跳至正文

社会传染：思想如何像病毒一样在人群中传播

  • 由
🟢 实验验证 📅 2026年3月 ⏱ 阅读约18分钟

社会传染：思想如何像病毒一样传播

为什么某些观念悄然扩散，某些情绪席卷全场，而有些想法传播了一半就无声消亡？

📑 本文目录

2014年，Facebook悄悄做了一个实验：在不告知用户的情况下，系统性地调整了68.9万人的信息流，减少了其中正向或负向内容的比例，然后观察这些人后续的发帖情绪。结果令人不安——被减少正向内容的用户，后来发布的正向帖子也更少了。[20] 这个实验因伦理争议被迫公开，却留下了一个难以忽视的问题：我们的情绪，真的会经由屏幕上的算法”传染”给我们吗？

更广泛地说：观念、情绪、行为习惯，是否真的像病毒一样在人群中扩散？如果是，它们遵循什么动力学规律？我们又能否主动设计这种传播，让它服务于公共利益而非放大焦虑与极化？

过去二十年，网络科学、计算社会科学与行为经济学汇聚于此，逐渐描绘出一幅比直觉更复杂、也更有力量的图景。

一、”思想像病毒”——这个比喻有多准？

💡 直觉类比

流行病学家用R₀（基本再生数）描述一种病毒平均感染多少人。如果R₀ > 1，疫情扩散；如果R₀ < 1，最终熄灭。那么一个观念的”R₀”是多少？

这个类比有其力量。我们确实会观察到类似病毒传播的现象：某个想法从少数人开始，经过级联效应，最终感染整个舆论场。信息传播可以用分枝过程来描述，每条帖子都可能”感染”若干人，再由这些人继续转发。[15]

然而，复杂系统学家Peter Sheridan Dodds指出：生物传染与社会传染在形式上或许可以统一，但在机制上存在关键差异。[3] 生物病毒通常”一触即发”——接触一次就有感染概率。但思想不同：大多数人不会因为看到一条帖子就立刻改变信念，更不会因为偶然听到一种立场就付诸行动。

❌ 常见误区

“内容足够好，自然会病毒式传播。” 事实是：大规模真实推荐数据显示，绝大多数传播链条短浅而有限，真正的全局爆发极为罕见。[14] 传播的成功高度依赖局部网络结构与重复接触，而非单纯的内容质量。

那么，思想的传播究竟和病毒有什么本质不同？答案藏在”复杂传染”这个概念里。

二、复杂传染：不是听一次，而是要看到很多人都信

🔑 核心概念：简单传染 vs 复杂传染

简单传染（Simple Contagion）：一次接触即可传播。流感、谣言（低成本、低风险）通常属于此类。

复杂传染（Complex Contagion）：需要多次接触、多个信源的社会强化，才能完成传播。高成本行为、有争议的观念、身份认同类内容通常属于此类。

复杂传染理论由Centola等人系统发展，经过十年演化，已成为理解观念与行为扩散最核心的框架之一。[1] 其核心洞见是：当一个行为或信念的采纳需要”社会证明”时，仅仅知道某件事存在是不够的——你需要看到你圈子里的多个人都已接受它，才会最终”被感染”。

Centola在一项随机实验中直接验证了这一点：在传播需要社会强化的健康行为时，聚类网络（朋友圈重叠度高）的传播效果显著优于稀疏的随机网络。[5] 这挑战了一个流行的直觉——”弱连接”（weak ties）是最佳传播渠道。弱连接确实能让信息触达更广的圈层，但对于需要多次强化才能采纳的观念，强关系的聚类结构才是决定因素。[9]

📐 Granovetter阈值模型
ri = 1，当且仅当：∑j∈N(i) aij · xj ≥ θi
符号含义
ri个体i是否采纳（0或1）
aiji与j之间的连接权重
xj邻居j是否已采纳
θi个体i的采纳阈值

