Plandemic：有计划的虚假信息放大 Covid-19 信息流行病的产物

在 COVID-19 大流行的最初几个月，一部名为“瘟疫”的 26 分钟纪录片在网上发布，并通过 Twitter 和其他主要社交媒体平台疯狂分享。该纪录片的制片人试图通过复杂的虚假宣传活动传播错误信息和阴谋论，并诋毁科学专家。他们着手通过指导公民积极行动来实现这一目标，以最大限度地提高纪录片的传播速度并降低对公共卫生干预的积极情绪。我们将社交网络分析中的技术与 Twitter 数据的形成性内容分析相结合，作为 COVID-19 大流行期间社会工程的案例研究，检验了 Plandemic 虚假信息运动的有效性。通过比较电影上映前后 Twitter 网络的社区结构和交流模式，我们证明了 Plandemic 活动之所以有效，有两个原因。首先，该活动在 Twitter 上建立了一个分散的信息共享网络，通过指导低覆盖率的社交媒体用户大规模共享纪录片，有效地颠覆了对其错误信息的保护。其次，该运动放大了阴谋论者对疫苗接种和遏制措施的负面情绪。这些影响可能对公众遵守公共卫生措施的意愿产生间接影响。我们的研究结果表明，有必要对复杂的社会实验（例如大流行虚假信息运动）进行进一步研究，并为制定政策以打击公共卫生危机期间健康错误信息的传播提供重要见解。 2020年5月4日，一部时长26分钟的纪录片《大瘟疫》在网上发布，并通过推特等各大社交媒体平台疯狂分享。这部电影的叙述者认为，COVID-19 病毒是由全球精英计划作为控制人口的一种手段。他们进一步认为疫苗是有害的，戴口罩会“激活”冠状病毒——同时提出伪科学的治疗替代方案，例如在海洋中发现的“治愈微生物”（1）。事实上，这部纪录片的观众面临着 26 分钟的 Gish 疾驰，充满了医生和科学家的错误引用以及知名阴谋论者的客串。从本质上讲，这部纪录片旨在散播怀疑，诋毁科学专家，并将人们推向政治极端。为了适应与 COVID-19 相关的政治、经济、社会运动、地方/全球关系、事件以及意见和批评的世界，这部电影的论点以一种看似客观的方式呈现- 资助根据“真实故事”改编的好莱坞电影。当健康话题被与循证医学不一致的虚假言论误导时，健康传播者和政策制定者很难确定是否以及如何进行干预 (2) 1. 当虚假信息运动部署策略时，这种斗争变得更加困难增加对健康错误信息的接受度。 Plandemic 的制片人、解说员和资助者 Mike Willis 将纪录片上传到各种社交媒体平台和 Plandemic 自己的网站 (4)。浏览该网站可以了解这部电影时尚的在线营销策略，仅举几例，其中包括电子邮件和稀缺营销策略。所有这一切都包含在一种适合人们可能在革命宣言中找到的修辞中。 Plandemic 作为有计划的虚假信息的设计是独一无二的，因为制作人呼吁观众和活动的潜在参与者自己下载和分享视频 2.“为了绕过言论自由的守门人，我们邀请您下载这个只需单击下面的按钮即可进行采访，然后直接上传到您喜欢的所有平台”（6）。威利斯预计该视频将被主要社交媒体平台禁止。在可以被视为类似于营销人员工具包中最常见的推荐计划的高水准战略公共干预中，他使用 Plandemic 网站指导活动参与者下载和大量分享电影，从而有望绕过媒体把关任何形式的。该策略还依赖于分享纪录片的人被禁止或删除帖子时获得的额外关注，从而增加了炒作周期（7）。因此可以说，通过利用众所周知的营销策略和社会变革干预措施，威利斯寻求最大限度地扩大健康虚假信息和误导性声明的影响力和传播速度。当前关于健康虚假信息和阴谋论的研究议程还很年轻且支离破碎，并强调因果关系的解释。众所周知，一系列复杂的条件和因素使人们能够接受阴谋论的信念，包括人格类型、启发式和对社会学因素（如教育水平和政治取向）的认知偏见 (8, 9)。例如，教育水平与相信阴谋论的可能性之间的相关性既可以是正面的，也可以是负面的。事实上，周等人。认为“当涉及到对其身份至关重要的话题时，受过高等教育的人可能同样容易受到错误信息的影响。”几位关注后果的政治科学家和社会学家发现，阴谋论会削弱公众对政府政策的支持，减少自愿遵守的关键预测因素，并可能破坏与健康相关的预防行为 (10-12)。 Van Prooijen 等人。观察到“阴谋论尤其起源于危机情况”，这让我们有理由相信，在 COVID-19 大流行期间，健康虚假信息和由此产生的对阴谋论的信念的社会后果可能特别消极和严重。例子包括不愿意接受疫苗接种、拒绝传统的药物或牙科治疗，或者可能倾向于基于伪科学信仰体系的不受支持和潜在危险的治疗 (13, 14)。通过数据驱动的研究，学者们试图获取和理解公众对公共卫生政策实施的情绪和反应。努力了解公众对疫苗接种的犹豫或公众对大流行的看法对政策的关键决策具有重要价值 (15-17)。