周葆華 江丹婷

【內(nèi)容摘要】本文運(yùn)用計(jì)算傳播研究方法，基于推特（X）上與中國(guó)相關(guān)的新冠疫情的英文討論，分析社交機(jī)器人的規(guī)模與特征。研究共包括947559個(gè)賬戶、2040036條推文。經(jīng)采用更保守但更準(zhǔn)確的TweetBotOrNot2檢測(cè)賬號(hào)并結(jié)合人工校驗(yàn)后發(fā)現(xiàn)，社交機(jī)器人賬號(hào)數(shù)占比9.3%，發(fā)布推文數(shù)占比13.4%。社交機(jī)器人注冊(cè)時(shí)間在近期的比例顯著高于人類用戶，其主動(dòng)型社交特征（如發(fā)帖量、關(guān)注數(shù)、點(diǎn)贊數(shù)）顯著高于人類用戶，而被動(dòng)型社交特征（如粉絲數(shù)）則顯著低于人類用戶。在發(fā)帖行為上，社交機(jī)器人賬號(hào)會(huì)大量發(fā)布重復(fù)內(nèi)容，包含更高比例的負(fù)面標(biāo)簽，更多引用低可信度的超鏈接。在此分析基礎(chǔ)上，本文強(qiáng)調(diào)了運(yùn)用多元方法研究社交機(jī)器人的重要性。

【關(guān)鍵詞】國(guó)際傳播；社交機(jī)器人；涉華輿論；計(jì)算傳播

社交媒體是國(guó)際傳播的重要平臺(tái)，因此了解社交平臺(tái)上的多元行動(dòng)者非常重要。①作為人工智能時(shí)代國(guó)際傳播的重要表征，社交機(jī)器人（social bots）已經(jīng)成為社交平臺(tái)上除了人類用戶之外不可忽視的行動(dòng)者，因此實(shí)證分析其分布規(guī)模與行動(dòng)特征具有重要意義。在過往針對(duì)社交機(jī)器人的計(jì)算傳播分析中，比較多地運(yùn)用Botmeter識(shí)別和確定機(jī)器賬號(hào)，本研究運(yùn)用另一種TweetBotOrNot2算法工具，選擇海外最大的社交平臺(tái)之一的推特（Twitter，現(xiàn)名X），識(shí)別并分析其中參與疫情涉華輿論英文討論的社交機(jī)器人賬號(hào)，以期豐富該領(lǐng)域的實(shí)證研究。

一、文獻(xiàn)綜述與研究問題

（一）社交機(jī)器人的界定與分類

隨著人工智能（AI）的發(fā)展，機(jī)器人技術(shù)開始被廣泛應(yīng)用于社交媒體。早在2009年，一份來自Sysomos咨詢公司的報(bào)告就指出，在推特上大約有24%的推文由社交機(jī)器人產(chǎn)生。2012年臉書（Facebook）也曾公開宣稱社交機(jī)器人占其所有賬號(hào)的8.7%。②2017年的另一項(xiàng)研究指出，推特上所有英文活躍用戶中，9%—15%表現(xiàn)出類似機(jī)器人的行為。③由此可見，社交機(jī)器人已經(jīng)成為社交媒體的有機(jī)組成部分，社交媒體生態(tài)呈現(xiàn)出人類與機(jī)器人共生的新格局。

關(guān)于社交機(jī)器人的定義：有的側(cè)重技術(shù)特征，如認(rèn)為社交機(jī)器人就是自動(dòng)化軟件代理④；有的強(qiáng)調(diào)社交互動(dòng)，指出模仿人類行為、生產(chǎn)內(nèi)容，并與真人用戶互動(dòng)是社交機(jī)器人的關(guān)鍵特征⑤；社會(huì)科學(xué)研究則更多指涉機(jī)器人的社會(huì)與政治意涵，如將社交機(jī)器人聚焦于“政治機(jī)器人”，強(qiáng)調(diào)社交機(jī)器人模仿人類用戶行為并試圖操縱公眾觀點(diǎn)，具有政治議程。⑥

Morstatter等將廣義的社交機(jī)器人從人機(jī)關(guān)系角度分為兩類：第一類是為人類用戶提供服務(wù)的功能性機(jī)器人，如氣象預(yù)報(bào)機(jī)器人、聊天機(jī)器人（如微軟小冰）等；第二類則是受人類特定目的驅(qū)使工作的機(jī)器人，如政治性社交機(jī)器人、社交媒體中的機(jī)器“水軍”等。⑦在此基礎(chǔ)上，Stieglitz等從“意圖是否友好”與“模仿人的行為程度”兩個(gè)維度，構(gòu)建了一個(gè)社交機(jī)器人的六分類系統(tǒng)（表1）。⑧

因此，本研究所關(guān)注的社交機(jī)器人是社交媒體上高度模仿人類（行為）的（半）自動(dòng)化的計(jì)算機(jī)程序，它們通過發(fā)布內(nèi)容參與公共議題討論，成為影響輿論的重要行動(dòng)者。

