Public and private beliefs under disinformation in social networks
本研究构建社交网络意见动力学模型，探究虚假信息下私人与公开信念的演化，发现少数共谋者会引发认知失调峰值，辟谣者可缓解该效应。
2023-07-25 cs.SI physics.soc-ph
Dynamics of organizational culture: Individual beliefs vs. social conformity
组织文化的复杂性挑战了我们从观察研究中推断其潜在动力的能力。最近的计算研究采用了一种截然不同的观点，提出了合理的机制来描述广泛的社会现象，包括组织文化的发生和演变。本着这种精神，这项工作引入了一个基于代理的模型，它放松了一组假设，描述了过去的工作-（a）省略个人的努力实现认知连贯性，（b）有限的整合重要的上下文因素-通过利用网络的信念和纳入社会等级的动态。因此，我们说明：（一）一个组织可能会出现越来越一致的组织文化，但由个人的一致性水平降低，（二）社会整合的组成部分-同侪压力和社会等级-是有影响力的不同的聚合水平。
2017-07-03 cs.SI physics.soc-ph
Emergence of simple and complex contagion dynamics from weighted belief networks
提出交互信念模型，阐明简单与复杂传染动力学如何从认知机制中有机涌现，揭示复杂传染的抵抗机制源于认知过程。
2024-04-29 cs.SI physics.soc-ph
Exploring Information Acquisition in Social Learning
本文利用理性疏忽理论建模社会学习中智能体的信息获取与初始信念形成，并通过仿真和社会实验验证模型，揭示信息获取对信念动态演化的影响。
2024-10-21 cs.SI
Multi-topic belief formation through bifurcations over signed social networks
提出有符号社交网络上连续时间多维信念形成的非线性模型，揭示分岔导致观点形成，并给出多稳态均衡与振荡依赖网络结构的条件。
2024-07-02 cs.MA cs.SI math.DS
Statistical Physics Models of Belief Dynamics: Theory and Empirical Tests
我们在离散自旋统计物理模型的框架内建立简单的信念动力学计算模型，并探索它们在个人和群体层面上理解和预测现实世界信念变化的合适程度。我们发现，真实世界模式的准确建模需要关注人们使用的社会互动规则，他们所嵌入的网络结构，初始信念和内在偏好的分布，以及社会信息和内在偏好的相对重要性。我们证明，这些模型参数可以约束的经验测量，由此产生的模型可以用来调查在实际社会中的信念动态的机制。我们使用了两项关于信念变化的纵向研究的数据，一项是2008年总统选举期间住在麻省理工学院宿舍的80~人，另一项是2016年总统选举初选期间从土耳其机械招募的94~人。我们发现，简单的统计物理为基础的模型包含现实世界的信念动态的预测价值，并使不同的假设的基础网络结构和社会互动规则的实证检验。
2018-07-09 cs.SI physics.soc-ph
Social Distancing Beliefs and Human Mobility: Evidence from Twitter
我们构建了一个新的数据库，其中包含Twitter上发送的数十万条与COVID-19大流行相关的地理标记消息。我们创建了一个每日社交距离指数-在州一级-通过分析包含关键词的推文数量来捕捉社交距离信念，如“呆在家里”，“保持安全”，“戴口罩”，“洗手”和“社交距离”。我们发现，在第t-1天社交距离的Twitter指数的增加与第t天的流动性下降有关。我们还发现，国家秩序、新冠肺炎病例数量的增加、降水和气温有助于减少人类流动性。共和党州也不太可能实施社交距离。在社交网络上分享的信念既可以揭示个人的行为，也可以影响他人的行为。我们的研究结果表明，政策制定者可以使用地理标记的Twitter数据-结合移动数据-更好地了解个人自愿的社交距离行动。
2020-08-10 cs.SI
Using a Cognitive Network Model of Moral and Social Beliefs to Explain Belief Change
尽管有科学证据证明儿童疫苗和转基因食品的安全性，但人们对它们的怀疑越来越多。对科学问题的信念很难改变，因为它们植根于许多相关的道德问题和对他人想法的信念中。我们提出了一个认知网络模型，估计所有相关的信念之间的关系，失调和随机性，以获得信念变化的情况下的预测。使用概率全国代表性的纵向研究，我们发现支持我们的模型的预测：随机性的信念网络随着时间的推移而下降，对于许多参与者，他们估计的不和谐与他们自我报告的不和谐呈正相关，和个人谁有高估计的不和谐他们的信念网络更有可能改变他们的信念，以减少这种不和谐。这项研究是第一个将统一的预测模型与实验干预相结合的研究，并揭示了导致信念改变的不和谐减少的动态。
2022-01-12 cs.SI
Social Bayesian Learning in the Wisdom of the Crowd
