跳至正文

社交媒体在制造极化吗

目录

核验图例：本篇每条承重引用后标注核验状态——✓ 主笔本人联网逐字复核；◐ 调研一手全文/出版方权威摘要逐字提取、多源交叉印证、未经主笔逐字复核；⚠ 证据层级偏弱（二手转述／摘要级／未同行评审／付费墙未取正文）；○ 仅题名。凡未核处一律显式标注，不以强度冒充。

课题完成态：先把”社交媒体撕裂了我们”拆开

本篇不把”社交媒体好不好”当成一个可一次验收的命题，而追问一个更窄、更可判决的问题：

一个”理性个体在信息不完全下依次观察他人行为、可能在某点抛弃私人信号转而跟随，从而形成脆弱且信息聚合失败的级联”这个有条件的博弈论事实，被讲成”社交媒体＝把人锁进过滤气泡的极化机器”和”假消息永远碾压真相、病毒式指数扩散”，各自越了多远？截至 2026-07-20：算法是否在因果上制造了政治极化？假消息是否真的普遍碾压真相？”病毒式传播”是不是一个准确的机制描述？回音室/过滤气泡把多数人锁死了吗？社交媒体是不是正在摧毁民主？

结构胎记（一句压多物）：把”理性个体依次观察他人行动、可能抛弃自己的私人信号转而跟随，从而形成脆弱、信息聚合失败的级联”这个有条件的博弈论事实——① 冒充”社交媒体＝把人锁进过滤气泡的极化机器“（相关→算法因果、平台→技术决定论）× ② 冒充”假消息永远碾压真相、病毒式指数扩散”（个别研究→普适律）× ③ 把”信息级联/理性羊群””社会传染/流行病模型””病毒式/营销隐喻”三个同名不同物混为一谈（共名→共指）× ④ 把描述性机制外推成”社交媒体正在摧毁民主与认知“的命定叙事（is→doom）。

全文把六层命题分账：

  1. 真锚层——信息级联是被反复验证的博弈论真机制、某些内容确实传得更快更广、平台确有意识形态隔离与放大（反祛魅不等于否认这些，更不等于把担忧极化打成”道德恐慌”）；
  2. 概念/术语层——”信息级联””社会传染””病毒式””复杂传染””回音室””过滤气泡””极化”是一堆同名不同物，必须逐一消歧；
  3. 论证/机制层——级联为何形成（贝叶斯推断、抛弃私人信号）、为何脆弱（小信息即可击碎）、”病毒式”到底是什么结构（广播 vs 多代分支）；
  4. 命门一·假消息碾压真相？——Vosoughi 的”传得更远”是真的，但被体量（占媒体食谱 0.15%、极度集中）与机制（结构差异是级联规模的伪影）两侧削弱；
  5. 命门二·回音室/过滤气泡/算法极化——从 2015 经典到 2023 Meta 四连发因果实验，”算法决定论”被跨龄、跨国、因果三重削弱；但隔离真、backfire 真，防升格亦防虚无；
  6. 叙事/对称层——升格侧（”摧毁民主””重塑大脑”）与虚无侧（”社交媒体无害””极化与网络无关”）对称落刀，含 Haidt 选择性引用同一篇综述的活体案例。

研究任务清单

  • [x] 重读项目协作规则（AGENTS.md）、调研流程、当前状态、报告模板；确认署名 Claude Opus 4.8、采用格式 v5。
  • [x] 完善课题：把”社交媒体好不好”改写为带前提、带可反驳条件的六层承重问题，写定结构胎记与对称三向红线。
  • [x] 查重独占边界：与合作的演化篇、黑天鹅/肥尾篇、注意力跨域篇、预测市场篇分工——本篇独占”信息级联作为理性机制与’社交媒体极化机器’叙事之间的承重审计”。
  • [x] 六捆并行一手取证：级联博弈论真锚+概念消歧 / 假消息扩散命门一 / 回音室经典 2015–2021 / 2023 Meta 四连发因果 / 极化整体+跨国防升格防虚无 / 传播机制+结构病毒性+叙事对称。
  • [x] 核真锚与理论根：BHW 1992（级联定义/fragile/信息聚合失败）、Banerjee 1992（herd behavior/均衡无效率）、Anderson-Holt 1997（实验室级联 41/56、87/122）逐字。
  • [x] 核概念消歧：Easley-Kleinberg Ch.16（级联=herd、”not mindless imitation”、级联≠网络效应）、Goel-Watts 2016（structural virality）、Centola 2010/2007（复杂传染）逐字。
  • [x] 核命门一：Vosoughi 2018（farther/faster/deeper/broader、”humans, not robots”、novelty）、Juul-Ugander 2021（匹配级联规模后结构差异消失）、Grinberg 2019（0.1%/1%/80%）、Allen 2020（0.15%）、Guess 2019（65+ 近 7 倍、90%+ 未分享）逐字。
  • [x] 核命门二：Bakshy 2015（个人选择>算法）、Bail 2018（backfire 0.11–0.59 SD）、Barberá 2015、Flaxman 2016（双向）、Guess 2021（”exaggerated”）、Eady 2019（51% 重叠）、2023 Meta 四连发（Nyhan/feed/reshares/González-Bailón）逐字。
  • [x] 核防升格/防虚无：Boxell 2017（65+ 极化最快、互联网解释<17%）、Boxell 2022（12 国 6 国下降）、Allcott-Gentzkow 2017（0.02pp）、Lorenz-Spreen 2023（double-edged sword）、Kubin 2021（pro-attitudinal exacerbates）逐字。
  • [x] 核叙事对称：Haidt 2022 Atlantic（”weakened all three””corrosive to democracy”）、Odgers 2024 Nature（”not supported by science”）、Haidt 段 33 选择性引用 Lorenz-Spreen 逐字。
  • [x] 主笔亲核最承重引用：Vosoughi 三句、BHW 级联定义/fragile、Nyhan 三句、Boxell 2017 两句、Goel-Watts 三句、Bakshy 招牌句——全部本人 curl+pdftotext/HTML 逐字确认无漂移。
  • [x] 对称双向红队：攻升格（相关当因果、一项研究当普适律、级联当传染、担忧当已证），攻虚无化（null 当无害、隔离不存在、平台无责、担忧者当道德恐慌），攻污名泛化（用户当乌合之众、平台当阴谋）。

