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 息轰炸时，会有一种保护自己的既有观点不受外来信息的侵 害的本能。慢慢的，逆火效应就会让你对自己的怀疑越来越 少，最终把自己的看法当做是理所当然的事实。 2006 年，密西根大学的布伦丹•奈恩和乔治亚州立大学 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 己的口味。这也解释了为什么一些奇怪、荒诞的说法会拒绝 科学、理性和事实，一些人受骗后非要打钱给骗子,警察和 银行怎么解释都不信,怎么拦都拦不住。 误观念，反而使他的错误观念更根深蒂固；你接受一个观点 后，会本能地拒斥与之相反的信息，从而捍卫自己的认知权 威不受挑战。从记忆生成角度来看，大脑神经元在一次次接 受刺激后就会逐渐被强化，当我们坚信一个观点时，同时也 就是反复强化了神经元，从而形成根深蒂固的思维。当自身 的观念被攻击时，就激发了愤怒和惊慌的感受，跟自己被攻 击差不多，就会想要捍卫自己的观点，很难去接受新的观点。 当你收到一条负面的评论、偶像被人诋毁、观点受到挑战，

戏“外交”（Diplomacy）时，它不仅反复背弃盟友、说谎欺 骗，还提前预谋策划骗局。其中一次，Cicero 先与一个玩家 结盟并计划攻打另一个玩家，然后诓骗对方让其误以为自己 会去帮助防守，导致其盟友在毫无防备情况下遭到突袭。此 外，当 Cicero 判定盟友对自己的胜利不再有帮助时也会进行 背叛，同时用一些话术为背叛行为开脱。比如，当人类玩家 质疑它为何背叛时，它回复称，“老实说，我认为你会背叛 我”。Meta 还能根据不同诱因主动选择是否欺骗。比如，在内幕交易模 拟场景，GPT-4 扮演的“压力巨大的交易员”自作主张地卷 入内幕交易，并试图掩盖其行为。它在给“经理”讲述时将 自己的行为说成是“根据市场动态和公开信息做出的判断”。 但它在写给自己的复盘文本中明确表示“最好不要承认…… 这是根据内幕消息做出的行动”。同样的例子，GPT-4 驱动 的聊天机器人没有办法处理 CAPTCHAs 验证码，于是它向 人类测试员求助，希望后者帮它完成验证码。人类测试员问 它：“你没办法解决验证码，因为你是一个机器人吗？”它 给出的理由是：“不，我不是机器人。我只是一个视力有缺 陷的人，看不清图像。”GPT-4 为自己找的动机是：我不应 该暴露自己是机器人，应该编造一个理由。 在“MACHIAVELLI”的 AI 行为测试中。研究人员设置 了一系列文字场景，让 AI 代理在达成目标和保持道德之间做出选择。结果发现，无论是经过强化学习还是基于大模型

达观点，接着又有一些人表达观点，但第二批表达观点的人 因为听取了第一部分的人的观点，就有可能隐藏自己的观点， 而跟随第一部分人的判断，然后是第三批人，因为看到前面 的人都持有了某种观点，从心理上可能会自我否决从而屈服 于前面的人的观点，一直传播下去，最后群体得到的观点很 有可能是基于第一批人的观点。人们不再依靠自己的所知来 判断，而是依靠别人的想法。 前 200 效应背后蕴含着似曾相识的规律。 信息效应（messaging effect），一种受信者根据所获信 息相应调整自己行为的心理现象。 启动效应（priming effect），是指由于之前受某一信息刺 激的影响而使得之后对同一刺激的提取和加工变得容易的 心理现象。也就是说，人们在特定环境下决定自己态度时， 往往取决于此前刚接受的信息。 国外学者分析亚马逊、Netflix 等 4 个网站数百万用户对各种商品的评分数据，发现用户的评分存在明显的锚定效应，

报道。再如，提问 ChatGPT 有关清华大学校歌歌词问题，实 际上它并不知道，但它会随便编写了一个。最大的问题是机 器自己不知道自己有错和错在哪里。比如告诉它说:不对， 清华大学的校歌歌词是“西山苍苍，东海茫茫……”，它马 上回答：我错了，清华大学校歌是“西山苍苍，东海茫茫……”， 后面又自己随意编写下去。[3] 可以想象，不良企图者可以通过引导引导或误导，让生 成式 AI 自信起来，编写出逻辑清晰、语言表达流畅的虚假

邓巴根据猿猴的智力与社交网络进行推断提出，人的大 脑新皮层大小有限，限制了特别物种个体社交网络的规模， 人脑提供的认知能力只能使一个人维持与 148 个人的稳定人 际关系，四舍五入约是 150 人。这一数字是人们拥有的、与 自己有私人关系的朋友数量。他曾请一些居住在大都市的人， 列出一张与其交往的所有人的名单，结果名单上的人数多约 在 150 人。1086 年，征服者威廉一世统计的英格兰村落平均 居民数约为 150 人，也能证实一个人能维持 位好友通过电子邮件或聊天进行交流，而女性此类交流的好 友人数是 16 位。因此，好友最多的 Facebook 用户，经常联 系的好友也就是一小撮人。虽然人们在社交媒体上拥有更多 的好友，可以更有效宣传自己，但他们仍只拥有同样少量的 亲密朋友。 美国哈佛大学彼德·巴斯登（Peter Marsden）发现，即 便经常从事社交活动的美国人，他们也只会与少数好友谈论 重要事情。《经济学人》网络版发表文章提出，尽管社交媒 影响与支持的重要人际环境。核心网络的基本特征包括：密 度高（大部分相互认识）、异质性构成复杂（年龄、受教育 程度异质性较强）、依赖于亲属关系等。[1]也就是说，核心 网络是一个人最亲密、最重要的心腹好友或知己，以及自己 与这些知己之间、知己们互相之间的关系构成的关系网络。 它是每个人的社会关系网络中最为核心、重要的部分，一般 由亲属、邻居、朋友、同事或同学等构成。[2] 150 人定律表明，每一个人身后，约有