能够正确地将许多人的信念聚合成一个单一的信念是许多重要的社会，经济和政治过程，如政策制定，市场定价和投票的基本问题。虽然有许多模型和机制的聚合，有一个缺乏的方法和文献关于聚合的意见时，个人之间存在的影响和学习。这部分是因为没有太多的模型来描述人们在接触到其他人的信念时如何更新他们的信念，因此很难量化人们的心理模型之间的依赖关系，这对于最大限度地减少聚合中的冗余至关重要。在本文中，我们探索了许多用户如何相互影响和学习的模型，并将我们的模型与著名的DeGroot模型进行了基准测试。我们的主要贡献是：1）我们收集了一个前所未有的规模和细节的新数据集，并将其发布在网上; 2）我们开发了一个新的社会贝叶斯模型，用于研究人们如何更新他们的心理模型; 3）我们将我们的模型与其他知名的社会学习模型进行了比较。具体来说，我们表明，我们的新的社会贝叶斯模型优于其他模型测试。
2017-12-28 cs.SI physics.soc-ph
How neighbourhood ideology shapes misinformation belief in densely tied social networks
University of Exeter（埃克塞特大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本研究通过智能体模型，探讨个体意识形态偏见与社会影响在网络互动中如何共同作用于错误信息的传播，并强调网络结构和偏见强度的重要性。
2026-09-10 cs.MA cs.SI physics.soc-ph
Removal of Data Incest in Multi-agent Social Learning in Social Networks
在线声誉系统的动机，我们研究社会学习的网络中，代理人相互作用的时间依赖图，以估计一个潜在的自然状态。智能体记录他们自己的私人观察，然后使用贝叶斯规则更新他们对自然状态的私人信念。基于他们的信念，每个代理然后从有限集合中选择一个动作（评级），并通过社交网络传输此动作。这种网络上的社会学习的一个重要后果是信息的毁灭性的多次重复使用，称为数据乱伦（或错误信息传播）。本文在有向无环图上研究了社会学习环境下的数据乱伦管理问题。我们给出了消除数据乱伦的社会交互图拓扑的充分必要条件。提出了一种数据乱伦消除算法，使得社会学习的公共信念（以及代理的行为）不受数据乱伦传播的影响。这导致具有更高信任评级的在线信誉系统。数值例子说明了所提出的最优数据乱伦消除算法的性能。
2013-11-05 cs.SI physics.soc-ph
When facts fail: Bias, polarisation and truth in social networks
在线社交网络为用户提供了前所未有的参与不同意见的机会。与此同时，它们通过授权个人自我选择他们想要接触的叙述，在大规模上实现了确认偏见。对这种权衡的准确理解在很大程度上仍然缺失。我们引入了一个社会学习模型，其中网络中的大多数参与者根据新信息无偏地更新他们的信念，而少数参与者拒绝与他们先前存在的信念不一致的信息。这个简单的机制产生永久的意见极化和级联动态，并通过分析结果解释了确认偏差和社会连接之间的权衡。我们调查模型的预测经验使用美国县级数据的影响，互联网接入对全球变暖的信念的形成。最后，我们讨论了我们的模型的政策含义，强调揭穿的缺点，并提出替代策略，以对比错误信息。
2020-01-21 cs.SI physics.soc-ph
Personalized Large Language Models Can Increase the Belief Accuracy of Social Networks
本研究通过2024年美国大选预注册实验发现，个性化大语言模型能引导个体信念向真相更新，并促使其构建包含更准确信念个体的社交网络，表明LLMs具备在网络环境中充当纠正性智能体的潜力。
2025-06-06 cs.SI
Exploring the Role of Randomization on Belief Rigidity in Online Social Networks
本文通过实验框架实证研究随机化社交网络结构对信念刚性的影响，发现多样化推荐能促使用户纳入更多不同意见的同伴，表明更具随机性的网络可能有助于人们走出回音室。
2024-07-01 cs.SI
The Evolution of Beliefs over Signed Social Networks
我们研究的意见（或信仰）的演变在一个社会网络建模为一个有符号的图。在这个图中，连接到边的符号表征了相应的个体或端节点是朋友（正链接）还是敌人（负链接）。节点对是随机选择的，随着时间的推移进行交互，当两个节点交互时，每个节点都会根据另一个节点的意见和相应链接的符号更新自己的意见。该模型将DeGroot模型推广到负链接：当两个敌人互动时，他们的意见会朝着相反的方向发展。我们提供的条件收敛和发散的期望，在均方，几乎肯定的意义上，并表现出相变现象，这些概念的收敛取决于参数的意见更新模型和基础图形的结构。我们建立了一个{ \it no-survivor}定理，指出当网络中的观点作为一个整体出现分歧时，任何两个节点的观点差异就会出现分歧。我们还证明了一个{ \it live-or-die}引理，表明几乎可以肯定，意见要么收敛到一个协议或分歧。最后，我们将我们的分析扩展到意见有严格的下限和上限的情况。在这些情况下，我们研究何时以及如何意见可能会成为渐近聚集到信念边界，并强调这种聚集现象的关键影响（强或弱）的基础网络的结构平衡。
