💻 computer science

Mapping the Spiral of Silence: Surveying Unspoken Opinions in Online Communities

该研究通过对 Reddit 政治社区用户的调查，证实了“沉默的螺旋”理论在在线环境中的存在，发现感知自身观点属于少数派的参与者更倾向于保持沉默，从而揭示了线上公开讨论与真实公众舆论之间的显著偏差。

原作者： Dora Zhao, Diyi Yang, Michael S. Bernstein

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Dora Zhao, Diyi Yang, Michael S. Bernstein

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

这篇论文就像是在做一场**“网络社区的听诊”**，试图解开一个令人困惑的谜题：为什么我们在网上看到的言论，往往和人们心里真正想说的话不一样？

作者们把这种现象称为**“沉默的螺旋”。为了让你更容易理解，我们可以把网络社区想象成一个巨大的、喧闹的广场**。

1. 核心现象：广场上的“假象”

想象一下，你走进一个广场（比如 Reddit 上的政治版块）。

你看到的： 广场上几乎所有人都在大声喊同一个口号（比如“我们要支持 A 政策”）。
你听到的： 只有 A 政策的支持者在说话，B 政策的支持者完全消失了。
真相是： 其实 B 政策的支持者并没有消失，他们就在人群里，甚至可能占了一半。但是，因为他们觉得“这里好像只有我在反对 A"，害怕被大家孤立、嘲笑或攻击，所以他们选择了闭嘴。

这就叫**“沉默的螺旋”**：少数派因为害怕孤独而不敢说话 $\rightarrow$ 他们的声音消失了 $\rightarrow$ 看起来好像他们真的不存在 $\rightarrow$ 剩下的人更觉得“大家都支持 A"，于是少数派更不敢说话了。这就形成了一个死循环。

2. 作者做了什么？（像侦探一样寻找“沉默的声音”）

既然那些“沉默的人”不会在网上发帖，研究者怎么知道他们在想什么呢？

传统方法不行： 如果只去数网上的帖子，你只能数到那些“敢说话的人”，永远数不到“沉默的人”。
新方法（人机结合）： 作者们请了一个AI 助手（大语言模型），让它扮演“预言家”。AI 根据每个社区的特点，猜出哪些话题可能会引起争论（比如“堕胎权”、“无人机战争”）。
秘密调查： 然后，作者们找来了 500 多位 Reddit 用户，进行了一场秘密问卷调查。问卷里问的不是“你发了什么”，而是**“如果让你在这个社区发帖，你敢不敢说你的真实想法？”**

3. 发现了什么？（惊人的数据）

调查结果非常直观，就像照镜子一样：

72% 的少数派选择了沉默： 当人们觉得自己是“少数派”（即觉得大多数人都反对自己）时，他们72% 的情况下会选择闭嘴，不敢发帖。
只有“多数派”在狂欢： 觉得自己是“多数派”的人，发帖的可能性是少数派的两倍多。
点赞也分高低： 即使不发帖，人们也不太愿意给“少数派”的观点点赞。虽然点赞是匿名的，但大家潜意识里还是觉得“给少数派点赞”有点危险。

4. 什么因素能打破这个“沉默螺旋”？（社区设计的魔法）

作者们还发现，有些社区设计能让人们更敢于说话，有些则会让人们更害怕。这就像广场的管理员（版主）和广场的布局在起作用：

✅ 积极因素：多样性（像“大杂烩”）

比喻： 如果一个广场里，既有穿西装的，也有穿运动服的，还有穿传统服饰的，大家看起来五颜六色、各不相同。
效果： 在这种**“多样性”**高的社区里，少数派会觉得：“哦，原来这里什么人都有，我虽然观点不同，但也不奇怪。”于是，他们更敢于开口说话。
结论： 社区越多元，沉默的螺旋转得越慢。

❌ 消极因素：严厉的删帖（像“高压线”）

比喻： 如果一个广场的管理员非常严厉，只要看到有人说话不对，就立刻把他“拖走”（删帖），而且不告诉原因。
效果： 人们会想：“天哪，这里太危险了，万一我说错话也被拖走怎么办？”这种恐惧会让人们更加沉默。
结论： 删帖率越高，人们越不敢发表不同意见。

