📈 economics

Endogenous Attention and the Spread of False News

该论文通过动态社交媒体模型研究了内源性注意力对假新闻传播的影响，揭示了识别虚假信息所需的注意力成本如何导致系统出现路径依赖，并发现降低假新闻可信度或增加其产量反而可能因其引发注意力调整而加剧传播，而扩大用户传播能力则在特定条件下更有利于真相的扩散。

原作者： Tuval Danenberg, Drew Fudenberg

发布于 2026-02-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Tuval Danenberg, Drew Fudenberg

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

这是一篇关于社交媒体上假新闻如何传播的经济学论文。作者通过一个动态模型，解释了为什么有时候我们越努力“辟谣”或“提高辨别力”，假新闻反而可能传播得更广。

为了让你轻松理解，我们可以把整个社交媒体平台想象成一个巨大的“故事汤锅”，而用户就是往锅里加汤的人。

1. 核心设定：我们在汤里加什么？

在这个“故事汤锅”里，主要有两种汤料：

真汤（真新闻）： 味道真实，但可能有点平淡。
假汤（假新闻）： 味道极其鲜美、刺激（比如“震惊！吃这个能长生不老”），但其实是假的。

用户的心理：
大家都喜欢喝好喝的汤（故事要有趣/有吸引力），但也希望喝到的是真汤。

问题在于： 辨别汤是真是假，需要**“尝一口”**（付出注意力成本）。
代价： 尝汤很费力气（比如要花时间查资料、动脑子）。如果汤看起来太像真的（假新闻伪装得很像），或者汤里假汤很少，大家就懒得尝了，直接端起来就喝（转发）。

2. 动态过程：锅里的汤是怎么变的？

这个模型描述了一个**“滚雪球”**的过程：

锅里本来有一些真汤和假汤。
每个人随机舀一勺汤出来。
如果觉得汤好喝且没尝出是假的，就倒回锅里更多勺（转发给更多人）。
同时，每天还有新的真汤和假汤被源源不断地倒进锅里（原创内容）。

关键点： 锅里的汤越浑浊（假新闻越多），大家就越警惕，愿意花力气去“尝”；如果锅里全是好汤，大家就懒得尝了，直接喝。

3. 三个反直觉的结论（这是论文最精彩的部分）

作者发现，这个系统的结果非常微妙，甚至有点“反常识”：

A. 假新闻越“像真的”，大家反而越警惕？（注意力的反作用）

直觉： 假新闻伪装得越像真的（可信度越高），大家越容易上当，假新闻应该传播越广。
论文发现： 不一定！如果假新闻伪装得太像真的，大家会意识到“这汤里有毒”，于是拼命去尝（付出更多注意力去辨别）。
结果： 这种“过度警惕”可能抵消了假新闻的伪装优势。甚至，如果平台把假新闻的伪装稍微“去伪存真”一点（让它们看起来假一点），大家反而懒得去查了，导致假新闻传播得更多。
比喻： 就像如果骗子穿得太像警察，路人会立刻报警并仔细核对；但如果骗子穿得半真半假，路人可能觉得“看着像真的”就信了，反而不去核实。

B. 转发能力越强，假新闻一定越多吗？（“传播力”的双刃剑）

直觉： 每个人能转发给更多人（Reach，传播力），假新闻肯定跑得更快。
论文发现： 这取决于用户是“明眼人”还是“糊涂虫”。
- 如果用户很精明（真话转得多，假话转得少），传播力越强，真新闻跑得越快，最终锅里全是真汤。
- 如果用户很糊涂（假话转得比真话多），传播力越强，假新闻跑得越快，真汤被稀释。
有趣的现象： 即使一开始用户很糊涂，随着假新闻泛滥，大家被迫变得精明，最终可能会把假新闻的比例拉回来。

C. 假新闻生产得越多，大家可能直接“摆烂”不转发了？

直觉： 假新闻越多，传播越广。
论文发现： 如果假新闻多到一定程度，大家会觉得“这锅汤全是毒”，干脆谁也不转了（停止分享）。这时候，虽然假新闻还在源源不断地被生产出来，但因为没人转发，它在锅里的比例反而可能下降，或者系统陷入一种“死寂”状态。

4. 为什么结果是不确定的？（路径依赖）

论文最惊人的发现是：同样的起点，可能走向完全不同的结局。

想象两个一模一样的汤锅，一开始都只有几勺汤。

锅 A： 运气好，前几个随机舀出来的是真汤，大家觉得“这汤不错”，开始疯狂加真汤。最后锅里全是真汤。
锅 B： 运气差，前几个随机舀出来的是假汤，大家觉得“这汤有毒”，开始警惕或者停止分享。最后锅里可能全是假汤，或者大家都不喝了。