2015-08-14 cs.SI physics.soc-ph
Relaxing Common Belief for Social Networks
我们提出了一个放松的共同信念称为派系信念，是适合于社交网络上的战略合作的分析。我们展示了如何使用这个定义来分析一般图上的反抗游戏，包括通过给出一个有效的算法，该算法表征了这种游戏的可能均衡的结构结果。这扩展了先前关于共同知识和共同信念的工作，这些工作对于理解社交网络环境中的战略协调与合作来说过于限制。
2020-12-18 cs.GT cs.SI
Opinion Dynamics on Correlated Subjects in Social Networks
了解集体信仰的演变对于了解政治趋势以及社会品味和意见至关重要。特别是，它是至关重要的，以开发分析模型，可以预测的信念动态和捕获的相互依存的意见对不同的主题。在本文中，我们解决这个问题，也占个人的内生过程中的意见演变，以及个人的意见，可能会出现在存在的个人的敌对态度之间的相互排斥。使用平均场的方法，我们通过一个多维的福克-普朗克方程的一个大人口的个人的意见的时间演变的特征，我们确定的条件下，保持稳定。最后，我们得出的稳态意见分布作为个人的个性和现有的社会互动的函数。我们的数值结果显示了有趣的动态在不同的社会群体的集体信念，他们突出了相关的主题，以及个人的对抗态度的影响。
2019-10-24 cs.SI physics.soc-ph
Building Social World Models with Large Language Models
University of Science and Technology of China（中国科学技术大学）
提出社会世界模型（SWM）框架，利用LLM从社会数据中挖掘时间模式，学习社会信念的状态转移函数，无需人工标注或普查数据，在预测市场基准上超越时序基础模型。
2026-06-11 cs.CL cs.SI
Belief Approach for Social Networks
LARODEC, IHEC（LARODEC，IHEC（迦太基高等商学院））；IRISA, université de Rennes 1（IRISA，雷恩第一大学）
如今，社交网络在个人之间的信息交流中变得至关重要。事实上，作为这些网络的用户，我们可以根据连接我们的链接向其他人发送信息。此外，考虑到大量的交换消息，检测接收到的消息的真实性质成为一个挑战。为了这个目的，它是有趣的，考虑这一新的趋势与推理下的不确定性，通过使用理论的信念功能。在本文中，我们试图将社会网络建模为信息融合的网络，并通过提出一个新的模型：信念社会网络来确定在一个定义明确的节点中接收到的消息的真实性质。
2015-01-20 cs.AI cs.SI
Estimating True Beliefs in Opinion Dynamics with Social Pressure
研究社会压力下意见动态中真实信念的参数估计问题，提出在任意网络中均能收敛至内在信念的估计器，并界定了其在共识与非共识场景下的收敛速率。
2024-06-26 cs.SI cs.SY eess.SY
Using Gaussian Mixtures to Model Evolving Multi-Modal Beliefs Across Social Media
本文提出用高斯混合模型刻画社交媒体中多模态信念与不确定性的形成演化，结合贝叶斯更新与非贝叶斯混合动力学，并基于顽固影响者对信息流动的干扰难易程度定义新的中心性概念。
2025-09-01 cs.SI cs.SY eess.SY
Non-Bayesian Social Learning with Imperfect Private Signal Structure
非贝叶斯社会学习模型是描述社交网络上信念动态的经典模型之一，它假设网络中的成员通过贝叶斯推理过程拥有准确的信号知识。为了使非贝叶斯社会学习模型更适用于人类和动物社会，本文通过假设私人信号结构偏差的存在对该模型进行了扩展。每个时间步中的社会成员使用不完全信号知识形成其贝叶斯部分信念，然后将其邻居的信念合并到该贝叶斯部分信念中以形成新的信念报告。首先，我们研究了孤立智能体的内在学习能力，并推导出信号结构需要满足的条件，使这个孤立的智能体做出最终正确的决定。根据这些条件，智能体的信号结构进一步分为“保守”、“激进”和“消极”三种类型。“然后，我们将上下文从孤立的代理切换到连接的网络;我们的命题和模拟表明，保守的代理是社交网络学习真实状态的主导力量，而其他两种类型可能会阻止网络成功学习。虽然非贝叶斯社会学习机制确实存在脆弱性，但“更保守”和“避免过度自信”可能是真实社交网络中每个主体共同改善社会学习过程和结果的有效策略。
2019-05-20 cs.SI
Evolution of beliefs in social networks
Saint Mary’s College（圣玛丽学院）；Rutgers University–Newark（罗格斯大学纽瓦克分校）；Institute for Advanced Study（普林斯顿高等研究院）
