如何看待王慧玲多个平台账号被封禁？

这件事证明了我之前的一个猜测：王慧玲账号被封，是因为王慧玲的观点，由于监测到有大量男性在学习，所以被当成和成鸿宇一样的典型处理了。

首先，在回答开始之前，我们先回顾一下一个人：龙飞律师。

这个人是谁呢？

龙飞律师，是一个负责婚姻调解的律师，当然，立场偏向女性这一块。由于龙飞律师的业务能力非常强，对于法律的剖析很透彻，所以即使立场偏向女性，也有了不少男性关注者去学习。

后来的结果大家也知道，龙飞律师直播间被封。

那么我们将龙飞律师和王慧玲联立进行对比，其实就能发现二者之间有很多相同点。比如都有大量女性关注、观点较为极端、后来也有不少男性去学习其手法等。

那么，首先，我们关注第一个问题：为什么龙飞律师和王慧玲都有大量女性支持呢？

因为她们在高度极化的女性社区，得到了大量女性的支持，因此就有了初始热度。

关于这一点，我们可以看看Proceedings of the International AAAI Conference on Web and Social Media在2021年8月的这篇文章。

根据包含任何相关主题标签的推文，实验构建了代表Twitter用户之间政治交流的网络。着眼于公共用户交互的两种主要模式，即提及和转发，我们通过以下方式定义通信链接。在转发网络中，如果 B转发，则一条边从代表用户A的节点运行到代表用户B的节点。

唔姆，如图所示，以上是通过提及和转发网络上的标签传播计算出4950对聚类分配之间的最小、最大和平均ARI相似度。结论很明显，表3说明了每个图的聚类分配结果之间的高度平均一致性。

唔姆，如图所示，以上是使用强制导向算法布置的政治转发（左）和提及（右）网络。节点颜色反映集群分配。社区结构在转发网络中很明显，但在提及网络中则不太明显。在转发网络中，红色簇A由93%的右侧用户组成，而蓝色簇B由80%的左侧用户组成。

为了调查跨意识形态的提及，我们将观察到的手动注释用户之间的链接数量与在图表中预期的值进行比较，其中用户在不了解政治立场的情况下相互连接。预期链接数量的直觉如下：对于一组具有 k个有向边的用户，我们保留每条边的源并将目标顶点分配给图中的随机用户，模拟用户的场景与政治意识形态无关。例如，如果来自右倾用户的klink总数，且左倾用户数和右倾用户数分别为UL和UR，则

唔姆，如图所示，以上是及和转发网络中不同政治阵营的用户之间观察到的链接数量与预期链接数量之间的比率。我们报告了每个政治阵营的用户之间观察到的链接数量与预期链接数量之间的比率。对于这两种沟通方式，用户更有可能与他们同意的人互动。然而，这种效应在提及网络中远没有那么明显，我们在其中观察到大量的跨意识互动。^[1]

除此之外，我们还可以看看Studies in Computational Intelligence在2016年11月的这篇文章，里面讲述的是回声室效应是否会造成两极分化的现象。

数据收集分两个阶段进行，每个阶段收集三个网络样本。

第一阶段数据收集的基本策略是滚雪球抽样：从种子用户（顶点） s 开始，爬行到其所有关注者（关注 s 的用户）和“关注者”（被 s 关注的用户）。对于找到的每个用户递归地重复此过程，直到获得足够的顶点。我们爬行到距种子的最大距离 d，收集距离 0, 1, …, d-1 处的所有顶点，但不一定是距离 d 处的所有顶点，因为它们数量巨大。为了减少时间成本，选择关注者和追随者数量相当少的种子。实验从三个种子中收集了网络样本：美容博主、漫画作家和计算机图形学者。我们分别将这些网络称为“美”、“漫画”和“图形”。

唔姆，如图所示，以上是图形网络的可视化。

唔姆，如图所示，以上是6月份收集的三个网络的统计数据。 “有向”列表示删除方向性之前的顶点和边。 “无向”列描述了往复边的网络。

第二阶段的数据收集有两种可能的方法。一种是从同一个种子中再次爬行，通过滚雪球采样的方式收集网络。另一种是直接收集第一阶段出现的所有用户。

实验中，为了正确评估新边和删除边的数量，必须将实际数量与随机添加或删除边的空模型进行比较。

唔姆，如图所示，表3显示了生成随机增长网络 100 次后，所有三个网络中新社区内边的平均数量、最大数量和最小数量。图4显示了每个随机网络中添加的社区内边数量的分布。每个图表中的星号代表相应真实网络中的社区内边的数量。以Graphics网络为例，实际有795条新边，其中727条是intracommunity。从该表中可以看出，随机情况下社区内新边的平均数量为297条，远少于实际结果。即使找到的最大值329，仍然远小于727。对于其他两个网络，结果与 Graphics 网络一致。结论很明显：社区内部出现新边缘的几率比预期的要高。