5. 这对我们意味着什么？（给管理员的建议）

这篇论文给网络社区的管理者（版主）和平台设计者提了几个很实用的建议，就像给广场管理员的**“防沉默指南”**：

不要只盯着“删帖”： 虽然删帖能清理垃圾，但太严厉会让人不敢说话。如果必须删帖，要解释清楚为什么（比如“因为违反了规则”，而不是“因为你不受欢迎”），减少大家的猜疑。
鼓励“新人”和“异见”： 就像在广场上挂横幅表扬那些“穿着不同衣服的人”一样，管理员可以给发表不同观点的人点赞、发勋章，告诉大家：“你的声音很重要，我们欢迎不同的看法。”
营造“大杂烩”氛围： 鼓励不同背景的人加入，让社区看起来不那么单一。当人们觉得“这里什么人都有”时，他们就不那么害怕成为“少数派”了。

总结

这篇论文告诉我们：网上的热闹，可能只是“多数派”的独角戏。 那些没说话的人，可能心里有完全不同的想法。

如果我们想看到真实的民意，就不能只看谁声音大，而要看谁不敢说话。通过改变社区的管理方式（多一点包容，少一点粗暴的删帖），我们可以让那个“沉默的螺旋”停下来，让广场上的声音真正变得丰富多彩。

这是一份关于论文《Mapping the Spiral of Silence: Surveying Unspoken Opinions in Online Communities》（绘制沉默螺旋：调查在线社区中的未言观点）的详细技术总结。

1. 研究背景与问题 (Problem)

核心问题：社交媒体通常被视为反映公众舆论的“透镜”，但这面透镜是否存在扭曲？具体而言，在线社区中公开表达的观点是否真实代表了社区成员的实际信念？
理论框架：研究基于沉默螺旋理论 (Spiral of Silence)。该理论认为，当个人感知到自己的观点属于少数派时，由于害怕社会孤立，他们更倾向于保持沉默。这种自我审查导致少数派观点在公共领域进一步减少，从而形成恶性循环，使得多数派观点看起来更加压倒性。
现有挑战：
- 传统的在线内容分析方法无法捕捉那些“未被表达”的观点（即沉默螺旋的核心）。
- 识别哪些话题会触发沉默螺旋需要深入了解社区规范，且不同社区（如 Reddit 的不同子版块）的规范差异巨大。
- 缺乏针对在线社区设计因素（如多样性感知、 moderation 策略）如何调节沉默螺旋的实证研究。
研究目标：测量在线政治社区中沉默螺旋的存在程度，并探究社区设计因素（多样性、包容性、内容审核）如何影响用户表达异见（incongruent viewpoints）的意愿。

2. 方法论 (Methodology)

本研究采用了一种**“人机协同” (Human-plus-Algorithm)** 的混合方法，结合大语言模型 (LLM) 生成话题与用户调查，以克服传统方法的局限性。

2.1 话题生成与验证 (Topic Generation & Validation)

由于直接爬取现有帖子无法发现“未表达”的观点，作者设计了三步流程：

LLM 生成：利用 GPT-4，输入特定子版块（Subreddit）的名称、描述和规则，生成 20 个可能引发争议但符合社区规范的话题，并为每个话题生成两个对立的观点。
人工筛选 (Coherence Check)：研究人员手动检查生成的观点是否连贯、是否真正对立。
社区相关性验证 (Community-Specific Relevance Check)：招募活跃社区成员（通过 Prolific 平台），验证生成的话题是否相关且符合社区规范。
侵入性测试 (Intrusion Test)：为了验证生成话题的“真实性”，将生成话题与从真实数据中挖掘的 4 个热门争议话题混合，让社区成员识别哪个是“异类”。结果显示，生成话题被识别为异类的概率仅为 18.8%（与随机猜测无异），证明其高度符合社区语境。
- 最终样本：从 23 个政治类子版块中筛选出 12 个，最终确定了 11 个经过验证的争议话题。

2.2 调查设计 (Survey Instrument)

参与者：通过 Prolific 招募了 58 名美国成年用户，他们至少是 12 个目标子版块之一的活跃成员。最终收集到 439 个有效响应（每个响应代表一个用户在特定子版块对特定话题的态度）。
流程：
1. 用户选择他们活跃的子版块。
2. 针对每个子版块，用户选择相关话题。
3. 用户表明自己支持哪个观点，并评估：
  - 自己对该观点的同意程度。
  - 感知到的多数派意见：认为该子版块中多少比例的人同意该观点（用于定义“观点不一致/Incongruency"）。
  - 表达意愿：在主要账号下发布该观点的可能性（1-7 分）。
  - 点赞意愿：如果他人发布该观点，用户点赞的可能性。
4. 收集社区感知指标：包容性 (Inclusion)、多样性 (Diversity)。
5. 收集控制变量：自我审查倾向 (WTSC)、发帖频率、账号时长等。