一个社会信仰的演变是社会中人与人之间互动（水平传播）的产物，世代相传（垂直传播）。研究人员分别研究了水平传播和垂直传播。扩展以前的工作，我们提出了一个新的理论框架，它允许应用马尔可夫链理论的工具，通过水平和垂直传输的信念演变的分析。我们分析了三种情况：静态网络，随机变化的网络，基于同质性的动态网络。前两者假设网络结构与信念无关，而后者假设人们倾向于与那些有相似信念的人交流。我们证明了在一般条件下，静态和随机变化的网络收敛到一个单一的一组信念在所有个人以及收敛速度。我们证明了基于同质性的网络结构一般不收敛到一个单一的信念集共享的所有和证明下限的数量不同的限制信念作为初始信念的函数。最后，我们讨论了先前的理论和未来工作的方向的影响。
2022-05-26 cs.LG cs.SI stat.ML
Competing Social Contagions with Opinion Dependent Infectivity
本文提出一种带内部观点和认知偏差的两种竞争信念传播模型，通过智能体模拟与平均场分析揭示认知偏差会丰富瞬态动力学，并研究外部招募传播者如何促成某一信念最终主导。
2025-02-01 cs.SI math.DS physics.soc-ph
Belief Coevolution in a Social Network of Generalist and Specialist Large Language Models: A Controlled Study
Khoury College of Computer Sciences, Northeastern University（东北大学库尔计算机科学学院）；Network Science Institute, Northeastern University（东北大学网络科学研究所）；Santa Fe Institute（圣塔菲研究所）
该研究提出CoevolveSim框架，模拟通用型与专家型LLM组成的社交网络中信念扩散，发现专家型LLM可显著提升共识转变幅度，模拟多智能体LLM系统信念扩散需多样化底层LLM。
2026-10-20 cs.CL cs.MA cs.SI
Naive Bayesian Learning in Social Networks
朴素社会学习的DeGroot模型假设代理人只交流标量意见。在实践中，代理人不仅传达他们的意见，而且传达他们对这些意见的信心。我们提出了一个模型，捕捉这方面的沟通，将信号的信息量到天真的社会学习的情况。我们提出的模型捕捉了贝叶斯学习和朴素学习的各个方面。在我们的模型中，代理使用贝叶斯规则组合他们邻居的信念，但代理天真地假设他们邻居的信念是独立的。根据初始信念，代理在我们的模型中可能不会达成共识，但我们表明，代理将达成共识下温和的连续性和有界性假设的初始信念。这种最终的共识可以根据每个代理的中心性和信号信息量来明确计算，从而可以精确地理解联合效应。我们将我们的理论应用于新技术的采用。与Banerjee et al. [2018]相反，我们表明，关于新技术的信息最初可以在一个紧密聚集的群体中播种，而不会丢失信息，但前提是代理人可以表达他们的信念。
2018-06-30 cs.SI
Self-reinforcing cascades: A spreading model for beliefs or products of varying intensity or quality
University of Vermont（佛蒙特大学）；Vermont Complex Systems Institute, University of Vermont（佛蒙特大学佛蒙特复杂系统研究所）；Santa Fe Institute（圣塔菲研究所）；Department of Computer Science, University of Vermont（佛蒙特大学计算机科学系）；MACSI, Department of Mathematics and Statistics, University of Limerick（利默里克大学数学与统计系MACSI）；Department of Physics, Boston University（波士顿大学物理系）
本文提出了一种考虑自我强化机制的级联模型，揭示了在广泛参数范围内产生幂律分布的机制，挑战了传统临界性模型的假设。
2026-02-19 cs.SI physics.soc-ph
ScioMind: Cognitively Grounded Multi-Agent Social Simulation with Anchoring-Based Belief Dynamics and Dynamic Profiles
The University of Sydney（悉尼大学）
ScioMind结合结构化意见动态与LLM代理推理，通过记忆锚定信念更新规则、分层记忆架构和动态代理资料提升社交模拟的真实性与稳定性。
2026-05-13 cs.AI cs.SI
Quantifying the impact of persuasiveness, cautiousness and prior beliefs in (mis)information sharing on online social networks using Drift Diffusion Models
