观点动力学（Opinion Dynamics）
研究进展

从经典有界置信模型到 LLM 时代双向影响
组会汇报  |  2026年6月  |  基于 5 篇核心论文的可信图文汇报

目录 Contents

  1. 研究背景与核心问题
  2. 论文来源与信息卡片
  3. 经典模型脉络：有界置信范式
  4. P2：人-LLM 双向影响实验
  5. P3：社会压力下的内隐/声明模型
  6. P4：极化现象的 ODE/SDE 建模
  7. P5：高阶交互与近线性算法
  8. 创新点、不足与开放问题
  9. 组会讨论 Q&A
  10. 总结与下一步行动
OD

研究背景：什么是观点动力学？

03 / 12
定义 Definition

观点动力学 Opinion Dynamics

研究群体中个体的观点 / 意见 / 态度如何在社交交互过程中演化的跨学科领域。

涉及学科
  • 社会学 — 社会影响、从众、群体极化
  • 物理学 — 统计力学、相变、动力系统
  • 数学 — 非线性ODE/SDE、图论
  • 计算机科学 — 多智能体、复杂网络
  • 控制理论 — 一致性协议、网络系统
四大核心问题
  • 共识 Consensus — 是否达成一致？
  • 极化 Polarization — 为何分裂为对立阵营？
  • 碎片化 Fragmentation — 为何形成多簇并存？
  • 干预控制 — 能否引导演化方向？
关键概念 — 有界置信 Bounded Confidence：
个体只接受与自己观点差距小于阈值 ε 的他人影响。这是区分观点动力学与传统一致性问题的核心假设。
[S1] Lorenz 2007 · [S4] Bertotti & Menale 2024
为何重要？
  • 社交媒体上的舆情极化治理
  • 选举预测与社会稳定分析
  • AI 对话系统的对齐安全设计
  • 公共卫生政策（疫苗接种犹豫等）
  • 推荐系统中的信息茧房优化
研究背景03 / 12

论文来源与信息卡片 Source Inventory

04 / 12
ID论文题名作者/年份来源类型关键词
S1 Continuous Opinion Dynamics under Bounded Confidence: A Survey Lorenz, J. / 2007 综述 HK/DW model, agent-based, bifurcation
S2 Beyond One-Way Influence: Bidirectional Opinion Dynamics in Human-LLM Interactions Jiang, Y. et al. / 2025 HC/AI N=266, 50 topics, 3 conditions
S3 Opinion Dynamics under Social Pressure Salhab, R., Jadbabaie, A. et al. / 2021 控制/数学 Inherent vs declared, estimation theory
S4 Opinion dynamics models describing polarization phenomena Bertotti, M.L., Menale, M. / 2024 数学物理 ODE/SDE, n=3,5,9, persuaders
S5 Opinion dynamics incorporating higher-order interactions Zhang, Z., Xu, W., Zhang, Z. et al. / 2024 数据挖掘 Higher-order random walks, near-linear algo
证据等级说明： S1–S5 均来自 arXiv/Springer/OALib 等学术平台的真实论文页面，每条核心论断均标注来源编号。
论文来源04 / 12

经典模型脉络 Classic Model Lineage [S1]

05 / 12
模型年份观点空间核心机制典型输出
Deffuant-Weisbuch (DW)2000连续 [0,1]随机配对 + 有界置信加权平均共识 / 碎片化
Hegselmann-Krause (HK)2002连续 [0,1]同步与所有置信域邻居平均共识 / 聚类 / 碎片化
Friedkin-Johnsen (FJ)1990连续固执项 + 社会影响加权持久分歧
Voter Model—离散 {0,1}随机采纳邻居观点共识
Sznajd2000离散 {−1,+1}一对二说服规则极化或共识
两种建模框架
  • Agent-Based Simulation：Monte-Carlo 风格，追踪每个 agent 观点演化
  • Density-Based (Master Equation)：在观点空间上建立密度演化方程
Lorenz (2007) 综述的核心贡献：
• 系统梳理 HK 和 DW 两大框架的数学结构
• 分析多维观点和异质置信界的扩展
• 讨论分岔现象与相变行为
• 覆盖物理学、数学、CS、社会学等多学科视角
局限

2007年发表，不含 LLM 时代、高阶网络交互、深度学习驱动的最新进展。

经典模型05 / 12

P2：人-LLM 双向观点动力学实验 [S2]

06 / 12
实验设计 Experiment Design
  • N = 266 参与者
  • 50 个争议话题（controversial topics）
  • 3 种条件：
    • C1: 静态陈述 (Static statements)
    • C2: 标准聊天机器人 (Standard chatbot)
    • C3: 个性化聊天机器人 (Personalized bot)
核心发现 Key Findings
条件人类立场变化LLM 输出变化立场差距
C1 静态陈述几乎为零——
C2 标准机器人微弱显著缩小缩小
C3 个性化微弱（略大）更显著更大幅缩小
⚠️ 关键发现：非对称双向影响

人类观点几乎不变 → LLM 输出大幅调整 → 立场差距缩小

个性化放大此效应！

包含个人故事的对话轮次最易触发双方立场变化
AI 安全启示

过度对齐风险 Over-alignment Risk：LLM 过于顺应用户观点可能成为"回音壁"放大器。个性化聊天机器人需更审慎的对齐策略设计。

P2 人-LLM 实验06 / 12

P3：社会压力下的内隐/声明双观点模型 [S3]