然而，这些试图更好地理解阴谋论本质的尝试充满了对信念因果关系的调查，而缺乏对后果的研究（18）。研究阴谋论的学者的重点往往是基于这样一种假设，即阴谋论“存在”作为一组环境，就像一个背景，而没有过多考虑阴谋论的病因史 (8)。这种关注可能源于将不同或重叠的阴谋论视为可以互换的倾向，集中于从有限种类的当代最爱中提取的“典型”例子。与此同时，人们承认虚假宣传活动是由特定行为者赞助的，包括政府、国家赞助的倡议、私营公司或个人企业家，如 Plandemic (19)。可以看出，缺乏关于行为者如何带来错误信息的实证研究限制了学术界对特定理论的具体内容和背景的参与，这可能说明它们是如何产生和获得意义的 (8)。该研究领域的第二个问题涉及阴谋和虚假信息研究的可复制性和生态有效性。有理由相信，文献对调查的强烈依赖可能会进一步阻碍当前的研究。政治学研究人员也可以这样说，他们通过实验性的态度操纵来寻求确定“阴谋思想”中涉及的变量和机制。本质上，实验和意见调查缺乏历史元素，只专注于横断面研究。事实上，人们很少关注阴谋论和虚假宣传活动如何随着时间的推移而展开，主要是因为缺乏有意义的时间序列数据。

因此，研究这些主题的学者对新兴的理论问题采取不同的立场也就不足为奇了。一个相关的例子是当前对互联网和社交媒体如何促进虚假信息的传播和复杂化的担忧 (20)。一些人认为，虚假信息和阴谋论确实在互联网普及时代盛行，而另一些人则淡化了其重要性。 Swire-Thompson 和 Lazer 将这些问题应用于健康虚假信息的背景，表明需要进一步了解人们是否或多或少地因使用互联网而被误导 (21)。事实上，越来越多的研究评估了社交媒体和在线虚假宣传活动对疫苗接种率和态度的影响 (22)。然而，关于将虚假宣传活动的设计目标与其社会后果相关联的研究很少。在《理解阴谋论》中，道格拉斯等人是迄今为止最全面的文献评论之一。 (18) 建议调查参与者如何传播阴谋论及其社会后果。作者进一步建议，可以在“Web 内容自动编码的开发、Web 2.0 中的社交网络以及通信动态分析”中找到一种富有成效的调查后果的方法 [( 18)，第 19 页 ]。 22]。他们认为，这些研究途径为“研究阴谋论的大规模传播及其对社会和政治进程的影响提供了许多机会”。有一些研究沿着这些调查路线使用了社交网络分析。这些研究追踪了阴谋论如何通过社交网络传播并改变讨论的内容（23-27）。社交网络分析可以证明在评估网络拓扑（定义为网络参与者之间的特定连接模式）和社会动态（节点之间随时间和空间的交互模式）如何影响给定网络中的信息传播方面特别有效（28， 29)。因此，社交网络分析为调查负责普及阴谋论的参与者所采用的分发策略的有效性提供了肥沃的土壤。在文献中存在方法论和理论空白的这种背景下，我们着手调查 Plandemic 的发布策略对 Twitter 上“plandemic”网络的网络拓扑和社会动态的影响。鉴于 Plandemic 的设计意图与社交网络的拓扑结构和相应的社会动态有关，我们问：Plandemic 的分发策略如何推动社区活动和 Twitter 上 COVID-19 相关通信的模式？我们选择使用 Twitter 检索方法的理由如下：通过使用 Twitter 数据作为我们分析的来源，我们能够访问许多可能难以联系到（使用调查或实验研究）的阴谋论者的数据。通过这种访问级别，我们旨在为阴谋论和健康错误信息的研究带来急需的细节——“在野外”而不是在实验室中。使用 Twitter 数据还改善了新兴的可复制性和生态有效性问题，因为数据和工具是公开可用的。社交网络分析的定量工具使我们能够在网络拓扑的抽象、正式和结构映射中处理 Plandemic 发布策略的影响。我们将形成性内容分析与社交网络分析结合使用，以调查电影上映后有关 COVID-19 相关主题的交流模式如何变化。我们的研究结果分为三个部分，如下所示。首先，为了关注重要事件——Plandemic 的发布——与被曝光的参与者之间的关系，我们描述了 Plandemic 的发布对 Twitter 网络社区结构和中心性属性的影响。其次，我们探讨了《瘟疫》对信息共享的特殊性的影响：主要是电影上映后哪些话题或多或少流行了。在第二部分中，我们还推断了 Plandemic 对用户参与 COVID-19 相关概念和想法的影响，并强调了他们使用语言的一些显着元素。最后一部分是在我们的研究问题的背景下对结果的讨论，以及关于我们的分析对卫生政策和进一步研究的影响的结论。我们收集的数据中的推文是从乔治华盛顿大学的公开数据集 Tweetsets (30) 中检索到的。我们过滤了 1.88 亿个条目，只筛选出包含“瘟疫”一词的推文。