技术摘要：BERTopic-Virality Prioritisation (BERTopic-VP)

问题陈述

在流行病期间，健康虚假信息在社交媒体上迅速传播，形成了与公共卫生指导相竞争的有害叙事。传统的主题模型技术，如潜在狄利克雷分配（LDA）和非负矩阵分解（NMF），难以应对社交媒体话语的特定特征：短文本长度（例如低于 280 字符的推文）、高噪声、动态标签趋势以及稀疏的词汇表。这些基于频率的方法往往无法检测新兴叙事，或在微文本环境下产生不连贯的主题。此外，现有的流水线通常将用户参与度（点赞、转发）视为外部结果，而非主题发现过程的组成部分，这限制了对那些既具有语义连贯性又正在快速扩散的主题进行优先排序的能力。目前缺乏使用统一的、具备参与度感知能力的框架，对不同流行病（例如 COVID-19 与猴痘）之间虚假信息动态进行系统性、比较性分析的研究。

方法论

作者提出了 BERTopic-VP，这是一个可扩展、模块化的框架，它通过增加一个**病毒式传播优先排序（Virality Prioritisation, VP）**层来扩展 BERTopic 主题模型流水线。该流水线通过以下阶段运行：

1. 语义嵌入与聚类：

   • 使用 all-MiniLM-L6-v2 Sentence-BERT 编码器处理推文，生成上下文相关的 384 维嵌入。
   • 通过 UMAP（均匀流形近似与投影）进行降维。
   • 使用 HDBSCAN（基于密度的层次化空间聚类应用）执行聚类。这种基于密度的方法允许在无需预先指定 $K$ 值的情况下发现可变数量的主题，使其适用于不断演变的话语。
   • 配置在不同数据集间保持固定（UMAP: $n\_neighbors=15$, $min\_dist=0.1$, $n\_components=5$; HDBSCAN: $min\_cluster\_size=50$, $min\_samples=10$），以确保可比性。

2. 病毒式传播优先排序 (VP) 层：

   • 观测到的参与度： 对于具有原生元数据的数据集（猴痘），计算综合参与度得分 $E_i$，即点赞、转发、回复、引用和链接点击的总和。
   • 代理倾向性： 对于缺乏参与度元的数据集（COVID-19_FNIR, Constraint），该框架在猴痘数据集上训练一个逻辑回归模型，以预测“传播倾向性”得分 ($\hat{p}_i$)。该得分作为扩散潜力的序数代理。
   • 统一信号： 定义一个统一的优先排序信号 $\tilde{E}_i$，在可用时使用观测到的 $E_i$，否则使用倾向性逻辑值 $\eta_i$。
   • 排序： 根据聚合病毒得分 $v_j$（簇内 $\tilde{E}_i$ 的平均值）对簇进行排序。落在分布前 $x\%$（1%, 5%, 10%）内的簇被标记为高优先级。

3. 虚假信息检测与验证：

   • 两阶段混合检测模块融合了一个监督式基于内容的分类器，以及一个源自特定疫情公共卫生知识库（如 WHO Mythbusters）的外部验证信号。
   • 最终概率 $p_{final}$ 是一个加权和：$p_{final} = \alpha p_{content} + (1-\alpha) p_{verify}$，其中 $\alpha=0.6$ 通过网格搜索确定。

4. 评估指标：

   • 聚类： 通过归一化互信息（NMI）、调整兰德指数（ARI）、纯度（Purity）和主题连贯性（$C_v$）进行评估。
   • 分类： 通过准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 分数、ROC-AUC 和 PR-AUC 进行评估。
   • 语言/情感： 分析情感极性、离散情绪（喜悦、恐惧、愤怒、悲伤）以及词汇复杂度（Flesch 阅读易读度、Flesch-Kincaid 年级水平）。

核心贡献

1. BERTopic-VP 框架： 引入了一种病毒式传播优先排序的主题模型流水线，该流水线将语义聚类与后验参与度信号（或倾向性代理）相结合，从而根据扩散潜力对主题进行排序。
2. 比较性流行病分析： 首次使用一致的分析框架，对两个截然不同的疫情（COVID-19 和猴痘）之间的虚假信息主题进行了系统的并排比较。
3. 数据匮乏情境下的代理病毒式传播： 一种创新的方法，通过迁移在具有观测参与度的数据集上训练的传播倾向模型，来优先排序缺乏参与度元的数据集中的主题。
4. 面向监测的设计： 一个旨在进行定期批处理刷新（分钟到小时级的节奏）的流水线，用以支持早期预警系统，呈现低容量但高风险的叙事，供分析师审查。

结果

该框架在三个基准数据集上进行了评估：COVID-19_FNIR、Monkeypox 和 Constraint。

• 分类性能： 混合虚假信息检测器在所有数据集上均表现强劲。猴痘数据集取得了最高结果（F1 = 0.950, ROC-AUC = 0.989），其次是 COVID-19_FNIR（F1 = 0.907, ROC-AUC = 0.966）和 Constraint（F1 = 0.899, ROC-AUC = 0.951）。
• 聚类质量：
  • 猴痘： 实现了最高的纯度（0.940）和中等的连贯性（$C_v = 0.286$），表明其叙事高度聚焦。
  • COVID-19_FNIR： 显示出中等的纯度（0.742）和最低的连贯性（$C_v = 0.084$），反映了碎片化且多样化的叙事空间（例如，混合了实验室泄漏理论、口罩有效性和政策辩论）。
  • Constraint： 表现出最高的连贯性（$C_v = 0.463$）但最低的纯度（0.522），表明其内部主题一致，但与数据集的真实性标签并不完全对齐。
• 病毒式传播与语言模式：
  • 情感驱动因素： 与 COVID-19 相比，猴痘虚假信息表现出更强烈的情感激活（更高的恐惧、愤怒和悲伤）。
  • 词汇简单性： 猴痘推文在语言上更简单（更高的 Flesch 阅读易读性，更低的年级水平），而 COVID-19 推文则更为密集且复杂。
  • VP 对齐： 被 VP 信号优先排序的簇与表现出高情感激发和简单语言的簇高度重合，证实了情感唤起和认知易得性驱动着扩散。
• 跨事件差异： COVID-19 虚假信息以阴谋论和伪科学为特征，而猴痘叙事则侧重于机构信任、应对失败和污名化。

意义与主张

本文声称 BERTopic-VP 通过统一无监督主题建模、监督分类和情感语言分析，为计算社会科学和自然语言处理（NLP）提供了新颖的、端到端的 metodological 贡献。

• 操作价值： 该框架通过呈现低容量但高风险的叙事，支持了面向监测的早期预警，而传统的基于频率的模型可能会忽略这些叙事。它使公共卫生分析师能够区分高影响力的虚假信息与背景噪音。
• 可扩展性： 该流水线在计算上是可行的，可进行近实时批处理（例如，在普通硬件上处理 10,000 条推文不足 60 秒），适用于定期监测。
• 可解释性： 通过将主题簇与可观察的语言线索（情绪、可读性）及病毒式传播信号联系起来，该系统提供了适合非技术利益相关者的可解释输出。
• 对主张的审慎性： 作者明确指出，他们并未在特定数据集上重新实现经典的基准模型（LDA, NMF）进行头对头比较，理由是主题质量对特定语料库的预处理非常敏感。相反，他们将结果置于文献值中进行对比。他们还承认，对于没有参与度元的数据集，VP 信号代表的是一种估计的传播倾向，而非实际的平台交互，这限制了跨数据集的量级比较仅限于数据集内的排名。

研究结论认为，将语义结构与具备病毒式传播感知能力的排序相结合，可以实现可扩展、可解释的比较分析，从而支持数字健康传播中的循证策略。