财新传媒
位置:博客 > 返朴 > 物理学家能预言枪击案吗?​

物理学家能预言枪击案吗?​

一位物理学家将研究多体物理的方法应用于社交网络平台,通过对仇恨言论的监测和建模,希望能预知并防止极端事件的发生。研究发现,社交平台用户群组的急剧增长,类似发生相变的物理系统中关联长度发散。在微观上,用户群组的增长过程与凝胶的形成过程相似。

 

撰文 | 瞿立建

 

美国发生枪击案不稀奇,近日连续发生两次惨烈的枪击案。5月14日,美国纽约发生的枪击案13人中枪,10人死亡。更严重的是,这次枪击案的性质,是一次种族主义大屠杀。白人青年金德伦在白人至上主义思想的感召下,穿越了半个纽约州,来到黑人为主的社区的超市,他想尽可能夺去更多黑人的生命。

 

对于如此极端的事件,我们能否通过科学手段预先发觉端倪,进而预防甚至阻止悲剧降临?有位物理学家正在做这方面的努力,他是华盛顿大学的约翰逊(Neil Johnson)教授。


尼尔·约翰逊(Neil Johnson)

 

与恐怖主义缘分非浅

 

约翰逊于1961年出生在英国,伴随着爱尔兰共和军此起彼伏的恐怖活动长大。

 

约翰逊于1989年获得哈佛大学博士学位。1991年,他去哥伦比亚最顶级的大学安第斯大学做了一年教授。在这里,他目睹了游击队肆意滥杀无辜。
 

随后他回到英国做教授,2007年又来到美国做教授。在最文明富足的社会里,大规模枪击案成为新闻头条的频率却越来越高。
 

约翰逊开始思考,能不能应用物理学来弄明白暴力是怎么回事,并预判何时会发生暴力事件。
 

约翰逊从事多体物理研究,研究相互作用的粒子的集体行为。比如,导体里定向移动的电子形成电流,电流会受到阻碍作用;但是,如果电子能协同起来,两两成对,便可以对阻碍免疫,这就是超导电性。

 

约翰逊把多体物理的思维方式用于思考人的群体行为。
 

人不是粒子,但人的行为确实会形成显著的模式。每个人各自对美的追求汇聚成流行时尚,每个人各自的思想认识汇聚成汹涌的社会思潮,个体交易者的买进和卖出汇聚成金融走势……
 

约翰逊感觉,他处理多体物理的诸多原理可以用于思考社会问题,并且在这方面取得了许多成果。
 

约翰逊开始思考一个迫切的现实问题,在暴力事件上头条之前,我们是否能觉察到一些蛛丝马迹。

 

可提前预言出暴力事件吗?
 

2014年,约翰逊开始研究极端主义暴力活动。
 

他让一组学生追踪俄罗斯社交媒体VKontakte(简称VK,类似美国Facebook的社交网络服务网站)上亲伊斯兰国(ISIS)的群组信息。约翰逊团队发现,VK上亲ISIS的群组的成员数一直大致不变,但是在2014年9月群组数目突然大涨。随后发生了ISIS武装围攻叙利亚城市科巴尼的事件。

 

这种模式也曾发生在巴西。2013年巴西抗议运动在6月达到高潮之前,社交媒体Facebook上巴西政治话题群组也出现激增现象。
 

群组成员数随时间演化如下图所示,这种图物理学家会比较熟悉,物理系统在临界点附近,关联长度就是图中的特点。

群组增长速率急剧增长,类似发生相变的物理系统中关联长度发散。

 

约翰逊和他的团队分析了约200个亲ISIS的群组精确到秒的变动,涉及约10万成员账号,得到了群组演化的规律。群组的兴衰非常类似物理和化学中分子聚集体的聚合与分解,所得数学方程与实际观测非常吻合。


社交媒体上群组成员数的演化及其动力学规律
 

约翰逊所得结果对预判极端事件有指导意义。反ISIS机构不必监控数以百万计的亲ISIS账号,主要监测几百个群组就够了,极大减轻了工作量。反ISIS机构注意不要让群组做大,就可防止亲ISIS大范围传播。如果发现群组成员数急剧飙升,意味着大规模袭击即将发生,类似物理系统中相变发生之前关联长度的发散趋势。
 

看到极端事件即将发生,能不能提前把极端分子找出来,以避免悲剧?

 

群组的微观物理

 

前面得到的是宏观层面的“热力学”理论,那么我们能构建出微观层面的“统计”理论吗?

 

一个显著的困难是,人不是分子。所有的分子都是一样的,而人不一样,千人千面,各不相同。
 

物理学家研究分子的集体行为,发展了多体理论;极端分子的集体行为,该用什么样的“多人”理论来描述呢?