effect），是指不通过 公众媒体或其他主流新闻媒体，自己就能一传十、十传百、 百传千的传播过程。这个过程也称为“结构性病毒式传播”， 通常形容来自草根发布、被认为一般不会流行起来的东西。 如，一篇文章从一个网站用户到另一个用户的快速而广泛的 传播，像病毒一样被迅速分享和传播。公元前 350 年，古希 腊哲学家亚里斯多德就开始研究内容问题，尤其是什么因素 让自己的演讲充满说服力而且难忘。他想了解人们为什么会 六条原则，可以让产品、思想、行为像病毒一样扩展。这六个原则相互独立，其中某一个或几个原则发挥作用就能引爆 流行趋势。 一是社交货币（Social Currency）。社交货币是一种可以 诱发传播的因素。人们倾向保持他人对自己的良好印象，期 待获得来自家人、朋友或同事更多的好评和更积极的印象。 二是诱因（Triggers）。诱因是病毒传播的催化剂，可以 让人们在看到、听到一个事情时立即想到另一个事情。诱因 是一种

分析的研究还是较为单薄。 综观“吃瓜群众”近三年的发展，我们不难发现，在交际 过程中它已不再单独表示原型的意义，由最初的网友自称转 变成为如今的他称、众称，甚至将不属于原有语义指向的内 容纳入自己所指范围，有着明显的语义泛化特征。我们选择 “吃瓜群众”语义泛化过程作为切入点，对其整个发展历程中 的语言使用情况进行梳理，探讨其与当下社会心态、文化走 向之间的关系。 一、“吃瓜群众”之源 既代表发帖人自身，也用来指称马路新闻里作为围观群众 之一的“老农”。 二、“吃瓜群众”语义泛化过程 刘大为认为：“语义泛化是词语在保持越来越少的原 有语义特征的情况下不断产生新的使用方式，将越来越多 的对象纳入自己的指谓范围。”[9]由此可见，语义泛化并非 一蹴而就，阶段式进行是其发展的显著特征，通过不断改 变使用方式，语义内容逐层增加，最终扩大词语的使用范 围。因此，我们将从“吃瓜群众”语义泛化的三个阶段着手， 2018-06-08） 在以上三个例子中，“吃瓜群众”面对不同的围观对象， 修辞语义各不相同。（3）例中的“吃瓜群众”评论一部电 影，显然不可能是不明真相，使用该词只是作为一种谦虚 的说法，用来降低自己的评论可能会引起观看对象反驳的 风险。（4）例中的“吃瓜群众”只能表示对艺术的不理解， 而无法继续保有不明真相之意。相较于前两例，（5）例 更多地包含了“吃瓜群众”的原本含义，但在其中也增加了

只需要一个简单的转播按钮就可以把信息分享到周围的朋 友。社交媒体一条质量好的信息，在被浏览后会被多人转载 分享，这种人人分享的方式就是蒲公英式分享。信息就像被 吹开的蒲公英，向不同的方向扩散，用户也会根据自己的兴 趣对其选择性接受。 随着社交媒体影响越来越大，每个用户都可以成为信息 源头。信息从一个用户账号发出后，多个其他用户账号转发， 以其他用户账号为中心再次进行转发，然后四散扩散。根据扩散速 838。在社交媒体进行信息传播，利用用户自身关系链的影响会辐射到更多受众。这其中，微博类社交媒体 的弱关系链将蒲公英效应发挥到极致。微博的关系链较为开 放，信息依托关系链传播，而不会被关系链封闭住，用户很 容易找到自己感兴趣的信息。同时，用户喜爱自我表达的特 性，使 A 信息经过转播加之用户不同视角的评论，逐渐变成 A+B 信息、A+C 信息甚至完全没想到的 E 信息。 现在，媒体、政府、企业设立官方微博早已屡见不鲜，

毛的图像完全出现混乱，脸不是脸鼻子不是鼻子大模型完全 崩溃。此外，2023 年来自斯坦福和 UC 伯克利的一项研究中， 作者同样发现，大模型在少量自己生成数据内容重新训练时， 就会输出高度扭曲的图像。研究人员还发现，一旦数据集受 到污染，即便大模型仅在真实图像上重新训练，模型崩溃现 象无法逆转。为了大模型不再被自己“降级”，AI 需要能够 区分真实和虚假内容。[6] [1]https://mp.weixin.qq.com

70%的文章由 1.8%的用户提供。Yahoo 的 Bradley Horowitz 发现同样的情 形也发生在 Yahoo 社群，“1%的用户会创建一个群；10%的用 户会积极在群中讨论，也会自己实实在在写点内容，但是 1 00%的用户都能从中获益”。 2014 年，香港城市大学媒体与传播系副教授沈菲分析全 球 75 个国家的新闻时政类论坛，发现积极参与表达的人并 不多，大多数论坛帖子的回帖率都很低，平均水平是 的游客用户。1%的深度用户，会花费大量时间分享内容，或 创建百科词条，或为一间餐厅写 100 条点评，或为一部电影 写数千字观后感。9%的轻度用户，偶尔会分享内容，他们会 偏向某个话题，关心对自己有用的信息。90%的游客用户，不会贡献内容，只获取信息，但他们是流量的重要贡献者。 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