下意识就会去寻找 WIFI 信号，就像夜晚进入房间寻找电灯开关一 样。互联网已成为人类生活比不可或缺的一部分。曾有人开玩笑说， 如果想体验 90 年代，扔掉手机就行；如果想体验 80 年代，断掉网 线就行；如果想体验 50 年代，关掉电视就行；如果想体验 00 年代， 关掉收音机就行；如果想体验 19 世纪，切断电线就行。 如今，上网已成为一项基本权利。脸谱曾发表声明《连接是一个人 权利》说，“上网是

点和言论倾向会向后续网民传染，从而起到引导后续网络舆 论的。也就是说，前 200 效应会让出现的观点从一些人那里 传播到另一些人。前 200 个网民的意见和评论，如果是消极负面的言论较多，后续网民评论整体就会偏向负面；如果是 积极正面的言论较多，后续网民评论整体就会偏向正面。20 0 个网民的意见和评论，也是我们在舆论事件初期观察研判 其可能演变趋势的重要指标。 前 200 效应是一种社会性趋同心理，在示范者或领头羊 篇帖子的标记状态是下一篇帖子是否被标记的最强预测因 素。这意味着，虽然有些人可能总是更倾向于喷别人，发帖 的上下文情境更有可能是诱发喷子的因素。 前 200 效应也与“沉默的螺旋”这个定律有某些相似之 处。如果一个人感到他的意见是少数的，就不愿表达出来， 甚至转向沉默和附和，因为害怕被多数一方报复或孤立。网 民在发表评论意见时，一般会先看下前 200 条（翻几页评论 跟帖）已经存在评论的“意见气候” “近因”对舆论倾向的作用。也就是说，在人们发表意见评 论之前，他人最新所发意见评论对人们后续言论的倾向有很 大影响。因此，争取好评的捷径是争取最先的好评。如果舆 论中一开始就有人认为某人好看，整个群体的人就会越来越 认为这个人美丽动人。很多明星就得益于此，说她好看的人 越多，人们就会认为她越好看。如果，突然又有人说明星整 容了，人们也会跟着说她五官本来就不正。

户的信息分享量，C 是一个常数。 扎克伯格还举了一个直观例子——将一张纸折叠 50 次。 扎克伯格说：“如果你拿出一张纸，并将它折叠 50 次，那么 它会有多高？多数人可能会说不足一英尺…这个长度等于 往返地球与月球 10 次…纸的厚度乘以 2 的 50 次方，数字虽 小，但翻了很多倍。”也就是说，社交共享信息量如果以 1 年为间隔，社交共享信息量将以指数 2i 的速度增长。他用这 个例子类比社交分享的力量，一个被分享 社交分享定律，也表现为一条快速增长的指数曲线，预计在 可预见的未来，用户每年在线共享的信息量将增加一倍。 当然，也有人指出这可能在夸大其词，天使投资人克里 斯·迪克森（Chris Dixon）就表示，如果按照扎克伯格所说， 20 年后一条信息将被分享 1048576 次（2 的 20 次方）。不 过，移动互联网普及，人们可以随时随地转发、点赞和评论， 进一步推动社交分享信息量的指数级增长，迪克森的质疑至 Facebook。这些新的共享功能， 足以支撑社交分享定律持续有效。社交分享定律对许多初创科技企业来说，也是非常有意 义的，其信息量增速能否向上走这条曼妙曲线（指数曲线）， 是判断其是否能够获得成功的一个主要参考。如果信息量增 长，较大偏离社交分享定律，也就意味着其发展规模和前景 堪忧。

能做到以理服人。 要加强理论武装，用党的创新理论武装头脑、指导实践、推动工作。要熟悉新媒体，科学把握网络传播规律，不断提升舆情跟踪研判能力。 二要迎接挑战，做主动出击者 面对校园舆情，别怕，更别躲！ 如果存在怕和躲的心态，就容易始终处于被动应付、消极应对的局面。 要变被动为主动，主动接触新媒体，主动联系，主动沟通，下好先手 棋，打好主动仗，正确引导舆论导向。 如有所学校因为食堂卫生问题引起学生及家长不满，引发网络舆情。 同时，学校通过家长会和学校网站公布了检测结果，并解释了采取的 改进措施。 通过沟通，学校有效地缓解了家长的担忧，并强化了对食品安全的重 视。 四要行动迅速，做“闪电侠” 互联网时代，信息跑得比兔子还快。 如果没有及时应对，造成的影响将会以指数级速度扩散。 一旦发现舆情，不能等待拖延，得像消防员一样，迅速行动，否则就 容易错失有效应对的关键时机； 也不能按照平时的工作节奏，按部就班层层签批走程序，必须第一时 像海上的小船，需要我们这根“定海神针”。 如果家长和学生的情绪已经被调动起来，我们的应对反复变化，他们 得不到稳定的预期，舆情就容易升级。 要做好统筹协调，明确固定的信息发布人、发布时间和发布渠道，统 一数据和来源，对同一问题的解释说明应保持连贯性和一致性。 如果有变化，应公开坦诚说明原因。 对于需要时间进行调查研究、不能尽快给出结论的问题，如果只是简 单地说正在调查，公众不知道等待的时间长短，感受到不确定性，自

