lit-radar — 2026-10-25

科研牛马们，我来汇报组会工作——paper reading了。今天一共8篇，老规矩，不念公式，只讲人话。

第一篇，《公民眼中的独立机构合法性：专业权威与声誉权威的作用》。独立监管机构没人投票选出来，它们的决定凭什么让老百姓觉得正当。强调专业能力、以及外界风评好坏，分别怎么影响公民对机构的信任与认可。咋整的呢？在荷兰找近一千五百人做六组随机实验，用欧盟食品安全局的草甘膦评估当情境。结果你猜怎么着，强调专业能明显提升认可；坏名声杀伤力很大，好名声却几乎没用。按作者自己的说法，专业性是抵御声誉危机的缓冲垫，名声越差时专业性越管用。一句话总结：机构平时就该把科学依据讲清楚，出事后才拿得出挡箭牌。

第二篇，《弱势群体真的觉得办事更难吗？对行政负担框架核心命题的检验》。公共管理有个流行说法：越是弱势的人，跑政府办事越觉得费劲、越被折腾。这个说法在德国大规模真实办事经历里到底站不站得住，哪一类成本才真的更高。具体怎么折腾的：用德国官方一万多次真实办事记录，把行政成本拆成学习、遵从、心理三类，做多层回归。折腾完发现，只有被人歧视这种心理成本真的更高；学习成本和遵从成本反而更低，和常识相反。作者还顺手讨论了一下，弱势者因为少查资料、少提意见，反而更少暴露在官僚程序里。说人话就是：行政负担理论需要分成本类型重写，不能把弱势等同于处处更累。

第三篇，《作为多层次政策组合的城市政策整合》。欧盟一直要求城市项目要跨部门一起干，可现实里各部门常常各干各的，整合成了口号。目标写得越跨部门，实际执行中的协作就越多吗，政策文件里的整合要求管不管用。方法上，把西班牙近二十年八十多个欧盟城市项目拆成五百多项具体行动，逐项看目标和协作关系。最后发现，目标多样度平均零点六三，执行网络密度只有零点零七，过半项目完全没有跨部门联动。作者的解读是，整合不是喊口号，缺了协作机制和激励，部门就会退回到各自为政。划重点：政策框架必须把整合能力和考核标准写清楚，否则多部门目标只会变成摊大饼。

第四篇，《厌女的美学与令人反感的凝视：非自愿独身者图像中的世界观、情感与意识形态》。网上有个叫非自愿独身者的厌女社群，他们靠大量图片传播想法，但几乎没人系统研究过这些图。这个社群到底在发什么图、图片怎样帮他们塑造世界观、煽动情绪、显示内部分裂。咋整的呢？用爬虫从七个网络空间收集三万一千多张图，再随机抽三千多张按编码手册人工标注。结果你猜怎么着，厌女和看脸论主题合计超过一半，纯表情包其实只占一成二，远少于大家以为的。按作者自己的说法，图片不是配菜而是主菜，它同时干三件事：分敌我、聚情绪、划派系。一句话总结：治理这类极端社群不能只查文字，必须把图像纳入监测与审核。

第五篇，《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》。网上一件事吵起来，大家的情绪会互相传染，可传统舆论模型只算观点不算心情。能不能用一套数学办法，说清情绪怎么传播、又怎么改变人们最后的判断。具体怎么折腾的：把情绪摆在圆环上，用带正负号的复数网络表示朋友和对手，再让情绪去改每条边的说服力。折腾完发现，情绪相近的人会慢慢趋同，观点随之分成几团；情绪相反的两派则走向对立。作者还顺手讨论了一下，情绪是群体一起变的东西，还能被外部力量系统性地调节。说人话就是：想减少网络对立，先给群体情绪降温，而不只是反复讲道理和纠错。

第六篇，《社交聊天机器人的准驯化：以 Replika 为例》。越来越多人和聊天机器人谈恋爱交朋友，可平台一改算法，这段关系就被强行改写。用户面对陪伴机器人突然变样时，会用什么办法把它重新安回自己的日常生活。方法上，抓取 Reddit 上 Replika 社区近四百名用户的公开帖子和评论，做六步主题分析。最后发现，用户分三派：四成半忍着适应，三成半反复试探，两成直接弃用换别的应用。作者的解读是，机器人永远驯化不彻底，用户得不断重新安置它，关系始终悬着。划重点：平台改一次模型就等于改写用户的情感生活，设计者必须承担这份责任。

第七篇，《HUMAT：整合个体动机、社会交换与网络动态的建模范式》。做社会仿真最难的是让人像人，很多模型的行为规则是拍脑袋定的，缺乏心理学依据。能不能搭一个通用框架，把人的需求、认知失调、决策和社交网络串成一套可复用的规则。咋整的呢？用三种需求驱动智能体行动，矛盾时按策略化解，并在网络中不断说服或换朋友圈。结果你猜怎么着，在格罗宁根公投案例中一千次模拟投出的赞成率峰值接近五成，与真实结果很接近。按作者自己的说法，模型的价值不在于预测一次结果，而在于能解释舆论为何对小事件如此敏感。一句话总结：框架可复用到公投、疫苗、交通等议题，但需要针对每个案例做参数校准。

最后一篇，《把智能体模型与仓室模型接起来：一种传染病建模的混合方法》。预测传染病要怎么防，精细的个体模型算得慢，粗糙的整体模型又不够真实。能不能让两种模型在一张地图上分工合作，既保住细节又把计算成本降下来。具体怎么折腾的：把空间切成两块，一块跑逐个智能体，一块跑整体方程，中间开个口子让人口来回流动。折腾完发现，混合模型确实省下大量计算时间，但两种模型差异越大，接缝处的结果就越容易走样。作者还顺手讨论了一下，接得好不好，关键不是算法而是两边模型本身够不够一致。说人话就是：做大规模公共卫生推演时，混合建模可行，但必须先对齐两个子模型的口径。

以上就是今天的组会汇报。哪篇戳中你了就点进去看全文，没戳中的，就当陪导师开了个会。