翻译成人话：每个人都有一个”临界点”——当你周围已经采纳某观念的朋友数量（加权后）超过这个临界值，你就会跟着采纳。人群中不同人的阈值分布，决定了这个观念能否形成级联。[12]

传播还有更精细的层级结构。真实世界中，人们并非只有”接受/未接受”两种状态，而是从”偶然看到”到”轻度认同”再到”主动转发”，最后到”深度动员”，存在多个参与层级。[7] 这意味着大多数观念的传播，是一个渐进的、多阶段的社会过程，而不是一次二元翻转。

更有趣的是：复杂传染可以产生相变式的临界行为。[6] 某个观念可能长期在小圈子内徘徊，看起来毫无声势，却在某个临界点之后突然席卷全局——就像过冷水突然结冰。这种混合相变的存在，解释了为什么某些社会变化总是”突然来临”。

三、网络结构决定传播命运

如果说阈值决定了每个人的”感染难度”，那么网络结构就决定了传播的整体命运。

🌍 现实案例：为什么有些观念先在小圈子发酵，再跨圈外溢？

网络模块性（modularity）研究给出了一个精确答案：复杂传染在”中等模块化”的网络中传播最好——群内有足够的聚集提供强化，群间有桥接节点让观念得以外溢。[11] 过于封闭的圈子会让想法永远出不去；过于扁平的大广场则让社会强化无法积累。

关系的强度同样关键。加权网络模型表明，强关系网络（好友、家人、长期合作者）中重复接触的概率更高，更容易积累起触发采纳的社会证明。[9] 这解释了为什么意见领袖在各自圈子内部的影响力，往往远大于他们跨圈层的触达能力。

传统网络模型假设传染沿”边”（两个节点之间的连接）传播。但真实的社交场景远比这复杂——微信群、Zoom会议、线下聚会，这些都是多人同时互动的高阶结构。研究发现，考虑这种”单纯形式的群组互动”之后，传播的阈值与爆发条件会显著改变。[8] 当你在一个群聊里同时看到五个人都转发了同一个观点，这带来的强化远超过你单独在不同时间见到这五个人各说一次。

🚀 前沿视角：高阶网络结构

社会传染研究正在从”一对一的边”转向”群组互动的超图”。高阶互动不仅改变了传播速度，还可能产生在传统二元网络中不可能出现的动力学行为，比如更强的非线性爆发和跨群感染。[10]

还有一种反直觉的发现：人群的”混合程度”会从根本上改变传播路径。在不同混合条件（同质性高vs低）下，相同的阈值分布可以产生截然不同的最终扩散态。[13] 算法驱动的内容推荐，实际上在动态调整这种混合程度——它决定了你的信息流到底有多”同质”。

四、情绪与道德：社交媒体上最强的传播放大器

如果你想找一种能在社交平台上快速传播的内容类型，答案几乎从不令人意外：愤怒的、带有道德谴责的内容。

Facebook那个著名的情绪传染实验给出了直接证据：通过调整信息流中正负向内容的比例，可以系统性地影响数十万用户的情绪表达。[20] 这不是说服，不是广告，不是政治宣传——仅仅是改变用户”看到什么”，就足以影响他们”感受到什么”并进而”说出什么”。

独立的计算研究进一步量化了这一现象：用户暴露的情绪内容与其后续表达之间存在系统性关联，且负向情绪与正向情绪的扩散模式可能并不对称。[21]

🔬 实验证据：道德情绪放大传播

Brady等人分析了Twitter上数十万条帖子，发现每增加一个道德情绪词汇（愤怒、谴责、不公正等），内容在网络内的传播率就会相应提升。[22] “情绪化 + 道德化”是已被反复观察到的高传播性组合，能解释许多网络争议事件的快速发酵机制。

