💻 computer science

The Power of Social Norms: How Initial Responses to Toxicity Shape Conversations on Twitter

该研究通过分析超过 18.7 万条推文，发现 Twitter 对话中在遭遇有毒评论前的参与者数量越多、以及首个直接回复越具有毒性，越会抑制后续非毒性回复并加剧整体对话的毒性，从而证明了社会规范在塑造网络行为中的关键作用。

原作者： Ana Aleksandric, Mohit Singhal, Anne Groggel, Shirin Nilizadeh

发布于 2026-04-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Ana Aleksandric, Mohit Singhal, Anne Groggel, Shirin Nilizadeh

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文就像是在观察一场网络世界的“围观效应”，研究当有人在推特（Twitter/X）上发难、说脏话或进行网络霸凌时，周围围观的人为什么会选择沉默，或者为什么会跟着一起骂。

为了让你更容易理解，我们可以把整个研究想象成**“广场上的争吵”**。

1. 核心故事：广场上的争吵与围观者

想象一下，在一个热闹的广场上（这就是推特），突然有一个人（施暴者）开始对另一个人（受害者）大声辱骂。

这时候，广场上已经有很多人在围观（之前的参与者）。这篇论文主要研究两个问题：

围观的人越多，越没人敢站出来吗？（这就是“旁观者效应”）
如果第一个站出来回应的人也跟着骂，大家会跟着一起骂吗？（这就是“社会规范”的形成）

2. 研究发现了什么？（三个关键发现）

发现一：人越多，越没人管（旁观者效应）

比喻：就像在街上看到有人摔倒，如果周围只有一个人，他可能会赶紧去扶；但如果周围有几百人，每个人都会想：“肯定有人去扶了，我不需要去。”结果就是没人去扶。
论文结论：研究发现，在第一条脏话出现之前，如果已经有很多人在参与这个对话，那么当脏话出现后，站出来用文明语言反驳的人反而变少了。
原因：大家觉得“这么多人看着，肯定会有别人去管”，于是责任被稀释了，每个人都选择了沉默。

发现二：第一个回应的人，决定了风向（破窗效应）

比喻：想象一扇窗户被打破了（第一条脏话）。
- 如果第一个人跑过去说：“嘿，这样不对，请停止。”（文明回应），那么后面的人可能会觉得：“哦，这里还是讲道理的。”于是大家开始讲道理。
- 如果第一个人跑过去说：“骂得好！我也来骂两句！”（以暴制暴），那么后面的人就会觉得：“哦，原来这里就是比谁骂得凶。”于是，整个对话会迅速变成一场骂战。
论文结论：如果紧挨着第一条脏话的第一条回复也是脏话，那么后续整个对话的“毒性”（攻击性）会急剧上升，大家都会跟着一起骂。反之，如果第一条回复是文明的，后续骂战的可能性就会降低。

发现三：真正“挺身而出”的人很少

比喻：在所有的争吵中，真正愿意冒着风险去讲道理、阻止冲突的人，就像在暴风雨中试图撑开一把小伞的人，非常稀少。
论文结论：研究人员人工检查了这些对话，发现只有不到 20% 的情况有人试图用文明的方式去化解冲突或保护受害者。绝大多数时候，人们要么跟着骂，要么直接沉默。

3. 为什么这很重要？（给平台的启示）

这篇论文告诉我们，网络上的“坏风气”不是凭空产生的，而是被“带”出来的。

责任分散：当人太多时，我们容易觉得“这不关我的事”。
模仿效应：我们很容易模仿第一个回应者的行为。如果第一个回应者是恶毒的，整个群体就会变恶毒；如果第一个回应者是理性的，群体就有机会保持理性。

4. 总结：我们能做什么？

这就好比在现实生活中，如果我们希望社区变得文明，不能只靠“抓坏人”，更要鼓励“第一个站出来的人”。

对于平台：可能需要设计一些机制，让那些愿意讲道理的人更容易被看到，或者让“沉默的大多数”意识到他们其实可以改变局面。
对于我们每个人：当你看到网络上的争吵时，不要觉得“反正那么多人看着，我不需要管”。你的第一次回应，可能就是决定这场对话是变成“文明辩论”还是“互喷大会”的关键转折点。

一句话总结：
在网络争吵中，围观的人越多，大家越容易袖手旁观；而第一个回应的人的态度，就像定海神针，决定了这场对话是走向文明还是彻底崩坏。

这是一份关于论文《社交规范的力量：Twitter 上对毒性言论的初始反应如何塑造对话》（The Power of Social Norms: How Initial Responses to Toxicity Shape Conversations on Twitter）的详细技术摘要。

1. 研究问题 (Problem)

随着社交媒体上网络骚扰和攻击性语言的日益普遍，理解群体动态如何影响在线对话的毒性至关重要。现有的研究虽然探讨了网络欺凌和毒性检测，但较少关注**旁观者效应（Bystander Effect）和社会规范（Social Norms）**在 Twitter 对话中的具体作用机制。
本研究旨在解决以下核心问题：

责任分散： 对话中其他参与者的存在是否会分散用户干预毒性言论的责任，导致他们更少进行非毒性的反击？
规范确立： 对第一条毒性回复的初始反应（即紧接着的第一条回复）是否确立了后续对话的社会规范，从而决定整个对话线程是走向文明还是进一步恶化？

2. 方法论 (Methodology)