（二）社交機(jī)器人的輿論角色與涉華輿論中的社交機(jī)器人

政治議題相關(guān)的輿論場(chǎng)是社交機(jī)器人展開行動(dòng)的主要領(lǐng)域之一，其操縱者通常使用自動(dòng)化算法注冊(cè)大量社交媒體賬號(hào)并對(duì)其進(jìn)行運(yùn)營(yíng)，通過與盡可能多的目標(biāo)用戶建立聯(lián)絡(luò)傳播特定內(nèi)容并試圖影響輿論走向。過往研究重點(diǎn)關(guān)注西方國(guó)家政治選舉中的社交機(jī)器人。如2016年的美國(guó)選舉中，被認(rèn)為存在大量的政治機(jī)器人，削弱了傳統(tǒng)主體（媒體精英與專家）的影響，干擾真實(shí)人類用戶間的政治溝通。⑨另有研究分析了2017年德國(guó)七個(gè)政黨在競(jìng)選期間的社交機(jī)器人，發(fā)現(xiàn)社交機(jī)器人的比例在競(jìng)選期間有明顯上升，從之前的7.1%上升到9.9%。⑩另一項(xiàng)對(duì)日本首相選舉前后推特文章的分析也發(fā)現(xiàn)，存在大量由機(jī)器人發(fā)布或轉(zhuǎn)發(fā)的重復(fù)信息內(nèi)容，而安倍之所以勝出，也得益于強(qiáng)大的機(jī)器人支持。在其他重大社會(huì)政治議題的討論中，研究發(fā)現(xiàn)，在英國(guó)脫歐公投前的兩周里，機(jī)器人推特賬戶在脫歐相關(guān)議題辯論中極為活躍，而在投票后活躍度急速下降。

隨著中國(guó)的快速發(fā)展和國(guó)際影響力與日俱增，海外社交媒體上關(guān)于中國(guó)議題的機(jī)器人開始引起學(xué)界的關(guān)注。有研究曾對(duì)比分析中國(guó)新浪微博和推特中有關(guān)中國(guó)政治的發(fā)帖及其評(píng)論，發(fā)現(xiàn)與微博不同，在推特中存在社交機(jī)器人操縱輿論的痕跡，并且這些機(jī)器人賬號(hào)大多以簡(jiǎn)體中文發(fā)布反華內(nèi)容。有學(xué)者通過在海外媒體上常被用于指代中國(guó)及中國(guó)政府的8個(gè)標(biāo)簽作為檢索關(guān)鍵詞，在推特上獲取了為期9天的35萬多條推文，發(fā)現(xiàn)其中超過20%的推文由疑似社交機(jī)器人的用戶產(chǎn)生。另一項(xiàng)針對(duì)中美貿(mào)易戰(zhàn)的輿論研究，基于2019年5月推特上關(guān)于該議題的21萬多條推文，發(fā)現(xiàn)其中社交機(jī)器人占比13%，發(fā)帖占比接近20%。

（三）社交機(jī)器人的規(guī)模與特征

1.社交媒體上社交機(jī)器人的規(guī)模

表2總結(jié)了近年來部分基于推特平臺(tái)進(jìn)行的涉華輿論中的社交機(jī)器人的研究發(fā)現(xiàn)。

由此可見，目前推特涉華輿論機(jī)器人的實(shí)證研究主要以短時(shí)間內(nèi)的數(shù)據(jù)采集為主，均使用Botometer檢測(cè)方法，所發(fā)現(xiàn)的社交機(jī)器人用戶規(guī)模比例為12.92%—19.47%，發(fā)帖規(guī)模比例為17.04%—28.69%?？偟膩砜?，目前對(duì)涉華輿論機(jī)器人的實(shí)證研究數(shù)量還不多，另外可以嘗試使用其他的社交機(jī)器人識(shí)別方法，以及探索更長(zhǎng)的時(shí)段分析等。

基于此，本文提出第一組研究問題：

RQ1a：推特新冠疫情涉華議題討論中社交機(jī)器人賬戶以及推文的總體規(guī)模（比例）如何？

RQ1b：推特新冠疫情涉華輿論中的機(jī)器人在時(shí)間序列上具有怎樣的分布特征？

2.社交機(jī)器人的基本特征

社交媒體賬戶在網(wǎng)絡(luò)中公開的賬戶信息主要包括個(gè)人資料（昵稱、頭像、注冊(cè)時(shí)間、性別、簡(jiǎn)介等）以及社交影響力（關(guān)注數(shù)、粉絲數(shù)、發(fā)帖量、閱讀數(shù)以及互動(dòng)數(shù)等）。研究發(fā)現(xiàn)，大多數(shù)社交機(jī)器人的用戶名有自動(dòng)化生成的痕跡，用戶頭像或?yàn)榭?，或可以在網(wǎng)絡(luò)數(shù)據(jù)集中找到。在敘利亞戰(zhàn)爭(zhēng)討論中，大多數(shù)社交機(jī)器人均采用推特系統(tǒng)默認(rèn)的頭像——蛋殼圖案。社交機(jī)器人賬戶與正常人類賬戶在社交關(guān)系部分也具有明顯區(qū)別。如關(guān)于2018年法國(guó)大選前夕“馬克龍泄密”事件中的社交機(jī)器人研究發(fā)現(xiàn)，社交機(jī)器人賬戶的關(guān)注數(shù)（Friends）、粉絲數(shù)（Follower）、發(fā)推量（Tweets）、點(diǎn)贊數(shù)（Favorite）、所屬用戶群組數(shù)（listed）都低于人類用戶。這一點(diǎn)在針對(duì)推特中參與中美貿(mào)易談判議題的社交機(jī)器人研究中也得到證實(shí)，粉絲數(shù)量在100及以下的社交機(jī)器人賬號(hào)數(shù)量明顯多于人類用戶，而當(dāng)粉絲數(shù)量高于5000后，社交機(jī)器人賬號(hào)數(shù)量則明顯少于人類用戶。

因此，本文提出第二個(gè)研究問題：

RQ2：推特新冠疫情涉華議題討論中的社交機(jī)器人的基本賬戶特征（昵稱、簡(jiǎn)介、注冊(cè)時(shí)間和地域分布）以及社交影響力特征（粉絲數(shù)、關(guān)注數(shù)、點(diǎn)贊數(shù)、被加入列表數(shù)、創(chuàng)立以來發(fā)帖數(shù)）分別如何？

有研究證明，執(zhí)行同一任務(wù)的社交機(jī)器人通常在文本內(nèi)容上會(huì)表現(xiàn)出一定的一致性。這在關(guān)于英國(guó)脫歐公投和日本大選中的社交機(jī)器人的活動(dòng)研究中得到了證實(shí)，社交機(jī)器人主要通過大量轉(zhuǎn)發(fā)或直接復(fù)制與其任務(wù)觀點(diǎn)相同的人類用戶的文本內(nèi)容達(dá)到放大擴(kuò)散某種觀點(diǎn)的目的。機(jī)器人在推文中使用的標(biāo)簽數(shù)、鏈接數(shù)、標(biāo)點(diǎn)符號(hào)數(shù)等，也都與正常人類用戶存在一定差異。其發(fā)出信息時(shí)會(huì)采用提及（@）知名用戶的形式，以使其發(fā)布的信息具有更大的可見度。在推特上共享鏈接時(shí)，自動(dòng)賬戶比人類用戶多產(chǎn)。

因此，本文提出第三個(gè)研究問題：

RQ3：推特新冠疫情涉華議題討論中的社交機(jī)器人的發(fā)帖文本是否具有重復(fù)性？發(fā)帖內(nèi)容中@、話題標(biāo)簽（##）、鏈接的使用情況如何？

二、研究方法

（一）數(shù)據(jù)采集與清洗

本文使用的新冠疫情（COVID-19）相關(guān)的推特?cái)?shù)據(jù)集是基于Lopez等通過跟蹤與COVID-19相關(guān)的關(guān)鍵字以及綜合Chen等人的數(shù)據(jù)集構(gòu)成（對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行了去重匹配）?；跀?shù)據(jù)集給出的Tweet ID，本研究使用Twitter API獲取了其中2020年1月22日至6月30日發(fā)布的英文推文，在10%隨機(jī)抽樣的前提下，使用一組與中國(guó)相關(guān)的關(guān)鍵詞（包括China，Chinese，CCP，以及全部省份、武漢、雷神山、火神山等的英文詞）對(duì)其進(jìn)行過濾，在刪掉重復(fù)推文后，共發(fā)現(xiàn)947559個(gè)獨(dú)立用戶（不含被轉(zhuǎn)發(fā)、回復(fù)、引用、提及的賬戶）的2040036條推文在新冠疫情相關(guān)討論中提及中國(guó)。由此可見，本研究所基于的數(shù)據(jù)集包含相對(duì)較長(zhǎng)的時(shí)間段和較大的數(shù)據(jù)量。

（二）社交機(jī)器人檢測(cè)：基于TweetBotOrNot2

社交機(jī)器人檢測(cè)方面最具代表性的是基于有監(jiān)督的機(jī)器學(xué)習(xí)識(shí)別方法。它通過對(duì)具有概念標(biāo)記的訓(xùn)練樣本進(jìn)行學(xué)習(xí)建立一個(gè)基于預(yù)測(cè)特征（通常包括機(jī)器人內(nèi)容與行為特征）的分類模型，然后通過給定預(yù)測(cè)特征的值，使用分類模型為未標(biāo)記的數(shù)據(jù)預(yù)測(cè)類標(biāo)簽。在這類方法中，目前存在多種不同的開源工具，如基于python開發(fā)的Botmeter和基于R語言開發(fā)的TweetBotOrNot2，它們均是基于有監(jiān)督機(jī)器學(xué)習(xí)方法，綜合網(wǎng)絡(luò)、時(shí)間、朋友、內(nèi)容等多個(gè)維度來進(jìn)行分析。只要待檢測(cè)賬號(hào)未開啟隱私權(quán)限，并且有足夠多的信息供分析，它們便會(huì)依據(jù)賬號(hào)的公開推文內(nèi)容和賬號(hào)信息，計(jì)算出一個(gè)介于0到1之間的數(shù)值，該值越接近0則有越大概率表明該賬號(hào)是人類用戶賬號(hào)，若該值越接近1則有越大的概率表明該賬號(hào)是社交機(jī)器人賬號(hào)。

如前所述，目前不少關(guān)于推特涉華輿論的分析中均使用Botmeter作為社交機(jī)器人檢測(cè)方法。但依據(jù)開發(fā)者基于一些公開數(shù)據(jù)集上進(jìn)行的測(cè)試，TweetBotOrNot2相比于Botmeter具有更高的準(zhǔn)確性（圖1）。其他研究者也指出TweetBotOrNot2相比于Botmeter是一個(gè)更保守的機(jī)器人檢測(cè)工具，傾向于只標(biāo)記真正自動(dòng)化的機(jī)器人賬戶，而不包括其他由人類控制的“噴子”用戶或混合賬戶等，因此往往發(fā)現(xiàn)更準(zhǔn)確但數(shù)量更少的機(jī)器人賬戶。

為了更好地探究?jī)深惞ぞ叩男Ч狙芯渴褂貌糠种襟w與公眾人物賬戶以及已知為真人的親友賬戶（共28個(gè)），對(duì)比分析了Botmeter和TweetBotOrNot2的檢測(cè)結(jié)果（表3）。結(jié)果發(fā)現(xiàn)Botmeter的確會(huì)將較多的人類賬戶判定為機(jī)器人賬戶（即便以0.5為標(biāo)準(zhǔn)），而TweetBotOrNot2對(duì)這些人類用戶的判斷相對(duì)更準(zhǔn)確。

基于上述分析，本文選擇TweetBotOrNot2作為機(jī)器人檢測(cè)工具，同時(shí)加入人工校驗(yàn)的部分，將具有身份認(rèn)證的賬戶從社交機(jī)器人集合中移動(dòng)到人類用戶集合。最終，在數(shù)據(jù)集涉及的全部947559個(gè)獨(dú)立賬戶中檢測(cè)出社交機(jī)器人賬號(hào)88353個(gè)。筆者從中抽取了60個(gè)賬號(hào)進(jìn)行人工校驗(yàn)，發(fā)現(xiàn)其中一部分賬號(hào)已經(jīng)被平臺(tái)封禁，剩余賬號(hào)的發(fā)帖行為也的確具有一定自動(dòng)化痕跡（僅活躍了很短的時(shí)間或發(fā)帖內(nèi)容具有高重復(fù)性）。

三、研究發(fā)現(xiàn)

（一）社交機(jī)器人規(guī)模

1.社交機(jī)器人賬號(hào)及發(fā)帖數(shù)量分析

本文使用TweetBotOrNot2檢測(cè)所有賬號(hào)后，以0.5作為閾值劃分社交機(jī)器人賬號(hào)與人類賬戶，并且依據(jù)賬號(hào)是否通過認(rèn)證的修正檢測(cè)結(jié)果后，顯示947559個(gè)獨(dú)立賬號(hào)中社交機(jī)器人賬號(hào)有88353個(gè)，占比為9.3%。

接著對(duì)推文數(shù)量進(jìn)行統(tǒng)計(jì)分析，發(fā)現(xiàn)這些機(jī)器人賬號(hào)一共生產(chǎn)了273437條推文，占總推文數(shù)量的13.4%。每個(gè)社交機(jī)器人賬號(hào)平均生產(chǎn)3條涉華推文，人類用戶平均產(chǎn)生2條涉華推文；發(fā)布3條及以上推文數(shù)量的社交機(jī)器人賬號(hào)占比25.5%，而人類用戶不到15%。

由此可見：推特新冠疫情的涉華輿論中，存在社交機(jī)器人的活躍身影，占全部用戶9.3%的社交機(jī)器人發(fā)布了占比13.4%的推文。與之前的推特涉華輿論研究相比，可能由于采取更為保守和準(zhǔn)確的檢測(cè)方法，本研究發(fā)現(xiàn)了稍低一些的社交機(jī)器人和發(fā)帖量比例。

2.社交機(jī)器人發(fā)布推文的時(shí)間序列

從社交機(jī)器人與人類用戶發(fā)帖的時(shí)間序列上來看，輿論高峰發(fā)生在1月下旬、2月中上旬、3月中上旬及5月中旬，兩者最高峰均出現(xiàn)在2020年1月31日，時(shí)間序列間存在強(qiáng)相關(guān)性（Spearman相關(guān)系數(shù)=0.840，p<.001）。大多數(shù)時(shí)候，社交機(jī)器人發(fā)帖高峰出現(xiàn)時(shí)間會(huì)略晚于人類用戶；也有部分時(shí)間段，社交機(jī)器人峰值出現(xiàn)時(shí)間早于人類用戶，如3月12日前后的小峰值，以及5月連續(xù)出現(xiàn)幾次峰值。由此推測(cè)，新冠疫情涉華議題的相關(guān)討論中，社交機(jī)器人可能通常選擇緊跟人類用戶進(jìn)行發(fā)帖，當(dāng)人類用戶討論達(dá)到一定程度后開始加入，起到一種放大信息、擴(kuò)大輿論的作用；但在特定情境下，也試圖預(yù)先發(fā)帖，影響人類用戶的發(fā)帖行為。

（二）社交機(jī)器人的賬號(hào)特征

1.社交機(jī)器人的基本賬號(hào)特征

（1）賬號(hào)昵稱

本研究發(fā)現(xiàn)社交機(jī)器人的賬號(hào)昵稱存在一定的自動(dòng)化生成痕跡。較為明顯的一個(gè)例子是，在人類用戶數(shù)（N=859206）與機(jī)器人用戶數(shù)（N=88353）存在10倍數(shù)量差的情況下，社交機(jī)器人群體中大量賬號(hào)（295個(gè)）昵稱中含有“Trump”，而在人類群體中僅有28個(gè)賬號(hào)含有“Trump”。

（2）賬號(hào)描述

本研究發(fā)現(xiàn)社交機(jī)器人描述文本長(zhǎng)度均值高于人類用戶，且描述極長(zhǎng)的賬戶和描述極短的賬戶分布較為均勻，而人類用戶則更多偏向于短文本描述。獨(dú)立樣本K-S檢驗(yàn)（因樣本不服從正態(tài)分布）發(fā)現(xiàn)（表4），社交機(jī)器人和人類用戶的描述文本長(zhǎng)度特征分布上存在顯著差異（p<0.001）。

（3）地域分布

本研究發(fā)現(xiàn)：無論社交機(jī)器人還是人類用戶，最多出現(xiàn)的注冊(cè)地區(qū)是美國(guó)，其次為印度、中國(guó)香港、英國(guó)、加拿大等。不過，在社交機(jī)器人群體內(nèi)，其注冊(cè)地域在美國(guó)具體地區(qū)的排名高于印度、中國(guó)香港等地。這可能是社交機(jī)器人偽裝自己的一種手段，更詳細(xì)的注冊(cè)地址能使其包裝得更類似一個(gè)人類用戶以躲避平臺(tái)的查封。

（4）注冊(cè)時(shí)間

研究發(fā)現(xiàn)：近9%的社交機(jī)器人賬號(hào)注冊(cè)時(shí)長(zhǎng)不超過6個(gè)月，也就是正值議題發(fā)生前后創(chuàng)建，且注冊(cè)時(shí)長(zhǎng)在6—12個(gè)月區(qū)間的機(jī)器人用戶也有將近9%，社交機(jī)器人注冊(cè)時(shí)長(zhǎng)近一半分布在48個(gè)月以內(nèi)（占比49.9%），平均注冊(cè)時(shí)長(zhǎng)為58個(gè)月。而人類用戶中注冊(cè)時(shí)長(zhǎng)在48個(gè)月以內(nèi)的比例僅為33.9%，平均注冊(cè)時(shí)長(zhǎng)為69個(gè)月。獨(dú)立樣本K-S檢驗(yàn)發(fā)現(xiàn)兩群體間該屬性存在明顯差異（p<0.001）。由此推測(cè)，社交機(jī)器人賬號(hào)可能因特定議題而被特意注冊(cè)。

2.社交機(jī)器人的社交影響力特征

（1）社交機(jī)器人與人類用戶社交影響力特征分布比較

本文從5個(gè)維度對(duì)比分析社交機(jī)器人與人類用戶賬號(hào)的社交影響力特征：發(fā)推總數(shù)、粉絲數(shù)、關(guān)注數(shù)、點(diǎn)贊數(shù)、所屬的公開用戶組個(gè)數(shù)。結(jié)果顯示（表6）：社交機(jī)器人群體的主動(dòng)型社交特征如發(fā)帖總量、關(guān)注數(shù)、點(diǎn)贊數(shù)顯著高于人類用戶，而被動(dòng)型社交特征如粉絲數(shù)以及所屬的公開用戶組個(gè)數(shù)則明顯小于人類用戶。

（2）社交機(jī)器人與人類用戶社交影響力特征的相關(guān)性分析

圖2使用熱力圖形式展示了5種屬性之間的斯皮爾曼相關(guān)系數(shù)。對(duì)比兩張圖可以發(fā)現(xiàn)：無論人類用戶還是社交機(jī)器人用戶，最強(qiáng)的相關(guān)性均出現(xiàn)在粉絲數(shù)以及關(guān)注數(shù)之間（斯皮爾曼ρ機(jī)=0.80，ρ人=0.74），不過在社交機(jī)器人群體中，這種關(guān)聯(lián)性表現(xiàn)得更明顯一些，這從側(cè)面說明社交機(jī)器人相比人類用戶可能會(huì)通過大量關(guān)注其他用戶來增強(qiáng)自身被人類用戶關(guān)注的可能性。雖然兩類用戶間所有相關(guān)性均成正向關(guān)系，但社交機(jī)器人群體間的相關(guān)性大都略高于人類群體，如點(diǎn)贊數(shù)與關(guān)注數(shù)（ρ機(jī)=0.55，ρ人=0.47）、所屬公開群組數(shù)和關(guān)注數(shù)（ρ機(jī)=0.48，ρ人=0.36）以及粉絲數(shù)和群組數(shù)（ρ機(jī)=0.67，ρ人=0.56）、發(fā)帖數(shù)和群組數(shù)（ρ機(jī)=0.54，ρ人=0.51）等。說明社交機(jī)器人可能通過大量發(fā)推、點(diǎn)贊、關(guān)注的主動(dòng)社交行為，來提升自己被其他用戶關(guān)注或加入用戶群組的可能性，從而增強(qiáng)展示在人類用戶面前的機(jī)會(huì)。

（三）社交機(jī)器人的推文發(fā)布特征

1.社交機(jī)器人的發(fā)帖重復(fù)性

社交機(jī)器人會(huì)通過復(fù)制相似甚至完全相同的內(nèi)容達(dá)到增強(qiáng)某一言論的作用。本研究發(fā)現(xiàn)其主要表現(xiàn)包括兩種方式。

第一，同一社交機(jī)器人賬號(hào)發(fā)布多條相似內(nèi)容。例如，viriya（@viriyabot）是本議題中發(fā)推量最大的社交機(jī)器人賬號(hào)，一共發(fā)布了4488條推文，其會(huì)在不同時(shí)間段發(fā)布內(nèi)容極為相似的推文，有時(shí)可能只是語法的變化或者同義單詞的替換，比如“American Airlines has also suspended all flights to and from mainland China， effective immediately”和“American Airlines will suspend all U. S. -China flights effective immediately”。甚至文本一模一樣，僅是分享的鏈接不同，而這些鏈接都指向同一網(wǎng)站的同一篇新聞報(bào)道。我們進(jìn)一步使用每條推文的前10個(gè)單詞進(jìn)行匹配，如果兩條推文開頭連續(xù)10個(gè)單詞內(nèi)容一致，則將其視為相似內(nèi)容，以此對(duì)4488條推文進(jìn)行操作后，推文量減少235條（占比5.23%）。發(fā)帖量排名第二的社交機(jī)器人賬號(hào)POST Online Media（@poandpo）更為明顯：采用前10個(gè)單詞匹配的方法對(duì)其發(fā)布的636條推文進(jìn)行操作，發(fā)現(xiàn)推文量減少400條（占比62.9%）。

第二，不同社交機(jī)器人賬號(hào)發(fā)布相似內(nèi)容。在社交機(jī)器人用戶中，不同賬號(hào)在短時(shí)間間隔中發(fā)布大量?jī)?nèi)容相似甚至完全一致的情況也很常見。社交機(jī)器人共發(fā)帖273437條，以前10個(gè)單詞進(jìn)行匹配去重后，發(fā)帖量?jī)H為139571條，損失率高達(dá)57.3%。比如2020年5月20日12：35—12：36短短一分鐘內(nèi)，28個(gè)不同的社交機(jī)器人賬號(hào)發(fā)布了一條一模一樣的內(nèi)容。

2.社交機(jī)器人發(fā)布推文中特殊字符使用策略

（1）特殊字符使用頻次比較

表7報(bào)告了社交機(jī)器人賬號(hào)與人類用戶使用標(biāo)簽、提及、超鏈接的頻次分布對(duì)比，發(fā)現(xiàn)機(jī)器人用戶相比人類用戶更少提及（@），或者使用標(biāo)題標(biāo)簽（##），但會(huì)更多使用超鏈接。

（2）特殊字符指向內(nèi)容比較

社交機(jī)器人賬號(hào)和人類用戶均會(huì)采用新聞?lì)愒掝}標(biāo)簽快速傳遞信息，對(duì)比兩者使用頻率最高的前20個(gè)話題標(biāo)簽，發(fā)現(xiàn)大多數(shù)是與“新冠病毒”相關(guān)的標(biāo)簽，如#coronavirus、#COVID19、#CoronavirusOutbreak、#WuhanCoronavirus等。但可以發(fā)現(xiàn)帶有“中國(guó)病毒”“武漢病毒”含義的標(biāo)簽在社交機(jī)器人群體使用頻次排名前20中出現(xiàn)了4次（分別為第7、12、14、16名），而在人類群體中只出現(xiàn)了3次（分別為7、14、15名），且其對(duì)應(yīng)百分比也均高于人類用戶，這說明其相比人類用戶會(huì)更高頻地使用此類負(fù)面標(biāo)簽。

兩者均會(huì)采用通過@媒體或者熱點(diǎn)人物的方式擴(kuò)大影響力，觀察社交機(jī)器人賬號(hào)與人類用戶提及用戶前20，社交機(jī)器人賬號(hào)會(huì)更多地提及熱點(diǎn)人物（如@realDonaldTrump、@JoeBiden）以擴(kuò)大影響力。社交機(jī)器人@的前20個(gè)中有10個(gè)為熱點(diǎn)人物賬號(hào)，而人類用戶則是8個(gè)。

社交機(jī)器人賬號(hào)使用鏈接的來源可信度低且有部分內(nèi)容與新冠疫情無關(guān)。我們對(duì)社交機(jī)器人賬號(hào)以及人類用戶使用頻次分別排名前20的鏈接進(jìn)行了逐一搜索，發(fā)現(xiàn)社交機(jī)器人賬號(hào)使用頻次排名前20的鏈接中有5個(gè)其原帖已被刪除或發(fā)布賬號(hào)已被凍結(jié)，此外還有2個(gè)鏈接指向內(nèi)容與新冠疫情無關(guān)。而人類用戶使用的鏈接中則未觀察到此現(xiàn)象。

四、小結(jié)與討論

本文對(duì)推特新冠疫情涉華輿論中的社交機(jī)器人進(jìn)行計(jì)算傳播分析發(fā)現(xiàn)：第一，在社交機(jī)器人規(guī)模方面，用戶占比9.3%，發(fā)帖數(shù)量占比為13.4%。社交機(jī)器人的發(fā)文高峰大多時(shí)候晚于人類用戶，印證了社交機(jī)器人在輿論場(chǎng)中主要起放大信息、擴(kuò)大輿論的目的。第二，社交機(jī)器人賬號(hào)的平均注冊(cè)時(shí)長(zhǎng)明顯低于人類用戶，有部分可能是為了參與新冠話題討論而在短期內(nèi)被特意注冊(cè)。社交機(jī)器人的賬號(hào)昵稱描述文本長(zhǎng)度顯著長(zhǎng)于人類用戶，相比人類用戶會(huì)帶有更加具體詳細(xì)的地域信息。第三，社交機(jī)器人的主動(dòng)型社交特征（如發(fā)帖總量、關(guān)注數(shù)、點(diǎn)贊數(shù)）顯著高于人類用戶，而被動(dòng)型社交特征（如粉絲數(shù)）明顯小于人類用戶。社交機(jī)器人的各類社交行為之間相比人類用戶存在更明顯的相關(guān)性。第四，社交機(jī)器人發(fā)送推文的重復(fù)率極高，一是不同機(jī)器人賬號(hào)會(huì)在非常接近的時(shí)間段發(fā)布內(nèi)容相似甚至完全一致的推文，另一種則是同一賬號(hào)會(huì)在不同的時(shí)間發(fā)布內(nèi)容完全一致或者相似的推文。相比人類用戶，社交機(jī)器人在發(fā)帖中包含負(fù)面標(biāo)簽的比重比人類用戶更高，會(huì)更頻繁@熱點(diǎn)人物以擴(kuò)大言論的可見性，更多引用低可信度的超鏈接。

本文在計(jì)算方法上采用新的識(shí)別方法并采取與人工校驗(yàn)相結(jié)合的方式，所發(fā)現(xiàn)的社交機(jī)器人規(guī)模比例和特征表現(xiàn)可能更為準(zhǔn)確，同時(shí)也說明社交機(jī)器人識(shí)別思路的復(fù)雜性與概率性（即任何檢測(cè)方法只是關(guān)于特定賬號(hào)“類人”或“類機(jī)”的概率分?jǐn)?shù)，并非絕對(duì)）。因此，未來研究可在如下方面繼續(xù)深入：第一，超越過往高度集中的單一方法（如Botmeter工具），探索多元方法的運(yùn)用；第二，超越“二元對(duì)立”的“識(shí)別結(jié)果”思路，根據(jù)計(jì)算方法的“識(shí)別概率”在特定情境中深度理解“（類）社交機(jī)器人”賬號(hào)的行動(dòng)；第三，重視社交機(jī)器人發(fā)展的生態(tài)性與動(dòng)態(tài)性，包括在大語言模型（LLM）影響下，社交機(jī)器人會(huì)如何更新和演化，值得更多經(jīng)驗(yàn)考察。

參考文獻(xiàn)：

①喻國(guó)明：《學(xué)術(shù)視域下的新傳播、新趨勢(shì)與新思考》，《教育傳媒研究》2022年第3期。

②Wasserman，T.（2012，August2）. 83 million Facebook accounts are fake. http：//mashable.com/2012/08/02/fake-facebook-accounts/#_ daGF3AAxqqg.

③Varol， O.， Ferrara， E.， Davis， C.， Menczer， F.， & Flammini， A. （2017）. Online human-bot interactions： Detection， estimation， and characterization. Proceedings of the International AAAI Conference on Web and Social Media， 11（1）， 280-289.

④Geiger， R. S. （2016）. Bot-based collective blocklists in Twitter. Social Science Electronic Publishing， 19（5-6）， 787-803.

⑤Kollanyi， B. （2016）. Where do bots come from？ An analysis of bot codes shared on GitHub. International Journal of Communication， 10， 20. Woolley， S. C.， & Howard， P. N. （2016）. Social media， revolution， and the rise of the political bot. Routledge Handbook of Media， Conflict， and Security （pp. 282-292）. New York， NY： Routledge.

⑥Woolley， S. C. （2016）. Automating power： Social bot interference in global politics. First Monday， 21（4）. https：//doi.org/10.5210/fm.v21i4.6161.

⑦M(jìn)orstatter， F.， Carley， K. M.， & Liu， H. （2015）. Bot detection in social media： networks， behavior， and evaluation. Asonam 2015. Paris， France， August 25-28， 2015.

⑧Stieglitz， S.， Brachten， F.， Ross， B.， & Jung， A. K. （2017）. Do social bots dream of electric sheep？ A categorisation of social media bot accounts. arXiv：1710.04044.

⑨Keller， T. R.， & Klinger， U. （2019）. Social bots in election campaigns： Theoretical， empirical， and methodological implications. Political Communication， 36（1）， 171-189. Howard， P. N.， Woolley， S.， Calo， R. （2018）. Algorithms， bots， and political communication in the US 2016 election. Journal of Information Technology & Politics， 15（7）， 1-13.

⑩Hagen， L.， Neely， S.， Keller， T. E.， Scharf， R.， & Vasquez， F. E. （2020）. Rise of the machines？ Examining the influence of social bots on a political discussion network. Social Science Computer Review. doi： 10.1177/0894439320908190.

Sch?fer， F.， Evert， S.， & Heinrich， P. （2017）. Japans 2014 general election： Political bots， right-wing internet activism， and Prime Minister Shinzō Abes Hidden Nationalist Agenda. Big data， 5（4）， 294-309.

Bastos， M.， & Mercea， D. （2018）. The public accountability of social platforms： Lessons from a study on bots and trolls in the Brexit campaign. Philosophical Transactions of the Royal Society A， 376（2128）： 20180003.

Bolsover， G.， & Howard， P. （2019）. Chinese computational propaganda： automation， algorithms and the manipulation of information about Chinese politics on Twitter and Weibo. Information， Communication & Society， 22（14）， 2063-2080.

師文、陳昌鳳，《分布與互動(dòng)模式：社交機(jī)器人操縱Twitter上的中國(guó)議題研究》，《國(guó)際新聞界》2020年第5期。

張洪忠、趙蓓、石韋穎，《社交機(jī)器人在Twitter參與中美貿(mào)易談判議題的行為分析》，《新聞界》2020年第2期。

師文、陳昌鳳，《社交機(jī)器人在新聞擴(kuò)散中的角色和行為模式研究》，《新聞與傳播研究》2020年第5期。

Subrahmanian， V. S.， Azaria， A.， Durst， S.， Kagan， V.， Galstyan， A.， Lerman， K.， & Menczer， F. （2016）. The DARPA Twitter bot challenge. Computer， 49（6）， 38-46.

Forelle， M.， Howard， P.， Monroy-Hernández， A.， & Savage， S. （2015）. Political bots and the manipulation of public opinion in Venezuela. arXiv：1507.07109.

Ferrara， E.， Varol， O.， Davis， C.， Menczer， F.， & Flammini， A. （2016）. The rise of social bots. Communications of the ACM， 59（7）， 96-104.

Wang Y.， Wu C.， Zheng K.， Wang X. （2018）. Social Bot Detection Using Tweets Similarity. In International conference on security and privacy in communication systems （pp. 63-78）. Cham： Springer.

Bastos M T， Mercea D. The Brexit botnet and user-generated hyperpartisan news. Social Science Computer Review， 2019， 37（1）： 38-54.

Dickerson， J. P.， Kagan， V.， & Subrahmanian， V. S. （2014）. Using sentiment to detect bots on twitter： Are humans more opinionated than bots？ Asonam 2014. IEEE， 620-627.

Shao， C.， Ciampaglia， G. L.， Varol， O.， Yang， K. C.， Flammini， A.， & Menczer， F. （2018）. The spread of low-credibility content by social bots. Nature Communications， 9（1）， 1-9.

Wojcik， S. （2018）. 5 things to know about bots on Twitter. https：//www.pewresearch.org/fact-tank/2018/04/09/5-things-to-know-about-bots-on-twitter.

Lopez， C. E.， & Gallemore， C. （2020）. An augmented multilingual Twitter dataset for studying the COVID-19 infodemic. https：//assets.researchsquare.com/files/rs-95721/v1_stamped.pdf ， 2020. Chen， E.， Lerman， K.， & Ferrara， E. （2020）. Covid-19： The first public coronavirus twitter dataset. arXiv：2003.07372.

Davis， C. A.， Varol， O.， Ferrara， E.， Flammini， A.， & Menczer， F. （2016）. Bot or not： A system to evaluate social bots. Proceedings of the 25th international conference companion on world wide web， 273-274.

Kearney， M. Tweet Bot Or Not 2. https：//tweetbotornot2.mikewk.com.

Graham， T.， Bruns， A.， Zhu， G.， & Campbell， R. （2020）. Like a virus： The coordinated spread of Coronavirus disinformation. https：//eprints.qut.edu.au/202960/1/P904_Like_a_virus_COVID19_disinformation_Web_.pdf.

（作者周葆華系復(fù)旦大學(xué)新聞學(xué)院教授、博士生導(dǎo)師；江丹婷系復(fù)旦大學(xué)新聞學(xué)院碩士研究生）

【責(zé)任編輯：謝敏】

*本文系國(guó)家社科基金人才項(xiàng)目“基于計(jì)算傳播的新媒體輿論過程研究”（項(xiàng)目編號(hào)：22VRC186）、復(fù)旦大學(xué)文科先導(dǎo)和創(chuàng)新團(tuán)隊(duì)項(xiàng)目“面向媒介深度融合的智能媒體創(chuàng)新研究與應(yīng)用”（項(xiàng)目編號(hào)：IDH3353070）的階段性成果。