简短结论

母裁决：信息级联是被反复验证的博弈论真机制（BHW 1992 定义、Banerjee 1992 均衡无效率、Anderson-Holt 1997 实验里 56 个失衡期次中 41 个出现级联）、它脆弱且会导致信息聚合失败；某些内容确实传得更快更广（Vosoughi 2018 假消息”farther, faster, deeper, and more broadly”为真）；平台确有意识形态隔离且不对称（González-Bailón 2023 假消息集中于”homogeneously conservative corner”为真）；强制跨立场曝光可以反噬（Bail 2018 backfire 为真）——真的不是”社交媒体＝把人锁进过滤气泡的极化机器”和”假消息普遍碾压真相、病毒式指数扩散”这两层被声称的胜利。截至 2026-07-20：（a）算法决定论被跨龄（Boxell 2017：极化在最不上网的 65+ 组增幅最大、0.47 vs 18–39 的 0.23）、跨国（Boxell 2022：12 国中 6 国极化反而下降）、因果实验（2023 Meta 四连发：换时序 feed、降 1/3 同温层曝光、移除转发，对八项预注册政治态度指标”no measurable effects”）三重削弱；（b）假消息在体量（Allen 2020：占每日媒体食谱仅 0.15%）与机制（Juul-Ugander 2021：匹配级联规模后结构差异消失）两侧被祛魅、且极度集中于 0.1%–1% 用户；（c）”病毒式”是营销隐喻——Goel-Watts 2016 逾 99% 级联单代终止、人气”largely driven by the size of the largest broadcast”而非多代病毒扩散；（d）回音室是少数重度用户现象（Guess 2021：”echo chambers…a reality for relatively few people”、这一刻板印象”exaggerated”）。但同样不是”社交媒体与极化无关、纯属无害”——隔离真、backfire 真、亲态度媒体加剧极化真（Kubin 2021），危害对那集中的少数真，且 2023 的 null 是短窗口、不能证明长期无害（Nyhan 自陈）。

术语层就已经埋着混淆。“信息级联”（information cascade）在博弈论里有精确所指：理性个体依次观察前人行动、做贝叶斯推断、在某点抛弃自己的私人信号——Easley & Kleinberg 教材（◐）明言 herding 与 information cascade 同指，且强调”it is not mindless imitation. Rather, it is the result of drawing rational inferences from limited information“。它不是“社会传染/病毒式”（Goel-Watts 2016 ◐：viral 是”analogous to the spread of a biological virus”的生物隐喻），不是“复杂传染”（Centola 2010 ◐：需多来源社会强化），也不是“网络效应”（教材明言级联的模仿”can be overturned with comparatively little effort”，而直接收益的模仿”very difficult to reverse”）。把这些同名不同物混成一句”社交媒体让人盲目从众”，本身就是一次共名升格。

命门一：假消息”传得更远”是真的，”碾压真相”是升格。Vosoughi, Roy & Aral 2018（主笔 pdftotext 亲核）在 ~126,000 条谣言级联上证明”Falsehood diffused significantly farther, faster, deeper, and more broadly than the truth“（✓）、且”robots accelerated the spread of true and false news at the same rate“故”humans, not robots, are more likely to spread it“（✓）——这是真结果。但两侧祛魅同样是一手：机制上，Juul-Ugander 2021（◐）证明”匹配同规模级联后结构差异消失”、可由单一”infectiousness”参数解释；体量上，Allen 2020（✓全文）”fake news comprises only 0.15% of Americans’ daily media diet“、Grinberg 2019（◐）”1% of individuals accounted for 80% of fake news source exposures, and 0.1% accounted for nearly 80% of fake news sources shared“、Guess 2019（✓全文）”over 90% of our respondents shared no stories from fake news domains“。“个别研究→普适律”的升格，在机制与体量两侧同时被削弱。

命门二：算法决定论被因果实验削弱（本篇最硬一击）。2020 年 Facebook/Instagram 与学界合作的 2023 四连发是目前最接近因果的证据：把算法 feed 换成时序 feed，”did not significantly alter levels of issue polarization, affective polarization, political knowledge“；对 23,377 人降低约 1/3 的同温层曝光，”had no measurable effects on eight preregistered attitudinal measures“（Nyhan 2023 主笔亲核 ✓），作者收尾”challenge popular narratives blaming social media echo chambers“（✓）。叠加 Boxell 2017（主笔亲核）”polarization has increased the most among the demographic groups least likely to use the Internet and social media“（✓）与 Bakshy 2015（主笔亲核）”individual choices…more than algorithms limit exposure to attitude-challenging content“（✓）——三条独立证据链共同削弱”算法在因果上锁死了我们”。

但绝不虚无化：平台不是无辜的白板。同一批 2023 研究里，González-Bailón 2023（◐）证明”ideological segregation is high“且不对称、绝大多数假消息落在”homogeneously conservative corner, which has no equivalent on the liberal side“；Bail 2018（✓全文）证明强制跨立场曝光反而让共和党”substantially more conservative“（0.11–0.59 SD）；Kubin 2021（⚠摘要）综述 121 项研究”consistently find that pro-attitudinal media exacerbates polarization“。而 2023 的 null 效应是三个月窗口、Nyhan 明确自陈”cannot capture the effects of prior Facebook use or cumulative effects over years“、”replications in other countries…will be essential“——null ≠ 证明长期无害。

对称金句（同时抵消神圣化与虚无化）：用两句一手的话对冲——防升格的 Boxell 2017（✓）：”polarization has increased the most among the demographic groups least likely to use the Internet and social media” ∧ 防虚无化的 Lorenz-Spreen 2023（◐）：”Digital media appears to be another double-edged sword… the impact of digital media on political systems depends on the specific variable and system in question“——极化不是算法单手造出来的，但数字媒体也不是无害的中立管道。

高风险/边界：本篇是传播机制与社会科学证据的承重测试，不构成任何政治立场表态、平台监管政策建议，也不对任何具体政治事件、人物或阵营站队；对研究独立性的讨论不构成对任何研究者、机构或平台的品格指控。信息级联、社会传染、极化担忧都是严肃的研究对象；本篇祛魅的对象是”某一种简单因果故事已经成立”的叙事，不是任何一方。

一、证据纪律：本篇在判什么，用什么尺

1.1 四种话语必须分开

关于社交媒体的争论里，四种话语常被混为一谈，本篇全程分开记账：

  1. 形式机制（”理性个体依次决策会产生级联/羊群”）——BHW、Banerjee 的定理、Anderson-Holt 的实验；这是数学上会发生什么，不预设任何具体平台。
  2. 经验传播规律（”什么内容传得快、传多远、传给谁”）——Vosoughi 的扩散数字、Goel-Watts 的结构病毒性、Grinberg 的集中度；这是实测的传播模式。
  3. 因果效应（”算法/曝光改变了人的态度吗”）——2023 Meta 四连发、Bail 的实验；这是干预后果，与前两者独立，且相关 ≠ 因果。
  4. 规范/命运叙事（”社交媒体正在摧毁民主、该被管制”）——Haidt 的强主张；这是价值判断与外推（ought/doom），不能从前三者的经验事实（is）直接推出。