越文本数据从其他领域获取数据，比如视频、图像、金融市 场数据或科学数据库。[1 从 ChatGPT 到 AGI:生成式 AI 的媒介特质与伴生风险 （五） ] 不过，这并非是解决问题的良策。如果网上大部分文本都是 AI 生成的，而用合成数据训练的大模型会发生什么？ 大模型开发需要更多数据进行训练，而由 AI 生成的合成数 据很快进入了训练新模型的数据集，并随着每一代模型而不 断积累。 学、帝国理工大学、多伦多大学研究人员发现，使用 AI 合 成数据训练 AI，在进行 9 次迭代后，模型开始出现诡异乱码进而直接崩溃，相关研究论文登上 Nature 封面。[4]研究人 员发现，如果大模型在数据训练中不加区别地使用 AI 生成 的内容，模型就会出现不可逆转的缺陷——原始内容分布的 尾部（低概率事件）会消失。这种效应被称为“模型崩溃”。 换而言之，这种合成数据就像是近亲繁殖，会产生质量低劣 污染》指出，AI 越来越火， 但 AI 生成的垃圾信息也越来越多了。在 AI 的加持下，无意 义的内容呈指数级增长，假新闻、标题党获得大量曝光。AI 不但没有解放生产力，反而劣币驱逐良币。[5]如果在网上 搜索“AI 写文赚钱”，会有许多广告跳出来说，用 AI 写文章， 只需复制粘贴，月赚上千元。 可以说，如今全球大模型已经陷入到高质量数据荒之中。 但是，目前多数模型的训练数据都是从网上抓取数据，不可

100 条定律|逆火效应 逆火效应（back fire effect），是指当一个错误的信息被 更正后，如果更正的信息与人原本的看法相违背，它反而会 加深人们对这条（原本）错误的信息的信任。心理学家发现， 当人们的观念已经形成，你对他们的任何一个反驳都可能成 为反过来伤到自己的子弹。更正信息的行为就像是一把逆火 的枪，虽然没有射出子弹，但却击中了谣言，让更正后的（或 原本）真实的信息更加没有市场。当在人被动的接受他人信 武器；而第二则真实的消息是美军在伊拉克什么也没发现。 实验结果让人意外，那些实验对象在阅读完美军没有在伊拉 克发现大规模杀伤性武器报道时，反而更加相信第一则假消 息。研究人员随后又在别的话题上进行了类似的实验。结果 又一次发现，如果更正的消息与人原本的看法相违背，它反而会加深人们对错误信息的信任。心理学家说，这样的故事 就像剧本一样。我们可以决定安排剧本的情节按照自己的喜 好发展。人们接受信息不是看其真实性，而是看其合不合自 你便开始搜集数据，寻找信息，试图找到对方的弱点将其击 破。在此过程中，你的脑中会形成新的神经连接，令原本的 观点变得更加坚定。追星族喜欢某个明星或者人物，就更倾 向于接受其正面的新闻信息，如果发现负面新闻，就会想要 用尽一切办法保护心目中的那个完美偶像，追星程度严重的 话就会出现“一粉顶十黑”情况。 逆火效应导致一些部门、企业、社会组织等驳斥错误信 息或谣言时面临较大困难。不过，从逆火效应成因上可获得

