结构，找到真正能影响某一簇情绪的关键节点。

⑥ 结论（最终结论 + 启示）

一句话总结：舆情治理不能只做「信息纠偏」，还得做「情绪调温」。对平台和公共沟通的启示是：先识别网络里的情绪簇，找到能带动簇内情绪的关键人物，用有针对性的情绪干预，替代一刀切的内容删除或事实核查；同时要特别警惕负面情绪的传染放大。

作者也承认局限：模型是线性、连续时间的理想化设定，真实平台上的情绪怎么测量、网络怎么随时间变化、算法推荐怎么插一脚，这些都还没有纳入。所以它更像一张地图，而不是一台可以直接上路的车。

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

舆论动力学（opinion dynamics）长期以 DeGroot、Friedkin-Johnsen、bounded confidence 等模型为主线，把个体状态简化为标量或向量化的「观点」，并假定更新规则由网络权重决定。这类模型可以很好地解释共识、顽固者与极化，但系统性地忽略了情感（affect）这一维度。与之相对，心理学与传播学的大量实验证据表明：情绪影响信息加工方式、影响对信源的接受度，并会在互动中发生情绪传染（emotional contagion）。

既有将情感引入网络动力学的工作，多把情感当作观点的附属标签，或只在实证层面观察情绪与立场相关，缺少一个把情绪传染与观点更新统一起来的可分析框架。本文的贡献有三：其一，用复平面上的环形情绪模型（circumplex model）把情绪参数化为复数，使「情绪强度」与「情绪类型」同时可运算；其二，借助复数加权有向图与非 Hermitian 拉普拉斯，给出情绪传染与观点演化的耦合动力学；其三，给出多分共识（multi-partite consensus）的充分条件，并在合成网络与 Zachary 空手道俱乐部网络上验证。

I. Theoretical Framework & Hypotheses（理论框架与假设）

核心假设是：情绪对齐会提高个体对他人观点的接受度，情绪错位会抑制这种接受度。作者用「稳态情绪」去调制原始社会网络的边权，把情绪状态嵌入到观点更新的拉普拉斯矩阵中，从而让情绪成为观点演化的内生参数，而不是外生控制变量。

编号	假设 / 命题	对应理论
A1	情绪网络为复数加权有向图，且可被划分为 k 个近似等价类，并含一个汇节点	等价划分 / 图谱聚类
T1	若 f_i=0 且 −L̃ 边际稳定、corank=1，则情绪与观点收敛到共识	非负矩阵 / 拉普拉斯谱
T2	若各簇给定不同反馈 f_p，且 L̃ 与商矩阵 L^π 均边际稳定、corank=1，则出现分簇收敛	商矩阵 / 多分共识

M. Materials & Methods（材料与方法）

情绪表示：采用 circumplex 模型，把情绪映射到复平面单位圆上，e_i = |e_i|·e^ιθ_i，模长表示强度、相位表示效价—唤醒方向。
网络表示：社交关系记为复数加权有向图 G_EC，权重实部表示社会认同（alignment），虚部表示情绪耦合；朋友边为正、对手边为负。
耦合动力学：[ė; ẋ_e] = diag(−Δ(D+f−A_EC), −L_e) [e; x_e]。第一块描述情绪传染（含外部情绪输入 f），第二块描述由稳态情绪调制后的观点更新。
理论工具：利用 L̃ 的右/左零特征向量 v_EC、w_EC，以及商矩阵 L^π = (P^TP)⁻¹P^TL̃P 判断收敛与分簇。
验证：合成 AEP 有向图（3 簇 + 汇节点）与 Zachary Karate Club（N=34，E=78，最终 18 vs 16 分裂）两组数据；后者为无符号网络，按标准划分而非 AEP 处理。

R. Results（结果）

定理 1（共识）：当所有 f_i=0，且 −L̃ 边际稳定、corank 为 1 时，情绪与观点均收敛到共识；稳态由 e_f = (w_EC^Hx₀)·K·1_n 给出，前提是左零特征向量与初值内积非零。
定理 2（分簇）：当各簇反馈 f_p 取值使 L̃ 与 L^π 同时满足边际稳定、corank=1 时，模型呈现多分共识：簇内情绪与观点一致，簇间按复相位区分。
合成网络：三簇 AEP 图中，情绪状态按反馈矩阵收敛到不同簇，商矩阵特征向量 v_π=[0.087+0.18ι, 0.86, 0.45+0.09ι] 与理论预测一致。
Zachary 网络：两派情绪完全相反时出现极化；情绪同向时出现簇内共识；调节反馈矩阵可切换共识 / 极化 / 聚类三种稳态。

情绪组合	朋友边	对手边	解读
快乐—快乐	合作 ↑	对抗 ↓	正性情绪外溢
快乐—悲伤	转为对抗	转为合作	错位导致关系翻转
悲伤—悲伤	合作 ↑	对抗 ↓	共情效应
平静 / 警觉	基本不变	基本不变	低唤醒情绪中性

a / D. Discussion & Conclusion（讨论与结论）

理论意义：把情绪从「观点模型的噪音」提升为内生状态变量，证明情绪稳态可以在不改变网络拓扑的前提下改变观点收敛的簇结构，为「极化源于情感分簇」提供了形式化解释。
干预含义：反馈矩阵 f 相当于外部的情绪干预（心理支持、平台情绪提示、关键节点引导）。识别网络中的汇节点与簇边界，即可设计低成本的定向干预，而非全量内容管控。
与既有工作差异：相较文献 [11] 的 Hermitian 设定，本文允许簇内与簇间存在复数权重（既合作又对抗），且稳态要求幅值与相位同时一致，条件更强、结论更细。
局限：线性连续时间、静态拓扑、情绪可观测且可复数化，均属理想化假设；真实平台需处理情绪测量误差、时变网络、推荐算法与机器人账号。实证仅用一个小规模历史网络，外部效度有限。
后续方向：引入时变图与随机扰动、用社媒文本做情绪状态估计、把 LLM 智能体接入该动力学做校准实验。

🧠 IRMaD 思维导图

I 引言 R 研究问题/假设 M 方法 R 结果 a 讨论 D 结论

mindmap
  root((情绪传播舆论动力学))
    I 引言
      情绪影响信息处理
      传统模型忽略情绪
      复数网络新视角
    R 研究问题
      情绪如何传染
      情绪如何改观点
      收敛条件是什么
    M 方法
      环形情绪模型
      复数加权有向图
      拉普拉斯谱分析
      空手道俱乐部验证
    R 结果
      定理一 全体共识
      定理二 分簇收敛
      快乐提升合作
      悲伤翻转关系
    a 讨论
      情绪是集体现象
      极化源于情绪分簇
      可用反馈矩阵调节
    D 结论
      治理需情绪调温
      识别情绪簇关键点
      线性模型有局限

图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法；橙色 R 结果；紫色 a 讨论；红色 D 结论。