祛魅的核心，就是不让”级联机制会发生”滑成”社交媒体让人盲从”、不让”假消息传得远”滑成”假消息碾压真相”、不让”存在隔离”滑成”算法制造了极化”、不让”平台有问题”滑成”社交媒体正在杀死民主”。

1.2 六层 × 证据强度速览

层 审的是什么 证据强度 核验密度 一句裁决
① 真锚 级联机制真不真、内容传播/平台隔离真不真 硬（记录扎实） ✓/◐一手多 真——祛魅 ≠ 打成”社交媒体无害”
② 概念/术语 级联/传染/病毒式/回音室是不是一回事 硬（消歧清楚） ✓/◐ 一堆同名不同物；级联=理性推断，≠病毒≠网络效应
③ 论证/机制 级联为何形成、为何脆弱、”病毒式”是什么结构 中（真但有条件） ✓/◐ 贝叶斯推断真、脆弱性真；”病毒式”多是广播
④ 命门一·假消息 假消息是否碾压真相 强（双面） ✓亲核 传得远是真∧占比 0.15% 且极度集中∧结构差异是伪影
⑤ 命门二·算法极化 算法是否在因果上制造极化 强（否证升格） ✓亲核 跨龄/跨国/因果三重削弱∧隔离与 backfire 真
⑥ 叙事/对称 社交媒体是否在摧毁民主 软（两极皆软） ✓/◐ 强主张只活在标题层∧无害论同样被证据拦停

二、真锚层：级联是真机制，某些内容确实传得更快更广

祛魅的第一件事，是承认这里没有骗局：信息级联是被形式化证明、又被实验室复现的真机制，而社交媒体上的传播差异也是实测到的真现象。

信息级联的原始定义与脆弱性（Bikhchandani, Hirshleifer & Welch 1992, JPE，主笔 pdftotext 亲核）。摘要即给出定义：”An informational cascade occurs when it is optimal for an individual, having observed the actions of those ahead of him, to follow the behavior of the preceding individual without regard to his own information“（✓）；模型内更严格：’An informational cascade occurs if an individual’s action does not depend on his private information signal‘。一旦进入级联，个体行动不再传递信息，于是”a cascade once started will last forever, even if it is wrong. We shall see later that this fallibility causes cascades to be fragile“（✓）——级联的深度不随人数增加而增强，故”conformity is brittle“，而”The release of a small amount of public information can shatter a long-lasting cascade“（RESULT 3）。其代价是信息聚合失败：”The problem with cascades is that they prevent the aggregation of information of numerous individuals“（✓）。

羊群行为与均衡无效率（Banerjee 1992, QJE ◐）。同期独立给出模型：”the decision rules that are chosen by optimizing individuals will be characterized by herd behavior; i.e., people will be doing what others are doing rather than using their information“，且”the resulting equilibrium is inefficient“（且群体足够大时必然无效率）。餐厅例子点出外部性：”The second person’s decision to ignore her own information and join the herd therefore inflicts a negative externality on the rest of the population.“

实验室里级联真的会形成（Anderson & Holt 1997, AER，工作论文版全文 ◐）：”Rational cascades formed in most periods in which such an imbalance occurred“——具体：”Cascade behavior was observed in 41 of the 56 periods in which such an imbalance occurred“，全部会话里”cascades formed in 87 of 122 periods in which they were possible“；且他们观察到 reverse cascades——”initial misrepresentative signals start a chain of incorrect decisions”，正是级联可错性与信息聚合失败的实验签名。

某些内容确实传得更快更广（Vosoughi, Roy & Aral 2018, Science，主笔亲核）。在”~126,000 rumor cascades spread by ~3 million people more than 4.5 million times”上：”Falsehood diffused significantly farther, faster, deeper, and more broadly than the truth in all categories of information“（✓）。这是真锚，命门一会审它被升格到哪。

平台确有意识形态隔离（González-Bailón et al. 2023, Science ◐）：”ideological segregation is high and increases as we shift from potential exposure to actual exposure to engagement“、且”there is an asymmetry between conservative and liberal audiences“。隔离不是虚构。

真锚裁决：信息级联是真机制、脆弱且致信息聚合失败；假消息确实传得更远；平台确有隔离与不对称。祛魅”社交媒体是极化机器/假消息碾压真相”绝不等于否认这些，更不等于把”担忧极化”打成道德恐慌。 但真锚也自带护栏——级联的定义性质是理性、脆弱、易被小信息推翻，这与”算法把人永久锁死在气泡里”的直觉恰恰相反（见 §3、§5）。

三、概念/术语层：级联、传染、病毒式、复杂传染、回音室，全是同名不同物

社交媒体讨论里最廉价的修辞，是把五个性质不同的机制词当成同义词连用。本篇逐一拆开。

信息级联 = 羊群行为，且是理性推断而非盲从（Easley & Kleinberg, Networks, Crowds, and Markets, Ch.16，官方免费预印本 ◐）。教材明言二者同指并归属 Banerjee/BHW：”we say that herding, or an information cascade, has occurred“；机制是”people make decisions sequentially, with later people watching the actions of earlier people… A cascade then develops when people abandon their own information in favor of inferences based on earlier people’s actions“；关键限定——”What is interesting here is that individuals in a cascade are imitating the behavior of others, but it is not mindless imitation. Rather, it is the result of drawing rational inferences from limited information“。这一句直接拦住”用户是被操纵的乌合之众”的污名。

级联 ≠ 网络效应/直接收益效应（同教材 ◐）。教材专门区分：”the actions of others are affecting your payoffs directly, rather than indirectly by changing your information“；性质相反——信息级联”can be overturned with comparatively little effort“（脆弱），而基于直接收益的模仿”can be very difficult to reverse once it is underway“。把易碎的信息级联与黏死的网络锁定混为一谈，会得出完全错误的政策直觉。

病毒式/social contagion 是生物与营销隐喻（Goel, Anderson, Hofman & Watts 2016, Management Science ◐）。”当内容被说成 gone viral”，通常被理解为”attained its popularity through some process of person-to-person contagion, analogous to the spread of a biological virus“，许多模型把它形式化为”infectives → susceptibles”的接触过程。作者据此定义结构病毒性 structural virality Ψ(T)=”the average distance between all pairs of nodes in a diffusion tree T“，用以区分”broadcast（单一源头直达大量人）”与”viral（多代分支、每人只直接感染少数）”两极。“病毒式”是一种传播结构，不预设 BHW 式的理性贝叶斯推断，也不等于”走红”。

