🔬 physics

Recurrent patterns of user behavior in different electoral campaigns: A Twitter analysis of the Spanish general elections of 2015 and 2016

该研究通过分析 2015 年和 2016 年西班牙大选期间的数百万条推文，揭示了不同选举周期中用户集体行为（如活动量相关性、幂律分布及网络拓扑结构）存在显著且稳健的重复模式。

原作者： Samuel Martin-Gutierrez, Juan C. Losada, Rosa M. Benito

发布于 2026-02-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Samuel Martin-Gutierrez, Juan C. Losada, Rosa M. Benito

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

这篇论文就像是一次对西班牙两次大选期间“推特大广场”的侦探调查。

想象一下，Twitter（推特）是一个巨大的、喧闹的广场。在 2015 年和 2016 年，西班牙分别举行了一次大选。虽然这两次选举的政治人物、具体口号甚至政党联盟都发生了变化（就像广场上的演员换了，剧本也微调了），但研究人员发现，广场上人群“跳舞”的方式却惊人地相似。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 两次选举的“心跳”几乎同步

研究人员收集了数百万条推文，就像记录了广场上每个人的说话声。

发现：如果把 2015 年和 2016 年每天发推的数量画成两条线，你会发现它们几乎完美重合。
比喻：这就像两个不同的乐队演奏同一首曲子。虽然乐器（政治人物）和乐手（选民）可能换了，但音乐的节奏（发推的高峰和低谷）完全一致。选举日那天，广场最喧闹（发推量占整个周期的 30% 以上）；而在选举前夜的“静默期”（法律规定不能宣传），广场突然安静下来。这种节奏在两年里一模一样。

2. 人群规模与热闹程度的“魔法公式”

研究人员发现，每天参与讨论的人数（用户数）和发出的声音总量（推文、转发、提及）之间存在一个数学规律（幂律）。

发现：参与的人越多，产生的内容就越多，而且这种增长遵循特定的数学曲线。
比喻：这就像往一个锅里加盐。2015 年时，每多一个人加入，锅里的“热闹程度”会爆发式增长（超线性）；而到了 2016 年，这种增长变得稍微平缓了一些（接近线性）。但无论怎么变，这个“加盐变咸”的基本配方（数学规律）没有变。

3. 社交网络的“骨架”没变

研究人员把用户之间的互动（谁@了谁，谁转发了谁）画成了网络图。

发现：这两次选举的网络结构非常稳固。虽然政治环境变了（比如 2016 年两个小党合并成了一个联盟），但网络的整体形状、连接方式几乎没有变化。
比喻：想象一下，2015 年的广场是一个由许多小圈子组成的迷宫，2016 年虽然有些小圈子合并了，但迷宫的整体骨架和通道依然保持原样。这说明，无论政治风向怎么吹，人们在网上“抱团”和“交流”的底层习惯是根深蒂固的。

4. 政治明星 vs. 普通路人：谁更会“带货”？

研究还分析了谁的声音传得最远（效率）。

发现：政治家（大 V）比普通用户更擅长传播信息。他们的推文更容易被转发，就像拥有“扩音器”。
比喻：在广场上，普通路人说话可能只有周围几个人听见，但政治家说话就像站在高台上拿着大喇叭，声音能传遍整个广场。有趣的是，所有政党的“大喇叭”效率都差不多，大家都有类似的传播策略。

5. 政客的“沉默”与“结盟”

这是最有趣的部分。研究人员观察了不同政党之间是否在互相交流。

发现：
- 平时：不同政党的账号几乎互不理睬。就像广场上的不同帮派，大家只在自己的圈子里聊天，互相转发自己的东西，很少跨党派互动。这就像“鸡同鸭讲”，缺乏真正的辩论。
- 结盟后：2016 年，两个小党（Podemos 和 IU）结成了联盟。研究人员发现，这两个结盟的政党之间，互动突然变得非常频繁。
比喻：平时大家各玩各的，互不搭界。但一旦两个帮派决定“联姻”（结盟），他们之间的“电话线”瞬间就接通了，开始疯狂互发信号。这种变化在数据上一目了然。