本研究使用 Drift Diffusion Model 分析在线社交网络上（错误）信息分享的决策机制，发现理性思维可抑制分享误导性新闻的本能，并指出限制高连接用户关注者数量是遏制信息病毒式传播的有效策略。
2024-12-20 cs.SI physics.soc-ph
Graph-Theoretic Analysis of Belief System Dynamics under Logic Constraints
观点的形成不能仅仅被建模为一套原则的意识形态演绎;相反，重复的社会互动和陈述之间的逻辑约束在信念体系的构建中是重要的。我们解决三个基本问题，在社会舆论动态分析：（一）将一个信念系统收敛？(ii)需要多长时间才能收敛？(iii)它在哪里汇合？我们提供了图论的答案，这些问题的一个模型的意见动态的信仰系统与逻辑约束。我们的研究结果表明，信仰系统的收敛特性对底层社会网络和一组逻辑约束（这些约束将信仰与不同陈述联系起来）的隐含依赖性。此外，我们提供了一个明确的分析各种常用的大规模网络模型。
2018-12-30 cs.CY cs.MA cs.SI
Emergence of Stereotypes and Affective Polarization from Belief Network Dynamics
Indiana University（印第安纳大学）；Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学卢迪信息学、计算与工程学院）；Stanford University（斯坦福大学）；University of Virginia（弗吉尼亚大学）
本文通过信念网络模型探讨社会互动与内部一致性驱动如何导致刻板印象的产生，并展示刻板印象与群体认同如何引发情感极化。
2026-04-21 cs.SI
Belief Samples Are All You Need For Social Learning
Institute for Data, Systems, and Society (IDSS), Massachusetts Institute of Technology (MIT)（数据、系统与社会研究所（IDSS），麻省理工学院（MIT））
针对社交学习中智能体仅分享信念样本能否实现学习的问题，提出基于私有贝叶斯信念与邻居样本经验分布加权几何插值的更新机制，严格证明在强连通和集体可区分性假设下信念以概率1收敛至真实状态。
2024-03-25 cs.LG cs.SI cs.SY
Epistemic Networks, Collective Misperception, and the Manipulation of Social Knowledge
Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院）
该研究聚焦网络中智能体的交互信念结构，提出以相互归因张量为社会认知分析单元，揭示集体误解等现象的构成及高阶信念与认知网络游走的关联。
2026-08-27 cs.SI
Discrete Preference Games in Heterogeneous Social Networks: Subverted Majorities and the Swing Player
研究异质社交网络中的离散偏好博弈。这些游戏模拟了玩家的私人信仰和他/她公开声明的观点之间的相互作用（这可能与玩家的信念不同）作为一个战略游戏，其中玩家的策略是意见，并且状态中意见的成本是通过两个因素的参数$α\in[0,1]$的凸组合：参与者的意见与他/她的内部信念之间的分歧，以及与参与者意见不同的邻居的数量。参数$α$模拟了一个玩家的顽固程度：只有当许多邻居不同意他/她的信念时，具有大$α$的玩家才会改变他们的观点。我们认为社交网络是异质的，在这个意义上，参数$α$可以不同的球员。我们要问的是，在均衡状态下，大多数参与者所共有的信念是否可能与大多数参与者公开宣布的观点不一致。我们的主要结果是一个社交网络，承认一个初始的信念分配，存在一个序列的最佳对策的动作，达到一个平衡，在初始的大多数被颠覆的表征。我们的特征是有效的，在这个意义上，可以有效地测试和初始的信念分配，可以被颠覆，可以计算在时间多项式中的球员的数量。我们的结果实际上更强，因为我们表明，在每个可以被颠覆的初始信念分配中，颠覆实际上是以一种非常强的方式获得的：只需要一个单一参与者，摇摆参与者的一次行动，就可以将社交网络带到不归点，任何参与者的任何理性举动都会导致被颠覆的大多数。
2016-03-09 cs.DS cs.GT cs.MA
Belief System Dynamics as Network of Single Layered Neural Network
本文提出修改的Friedkin-Johnsen模型，将个体视为单层神经网络以解释信念顽固性与反噬效应，发现网络结构对信念分布方差及社会压力有显著影响，可应用于政治、历史及心理学领域。
2025-04-04 cs.SI physics.soc-ph
Distributed Probabilistic Bisection Search using Social Learning
Boston University（波士顿大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