复杂传染 ≠ 简单传染（Centola 2010, Science ✓全文 + Centola, Eguíluz & Macy 2007, Physica A ◐，AJS 原典 Centola-Macy 2007 付费墙未取、用同作者同年姊妹论文替代）。核心区分：”unlike disease, social behavior is a complex contagion: People usually require contact with multiple sources of ‘infection’ before being convinced to adopt a behavior“；姊妹论文点明”complex propagation“是”node activation requires simultaneous exposure to multiple active neighbors”，即复杂性指的是”the number of sources of exposure required for activation, not the number of exposures“。信息（简单传染，一次接触即传）、行为（复杂传染，需多来源强化）、级联（观察行动的贝叶斯推断）在传播条件上根本不同。

回音室/过滤气泡/极化也不是一回事：回音室（echo chamber）指人只接触同温层；过滤气泡（filter bubble）特指算法造成的个性化封闭；极化（polarization）又分议题极化与情感极化。三者常被当作同一现象的三个名字，但下文会看到它们的经验证据方向并不一致。

概念裁决：级联=理性羊群（观察行动、贝叶斯推断、脆弱），≠社会传染/病毒式（生物/营销隐喻），≠复杂传染（需多来源强化），≠网络效应（黏死难逆），≠回音室/过滤气泡/极化（各有独立经验证据）。祛魅要点：把这些同名不同物混成一句”社交媒体让人盲目从众、锁进气泡、病毒式传谣”，是至少四处术语升格，任一都能让辩论变成打稻草人。

四、论证/机制层：级联为何形成、为何脆弱，”病毒式”到底是什么结构

级联为何形成：当足够多前人做了同一选择，第 n 个理性人从他们的行动（而非私人信号）中做贝叶斯推断，公共信息压过自己那一点私人信号，于是他也跟随——并且他的跟随不再释放新信息，后来者面对的公共证据不变，归纳地全部跟随。这正是 BHW 的”rapidly converge on one action on the basis of some but very little information“。

级联为何脆弱：恰恰因为级联建立在”很少的信息”上，一点点新的公共信息就能推翻它（BHW RESULT 3：比单个个体私人信号还弱的公共信号即可击碎长期级联）。这是与”过滤气泡把人永久锁死”直觉相反的机制性质——理性级联天然易碎，真正黏死难逆的是网络效应（§3），而非信息级联。

“病毒式传播”多数其实是广播（Goel-Watts 2016，主笔亲核）。这是拆穿”病毒式”隐喻的核心一手：结果发现”structural virality is typically low, and remains so independent of size, suggesting that popularity is largely driven by the size of the largest broadcast“（✓）；即便最大的传播事件”even the very largest events are, on average, dominated by broadcasts“；而”the vast majority of cascades—over 99%—are tiny and terminate within a single generation“（✓）。Goel, Watts & Goldstein 2012（◐）补上：”adoptions resulting from chains of referrals are extremely rare“。“某条内容病毒式扩散”在结构上多半是”一个大号广播了它”，不是多代人际链式感染。

行为扩散靠冗余强化，不靠病毒式长链（Centola 2010 ✓全文）。实验证明复杂传染”spread farther and faster across clustered-lattice networks than across corresponding random networks“（聚集网 53.77% vs 随机网 38.26%、快四倍余），因为”locally clustered ties may be redundant for simple contagions, like information or disease, [but] they can be highly efficient for promoting behavioral diffusion“。这与”病毒式一度广播”是相反的机制——真正驱动行为采纳的是聚集网络里的重复强化。

机制裁决：级联是真机制、且天生脆弱（易被小信息击碎）；”病毒式传播”作为机制描述在大多数情况下是错的——传播主要靠广播，真正的多代病毒级联极罕见；行为扩散靠聚集冗余强化。把”某内容火了”一律叫作”病毒式传播/信息级联/被算法推爆”，是把三种不同机制塞进一个营销词。

五、命门二：算法是否在因果上制造了极化

这是全篇最承重、也最容易被两个方向绑架的一层。证据链本身就是双向对称的。

5.1 经典阶段（2015–2021）：曝光比”气泡锁死”更多元，回音室是少数现象

个人选择比算法更限制跨立场曝光（Bakshy, Messing & Adamic 2015, Science，主笔亲核；Wayback 首发稿全文）。招牌结论：”we conclusively establish that on average in the context of Facebook, individual choices (2, 13, 15, 17) more than algorithms (3, 9) limit exposure to attitude-challenging content“（✓）；具体数字——算法排序削减跨立场内容”conservatives see approximately 5% less… liberals see about 8% less”，而个人点击选择削减更多（保守派 17%、自由派 6%）；且”more than 20 percent of an individual’s Facebook friends… are from the opposing party“。

⚠ 但 Bakshy 必须带三处硬伤同陈，否则就是拿有利益冲突的研究过度祛魅：（a）三位作者全部隶属 Facebook、用的是 Facebook 内部数据（独立性）；（b）样本是”10.1 million active U.S. users who self-report their ideological affiliation”，属高度自选（文内自承 Facebook 用户”younger, more educated, and female”）；（c）”5%/8% vs 17%/6%”的对比是在算法已先筛过一轮的基础上比较，批评者认为这低估了算法的上游作用。Bakshy 削弱”算法决定论”，但不足以证明”算法无辜”。

跨立场传播比回音室模型预测得多（Barberá et al. 2015, Psychological Science ◐摘要）：政治议题上信息主要在同温层交换，但许多非政治议题（波士顿马拉松爆炸、超级碗）不是；总结论”previous work may have overestimated the degree of ideological segregation in social-media usage“。

同一渠道双向作用（Flaxman, Goel & Rao 2016, POQ ✓全文）：”social networks and search engines are associated with an increase in the mean ideological distance between individuals. However… these same channels also are associated with an increase in an individual’s exposure to material from his or her less preferred side“、”We thus uncover evidence for both sides of the debate, while also finding that the magnitude of the effects is relatively modest“；且 75% 的在线新闻消费其实是”directly accessed… mainstream news outlets”。

回音室是少数人的现实（Guess 2021, AJPS ✓全文 + Eady et al. 2019, SAGE Open ✓全文）。Guess：”most people across the political spectrum have relatively moderate media diets“、两党食谱重叠 2015 年近 65%/2016 年约 50%、”if online ‘echo chambers’ exist, they are a reality for relatively few people“、这一刻板印象”is exaggerated“。Eady：最左与最右五分位的媒体账户分布仍有”a substantial amount of overlap (51%)“、”we do not find evidence supporting a strong characterization of ‘echo chambers’“——但也保留另一面：”fully 61% of members of the most conservative quintile… follow very few media accounts even as far ‘left’ as the New York Times”。