总结：为什么这很重要？

这篇论文告诉我们，人类在政治集会（即使是线上的）中的集体行为是有“惯性”的。

就像无论换什么演员，一出老戏的基本套路（节奏、互动模式、传播规律）是不变的。即使政治人物换了、政党重组了，人们在社交媒体上“起哄”、“站队”和“传播信息”的方式依然遵循着相同的物理法则。

这对我们意味着什么？
这意味着我们可以利用这些规律来识别“异常”。如果未来的选举中，出现了不符合这些“老套路”的奇怪行为（比如突然的爆发、不自然的互动模式），我们就知道可能有什么不对劲的地方（比如机器人在捣乱，或者出现了非典型的操纵行为）。

简而言之：政治人物会变，但人们在推特上“起哄”的方式，几十年如一日。

以下是基于论文《Recurrent patterns of user behavior in different electoral campaigns: A Twitter analysis of the Spanish general elections of 2015 and 2016》（不同选举周期中用户行为的重复模式：对西班牙 2015 年和 2016 年大选的 Twitter 分析）的详细技术总结。

1. 研究问题 (Problem)

社交媒体（特别是 Twitter）已成为政治竞选和公众舆论形成的重要平台。尽管现有的研究已经利用 Twitter 数据预测选举结果、分析党派凝聚力或检测情感倾向，但不同选举周期之间是否存在普遍且重复的集体行为模式仍是一个未充分探索的问题。

本研究旨在回答以下核心问题：

在时间相近但政治背景略有不同（如政党联盟变化）的两次选举中（西班牙 2015 年和 2016 年大选），用户的集体行为模式是否具有高度的一致性和可重复性？
社交网络的结构动力学（如提及和转发网络）是否对政治环境的变化具有鲁棒性（Robustness）？
政治联盟的形成如何影响党派间的互动网络结构？

2. 方法论 (Methodology)

数据收集与预处理

数据来源：通过 Twitter Streaming API 获取了 2015 年 12 月 20 日和 2016 年 6 月 26 日两次西班牙大选期间的推文。
关键词过滤：使用中性关键词（如 20D, #EleccionesGenerales2015, 26J 等）以避免偏见。
时间窗口：分析聚焦于官方竞选期（15 天）、选举前一日（反思日）、选举日及选举后一日，共计 18 天。
数据规模：2015 年获取约 179 万条推文，2016 年约 175 万条。
政治账户识别：构建了主要政党（PP, PSOE, Podemos, Cs, IU）的政治账户列表，用于区分普通用户和政治精英。

网络构建

提及网络 (Mention Network)：有向加权网络。若用户 $j$ 在推文中提及用户 $i$ （@username），则存在从 $j$ 到 $i$ 的边，权重为提及次数。
转发网络 (Retweet Network)：有向加权网络。若用户 $j$ 转发用户 $i$ 的原始推文，则存在从 $j$ 到 $i$ 的边。注意：转发网络中，中间转发者（middlemen）之间没有直接连接，所有链接均指向原始发布者。
时间尺度：
1. 日尺度：每天构建网络（UTC 凌晨 4 点至次日凌晨 4 点），以捕捉完整的人类活动周期。
2. 聚合尺度：将竞选期及前后共 18 天的数据聚合为一个大网络。

分析指标

时间序列分析：计算每日活动总量（推文、转发、提及数）的相关性。
幂律拟合：分析活动量（推文/转发/提及数）与唯一用户数之间的关系，以及度分布（入度和出度）的幂律指数。
网络拓扑指标：模块度（Modularity）、度分布指数（ $\gamma$ ）、度关联（Assortativity）、聚类系数。
效率指标 (Efficiency)：定义用户效率 $\eta_i = \text{RTs} / \text{Posts}$ ，衡量用户传播信息的效率。
C-网络 (C-network)：将同一政党的账户聚合成“超节点”，分析党派间的互动矩阵。

3. 关键贡献 (Key Contributions)

跨选举周期的行为重复性验证：首次通过对比两次紧密时间间隔的选举，证明了 Twitter 上的集体行为模式（时间序列相关性、幂律指数、网络拓扑）具有高度的稳定性和可重复性，即使政治背景（如政党联盟）发生变化。
网络动力学的鲁棒性：揭示了提及和转发网络的拓扑结构（如度分布指数、关联模式）在不同选举中几乎保持不变，表明底层的社会互动动力学对政治语境的变化具有鲁棒性。
政治联盟对网络结构的量化影响：通过构建 C-网络和计算同配混合度（Assortative Mixing），量化检测到了政党联盟（Podemos 与 IU 组成 UP 联盟）的形成显著增加了联盟内部党派间的互动频率，从而改变了整体的网络同配性。
政治精英与普通用户的行为差异：量化了政治账户在信息传播效率上显著高于普通用户，且所有政党的效率分布模式具有相似性。

4. 主要结果 (Key Results)

A. 用户活动的时间演化

强线性相关性：2015 年和 2016 年的每日活动量时间序列呈现显著的线性相关性（ $R^2 = 0.99$ ，包含选举日）。这表明尽管政治人物和具体事件不同，但竞选活动的节奏（如辩论日、选举日）驱动了相似的用户行为模式。
幂律关系：每日的推文、转发和提及总数与参与的唯一用户数之间遵循幂律关系（ $E(t) \propto N(t)^\alpha$ $E (t) \propto N (t)^{α}$ ）。
- 2015 年： $\alpha$ 略大于 1（超线性增长），意味着新用户加入会引发不成比例的高活跃度。
- 2016 年： $\alpha \approx 1$ （线性增长）。
活动分布：用户每日活动量分布符合离散幂律，指数 $\gamma$ 在 2.0 到 2.5 之间波动，且在两次选举中高度一致。

B. 网络拓扑结构

社区结构：网络中存在明显的社区结构（模块度 $Q \approx 0.7$ ），每个社区主要对应一个政党。
度分布：入度（被提及/被转发）和出度分布均符合幂律。入度分布比出度分布更异质（ $\gamma_{in} < \gamma_{out}$ ），因为集体行动（转发/提及）比个人发帖更容易产生高连接度。
同配性 (Assortativity)：网络表现出特定的同配性顺序（ $r_{out-in} < r_{in-in} < r_{in-out} \approx 0 < r_{out-out}$ ），且两次选举的结果高度相似，表明这是一种重复的行为模式。
扰动影响：辩论日或病毒式推文等事件会导致同配性出现短期波动，但整体趋势稳定。

C. 传播效率与精英互动

效率分布：政治账户的转发效率（ $\eta$ ）分布呈现重尾特征。政治账户在 $\eta > 1$ （高效）区域的概率显著高于普通用户，而在低效区域概率较低。
党派间缺乏辩论：在提及和转发网络中，不同政党之间的互动极少（对角线权重占主导，非对角线权重极低），证实了政治极化和缺乏跨党派辩论的现象。
联盟效应：
- 2015 年：Podemos 和 IU 作为独立实体，其同配性与党派同配性相近。
- 2016 年：两者组成联盟（UP）后，联盟内部的互动显著增加，导致“联盟同配性”显著高于“党派同配性”。统计检验（配对 t 检验）证实了这一差异的显著性（P < 0.01）。

5. 研究意义 (Significance)

理论意义：该研究证明了在复杂的社会系统中，尽管具体的参与者（政治人物）和事件（具体政策）会发生变化，但底层的集体行为动力学和社交网络结构具有深刻的鲁棒性和普遍性。这为理解社会系统的演化提供了新的视角。
方法论意义：展示了如何利用大规模社交媒体数据，通过对比分析（Comparative Analysis）来区分“情境特异性”和“普遍规律”。
应用价值：
- 异常检测：建立的行为基准（Baseline）可用于检测未来的选举中是否存在异常的用户行为（如机器人操纵、非典型的舆论操纵）。
- 政治策略：揭示了政治联盟如何改变网络互动结构，为政治策略制定者提供了量化评估联盟效果的依据。
- 跨领域推广：研究发现的效率模式和网络拓扑特征可能不仅适用于西班牙政治，也适用于其他国家的选举甚至其他类型的社会运动。

综上所述，该论文通过严谨的数据分析和网络科学方法，揭示了西班牙两次大选期间 Twitter 用户行为的惊人一致性，证明了社交网络中的集体行为模式具有超越具体政治事件的内在规律。