万、100 万月活跃用户)，如果 重度创作者的比例维持在 1%以上甚至达 2%、3%，就表明经 营推广效果非常好。雅虎发展战略部副总裁布拉德利·霍罗 维茨在研究用户使用雅虎社群、图片共享网站 Flickr 和 Wiki pedia 后的共同点后认为，1%法则是对的。维基百科创始人吉 米·威尔士的研究表明，Wikipedia 近一半编辑工作是由 2.5% 的用户完成。如果以 2008 年 8 月的中文维基百科为例，当 无论是哪一类用户，对一个网站来说都是重要资源。因此， 作为互联网应用和服务的提供商，对深度、轻度和游客用户 都需要有针对性的策略把他们留住，因为轻度用户可能转化 为深度用户，游客用户可能转化为轻度用户，如果吸引用户 的措施不得当，这个过程也是可逆的，深度用户变为轻度用 户，轻度用户变为游客用户，游客用户直接流失，那么收割 流量的目标也就会落空。 作者介绍：张鸫，原中央机关网络舆情处长，人民日报

而操纵并误导人类形成错误认知。与代码错误而产生错误输 出的 bug 不同，AI 欺骗是一种系统性行为，体现了 AI 逐步掌握了“以欺骗为手段”去实现某些目的的能力。人工智能 先驱杰弗里·辛顿（Geoffrey Hinton）表示，“如果 AI 比我 们聪明得多，它就会非常擅长操纵，因为它会从我们那里学 到这一点，而且很少有聪明的东西被不太聪明的东西控制的 例子。”辛顿提到的“操纵（人类）”是 AI 系统带来的一个 特别令人担忧的危险。 时刻佯动欺骗，甚至制定周密阴谋，以化被动为主动，获得 竞争优势。在一些检测 AI 模型是否获得了恶意能力的安全 测试中，有的 AI 竟能识破测试环境，故意在测试环境中“放 水”，减少被发现的概率，等到了应用环境中才会暴露本性。 如果 AI 的这种欺骗能力未经约束地持续壮大，同时人类不 加以重视并寻找办法加以遏制，最终 AI 可能会把欺骗当成 实现目标的通用策略。麻省理工学院研究员彼得·帕克（Peter Park）等在权威期刊 为你会背叛 我”。Meta 研究人员努力训练 Cicero 要诚实行事。然而，Cicero 仍显示明确的不守承诺的行为，这暴露 AI 训练诚实面临巨 大挑战。因为，AI 系统在追求胜利目标时，如果发现欺骗是 可行且高效的策略，它为什么不这么做呢?这说明，人类不 能天真地认为赋予 AI 目标，就能确保它拥有人性化模式。 除了 Cicero，该论文还列举了其他几个 AI 系统为在特定任务场景下获胜而欺骗的案例。DeepMind

51%法则，通俗说就是赢家通吃。现在，区块链概念如 火如荼。区块链是去中心化、体现平等精神的一种网络底层 技术。但是，区块链还有一个法则：“51%攻击法则”，如果 有人掌握 50%以上的算力，就能比其他人更快找到开采区块 需要的随机数，也就拥有决定那一区块的权力，在事实上实 现赢家通吃。比如，利用算力优势可撤销已经发生的付款交 易。这如同在大多数选举中，若是赢得半数以上选票，候选 人 单极聚化是群体意见演化的重要方向，表现为对某一事件的某类意见超过 50%，就非常容易发生聚化现象，甚至裹 挟持不同意见者。在一个舆论事件中，如果持某类观点的舆 论声量超过半数，就意味着舆论围绕某一事件的讨论达成基 本一致意见，形成单极聚化。如这类基本统一意见是消极观 点，是很不利的，往往导致舆论危机发生。如果这类基本统 一意见是积极观点，则是很有利的，提供了一个放大宣传的 契机。2017 年 11 月，《新京报》旗下的《局面》专访栏目陆

次生舆情的产生与应对 来源：微信公众号“探舆岛” 次生舆情是在新媒体环境中以原生事件议题为基础和诱因，再生和演化的新 舆情。某些公共事件成为舆论热点之后，如果事情没有及时处理好，可能会引发 公共讨论和意见的表达，很多平常被掩盖和忽略的问题都被“扒”出来，形成一波 又一波的“次生舆情”。 一、次生舆情的特征 关联性与偶然性。当原生事件进入公众视野并引起广泛关注后，事件中不同 利益攸关 式丰富多样，伴随着众多受众意见的参与和对主体事件的深挖，各方的意见相互 交汇、叠加，导致原生舆情发生裂变和延伸。 网民的参与是次生舆情形成的基础。普通网民是次生舆情生成的主力军，网 络意见领袖的表达左右网民情绪，激发网络次生舆情。如果舆情事件刺激到了网 民的基础需求，将形成新的舆情高潮，加快原生舆情的演变速度。网民的群体心 理影响次生舆情形成。比如：逆反、宣泄心理；窥私、猎奇心理；跟风、从众心 理。 某些话题容易形成次生