然而，这里需要一个重要的学术谨慎。Burton等人的再检验研究提醒我们：许多看似”道德传染”的结果，可能受到选择偏差、同质性与测量方式的混淆。[23] 幸运的是，Brady等人在2025年完成了一项预注册复现与荟萃分析，给出了更稳健的结论：道德情绪对传播的效应确实存在，但效应量需要结合边界条件谨慎解读。[24]

信息级联还会产生一个更深远的后果：它不只在网络中流动，还会重塑网络本身。在极化的信息生态中，反复的信息级联会将用户重新分类，推动网络向更加模块化、更加同质化的方向演变，进而为下一轮极化信息的传播创造更有利的条件。[17] 传播与结构形成正反馈——这是算法平台极化问题的网络科学根源。

🌍 应用案例：多个叙事的竞争与协同

现实中，社交媒体上从不只有一个观念在传播。多个叙事、标签、情绪框架同时竞争用户的注意力。它们可以相互促进（互补叙事），也可以相互抑制（竞品叙事），其共同扩散轨迹决定了舆论最终走向。[18] 同一个”模因”在不同平台的表现差异，也部分来自各平台用户注意力结构与跨平台耦合的不同。[19]

五、现实世界的传染：从跑步习惯到决策偏好

社会传染不只发生在网络上，也不只传播”观点”。现实中，行为模式、决策习惯，乃至我们看待时间与未来的方式，都可能经由社交网络传播。

一项追踪全球跑步应用用户的大规模研究发现，跑步行为在社交网络中呈现出可测量的传染效应——看到朋友跑步，自己也更可能去跑。[25] 更有趣的是，这种影响具有异质性：男性用户会被朋友（尤其是比自己跑得少的男性朋友）的跑步表现激励，但在某些组合下影响并不对称。这提示我们：社会传染并非均匀发生，而高度依赖关系类型与身份认同。

🔬 时间偏好也会”传染”

更令人惊讶的是，甚至个体对延迟满足的偏好（即”我愿不愿意等待更大的奖励”）也可以在小网络互动中发生漂移。[28] 这意味着社会传染的对象不只是显性行为，还包括更深层的决策风格与认知倾向。

学业行为也不例外。在学生社交网络的研究中，亲密朋友与”令人钦佩的同伴”通过不同路径影响着彼此的学习行为——前者通过日常互动传递习惯，后者通过榜样效应引发模仿。[29]

合作行为同样可以扩散。动态网络中，合作倾向与社会传染共同塑造群体协作结构——合作不只是个体特质，更是一种可以被传染的社会规范。[26]

当然，我们也必须正视传染的另一面。朋友网络中自杀相关内容的披露与风险的网络聚集，同样显示出社会传染的轮廓。[30] 传播机制本身是中性的——它既可以扩散健康行为与合作规范，也可以放大焦虑与伤害。理解这个机制，不仅是为了更好地”感染”更多人，也是为了知道如何切断有害的传播链条。

六、看到相关，不等于看到传染——识别陷阱

❌ 研究者的陷阱

Christakis与Fowler的系列研究声称发现了肥胖、幸福感、吸烟等行为的社会传染效应，引发广泛关注，但也遭到强力批评。批评者指出：你观察到的网络聚集，可能来自三种完全不同的机制——真正的传染（contagion）、同质性（相似的人趋向成为朋友）、共同暴露（同处一个环境）。这三种机制产生的统计模式极难区分。

这不是一个边缘问题。2025年发表在npj Complexity的研究专门提出了从局部网络视角识别传染机制的方法，试图从根本上解决”看到相关，但不知道为什么”的困境。[4]

同样重要的提醒来自信息级联研究：相同规模的级联可能来自完全不同的生成机制。[16] 仅凭传播结果的形态，无法反推出单一的因果解释。

🧪 思维实验

假设你观察到某城市中练瑜伽的人明显聚集在同一社区。这是因为：(A) 一个人带动了邻居；(B) 喜欢瑜伽的人本来就倾向于住在一起；还是 (C) 这个社区有家很好的瑜伽馆？