5.2 因果阶段（2023）：Meta 四连发的 null 效应

2020 年 Facebook/Instagram 与外部学者合作、由 Meta 提供数据的四篇随机实验，是目前最接近因果的证据：

  • 换算法 feed 为时序 feed（Guess et al. 2023, Science ◐摘要）：大幅减少使用时长与曝光，但”the chronological feed did not significantly alter levels of issue polarization, affective polarization, political knowledge, or other key attitudes during the 3-month study period“。
  • 移除转发内容（Guess et al. 2023, Science ◐摘要）：大幅降低政治新闻与不可信来源曝光，但”the treatment does not significantly affect political polarization or any measure of individual-level political attitudes“（新闻知识下降，但”some uncertainty about how this would generalize”）。
  • 降低同温层曝光约 1/3（Nyhan et al. 2023, Nature，主笔亲核）：标题即结论”Like-minded sources on Facebook are prevalent but not polarizing“（✓）；对 23,377 人的干预”had no measurable effects on eight preregistered attitudinal measures such as affective polarization, ideological extremity, candidate evaluations and belief in false claims“（✓）、等价界可排除 ±0.12 s.d.；讨论收尾”these findings challenge popular narratives blaming social media echo chambers for the problems of contemporary American democracy“（✓）。

跨龄与跨国的整体证据也指向同一方向：Boxell, Gentzkow & Shapiro 2017, PNAS（主笔亲核）——”polarization has increased the most among the demographic groups least likely to use the Internet and social media“（✓）、65+ 组极化增幅 0.47 远超 18–39 的 0.23、模型 CI”rule out the Internet explaining >17% of the linear time trend”（点估计仅 6%），据此”imply a limited role for the Internet and social media“（✓）。Boxell 2022（摘要✓/正文◐）——12 国里美国升幅最大，但”Six countries experienced a decrease in polarization“（日/澳/英/挪/瑞典/西德），”上网取新闻”的趋势与极化趋势”either negatively or weakly associated”。Allcott & Gentzkow 2017, JEP（✓全文）——只有”14 percent of American adults viewed social media as their ‘most important’ source of election news”、平均成年人只记得 1.14 条假新闻、其说服力若等同一条电视广告则”on the order of hundredths of a percentage point… much smaller than Trump’s margin of victory”。

5.3 对称：为什么这不是”社交媒体无害”

把 5.1–5.2 读成”社交媒体与极化无关”，是等量的错误。防虚无化的一手同样硬：

  • 强制跨立场曝光会 backfire（Bail et al. 2018, PNAS ✓全文）：”Republican participants expressed substantially more conservative views after following a liberal Twitter bot“（0.11–0.59 SD）。这颠覆了”只要戳破气泡就能去极化”的天真方案，说明极化机制比”被算法锁死”复杂——但方向仍是”社交媒体可以加剧极化”。作者自设边界：”Readers should not interpret our findings as evidence that exposure to opposing political views will increase polarization in all settings“。
  • 亲态度媒体确实加剧极化（Kubin & von Sikorski 2021 ⚠摘要，全文被 Cloudflare 拦）：综述 121 项研究”consistently find that pro-attitudinal media exacerbates polarization“，并指出研究”lack of research exploring ways (social) media can depolarize”。
  • 平台隔离与假消息不对称集中是真的（González-Bailón 2023 ◐，见 §2）。
  • 2023 的 null 是短窗口，不能外推为长期无害：Nyhan 全文自陈”our design cannot capture the effects of prior Facebook use or cumulative effects over years“、”replications in other countries… will be essential“、并给出不对称警告”decreasing exposure to like-minded sources might not reduce polarization as much as increasing exposure would exacerbate it“。

⚠ 独立性争议须记入（防”Meta 出钱的研究一劳永逸证明了平台无害”）：这批研究由 Meta 提供数据与准入，Wagner 2023, Science 381:388–391, “Independence by permission”（○ 正文付费墙未取、题录已核）以标题点出结构性隐忧；feed 篇后续被 Science 主编评论Thorp & Vinson 2024（◐摘要）”research on social media is complicated and requires even more attention“、并有两则勘误（2024-12、2026-03，○题录）；Nyhan 篇利益披露显示部分作者”own Meta stock“或受资助，同时声明”None of the academic researchers nor their institutions received financial compensation from Meta for their participation“。利益关系双面呈现，不神圣化亦不阴谋化。

命门二裁决：算法在因果上”制造/锁死”了政治极化——这层升格被跨龄（Boxell 65+ 最快）、跨国（6 国下降）、因果实验（2023 四连发 no measurable effects）三重削弱；回音室是少数重度用户现象、曝光比”气泡”叙事更多元。但对称地，隔离真、backfire 真、亲态度媒体加剧极化真、危害对集中的少数真、2023 null 是短窗口不证长期无害。算法既不是极化的单一元凶，也不是无辜的中立管道。

六、命门一与叙事层：假消息碾压真相？社交媒体摧毁民主？

6.1 假消息：传得远是真，碾压真相是升格

§2 已确立升格侧的真锚（Vosoughi 三句）。这里补齐虚无/边界侧，让”个别研究→普适律”的升格在机制与体量两侧同时落地：

  • 机制祛魅（Juul & Ugander 2021, PNAS ◐，Significance 逐字、正文付费墙）：”previously reported structural differences between diffusion paths of false and true news on Twitter disappear when comparing only cascades of the same size“、可由”reducing the mean ‘infectiousness'”单一参数解释——Vosoughi 的”结构差异”很大程度上是级联规模的伪影。
  • 体量祛魅：Allen 2020, Science Advances（✓全文）”fake news comprises only 0.15% of Americans’ daily media diet“、新闻本身”at most 14.2%”；Grinberg 2019, Science（◐）”Only 1% of individuals accounted for 80% of fake news source exposures, and 0.1% accounted for nearly 80% of fake news sources shared“（假新闻约占新闻消费的 6%，但极度集中）；Guess, Nagler & Tucker 2019, Science Advances（✓全文）”over 90% of our respondents shared no stories from fake news domains“、”users over 65 shared nearly seven times as many articles from fake news domains as the youngest age group“。

注意分母：Grinberg 的”6%”是占新闻消费的比例，Allen 的”0.15%”是占全部媒体消费（含娱乐、视频等）的比例——两者不矛盾，共同说明假消息在整体信息生态里是小而高度集中的现象，而非”碾压真相”的洪流。但不虚无化：对那被曝光的 1%、被 65+ 群体转发的那部分，危害是真实的。

6.2 叙事层：Haidt 的强主张 vs 学界的谨慎

升格侧最强表达（Haidt 2022, The Atlantic, “Why the Past 10 Years of American Life Have Been Uniquely Stupid” ✓全文，curl 绕过封锁）。Haidt 认为维系民主的三大力量”social capital… strong institutions, and shared stories”被社交媒体全数削弱：”Social media has weakened all three“；转折点是 2009 年的 Like/Retweet/Share 按钮；结论”America’s tech companies have… created products that now appear to be corrosive to democracy, obstacles to shared understanding, and destroyers of the modern tower“、”American democracy is now operating outside the bounds of sustainability“、并主张”the growing evidence that social media is damaging democracy is sufficient to warrant greater oversight“。