2.3 数据分析模型

使用线性混合效应模型 (Linear Mixed-Effect Models)，将子版块 (Subreddit) 和参与者 (Participant) 作为交叉随机效应。

因变量：表达意愿 (Share Likelihood) 和点赞意愿 (Upvote Likelihood)。
自变量：观点不一致性 (Incongruency，二值变量)、社区包容性、社区多样性、内容移除率 (Content Removal Rate)。
交互项：重点分析观点不一致性与社区设计因素之间的交互作用。

3. 关键发现 (Key Results)

3.1 沉默螺旋的实证证据

显著差异：当用户认为自己的观点属于少数派（Incongruent）时，其表达意愿显著降低。
- 多数派观点：47.2% 的用户表示高概率分享。
- 少数派观点：仅 27.9% 的用户表示高概率分享。
- 比例：感知为多数派观点的分享概率是少数派观点的 2.04 倍。
沉默率：72.1% 的感知为少数派的用户选择保持沉默。
点赞行为：虽然点赞是匿名的，但用户点赞少数派观点的概率 (65.4%) 仍低于多数派观点 (83.0%)，尽管差距较小。这表明即使在匿名环境下，沉默螺旋依然存在。

3.2 社区设计因素的影响

研究通过交互效应模型发现了两个关键的设计调节因素：

感知多样性 (Perceived Diversity) - 正向调节：
- 用户认为社区越多元（多样性感知高），他们表达少数派观点的意愿就越强。
- 交互项系数显著 ( $\beta=0.29, p=0.03$ )。这意味着在感知为多元化的社区中，沉默螺旋效应被削弱。
内容移除率 (Content Removal Rate) - 负向调节：
- 出乎意料的是，更严格的内容审核（高移除率）与表达少数派观点的意愿呈负相关。
- 交互项系数显著 ( $\beta=-0.31, p=0.03$ )。
- 解释：用户可能将频繁的内容移除解读为“意识形态审查”或担心自己的观点会被误删，从而加剧了对社会孤立或惩罚的恐惧，导致更严重的自我审查。这与假设 H3（认为审核能创造安全环境）相反。
包容性 (Inclusion)：在统计上未显示出显著的调节作用，可能因为政治类社区用户更关注观点多样性而非情感包容。

4. 主要贡献 (Key Contributions)

方法论创新：提出了一种结合 LLM 生成和人工验证的混合管道，用于识别特定在线社区中“潜在但未被表达”的争议话题。这解决了传统数据挖掘无法触及“沉默观点”的难题。
实证验证：在 Reddit 这一具有高度匿名性的平台上，首次大规模实证验证了沉默螺旋理论在在线政治社区中的普遍存在性，即使是在匿名环境下，用户仍因感知到观点少数化而自我审查。
设计启示：
- 多样性的重要性：感知到的社区多样性是打破沉默螺旋的关键杠杆。
- 审核的副作用：揭示了过度或不透明的内容移除可能会适得其反，抑制少数派声音。
- 匿名性的局限：证明了即使有匿名保护（如 Reddit 的伪匿名或点赞功能），社会孤立恐惧依然有效。

5. 意义与建议 (Significance & Recommendations)

理论意义：扩展了沉默螺旋理论的应用场景，从面对面交流扩展到在线社区，并量化了社区设计因素（多样性、审核）对这一心理机制的调节作用。
实践建议 (针对社区管理者和平台设计者)：
- 鼓励多样性：通过引入新用户、新手引导或推荐机制，增加社区成员的异质性，让用户感到“不同观点是被欢迎的”。
- 透明化审核：提高内容移除的透明度（例如提供移除理由），减少用户将移除行为误解为针对特定政治观点的打压。
- 正向强化：对表达多元观点的内容给予积极反馈（如奖励、高亮），建立包容的社区规范。
- 区分有害与合法观点：干预措施应旨在鼓励合法的少数派观点（如温和派、边缘群体观点），而非消除仇恨言论或虚假信息。

6. 局限性 (Limitations)

自我报告偏差：研究依赖用户的自我报告（假设情境），可能与实际行为存在偏差。
话题生成限制：虽然使用了 LLM，但可能仍无法覆盖所有极其小众的争议话题。
样本范围：主要集中在 Reddit 的政治类子版块，结论在其他平台或非政治类社区（如游戏、体育）的普适性需进一步验证。

总结：该论文通过严谨的混合方法，揭示了在线社区中“沉默螺旋”的普遍性，并指出社区设计（特别是感知多样性和审核透明度）是缓解这一现象、促进更真实多元舆论表达的关键杠杆。