 

约翰逊和合作者从凝胶形成的模型获得了启发。
 

凝乳就是一种凝胶,性质均匀的牛奶先结成很多大小不一的块,这些凝块最后聚合成一个整块,即形成了凝胶。

 

约翰逊和合作者发展了一个极端分子在线群组增长的理论模型。与凝胶形成的理论模型类比,约翰逊还考虑了“人分子”的特异性。

 

约翰逊把人处理成“介观”人,不管细节,而是直接给人赋予一个特点参数,这个参数处于0到1之间。

 

理论发现,人的特点参数差异对于群组的增长和多样性(即分布)有显著的影响,极端分子群组数量与群组大小成-5/2的幂律关系,理论预言与社交网站上采集的数据一致。

2015年1月,俄罗斯社交网站VK上亲ISIS群组突然急剧增长。小白圈为个人用户,小黄圈为被封杀个人用户,大红圈为被封杀群组,大绿圈为未被封杀群组。
 

这个简单的理论粉碎了反恐当局的一个愿望,即在恐怖活动之前,将实施恐怖袭击的“独狼”识别出来,提前拿下。根据约翰逊的理论,这几乎是不可能完成的任务,就像水要开了,不可能识别出哪个分子将第一个气化。

 

不过,约翰逊的理论给出了一个极端事件即将发生的前兆。
 

就像牛奶中凝块数量按幂律关系急剧增长的时候,我们就知道凝乳就要出现了。社交网站上,当极端分子群组的数量和群组人数开始呈现近似-5/2的幂律关系的时候,意味着有极端分子可能要搞事了。极端事件由个别分子实施,但起因可能是极端分子的集体行为。
 

为什么要这么麻烦,直接干掉极端分子账号和他们的群组不是简单粗暴有效吗?

约翰逊研究发现,简单粗暴,但并不有效。

 

如何干掉在线仇恨网络


Facebook在柏林的删帖员在删除宣扬仇恨的帖子。

 

干掉仇恨言论有两种方式。一是微观方法,找出坏分子,直接灭掉;二是宏观方法,相关言论,只要沾边,立即封杀,宁可错杀一千,不可放过一个。

 

两种方法都不可行。前一种方法,如同大海捞针,根本捞不着。后一种方法,妨碍言论自由。
 

约翰逊和他的合作者研究了社交网络上仇恨言论的全球动力学,发现仇恨言论聚集成团簇,团簇之间也结成网络结构。这个网络之网络跨越国界、洲界、网络平台、语言和文化差异,并且是去中心化的。这些特点让仇恨言论难以被消灭。被删掉的极端分子账号和群组会换个马甲重新出现,在一个平台被灭,会在另一个平台复生。更糟糕的是,极端言论被打草惊蛇后,会变得更隐蔽,比如用黑话代替敏感词,更难以打击。


上图显示了仇恨言论在平台内部和跨平台的传播

 

如何才能有效打击社交网站上的仇恨言论呢?

 

约翰逊和他的同事们根据自己发展的理论模型,按照干预方式和干预粒度这两个维度,给出四种应对方式,如下图所示。

干预网上仇恨言论策略
 

策略1和2是平台直接出手,策略3和4要水军参与。

策略1,直接封杀,针对小的、较孤立的群组。

策略2,随机封杀,不要贪多,还要神不知鬼不觉。

策略3,鼓励社交媒体上反仇恨用户壮大组织化程度与仇恨用户对抗。可以投放机器人水军,起到“成核位点”的作用,引发反仇恨用户结成群组。

策略4,利用仇恨言论之间的矛盾,搅动仇恨用户和群组之间进行对抗,在极端分子头脑中播下怀疑的种子。
 

这些策略距离落地实施可能还有很长的距离,但可以为监管政策提供参考框架。

 

实践出真知

 

这些学术研究对于理解仇恨言论的传播规律非常有意义,能不能用来压制仇恨言论、预防极端事件呢?
 

约翰逊与美国联邦调查局(FBI)等机构合作,努力将学术上的洞察应用于实战中。只不过,实施方法未见报道。美国本土的极端枪击案件有增无减,甚至发生白人至上种族主义枪击案,并随着网络发展他们开始进行网上直播。这足以说明,这些学术成果还没有明显的应用效果。

 

希望学术界与公共安全机构早日找到预防极端事件的方法。
 

参考资料

  • https://www.aps.org/publications/apsnews/200611/backpage.cfm
  • https://physics.aps.org/articles/v11/76
  • https://www.aps.org/publications/apsnews/201611/backpage.cfm
  • https://physicsworld.com/a/the-dark-side-of-social-media/
  • Johnson, Neil F., et al. "New online ecology of adversarial aggregates: ISIS and beyond." Science 352.6292 (2016): 1459-1463.DOI: 10.1126/science.aaf0675
  • Manrique, Pedro D., et al. "Generalized gelation theory describes onset of online extremist support." Physical review letters 121.4 (2018): 048301. DOI: 10.1103/PhysRevLett.121.048301
  • Johnson, Neil F., et al. “Hidden resilience and adaptive dynamics of the global online hate ecology.” Nature 573.7773 (2019): 261-265. DOI: 10.1038/s41586-019-1494-7

 



推荐 3