虚无/反驳侧（Odgers 2024, Nature, 书评 ✓全文）。Odgers 直指 Haidt 后续著作的核心论断”is not supported by science“、”Hundreds of researchers, myself included, have searched for the kind of large effects suggested by Haidt. Our efforts have produced a mix of no, small and mixed associations. Most data are correlative“、编者按定调”The evidence is equivocal“。

🔑 一手对称锚点（本篇最干净的活体案例）：Haidt 在同一篇 Atlantic 文里（段 33）亲手引用了 Lorenz-Spreen 的综述，但只截取了”有害”一面——”‘the large majority of reported associations between digital media use and trust appear to be detrimental for democracy'”。而这篇综述的正式出版版（Lorenz-Spreen et al. 2023, Nature Human Behaviour ◐）定调却是双向的：”Some associations… are likely to be beneficial for democracy… Other associations… are likely to be detrimental“、”Digital media appears to be another double-edged sword“、”the impact… depends on the specific variable and system in question“。同一篇文献，被强主张方选择性使用——这比泛泛并列两派更能说明”叙事升格”如何操作。

叙事裁决：”社交媒体正在摧毁民主/重塑大脑”这层强主张，目前只活在标题与畅销书层，其最有力的经验依据（Lorenz-Spreen 综述）本身是双向的、且被选择性引用；跨国跨龄与因果证据都不支持单一因果故事。但对称地，”社交媒体无害、纯属道德恐慌”同样被证据拦停——隔离、backfire、加剧极化、对少数人的真实危害都是一手事实。诚实的收束是 Lorenz-Spreen 的”double-edged sword… depends on the specific variable and system”。

七、母裁决与灵魂句

母裁决：信息级联是被形式化证明又被实验室复现的真机制、它脆弱且致信息聚合失败；某些内容确实传得更快更广；平台确有意识形态隔离与不对称；强制跨立场曝光可以反噬——真的不是”社交媒体＝把人锁进过滤气泡的极化机器”和”假消息普遍碾压真相、病毒式指数扩散”这两层被声称的胜利。因为：① 算法决定论被跨龄（最不上网的老人极化最快）、跨国（多国极化下降）、因果实验（2023 四连发对八项态度指标无可测效应）三重削弱；② 假消息在体量（占媒体食谱 0.15%）与机制（结构差异是级联规模伪影）两侧被祛魅、且极度集中于 0.1%–1% 用户；③ “病毒式”是营销隐喻——逾 99% 级联单代终止、人气靠最大广播；④ 回音室是少数重度用户现象。但同样不是”社交媒体与极化无关、纯属无害”——隔离真、backfire 真、亲态度媒体加剧极化真、对集中少数的危害真，且 2023 的 null 是短窗口、不能证明长期无害。

灵魂句：

信息级联只证明了理性的人会因为看别人怎么做而放下自己那点信息，而且这种跟随脆弱得一碰就碎——社交媒体没有把这条冷冰冰的定理变成锁死你的过滤气泡、碾碎真相的假消息洪流或杀死民主的元凶，它只是把”看别人怎么做”放大到了空前的规模、速度与可见度；你在里面看到的，多半是你本来就在找的，而不是它替你选定的命运。

对称三向红线：

  • 不升格：相关 ≠ 算法因果（Boxell 跨龄跨国、2023 Meta null）；一项研究 ≠ 普适律（Juul-Ugander、体量集中）；级联 ≠ 社会传染 ≠ 病毒式 ≠ 复杂传染 ≠ 网络效应 ≠ 回音室（概念消歧）；存在隔离 ≠ 算法制造了极化。
  • 不虚无化：级联是真机制（BHW/Banerjee/Anderson-Holt）；假消息传得更远是真（Vosoughi）；平台隔离与不对称是真（González-Bailón）；backfire 是真（Bail）；亲态度媒体加剧极化是真（Kubin）；对被曝光的少数、被 65+ 转发的那部分，危害是真；2023 null 是短窗口 ≠ 长期无害（Nyhan 自陈）。
  • 不污名泛化：不把社交媒体用户污名为被操纵的乌合之众（级联是理性贝叶斯推断，”not mindless imitation”）；不把平台一概打成蓄意阴谋（Meta 合作研究的独立性争议双面呈现，既不神圣化亦不阴谋化）；不把担忧极化者打成道德恐慌（Haidt 的强主张与 Odgers 的反驳都以一手呈现，本篇不站队、不裁定谁对）。

八、自指与关联

  • 独占边界：合作的演化篇审”利他/群体选择”、黑天鹅/肥尾篇审尾部与极端传播、注意力跨域篇审”注意力”共名越界、预测市场篇审聚合器；本篇独占”信息级联作为理性机制与’社交媒体极化机器’叙事之间的承重审计”。
  • 接姊妹篇：预测市场篇的”后续问题”已预告——预测市场的反身性（价格塑造它所预测的结果）与信息级联同源；本篇正是那条社会侧姊妹线：两者都在处理”个体依据他人信号行动、从而可能自我强化或自我实现”的结构。
  • 同名不同物元病理的活体案例：本篇是 同名不同物篇 的第一手材料库——”级联/传染/病毒式/复杂传染/网络效应”是五个共享隐喻却指称不同机制的词，jingle 谬误（共名→共指）在此最密集。
  • 方法论自指：本篇再次示范”经验相关 ≠ 因果、个别研究 ≠ 普适律”——与本库 因果推断的认识论、复制危机篇 同一形状；”算法决定论”是社会版的”把相关当因果”，而 2023 Meta 的随机实验正是它需要的反事实检验。

不确定点

  • 2023 Meta 四连发的长期/累积效应未测：所有 null 效应都限于三个月选举季窗口，Nyhan 明确自陈无法捕捉多年累积效应；”社交媒体长期无害”未被证明，本篇只说”短窗口因果效应小”。
  • 三篇 Science 正文的深层局限逐字未取（付费墙，○）：承重的因果结论用权威摘要（PubMed 逐字）+ Nyhan 全文自陈局限撑起，三篇 Science 正文 Discussion 里”无法排除长期/一般均衡效应”的具体原句未取，不凭记忆补。
  • Wagner “Independence by permission” 正文逐字未取（付费墙，○）：仅题录已核（Science 381:388–391, DOI 10.1126/science.adi2430），独立性争议的承重改用可核的编辑部评论摘要 + 两则勘误题录 + 利益披露。
  • Kubin 2021 全文未取（Cloudflare 拦，⚠）：防虚无化的”pro-attitudinal media exacerbates polarization”仅摘要级，段落级强度数字未核；命门二防虚无的承重同时压在 González-Bailón（隔离）+ Bail（backfire）两根一手上。
  • Barberá 2015 正文未取（SAGE 付费墙，◐仅摘要）：跨界传播的具体比例数字未核，结论句”overestimated ideological segregation”来自权威摘要。
  • Centola-Macy 2007 AJS 原典未取（付费墙）：complex/simple contagion 逐字定义用同作者同年 Physica A 姊妹论文替代（◐），AJS 原文页码级引文未取。
  • Anderson-Holt 1997 用工作论文版（◐）：内容与 AER 定稿一致，但页码非 AER 847–862 印刷页码。