唔姆，如图所示，以上是每个网络中删除的社区间边的数量。以Comic网络为例，社区间删除边的平均数量约为75条，甚至最大数量97条也远小于实际结果 222 条。这些结果不如添加边（第 3.2 节）那么明显，但仍然表明社区间边缘删除比偶然预期的更常见。^[2]

那么总结一下，就是一个新的回声室的形成，往往会切断社区之间的联系，转而加强和社区内节点的联系。

回到这个问题，王慧玲和龙飞律师，就是通过其较为极端的观点，吸引了大量女性关注，同时，如果将支持王慧玲和龙飞律师的人视为一个回声室，反对的人视为一个回声室，那么我们就可以看到，二者之间几乎没有交流，当然这句话不完全准确，因为王慧玲团队有钱，在知乎买了一个问题进行推流：

但总体上还是没有打破双方之间基本没有连接这一点。

那么，我们可以看看第二个问题：为什么王慧玲和龙飞律师，都有着较大的热度呢？

因为二者，特别是王慧玲，使用了媒体作为放大器，放大自己的音量。

我们可以看看scientific reports意见放大导致社交网络极端两极分化，媒体会通过设置假新闻，进一步加剧社交网络意见两极分化。

唔呣，如图所示，该意见模型里，意见收敛为一个平均意见和收敛为多个意见集群。在每个时间段，两个随机选择的智能体“相遇”，当他们的意见差异幅度小于阈值时，他们会重新调整他们的意见：

其中， 代表的是阈值的定义。阈值越高，意味着意见越容易出现分化。

那么该模型最后主要有同化影响（左）、有界同化影响（中）和微分影响（右）三种变化，前两种是在一个事件里，所发生的正常意见变化，最后一种是媒体通过假新闻，希望得到的结果，在最后一种结果下，随着两极分化，意见的对抗程度会大大提高。

在这个模型里，媒体制造假新闻，其实相当于以媒体作为一个放大器，标题作为一个意见，当个人在放大器下交谈时，他们的意见会被加强，与此同时，加强的意见通过标题最终被收敛为一种意见，这样最后和群众的中立意见形成对抗，甚至取而代之，让根据假新闻得出的意见成为“虚假的中立意见”。

唔呣，如图所示，以上为在使用放大器后，意见的状态变化。从图里，我们可以发现，在不使用放大器时，意见最后会形成同化和有界同化两种形式。但是，在加入放大器这一影响后，如果阈值较高，则会形成以经过放大后的意见，呈现单边极化的形式，如果阈值较小，则会形成两极分化，即媒体炒作的假新闻成功加剧了社会撕裂。其中，π为放大强度。

当然，目前的主要措施有两种：

1.引入“五票出局”机制

举个例子，媒体在发布被标记为错误信息的新闻后被标记一次，被标记五次后，该媒体永久停用。

唔呣，以上是在加入“五票出局”机制后的变化，通过惩罚媒体，抑制其通过使用放大器放大错误意见。

2.传播平衡意见

反对社交网络上极端观点的第二种方法是让个人账号传播关于任何给定主题的平衡观点。

唔呣，如图所示，以上是在加入引入平衡意见后的结果。但我要强调的是，引入平衡意见，是在假新闻已经造成严重负面影响下的结果，此时辟谣，不需要再强调100%客观公正，这也是几乎所有人都会产生的刻板印象。^[3]

回到这个问题，为什么我们看得出来王慧玲使用了媒体作为放大器呢？

根据内外赞定律，这条微博的内外赞比例超过了20，因此检测到了大量社交机器人在制造“支持王慧玲”的观点。

但实际上情况怎么样呢？

在一人一票的投票中，虽然样本不多，但还是以反对王慧玲的声音占据上风。实际上和美国大选是一个道理：善于刷票制造声势的哈里斯，最后被特朗普击败，因为选票就是一人一票，造假的难度较大。

那么在明白二者热度较高的原因后，我们就可以思考最后一个问题：为什么二者都会被封号呢？

我觉得答案很简单，参考“马蹄铁理论”：

王慧玲和龙飞律师在一端，而在另一侧的男性，根据回声室的对称点原则，就会开始学习二者的一些方法，比如王慧玲的“一女几吃”，换一下关键词，变成“一男几吃”，一样能起到开导作用。

那么在检测到有大量男性学习二者后，最后肯定以同样的名义，把二者进行封号处理，因为客观来说给男性带来正面收益了，这些措施也符合上文里面的措施。

回到这个问题，这件事有什么参考意义呢？我认为最大的意义是，后面碰到类似的意见领袖时，可以试一下这种方法：114514%地支持她们，然后就有机会让她们被视为男性的朋友，从而被处理了。