我们提出了一种新的分布式概率二分法，利用社会学习与应用程序的目标定位。网络中的每个智能体首先基于其本地信息构造关于目标的查询，并获得噪声响应。代理然后执行贝叶斯更新他们的信念，其次是平均的日志信念在当地的社区。该两阶段算法包括重复查询和平均运行，直到收敛。我们推导出在正确的目标位置的信念的收敛速度的界限。数值模拟表明，我们的方法优于目前最先进的方法。
2016-12-28 cs.LG cs.MA cs.SI
Election Polls on Social Media: Prevalence, Biases, and Voter Fraud Beliefs
本研究考察2020年美国大选期间Twitter选举民调的普遍性与可靠性，识别人口统计、机器人及购买选票等偏差来源，并揭示其传播选民欺诈阴谋论的影响。
2024-05-22 cs.CY cs.SI physics.soc-ph
Interplay between Topology and Social Learning over Weak Graphs
我们考虑一个社会学习问题，代理网络有兴趣在有限数量的假设中选择一个。我们专注于弱连通图，其中网络被划分为发送部分和接收部分。代理收集的数据可能是异构的。例如，一些子网络可能会故意从假假设中生成数据，以影响其他代理。社会学习任务通过扩散策略来完成，其中每个代理：i）使用其私有数据单独更新其信念; ii）通过对其邻居的对数信念的线性组合求幂来计算新的信念。首先，我们研究智能体在弱图上学习什么（社会学习问题）。我们得到的信念在不同的代理，这揭示了代理的检测能力和网络拓扑结构的相互作用，影响的信念的解析公式。特别是，这些公式使我们能够预测何时可能出现领导者-追随者行为，其中一些发送代理可以通过迫使接收代理选择特定假设来控制接收代理的思想。其次，我们考虑的双重或反向学习问题，揭示了代理人如何学习：给定一个流的信念收集在接收代理，我们想发现的全球影响力，任何发送组件施加在这个接收代理（拓扑学习问题）。一个显着的，也许是意想不到的社会和拓扑学习之间的相互作用观察：给定$H$假设和$S$发送组件，拓扑学习可以是可行的，当$H\geq S$。后者只是一个必要条件，我们研究的可行性拓扑学习的两个有用的类的问题。分析表明，一个关键因素，使忠实的拓扑学习是发送子网络的统计模型的多样性。
2019-10-30 cs.MA cs.SI
Is radicalization reinforced by social media censorship?
激进的信仰，如与QAnon，Russiagate和其他政治阴谋论有关的信仰，可以导致一些个人和团体参与暴力行为，最近几个月就证明了这一点。了解这些信念被接受、传播和强化的机制，对于任何缓解激进化和避免政治两极分化加剧的努力都至关重要。本文提出了一个基于代理的模型的社会媒体网络，使审查制度的影响，代理人成为暴露在不同的信息量和确定性，他们激进的观点。该模型探讨了两种形式的审查：1）分散式审查-其中个人可以选择与另一个传播冲突信仰的个人打破在线社交网络联系（取消好友或取消关注）; 2）集中式审查-其中单个权威可以禁止个人从社交媒体网络传播某种类型的信仰。这一模型表明，这两种形式的审查制度通过减少代理人所面临的异议数量来增加激进观点的确定性，但集中“禁止”个人对激进化的影响最大。
2021-03-23 cs.CY cs.MA cs.SI
Influence Dynamics and Consensus in an Opinion-Neighborhood based Modified Vicsek-like Social Network
我们提出了一个修正的Vicsek模型来研究社交网络中的影响力动态和意见形成。我们工作的前提是，一个群体成员的意见可以被认为类似于空间中粒子的运动方向。这些观点很容易在保持类似信念的熟悉的个人的影响下发生变化。这与仅依赖于基于观点接近度的交互的有界置信模型不同。当志同道合的人相互认识或因信仰而争吵时，影响网络就会发展。这就产生了一个自适应网络，并为其分配了动态中心性分数和不同的影响力强度。一个混合的个人-刚性和柔性-被认为构成群体-自由和保守。我们分析了不同的初始条件，代理类型，它们的密度和公差的紧急群体行为。该模型准确地预测了刚性代理人在阻碍共识方面的作用。此外，一些结构特性的动态网络，这是由于所提出的模型已经建立。
2018-08-31 cs.SI physics.soc-ph
Me, My Echo Chamber, and I: Introspection on Social Media Polarization
同质性--我们倾向于与那些与我们对世界有着相同观点和看法的人在一起--既是人性的一部分，也是支撑我们许多数字社交网络的组织原则。然而，当涉及到政治或文化时，同质性会放大部落的心态，并产生“回音室”，降低在线话语的质量，安全性和多样性。虽然有几项研究已经从经验上证明了这一点，但很少有人探讨如何让用户意识到他们的政治回音室的程度和性质会影响他们随后的信念和行动。在本文中，我们介绍了社会镜像，社交网络可视化工具，使Twitter用户的样本，以探索他们的社交网络的政治活跃的部分。我们使用社会镜像招募Twitter用户与政治话语的历史之前的随机实验中，我们评估不同的治疗对参与者的影响i）关于他们的网络连接的信念，ii）他们选择跟随的政治多样性，iii）他们选择分享的URL的政治对齐。虽然我们没有看到对共享URL的平均政治一致性的影响，但我们发现，推荐相反政治意识形态的账户可以降低参与者对其网络连接的政治同质性的信念，但仍然可以在治疗后一周增强他们的连接多样性。相反，那些增强他们对Twitter连接的政治同质性的信念的参与者在治疗后2-3周的网络连接多样性较低。我们探讨了这些信念和行动之间的脱节对未来努力的影响，以促进我们的数字公共领域更健康的交流。