后续问题

  • 社交媒体极化的判决性长期证据：把 2023 Meta 四连发的短窗口 null，与更长周期/新用户的因果设计对照，升到”长期效应”层的裁决。
  • 算法放大的机制粒度：González-Bailón 的”隔离真但态度 null”与 Bail 的”backfire”如何统一？极化的因果路径若不是”被算法锁进气泡”，那是什么（身份认同、离线动员、精英极化）——可与合作演化篇合写社会认同侧。
  • “病毒式/影响者”营销叙事的系统祛魅：Goel-Watts 的”广播主导”对广告/影响者经济学的含义，可单独成篇。
  • 反身性姊妹篇的合流：预测市场的价格反身性与信息级联的自我强化，可合写”自我实现的社会预测”专题。

关联笔记

  • 独占边界见 §8；本篇不重打合作演化篇的群体选择、不重打注意力跨域篇的共名越界总纲，只在社会传播场景内落刀。
  • 与预测市场篇构成”个体依他人信号行动”的聚合器（市场）与传播器（级联）双联。

主要来源清单（分层 · 标准化 · 均带链接）

体例：每条给作者/机构、标题、年份/出处、可点击链接、访问方式与核验标记。付费墙/访问失败均如实标注。

① 真锚层 · 级联博弈论与传播真锚

② 概念/术语层 · 级联/传染/病毒式消歧

  • David Easley & Jon Kleinberg, Networks, Crowds, and Markets, Cambridge Univ. Press 2010, Ch.16 “Information Cascades” — http://www.cs.cornell.edu/home/kleinber/networks-book/networks-book-ch16.pdf （官方免费预印本，pdftotext 全文，◐；herding=cascade、not mindless imitation、级联≠网络效应）
  • Sharad Goel, Ashton Anderson, Jake Hofman & Duncan Watts, “The Structural Virality of Online Diffusion,” Management Science 62(1), 2016, pp.180–196，DOI 10.1287/mnsc.2015.2158 — https://5harad.com/papers/twiral.pdf （作者自存全文，✓主笔亲核 structural virality typically low、over 99%、largest broadcast）
  • Sharad Goel, Duncan Watts & Daniel Goldstein, “The Structure of Online Diffusion Networks,” Proc. ACM EC’12, 2012，DOI 10.1145/2229012.2229058 — https://5harad.com/papers/diffusion.pdf （作者自存全文，◐；转介链采纳极罕见）
  • Damon Centola, “The Spread of Behavior in an Online Social Network Experiment,” Science 329(5996), 2010, pp.1194–1197，DOI 10.1126/science.1185231 — https://ndg.asc.upenn.edu/wp-content/uploads/2016/04/Centola-2010-Science.pdf （作者站全文，✓一手；复杂传染 53.77% vs 38.26%）
  • Damon Centola, Víctor Eguíluz & Michael Macy, “Cascade dynamics of complex propagation,” Physica A 374, 2007, pp.449–456，DOI 10.1016/j.physa.2006.06.018 — https://www.uvm.edu/pdodds/files/papers/others/2007/centola2007a.pdf （UVM 镜像全文，◐；complex vs simple propagation 定义）；经典出处 Centola & Macy, “Complex Contagions and the Weakness of Long Ties,” AJS 113(3), 2007，DOI 10.1086/521848 （付费墙未取全文）

③ 命门一 · 假消息扩散与体量

  • Jesper Juul & Johan Ugander, “Comparing information diffusion mechanisms by matching on cascade size,” PNAS 118(46), 2021, e2100786118，DOI 10.1073/pnas.2100786118 — https://doi.org/10.1073/pnas.2100786118 （Significance 逐字经 Crossref，正文付费墙，◐；结构差异消失/单一 infectiousness 参数）
  • Nir Grinberg, Kenneth Joseph, Lisa Friedland, Briony Swire-Thompson & David Lazer, “Fake news on Twitter during the 2016 U.S. presidential election,” Science 363(6425), 2019, pp.374–378，DOI 10.1126/science.aau2706 — https://doi.org/10.1126/science.aau2706 （作者+编辑摘要双源逐字，正文无 OA，◐；0.1%/1%/80%）
  • Jennifer Allen, Baird Howland, Markus Mobius, David Rothschild & Duncan Watts, “Evaluating the fake news problem at the scale of the information ecosystem,” Science Advances 6(14), 2020, eaay3539，DOI 10.1126/sciadv.aay3539 — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7124954/ （PMC 开放全文，✓一手；0.15%、≤14.2%）
  • Andrew Guess, Jonathan Nagler & Joshua Tucker, “Less than you think: Prevalence and predictors of fake news dissemination on Facebook,” Science Advances 5(1), 2019, eaau4586，DOI 10.1126/sciadv.aau4586 — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6326755/ （PMC 开放全文，✓一手；90%+ 未分享、65+ 近 7 倍）