我们根据以下标准确定了一个时间范围：该时间范围应说明“瘟疫”推文流行度的增长和衰退。在世卫组织于 3 月 11 日宣布全球大流行之前的一周内，首次提及“大流行”的推文激增。因此，将第一次高峰视为开始是合理的。此外，在电影上映后的几周内，人气开始下降。随着人气在接下来的一周回落，可以在 6 月 4 日看到人气的最后一次飙升。在电影上映后的 4 周内，人气就陷入停滞。因此，为了描绘“瘟疫”话语的流行程度的上升和下降水平，我们决定包括 2020 年 3 月 3 日至 6 月 10 日期间所有提及“瘟疫”的推文。我们检索了一组“脱水”（匿名）推文和“使用 Hydrator 版本 0.013 (31) 重新水化”（去匿名化）这些推文。用于本研究的最终数据集包含来自 42,966 名用户的 78,793 条推文。社交网络分析侧重于参与者与网络之间的联系。它包括一组研究方法，用于对“关系和关联、发展和关联以及网络和活动中的动态力量”进行建模，特别是在社交媒体平台上 [( 32), p. 155]。该领域的各种应用也被证明在社会和行为科学之外也很有用，包括商业和健康信息学 (33, 34)。基于广泛的用途，该领域的理论、实践和工具的集合由以下原则强调 [( 35), p. 205-222]：（1）网络的结构和特征有助于该系统的性能； (2) 行动者的关系状态影响其行为； (3) 参与者的行为符合网络（在我们的例子中为 Twitter）环境。

我们使用 Gephi，一种用于社交网络可视化的开源工具，对研究数据集中的网络结构和特征进行定量和可视化分析 (36)。我们首先通过定义数据集的边和顶点来做到这一点。边缘是网络理论中两个最核心的概念之一，涉及交互单元、抽象连接甚至物理直接性 (37)。边缘（也称为“链接”、“关系”或“关系”）的一个相关示例是 Twitter“提及”。根据 Twitter 的文档，“提及是在推文正文的任何​​位置包含另一个人的用户名的推文”（38）。网络理论中的另一个核心概念是“顶点”的概念（37）。顶点（也称为“代理”、“参与者”、“节点”或“实体”）可能由个人、位置、事件或媒体组成。因此，一条边将任何给定社交网络中的两个顶点连接起来。在我们的例子中，我们网络中节点之间的联系可以用谁提到谁来表示。可视化任何类型的网络意味着要做的不仅仅是创建有吸引力的图像。为使用证据构建网络图像表示的做法并不是什么新鲜事，并且已经持续了几个世纪 (39)。根据 Freeman (40) 的说法，社交网络的可视化提供了“关于网络结构的新见解，并有助于将这些见解传达给他人”（第 1 页）。 “新见解”的例子可能包括对科学研究、社区灾难响应或政策传播的影响的准确衡量。为了可视化网络的拓扑结构，从而更好地了解网络的信息动态，我们运行了 OpenOrd、ForceAtlas2 和 Yifan Hu 多级布局算法（按提及顺序）（41-43）。这些布局算法对于降低视觉复杂性和提高网络特征的可理解性非常有用，尤其是在结合图形进行解释时。在应用适当的布局算法后，我们计算了相关的网络指标，以根据输出为图形着色。出于本研究的目的，计算了以下三个指标：模块化、入度和出度以及中介中心性。模块化是一种衡量网络内部结构复杂程度的指标。称为社区结构的内部结构描述了网络划分为子网络的程度。模块化的能力使我们能够描述信息共享在网络内被分割、统一、碎片化或聚集的程度。模块化作为一种​​衡量标准在回答我们的研究问题时特别有用，因为我们能够通过调用个人参与“单独行动者”行为来衡量 Plandemic 的分发策略在分散信息共享方面的有效程度。我们使用了 Blondel 等人开发的社区检测算法。由于其准确性和可访问性（44）。中心性是衡量 Twitter 网络中任何给定节点的重要性的指标 (45)。由于 Plandemic 网络是有向的（即边具有单向方向），我们计算了入度和出度中心性。节点的入度中心性与指向它的其他节点的数量有关。然后，我们可以将度数中心性视为流行度和影响力的衡量标准，从而使我们能够在数据集中找到突出的用户。相应地，出度中心性是指远离节点的边数。具有高出度度量的 Twitter 用户可以称为高度活跃的节点。定位中心节点可以深入了解 Plandemic 的发布策略如何影响网络中最重要或最活跃的节点 (46)。中介性，第三个度量，也是一个中心性度量。从技术上讲，介数指定给定节点出现在网络中其他节点之间的最短路径上的频率（47）。这意味着具有最高中介中心性的 Twitter 用户可以被视为网络中的桥梁。这样的 Twitter 用户在整个网络中很重要，因为他们携带了很大一部分信息流。网络研究人员已经引入了几种中介性措施，在这些措施中的任何一种之间做出决定都会带来明显的好处和缺点。可以说是......