2021-10-11 cs.CY cs.SI
The formation of share market prices under heterogeneous beliefs and common knowledge
金融经济模型通常假设投资者知道（或同意）公司股票的基本价值，随着时间的推移，股票交易所产生的金融体系从个人向集体维度过渡。我们的模型放松了一个独特的“真实价值”的英雄假设，并通过动态形成的个人和社会的意见（或信仰）的基础上的基本信号的经济表现和立场的公司，预测修正异质个人投资者，他们的社会情绪或情绪的市场定价过程的持续状态的股票市场价格的形成。市场出清价格形成的特点是个人和群体的动态，使其集体维度不可还原为个人水平。这种动态的整体方法可以用来更好地理解股票交易所随着时间的推移所产生的市场繁荣。
2011-05-16 cs.SI physics.soc-ph q-fin.PR
Non-Bayesian Social Learning with Gaussian Uncertain Models
非贝叶斯社会学习理论提供了一个分布式推理的框架，一组代理在社会网络上进行交互，通过顺序地通信和更新的信念，通过可能性更新他们的观察世界的未知状态。通常，假设精确地知道似然模型。然而，在许多情况下，由于缺乏数据可用性、收集/校准的高成本、通信网络内的限制和/或操作环境的高动态性，从稀疏训练数据生成模型。最近，社会学习理论被扩展到处理分类模型的模型不确定性。本文介绍了高斯不确定模型的理论，研究了由智能体网络产生的信念的性质。我们表明，即使有有限数量的训练数据，也可以实现非贝叶斯社会学习，并且网络中的所有代理都将收敛到一个共识信念，该信念可以证明识别出给定先验信息集的世界状态的最佳估计。
2019-10-24 cs.SI math.OC stat.ME
Beyond Physicians: Social and Familial Norms Driving Cesarean Section Decisions in Bangladesh
本研究基于健康信念模型和计划行为理论，通过对503名孟加拉国参与者的调查，发现家庭影响和社会期望等主观规范在剖宫产决策中的作用超过医生建议，揭示了健康信念与实际分娩行为之间的显著脱节。
2025-08-17 cs.SI
Joint Trust-Distrust Structure Shapes Belief Propagation and Collective Dynamics
School of Computing and Information, University of Pittsburgh（匹兹堡大学计算与信息学院）
该研究构建了信任-不信任耦合的网络模型，揭示其相关性、网络连通性等对信念传播与集体共识转变的影响，引入舒适指数建立二者的解析联系，明确关系结构与集体信念的机制关联。
2026-10-14 cs.SI nlin.AO physics.soc-ph
Social Learning under Randomized Collaborations
我们研究了一个社会学习方案，在每一个时刻，每个代理选择随机接收来自其邻居之一的信息。我们表明，在这种稀疏的通信方案下，代理学习的真理最终和渐近收敛速度保持不变的标准算法，使用更多的通信资源。我们还推导出一个特殊情况下，每个代理取代其信念与所选择的邻居的对数置信比的大偏差估计。
2022-05-12 cs.MA cs.SI eess.SP
Social Learning with Coordination Motives
社会学习的理论研究通常假设每个代理人的行为只影响她自己的收益。在本文中，我提出了一个模型，其中代理人的行为直接影响其他代理人的收益。在离散时间线上，存在一个社区，在每个时期包含随机数的代理。在每个智能体需要采取行动之前，社区会收到一个关于世界底层状态的私人信号，并可能会观察到以前社区中的一些过去的行动。如果一个代理人的行为与国家的行为相匹配，或者如果更多的代理人采取与她相同的行为，那么她的收益就会更高。我分析了两种观察结构：外生观察和代价战略观察。在这两种情况下，协调动机增强社会学习的意义上，代理人采取正确的行动，显着更高的概率时，社区规模大于阈值。特别是，这个概率达到一（渐近学习）与无限的私人信念，可以任意接近一个有界的私人信念。然后，我讨论了多重均衡的问题，并使用风险优势作为均衡选择的标准。研究发现，在选择均衡中，社区规模对外生观察下的学习没有影响，对内生观察和无界私人信念下的学习有促进作用，对内生观察和有界私人信念下的学习有促进或阻碍作用。
2015-10-29 cs.GT cs.SI
Non-Bayesian Social Learning with Uncertain Models
US Army Research Laboratory（美国陆军研究实验室）；Massachusetts Institute of Technology（麻省理工学院）