这意味着： 社交媒体早期的偶然事件（比如某个大 V 第一天转了什么），可能会决定这个平台未来几年的“基因”是求真还是求假。这就是所谓的**“路径依赖”**。

5. 给现实世界的启示

辟谣要小心： 平台如果只标记一小部分假新闻（比如只标记 10%），剩下的 90% 没被标记的，用户会误以为“没被标记的就是真的”，反而更信任它们。这可能导致**“越标记，假新闻越泛滥”**。
源头治理更重要： 既然用户的注意力是动态变化的，且容易受环境影响，那么直接减少假新闻的生产（让造假者没饭吃），比在平台上费力去教用户辨别真假更有效。
早期干预很关键： 因为早期的小波动会被放大，所以在平台刚起步或新话题刚出现时，稍微干预一下（比如多推点真新闻），就能把整个平台引向良性循环。

总结

这篇论文告诉我们，社交媒体不是一个简单的“喇叭”，而是一个复杂的生态系统。用户的注意力是动态调整的：环境越差，大家越警惕；环境太好，大家越松懈。

最核心的教训是： 想要净化网络环境，不能只靠“堵”（标记假新闻），也不能只靠“教”（提高用户素质），而需要理解这种**“警惕性”与“传播力”之间的微妙平衡**，从源头上控制假新闻的产量，并重视早期的引导。

以下是关于论文《内生注意力与假新闻的传播（扩展版）》（Endogenous Attention and the Spread of False News (Extended Cut)）的详细技术总结：

1. 研究问题 (Problem)

本文旨在构建一个动态模型，研究社交媒体平台上假新闻的传播机制，核心关注点在于用户注意力的内生性（Endogenous Attention）。

背景：现有研究表明，假新闻的传播主要源于人类用户而非机器人，且往往是因为用户缺乏对真实性的关注（inattention）。
核心矛盾：用户希望分享真实且有趣的故事，但区分真假内容需要付出成本（注意力成本）。用户的注意力投入取决于平台上假新闻的普遍程度和可信度。
- 如果假新闻很少，用户不愿花费精力去甄别。
- 如果假新闻很多且看似可信，用户愿意付出成本去区分。
研究目标：分析用户注意力选择与平台内容构成（真假故事比例）之间的联合动态演化，探究系统是否会收敛到唯一的稳态，还是表现出路径依赖（Path Dependence）。

2. 方法论 (Methodology)

本文采用了一个基于随机过程和**随机逼近（Stochastic Approximation）**理论的动态模型。

模型设定：
- 故事特征：故事具有两个维度：真实性（Veracity, $v \in \{T, F\}$ ）和煽动性/趣味性（Evocativeness, $e \in \{M, I\}$ ，即“一般有趣”和“非常有趣”）。假新闻更倾向于具有“非常有趣”的特征。
- 用户行为：每期随机抽取一个用户和一个故事。用户观察到故事的煽动性后，选择注意力水平 $a \in [0, 1]$ （成本为 $\beta a^2$ ）。
- 信号机制：用户获得一个关于真实性的二元信号。信号精度取决于注意力 $a$ 和假新闻的可信度 $\theta$ 。高可信度意味着更难区分真假。
- 决策规则：用户根据信号决定是否分享。如果收到“假”信号则不分享；如果收到“真”信号或无信号，则根据期望效用决定是否分享。
- 平台动态：若用户分享，则添加 $\rho$ 份副本（传播力/Reach）；无论是否分享，平台每期都会外生添加 1 个真实故事和 $\kappa$ 个假新闻（内容生产）。
数学工具：
- 广义波利亚 urn 模型 (Generalized Polya Urns, GPU)：将故事视为球，真实性视为颜色。如果用户策略固定，系统是一个 GPU。
- 分段广义波利亚 urn (Piecewise GPUs)：由于用户的最佳策略（分享/不分享、关注哪种故事）取决于当前真假故事的比例 $y_n$ ，系统实际上是多个 GPU 的拼接（Concatenation）。
- 极限微分包含 (Limit Differential Inclusion, LDI)：利用随机逼近理论，将离散的随机过程近似为连续时间的确定性系统。由于策略的不连续性，极限系统表现为微分包含（Differential Inclusion）而非普通的微分方程。
- 收敛性分析：引用 Benaim, Hofbauer, and Sorin (2005) 等关于微分包含的结果，证明系统几乎必然收敛到 LDI 的稳定稳态。