这个简单问题，对于实际的社会网络数据，往往需要随机对照实验才能回答——而这在现实中极难实现。这是社会传染研究最根本的认识论挑战。

理解这些局限，并不是要否定社会传染的存在。大量随机对照实验已经提供了无法否认的因果证据。[5][27] 但它要求我们：每当看到”XX行为/观念在社交网络中传播”的标题，都要追问一句——研究者到底控制了哪些混淆变量？

七、传染可以被设计：从理解到干预

理解社会传染机制，最终指向一个令人兴奋的可能：我们能否主动利用这些规律，设计出更有效的社会干预？

2015年《柳叶刀》发表的一项集群随机对照试验给出了肯定的答案。研究者在洪都拉斯农村社区通过社交网络分析识别出关键节点，再将健康行为干预信息定向注入这些节点——结果显示，相比随机分配的对照组，这种网络靶向策略显著提升了健康行为的群体采纳率。[27]

🌍 公共卫生的新范式

公共卫生学家Thomas Valente系统梳理了扩散/传染在社会网络干预中的应用框架：识别网络桥接节点、培育意见领袖、利用社区聚集结构放大复杂传染的社会强化效应——这些已从理论走向可操作的干预工具。[2]

更深远的洞见来自”社会临界点”研究：个体阈值分布决定社会是否会发生整体翻转。[12] 这意味着，即使是少数坚定的早期倡导者（committed minority），在特定网络条件下也可以触发大规模的规范转变。这不只是理论预言——它是历史上每一次观念革命的动力学描述。

“社会网络干预是一种重新分配社会影响力的方法——不是向所有人发消息，而是找到那些让其他人改变的关键人物。”

— 来自 Valente et al. 2020 的核心思想 [2]

当然，同样的机制也可以被滥用——设计病毒式的道德情绪内容以极化公众，或借助群体强化推广错误信息。理解社会传染，意味着我们掌握了一种强大工具；它被如何使用，最终取决于设计者的目标与约束。

🧭 混沌笔记点评

“思想像病毒传播”是个启发性的比喻，但也是个危险的简化。社会传染比病毒传染复杂得多：它需要社会强化而非单次接触，它依赖网络结构而非随机碰撞，它与情绪和身份认同深度耦合，它的因果识别面临天然的认识论困境。

这个领域给我们留下了几个值得反复咀嚼的反直觉发现：

  • 弱连接利于触达，强关系才能完成采纳——对复杂传染来说，聚集的社群比开放的广场更有力量
  • 算法平台的最大影响，不是说服，而是放大情绪可见性，重塑网络结构
  • 社会临界点是真实存在的——少数坚定倡导者可以在对的网络条件下引爆规范翻转
  • 传染可以被设计，用于公共善；这同样意味着它可以被设计，用于伤害