④ 命门二 · 回音室/过滤气泡/算法极化

  • Eytan Bakshy, Solomon Messing & Lada Adamic, “Exposure to ideologically diverse news and opinion on Facebook,” Science 348(6239), 2015, pp.1130–1132，DOI 10.1126/science.aaa1160 — https://web.archive.org/web/20250909081801/https://www.science.org/cms/asset/b2d69f4d-626d-423a-acb8-a90a3e5d47e8/pap.pdf （Wayback 首发稿全文，✓主笔亲核招牌句；带 FB 员工/自选样本/先筛三硬伤）
  • Christopher Bail et al., “Exposure to opposing views on social media can increase political polarization,” PNAS 115(37), 2018, pp.9216–9221，DOI 10.1073/pnas.1804840115 — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6140520/ （PMC 全文，✓一手；backfire 0.11–0.59 SD、not in all settings）
  • Pablo Barberá, John Jost, Jonathan Nagler, Joshua Tucker & Richard Bonneau, “Tweeting From Left to Right,” Psychological Science 26(10), 2015, pp.1531–1542，DOI 10.1177/0956797615594620 — https://doi.org/10.1177/0956797615594620 （摘要逐字，正文付费墙，◐；overestimated ideological segregation）
  • Seth Flaxman, Sharad Goel & Justin Rao, “Filter Bubbles, Echo Chambers, and Online News Consumption,” Public Opinion Quarterly 80(S1), 2016, pp.298–320，DOI 10.1093/poq/nfw006 — https://5harad.com/papers/bubbles.pdf （作者自存全文，✓一手；both sides of the debate、75% 直访主流）
  • Andrew Guess, “(Almost) Everything in Moderation,” American Journal of Political Science 65(4), 2021, pp.1007–1022，DOI 10.1111/ajps.12589 — https://doi.org/10.1111/ajps.12589 （作者自存接受稿全文，✓一手；exaggerated、relatively few people）
  • Gregory Eady, Jonathan Nagler, Andrew Guess, Jan Zilinsky & Joshua Tucker, “How Many People Live in Political Bubbles on Social Media?” SAGE Open 9(1), 2019，DOI 10.1177/2158244019832705 — https://journals.sagepub.com/doi/pdf/10.1177/2158244019832705 （SAGE 开放全文，✓一手；51% 重叠、no strong echo chambers）
  • Andrew Guess et al., “How do social media feed algorithms affect attitudes and behavior in an election campaign?” Science 381(6656), 2023, pp.398–404，DOI 10.1126/science.abp9364 — https://doi.org/10.1126/science.abp9364 （PubMed 权威摘要逐字，正文付费墙，◐；chronological feed did not alter polarization）
  • Andrew Guess et al., “Reshares on social media amplify political news but do not detectably affect beliefs or opinions,” Science 381(6656), 2023, pp.404–408，DOI 10.1126/science.add8424 — https://doi.org/10.1126/science.add8424 （PubMed 摘要逐字，◐；does not significantly affect polarization）
  • Brendan Nyhan et al., “Like-minded sources on Facebook are prevalent but not polarizing,” Nature 620(7972), 2023, pp.137–144，DOI 10.1038/s41586-023-06297-w — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10396953/ （PMC 开放全文，✓主笔亲核 no measurable effects、challenge popular narratives、自陈局限）
  • Sandra González-Bailón et al., “Asymmetric ideological segregation in exposure to political news on Facebook,” Science 381(6656), 2023, pp.392–398，DOI 10.1126/science.ade7138 — https://doi.org/10.1126/science.ade7138 （PubMed 摘要逐字，正文付费墙，◐；segregation high、homogeneously conservative corner）
  • Michael Wagner, “Independence by permission,” Science 381(6656), 2023, pp.388–391，DOI 10.1126/science.adi2430 — https://doi.org/10.1126/science.adi2430 （闭源无 OA，○仅题录；独立性争议）
  • H. Holden Thorp & Valda Vinson, “Context matters in social media,” Science 385(6716), 2024, p.1393，DOI 10.1126/science.adt2983 — https://doi.org/10.1126/science.adt2983 （PubMed 摘要逐字，◐；research… requires even more attention）

⑤ 防升格/防虚无 · 极化整体与跨国

  • Levi Boxell, Matthew Gentzkow & Jesse Shapiro, “Greater Internet use is not associated with faster growth in political polarization among US demographic groups,” PNAS 114(40), 2017, pp.10612–10617，DOI 10.1073/pnas.1706588114 — https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5635884/ （PMC 全文，✓主笔亲核 least likely to use、limited role、0.47 vs 0.23）
  • Levi Boxell, Matthew Gentzkow & Jesse Shapiro, “Cross-Country Trends in Affective Polarization,” Review of Economics and Statistics 106(2), 2024, pp.557–565，DOI 10.1162/rest_a_01160（NBER WP 26669, 2020/2021） — https://www.nber.org/system/files/working_papers/w26669/w26669.pdf （NBER 工作论文全文，摘要✓/正文◐；6 国下降）
  • Hunt Allcott & Matthew Gentzkow, “Social Media and Fake News in the 2016 Election,” Journal of Economic Perspectives 31(2), 2017, pp.211–236，DOI 10.1257/jep.31.2.211 — https://web.stanford.edu/~gentzkow/research/fakenews.pdf （作者自存全文，✓一手；14%、1.14 条、0.02pp）
  • Philipp Lorenz-Spreen, Lisa Oswald, Stephan Lewandowsky & Ralph Hertwig, “A systematic review of worldwide causal and correlational evidence on digital media and democracy,” Nature Human Behaviour 7, 2023, pp.74–101，DOI 10.1038/s41562-022-01460-1 — https://www.nature.com/articles/s41562-022-01460-1 （开放全文，◐；double-edged sword、depends on variable and system）
  • Elizabeth Kubin & Christian von Sikorski, “The role of (social) media in political polarization: a systematic review,” Annals of the International Communication Association 45(3), 2021, pp.188–206，DOI 10.1080/23808985.2021.1976070 — https://doi.org/10.1080/23808985.2021.1976070 （T&F 全文被 Cloudflare 拦，⚠摘要级；pro-attitudinal media exacerbates polarization）

⑥ 叙事/对称层

证据纪律备注

  • 不凭记忆：六层命题全部来自六捆并行一手取证（多为 curl+pdftotext/HTML 全文级）＋主笔亲核；凡二手、摘要、付费墙未取正文、未同行评审者一律标 ⚠/○，且不上承重。
  • 命门承重的硬梁：命门一压在 Vosoughi（✓主笔亲核）+ Allen/Guess 2019（✓全文）+ Juul-Ugander（◐Significance）；命门二压在 2023 Meta 四连发的 Nyhan 全文（✓主笔亲核）+ Boxell 2017（✓主笔亲核）+ Bakshy（✓主笔亲核）+ Bail/Flaxman/Guess/Eady（✓全文），González-Bailón/三篇 Science 用 PubMed 权威摘要（◐）；叙事层压在 Haidt/Odgers（✓全文）。付费墙的 Wagner 正文、三篇 Science 正文局限、Kubin 全文均降格为辅证或标 ○/⚠。
  • 对称纪律：每一层都同时取升格侧与虚无侧的一手证据（隔离真 ∧ 态度 null；假消息传得远 ∧ 占比 0.15%；backfire 真 ∧ 算法非主因；担忧有据 ∧ 强主张未证），不做单边打靶。特别地，Bakshy 带三硬伤同陈以防”用有利益冲突研究过度祛魅”，2023 Meta 的 null 带 Nyhan 自陈短窗口以防”null 当无害”。
  • 纠错入账：开题任务书给的 Wagner 引文出处有误（原写 Science Advances / DOI 10.1126/sciadv.adk3392），经核实正确为 Science 381:388–391 / DOI 10.1126/science.adi2430，已改正；Centola-Macy 2007 AJS 原典付费墙未取，改用同作者同年 Physica A 姊妹论文给等价定义；Grinberg 的”6%”（占新闻消费）与 Allen 的”0.15%”（占全部媒体消费）分母不同，正文已分别标注不混用。
  • 高风险边界：社会/政治敏感题，不作政治立场表态、不作平台监管政策建议、不对任何具体事件或人物站队；对研究独立性的讨论不构成品格指控。
标签: