Persistent Structural Inequality of Online Interactions Across Platforms

技术摘要：在线交互在不同平台间的持续性结构性不平等

问题陈述
社交媒体的交互呈现出高度不均衡的特征，即极少数用户占据了绝大部分的活跃度，而绝大多数用户则处于边缘地位。虽然这种现象经常被描述为幂律分布，但目前尚不清楚这种不平等是特定平台配置（如算法、内容类型或治理模型）导致的瞬态人工产物，还是数字环境固有的持续性结构约束。现有文献通常侧重于单一平台或孤立事件，缺乏对交互是否在不同时间、不同平台以及不同交互类型（主动贡献 vs. 被动参与）之间遵循一致轨迹的系统性评估。本研究旨在填补这一空白，探讨显赫贡献者的出现究竟是网络参与的一种结构性特征，还是特定社会技术背景下的变量结果。

研究方法
作者采用基于网络的方法，分析了包括主流生态系统（X, YouTube）和具有不同治理模型的替代网络（Gab）在内的多个社交媒体平台的“用户-帖子”二部网络。该研究利用涵盖多种主题（如 COP26、俄乌冲突、日常对话）及跨度从 2006 年到 2025 年的时间序列数据集。

为了确保跨平台的可比性，作者标准化了术语（帖子、点赞、评论），并将时间离散化为互不重叠的 5 天窗口。对于每个窗口，通过聚合帖子级指标（如收到的评论数或点赞数）并取中位数来得出用户级统计数据，以确保对异常值的鲁棒性。

本研究使用三种互补的度量标准来量化分布特性和不平等程度：

1. KL 散度比 ($R_{KL}$)：为了评估分布的函数形式，作者将经验分布与幂律模型及指数模型进行拟合。通过计算经验分布与幂律模型相对于指数模型的 Kullback–Leibler 散度比值，来确定哪种分布能更好地拟合数据。比值 $<1$ 表示符合幂律分布。
2. 逆变异系数 (ICV)：定义为均值与标准差的比值 ($\mu/\sigma$)，该指标表征了尾部主导性和离散度。较低的 ICV 值表示重尾和高异质性，而较高的 ICV 值则表示更趋于同质的分布。
3. 对数转换 Gini 指数：为了在存在极端重尾分布时避免饱和效应，作者在对数转换变量 ($Y = \log(X + 1)$) 上计算 Gini 指数。这在保留序数结构的同时压缩了极端值的尺度。

指标的时间趋势通过 Mann-Kendall 检验进行评估，以测试其随时间变化的单调性。

核心结果

• 分布形态：在几乎所有数据集和交互类型中，经验分布在系统性上都比指数分布更接近幂律形式 ($R_{KL} < 1$)。这种重尾行为同时存在于主动贡献（发帖）和被动参与（点赞、评论）中，表明两者具有共同的底层统计结构。
• 离散度与集中度：在大多数平台中，逆变系数 (ICV) 始终接近 0，表明存在显著的离散度和长尾现象。被动交互通常比主动交互表现出更强的重尾特征。对数转换 Gini 指数显示出高度的集中性 ($G_{log} \approx 1$)，证实了极少数用户占据了不成比例的巨大交互份额。
• 时间稳定性：一个主要发现是这种不平等的稳定性。在每个平台内部，集中度水平（通过 ICV 和 Gini 衡量）保持得非常稳定，表明不平等是一个持续的结构性属性，而非瞬时事件的结果。虽然某些数据集（如 X 的 COP26）显示出向重尾化发展的趋势，但其他数据集则保持稳定或表现出偏离幂律近似的轻微移动。
• 跨平台一致性：不平等的程度在规模、治理模型和主题焦点各异的平台间保持一致。来自同一平台的不同数据集无论具体社区或主题如何，都显示出相似的集中水平，这意味着平台特定的机制（如可见性算法、交互功能）在塑造这些模式方面发挥着重要作用。

意义与主张
本文主张，数字环境中的交互不平等并非特定算法、内容动态或用户偏好的偶然副产品，而是围绕受限注意力和平台介导的可见性所构建的系统的结构性结果。这种模式在不同背景下的反复出现表明，不平等具有一种“系统吸引子”的特性，能够抵御表层干预。

作者认为，这些发现挑战了“仅靠设计层面的干预即可重塑交互模式”的观点。相反，研究指出，参与本身的架构对可见性和参与度的分布施加了结构性约束。因此，数字平台关于开放获取和平等参与机会的承诺，受限于这些内在的结构性规律——即注意力不可避免地会向少数可见的参与者聚集，而大多数人则保持边缘化。