站在这个交叉路口，复杂性科学的价值不只是描述”为什么观念会扩散”，更是帮助我们理解”我们是否有能力，以及是否有责任，去设计更健康的传播生态”。

📚 参考文献

  1. Guilbeault D, et al. Complex Contagions: A Decade in Review. arXiv, 2017. https://arxiv.org/abs/1710.07606
  2. Valente TW, et al. Diffusion/Contagion Processes on Social Networks. Health Education & Behavior, 2020. DOI: 10.1177/1090198120901497
  3. Dodds PS. Slightly generalized Generalized Contagion: Unifying simple models of biological and social spreading. arXiv, 2017. https://arxiv.org/abs/1708.09697
  4. Andres E, et al. Distinguishing mechanisms of social contagion from local network view. npj Complexity, 2025. DOI: 10.1038/s44260-025-00034-2
  5. Centola D. The Spread of Behavior in an Online Social Network Experiment. Science, 2010. DOI: 10.1126/science.1185231
  6. Miller JC. Complex Contagions and hybrid phase transitions in unclustered and clustered random networks. arXiv, 2015. https://arxiv.org/abs/1501.01585
  7. Melnik S, et al. Multi-stage complex contagions. Chaos, 2013. DOI: 10.1063/1.4790836
  8. Iacopini I, et al. Simplicial models of social contagion. Nature Communications, 2019. DOI: 10.1038/s41467-019-10431-6
  9. Zhu YX, et al. Social contagions on weighted networks. Physical Review E, 2017. DOI: 10.1103/PhysRevE.96.012306
  10. Barrat A, et al. Social contagion on higher-order structures. arXiv, 2021. https://arxiv.org/abs/2103.03709
  11. Nematzadeh A, et al. Optimal modularity in complex contagion. arXiv, 2018. https://arxiv.org/abs/1806.00074
  12. Wiedermann M, et al. A network-based microfoundation of Granovetter’s threshold model for social tipping. Scientific Reports, 2020. DOI: 10.1038/s41598-020-67102-6
  13. Akhmetzhanov AR, et al. Effects of mixing in threshold models of social behavior. arXiv, 2013. https://arxiv.org/abs/1304.5260
  14. Leskovec J, et al. The Dynamics of Viral Marketing. ACM Transactions on the Web, 2007. DOI: 10.1145/1232722.1232727
  15. Iribarren JL, et al. Branching Dynamics of Viral Information Spreading. Physical Review E, 2011. DOI: 10.1103/PhysRevE.84.046116
  16. Juul JL, et al. Comparing information diffusion mechanisms by matching on cascade size. PNAS, 2021. DOI: 10.1073/pnas.2100786118
  17. Tokita CK, et al. Polarized information ecosystems can reorganize social networks via information cascades. PNAS, 2021. DOI: 10.1073/pnas.2102147118
  18. Chang HCH, et al. Co-Diffusion of Social Contagions. New Journal of Physics, 2018. DOI: 10.1088/1367-2630/aadce7
  19. O’Brien JD, et al. Spreading of Memes on Multiplex Networks. New Journal of Physics, 2019. DOI: 10.1088/1367-2630/ab05ef
  20. Kramer ADI, et al. Experimental evidence of massive-scale emotional contagion through social networks. PNAS, 2014. DOI: 10.1073/pnas.1320040111
  21. Ferrara E, et al. Measuring Emotional Contagion in Social Media. PLOS ONE, 2015. DOI: 10.1371/journal.pone.0142390
  22. Brady WJ, et al. Emotion shapes the diffusion of moralized content in social networks. PNAS, 2017. DOI: 10.1073/pnas.1618923114
  23. Burton JW, et al. Reconsidering evidence of moral contagion in online social networks. Nature Human Behaviour, 2021. DOI: 10.1038/s41562-021-01133-5
  24. Brady WJ, et al. Estimating the effect size of moral contagion in online networks: A pre-registered replication and meta-analysis. PNAS Nexus, 2025. DOI: 10.1093/pnasnexus/pgaf327
  25. Aral S, et al. Exercise contagion in a global social network. Nature Communications, 2017. DOI: 10.1038/ncomms14753
  26. Dakin R, et al. Dynamic network partnerships and social contagion drive cooperation. Proceedings of the Royal Society B, 2019. DOI: 10.1098/rspb.2018.1973
  27. Kim DA, et al. Social network targeting to maximise population behaviour change: a cluster randomised controlled trial. Lancet, 2015. DOI: 10.1016/S0140-6736(15)60095-2
  28. Bixter MT, et al. The social contagion of temporal discounting in small social networks. Cognitive Research, 2021. DOI: 10.1186/s41235-020-00249-y
  29. Shin H, et al. Social contagion of academic behavior: Comparing social networks of close friends and admired peers. PLOS ONE, 2022. DOI: 10.1371/journal.pone.0265385
  30. Mueller AS, et al. Suicidal disclosures among friends: using social network data to understand suicide contagion. Journal of Health and Social Behavior, 2015. DOI: 10.1177/0022146514568793