3. 关键贡献 (Key Contributions)

内生化注意力与路径依赖：不同于以往将假新闻比例视为外生或固定的模型，本文展示了用户注意力如何根据平台内容构成动态调整。这种反馈机制导致系统可能收敛到多个不同的稳态，表现出强烈的路径依赖（即初始条件或早期冲击决定了长期结果）。
拼接 urn 模型的数学扩展：作者扩展了随机逼近理论，将其应用于有限个广义波利亚 urn 的拼接系统，证明了此类系统在非连续策略下的收敛性及其极限分布特征。
非单调性发现：揭示了假新闻可信度、传播力等参数对假新闻传播的非单调影响，挑战了直觉认知。

4. 主要结果 (Key Results)

A. 收敛性与稳态

系统几乎必然收敛到真假故事比例 $y_n$ 的某个极限点。
多重稳态：根据参数不同，系统可能收敛到唯一的稳态，也可能以正概率收敛到多个不同的稳态（包括：完全不分享、只分享高煽动性故事、只分享低煽动性故事、分享所有故事）。
路径依赖：在平台早期（故事总数较少时），随机冲击可能导致系统进入不同的吸引域，从而在长期形成截然不同的内容生态。

B. 比较静态分析 (Comparative Statics)

假新闻可信度 ( $\theta$ ) 的非单调效应：
- 当假新闻可信度增加时，用户为了甄别会投入更多注意力。
- 反直觉结果：在某些参数下，降低假新闻的可信度（使其更明显是假的）反而可能增加假新闻的流行度。因为如果假新闻看起来太假，用户会停止关注，从而失去甄别能力，导致更多假新闻被误传。
- 政策启示：平台进行事实核查（Fact-checking）时，如果只标记一小部分假新闻，可能会让用户对未标记的内容过度信任（隐含真理效应），反而降低整体注意力，导致假新闻传播更广。
传播力/Reach ( $\rho$ ) 的影响：
- 传播力增加并不总是导致假新闻泛滥。
- 辨别力 (Discernment)：定义用户分享真故事与假故事的倾向之差。如果用户是“辨别的”（真故事分享率 > 假故事分享率），增加传播力会提高真故事比例，甚至收敛到 1。
- 如果用户“不辨别”（倾向于分享高煽动性的假新闻），增加传播力会恶化内容质量。但这种恶化是自我限制的：随着假新闻比例上升，用户会重新投入注意力，变得更具辨别力，从而部分抵消负面影响。
假新闻生产率 ( $\kappa$ ) 的放大效应：
- 假新闻外生供给的增加可能被用户行为放大。
- 极端情况：当假新闻供给极高时，用户可能完全停止分享（因为甄别成本过高或期望效用为负），导致平台内容完全由外生供给主导，真故事比例趋近于 0。
- 持久性：在某些情况下，即使外生假新闻供给减少，由于用户注意力机制的滞后，假新闻在极限中仍可能占据显著份额。

5. 意义与启示 (Significance)

理论意义：
- 为社交媒体上的信息传播提供了新的动态视角，强调了用户注意力与平台内容构成的双向反馈。
- 证明了在动态系统中，简单的参数变化（如提高事实核查率）可能因改变用户行为（注意力分配）而产生与预期相反的复杂后果。
政策与实践启示：
- 事实核查策略：平台在打击假新闻时应谨慎。如果事实核查覆盖率不足，可能会产生“隐含真理效应”（Implied Truth Effect），即用户认为未被标记的内容是真实的，从而降低警惕性。完全不做标记或全面标记可能比部分标记更有效。
- 早期干预的重要性：由于路径依赖的存在，平台早期的内容构成和受到的冲击（如假新闻的早期爆发）对长期生态有决定性影响。
- 针对生产者的干预：相比于在传播端（用户分享）进行干预，直接针对假新闻生产者（减少其产出或降低其可信度）可能更有效，因为用户注意力的内生反应可能会放大传播端的负面冲击。
局限性：
- 模型假设所有假新闻具有相同可信度，且忽略了“重复曝光效应”（Illusory Truth Effect，即看多了就信了）。
- 状态空间为一维（真假比例），未考虑更复杂的多维故事特征或用户异质性（如政治倾向）。

综上所述，该论文通过严谨的数学建模，揭示了社交媒体中“注意力经济”与“假新闻传播”之间复杂的非线性关系，为理解信息生态系统的演化提供了重要的理论框架。