非贝叶斯社会学习理论提供了一个框架，模型分布式推理的一组代理在社会网络上进行交互。在这个框架中，每个代理迭代地形成并使用学习规则与他们的邻居交流关于世界未知状态的信念。现有的方法假设代理人可以访问世界状态的精确统计模型（以可能性的形式）。然而，在许多情况下，这些模型必须从有限的数据中学习。我们提出了一个社会学习规则，考虑到使用二阶概率的统计模型中的不确定性。因此，来自不确定模型的信念对每个假设收集的过去证据的数量很敏感。我们的特点是如何以及假设可以在社交网络上进行测试，一致或不与世界的状态。我们显式地显示了所生成的信念的依赖性相对于先前的证据量。此外，当先验证据的数量达到无穷大时，学习就会发生，这与传统的社会学习理论是一致的。
2019-09-27 cs.AI cs.MA cs.SI
Local non-Bayesian social learning with stubborn agents
我们研究了一个社会学习模型，在这个模型中，代理人使用私人信号和其他代理人以非贝叶斯方式的信念迭代地更新他们对世界真实状态的信念。有些代理人很固执，这意味着他们试图说服其他人错误的真实状态（模拟假新闻）。我们表明，虽然代理人学习的真实状态在短时间内，他们“忘记”它，并认为错误的状态是真实的较长的时间尺度。利用这些结果，我们设计了播种顽固代理的策略，以破坏学习，其表现优于直观的推理，并提供了关于社会学习中的漏洞的新见解。
2021-06-11 cs.MA cs.SI
MafiaScope: Inspecting Multi-Agent Reasoning in Social Deduction Games
HSE University（俄罗斯高等经济研究大学）
研究社交推理游戏中LLM智能体信念探测问题，提出MafiaScope测试平台，通过结构化问题让智能体私下作答并自动评分，可视化呈现信念轨迹，以DeepSeek为例进行研究，得出相关校准误差等结果并开源相关内容。
2026-11-03 cs.CL cs.MA cs.SI
Classification of Message Spreading in a Heterogeneous Social Network
LARODEC, University of Tunis（突尼斯大学LARODEC实验室）；IRISA, University of Rennes 1（雷恩第一大学IRISA研究所）
如今，Twitter、Facebook和LinkedIn等社交网络越来越受欢迎。事实上，他们引入了新的习惯，新的沟通方式，他们每天都收集不同来源的信息。现有的研究大多集中在分析同质社交网络，即网络中只有单一类型的节点和链接。然而，在现实世界中，社交网络提供了几种类型的节点和链接。因此，为了保存尽可能多的信息，重要的是要考虑社会网络的异质性和不确定性。本文的目标是根据社会信息在网络中的传播情况和信任函数理论对社会信息进行分类。建议的分类器解释了网络上的消息传播，交叉路径和链接类型。我们在从Twitter收集的真实词网络上测试了我们的分类器，我们的实验显示了我们的信念分类器的性能。
2015-01-22 cs.AI cs.SI physics.soc-ph
Learning Graph Influence from Social Interactions
在社会学习中，智能体通过交换局部信息来形成他们对某些假设的观点或信念。这项工作考虑了最近的弱图的范例，其中网络被划分为发送和接收组件，前者有可能对后者施加支配性的影响。这种图形结构在社交平台上很普遍。我们将不关注直接社会学习问题（考察代理人学习什么），而是关注双重或反向学习问题（考察代理人如何学习）。具体来说，通过对某些代理的信念流的观察，我们想研究是否有可能从网络中发送组件到这些接收代理的连接（影响）的强度。
2020-02-12 cs.MA cs.SI
Contagious Misinterpretations: Social Learning with Shared Interpretations
IIIA-CSIC（人工智能研究所-西班牙国家研究委员会）；CSIC（西班牙国家研究委员会）
该研究探讨静态网络中智能体共享信念与似然性时的社会学习，发现解读会收敛到共识，信念会集中于最佳解释共同信号的假设，共享解读或助或损学习，取决于初始解读准确性与网络中解读的主导类型。
2026-10-14 cs.SI
A maximum entropy model for opinions in social groups
我们研究了一组个人的意见如何决定他们的空间分布和连接，通过基于代理的模型。代理之间的相互作用是由一个类似Potts-like的哈密尔顿算子来描述的，在这个哈密尔顿算子中，代理可以自由移动，而不需要底层的晶格（连接它们的平均网络拓扑结构是由参数来确定的）。这种模型是在与社会组织相关的某些概率的固定期望值下，使用最大熵统计推断得出的。控制参数作为最大熵问题的拉格朗日乘数出现，它们可以与个人信念和外部意见之间的后果水平以及与具有相似或相反观点的同龄人社交的倾向相关联。这些参数定义了一个社会系统的相图，我们使用蒙特卡洛大都会模拟研究。我们的模型提出了第一和第二阶相变，取决于内部的后果和与他人的相互作用之间的比例。我们已经发现了一个临界值的内部后果的水平，低于该代理人的个人信念似乎是无关紧要的。
2014-02-26 cs.SI physics.soc-ph stat.AP