数据收集与预处理

数据来源： 研究使用了两个随机样本数据集，分别来自 2021 年 8 月 -9 月（Dataset 1）和 2023 年 3 月 -4 月（Dataset 2），以确保结果的跨时间普适性。
筛选标准： 仅保留包含至少一条毒性回复的对话线程。排除了根作者（Root Author）自己发起毒性回复的情况，以及所有回复均为空（仅含链接/图片）的对话。
最终规模： 清洗后的数据集包含 9,107 个对话线程，共计 187,658 条推文，涉及 118,609 名 唯一用户。
毒性检测： 使用 Google Perspective API 对文本进行毒性评分。设定阈值为 0.7（即 70% 的读者认为该评论具有毒性）来标记毒性推文。非英语回复被翻译为英文以进行分析。

变量定义

自变量 (Independent Variables):
1. users before toxic： 在第一条毒性评论出现之前，参与对话的唯一用户数量（作为旁观者数量的代理变量）。
2. reply toxicity： 针对第一条毒性评论的直接回复的毒性评分。
因变量 (Dependent Variables):
1. unique users non toxic： 在第一条毒性回复之后，发布非毒性回复的唯一用户数量。
2. remaining toxicity： 在第一条毒性回复之后，整个对话线程中剩余回复的毒性比例。
控制变量 (Control Variables):
- 账户属性： 粉丝数、好友数、推文总数、账号年龄、是否认证、简介长度、是否包含 URL/位置。
- 对话结构： 对话树的深度（Depth）和宽度（Width）。
- 话题： 使用基于 RoBERTa 的模型对 19 个话题进行分类（如政治、娱乐、科技等）。

分析模型

假设 H1 & H2： 由于因变量 unique users non toxic 是计数变量且不服从正态分布，采用 Poisson 回归模型（并辅以负二项回归验证）。
假设 H3： 由于因变量 remaining toxicity 服从正态分布，采用 线性回归模型 (OLS)。

3. 关键贡献 (Key Contributions)

量化旁观者效应在社交媒体上的作用： 首次在大规模 Twitter 数据中实证了“责任分散”现象，即对话中旁观者越多，用户越不愿意站出来进行非毒性的干预。
揭示“规范确立”的临界点： 证明了针对第一条毒性言论的初始反应具有决定性作用。如果初始反应是毒性的，后续对话极大概率会延续毒性；反之，若初始反应是文明的，则有助于遏制毒性蔓延。
定性分析补充： 通过人工标注发现，尽管有理论上的干预可能，但在实际数据中，真正旨在**解决冲突的“积极挺身而出”（Positive Standing Up）**行为极其罕见（仅占 19.7% 的对话），大多数所谓的“反击”实际上是升级冲突的负面行为。

4. 研究结果 (Results)

统计发现

支持假设 H1（旁观者效应）： users before toxic 与 unique users non toxic 之间存在显著的负相关关系 ( $p < 0.001$ $p < 0.001$ )。
- 解释： 在毒性评论出现前参与对话的用户越多，后续站出来进行非毒性回复的用户就越少。这表明旁观者越多，个体干预的责任感越弱。
支持假设 H2（初始反应的影响）： reply toxicity（对第一条毒性回复的直接回复的毒性）与 unique users non toxic 之间存在显著的负相关关系 ( $p < 0.001$ $p < 0.001$ )。
- 解释： 如果第一条直接回复是毒性的，那么后续发布非毒性回复的用户数量会显著减少。
支持假设 H3（毒性传染）： reply toxicity 与 remaining toxicity（后续对话的整体毒性）之间存在显著的正相关关系 ( $p < 0.001$ $p < 0.001$ )。
- 解释： 如果针对第一条毒性言论的回复也是毒性的，那么整个对话线程的剩余部分将变得更加有毒。

其他发现

认证账号的影响： 认证用户（Verified accounts）在遭受毒性攻击时，获得非毒性支持（“挺身而出”）的可能性反而比非认证用户更低。
对话深度的影响： 对话树越深（讨论越深入），用户发布非毒性回复的可能性反而越高，这可能意味着深入讨论能激发更理性的参与。
定性分析结果： 在人工标注的样本中，只有 19.7% 的对话中出现了旨在解决冲突的“积极挺身而出”行为（如礼貌纠正、设定边界）。大多数干预行为实际上是“负面挺身而出”（如回击、讽刺），这往往会加剧冲突。

5. 意义与启示 (Significance)

理论意义： 本研究将社会心理学中的“旁观者效应”和“社会规范理论”成功应用于在线环境，证明了在线群体动态如何迅速形成并强化反社会规范。
实践意义：
- 干预策略设计： 平台不应仅依赖事后删除，而应关注初始反应。在检测到第一条毒性言论后，若能通过算法或人工干预鼓励文明回复（打破“毒性 - 毒性”的循环），可能有效阻止整个对话线程的恶化。
- 打破沉默螺旋： 研究指出，沉默（缺乏干预）会被解读为对毒性行为的默许。因此，鼓励早期、积极的非毒性干预是打破这一恶性循环的关键。
局限性： 研究仅基于英语推文；无法精确统计实际“旁观者”的数量（仅用参与者数量作为代理）；依赖 Perspective API 的毒性检测可能存在偏差。

总结： 该论文有力地证明了在线对话的走向并非随机，而是高度依赖于群体规模和初始反应。通过理解这些社会规范的形成机制，研究者为设计更有效的反网络暴力干预措施提供了数据支持和理论依据。