07 / 12
模型设定 Model Setup

每个 agent i 拥有两种观点：

  • sᵢ — 内隐观点（Inherent opinion）：固定，不可被其他 agents 观测
  • xᵢ(t) — 声明观点（Declared opinion）：广播给邻居，受社会压力影响

Agent 可能为了 conform 而声明与内隐不一致的观点。

主要定理 Main Theorem（完全图情形）
✅
无大多数派
聚合 + 个体内隐观点
均可渐近估计
❌
存在大多数派
少数派被迫长期撒谎
→ 渐近估计不可能
应用场景示例：

内隐观点 = 真实政治倾向（民主党/共和党）
声明观点 = Twitter 上的政治推文立场

→ 能否通过观测推文预测选举结果？
局限 Limitations
  • 仅分析完全图（complete graph）
  • 一般网络拓扑（无标度/小世界）的可估计性未知
  • 未考虑动态网络演化
P3 社会压力模型07 / 12

P4：极化现象的 ODE/SDE 完整建模 [S4]

08 / 12
离散观点空间 Discrete Opinion Space

n 个离散观点 u₁ < u₂ < ... < uₙ（n 为奇数），xᵢ(t) 为持观点 uᵢ 的个体比例

参数含义效应类型
ε₀无聊/开阔视野转移概率扩散效应
ε₁相邻观点类妥协转移概率聚集效应
ε₂距离=2的观点类妥协概率聚集效应（较弱）
ε₃说服者影响强度外部驱动
ε₄时间尺度比多尺度耦合
cₛ噪声强度（SDE）随机扰动
模型演进路径

基础 ODE → 引入说服者 → 多时间尺度 → 随机 SDE

关键数值结果

n=3（ε₀=.05, ε₁=.15, ε₂=.10）：唯一平衡点 E，U形极化分布，渐近稳定

n=5（同参数）：三平衡点——E_L（左偏，✅稳定）、E_S（对称，❌不稳定）、E_R（右偏，✅稳定）

分岔现象：ε₀ > ~0.0625 时极化平衡消失

Fig.2 Three equilibria for n=5
Fig.2: n=5 时三平衡点（左偏/对称/右偏）· F2, Source: [S4]
P4 极化建模08 / 12

P4 续：说服者效应、时间尺度与随机扰动 [S4]

09 / 12
说服者效应 Persuader Effect

引入支持特定观点的说服者 yⱼ(t)，参数 ε₃ 控制影响力强度。支持某观点的说服者使该观点在平衡态占主导。

Fig.8 Time-scale effect
Fig.8: 不同时间尺度参数 ε₄ 下说服者效应对比 · F5, Source: [S4]
时间尺度效应（n=3, y₁=0.075）：
ε₄=1.0 → 平衡 ≈ (.419, .222, .359)
ε₄=0.1 → 平衡 ≈ (.592, .156, .252)
ε₄=0.01 → 平衡 ≈ (.874, .048, .078) ← 说服者主导！
SDE 不确定性效应

转移概率加入随机扰动后变为 SDE 系统：

  • 从稳定极化平衡（E_L/E_R）出发：小幅波动，保持极化
  • 从不稳定对称平衡（E_S）出发：必然逃逸到某一极化平衡
  • 30 次实现均值：清晰的双峰极化分布
Fig.10 SDE escape from unstable equilibrium
Fig.10: SDE 从不稳定对称平衡逃逸至极化态 · F7, Source: [S4]
P4 说服者与噪声09 / 12

P5：高阶交互观点动力学与近线性算法 [S5]

10 / 12
创新点 Innovation

传统模型仅考虑最近邻交互。本文引入高阶随机游走（Higher-order Random Walks）显式建模二阶、三阶等远程邻居的影响。

主要贡献
  • 收敛性证明：模型收敛到固定观点向量
  • 计算挑战：直接求解 O(n³)
  • 算法设计：基于图谱稀疏化的近线性时间估计算法 O(m·polylog(n))
  • 实验验证：Konect 等多个社交网络数据集
关键发现
  • 高阶交互显著改变均衡点
  • 与仅含最近邻的模型结果差异大
  • 算法效率接近线性于边数 m
  • 估计精度与精确解高度吻合
Fig.1 Higher-order model illustration
Fig.1: 高阶交互观点动力学模型示意图 · F8, Source: [S5]
与 P4 的互补关系：
P4 侧重微观机制→宏观现象（极化涌现）；
P5 侧重网络拓扑×计算效率（高阶+快速算法）。

二者可在高阶网络上结合？
P5 高阶交互10 / 12

创新点、不足与组会讨论 Q&A

11 / 12
核心创新汇总
Paper核心创新学术价值
[S1]首个系统性综述有界置信模型奠基性工作
[S2]首次实验验证人-LLM双向观点动力学开辟 AI×社会科学新方向
[S3]内隐/声明双观点模型 + 可估计性理论连接动力学与统计推断
[S4]离散空间完整极化建模链 ODE→SDE数学严谨，统一框架
[S5]高阶交互 + 近线性算法填补高阶邻居建模空白
开放问题 Open Questions
  • 经典模型如何扩展以纳入 AI agent 作为新参与方？
  • 高阶交互是促进还是抑制极化？（Schawe 2022 发现破坏相变）
  • 理论参数（ε₀, ε₁, ε₂）如何从真实数据中学习？
  • P3 的可估计性在无标度/小世界网络上是否成立？
Q&A 预备
Q1: 观点动力学 vs 一致性协议的本质区别？
核心在于有界置信——距离过大的个体不交互，导致极化和碎片化等丰富现象。
Q2: P4 参数如何从实际数据估计？
当前开放问题。ε₀ 可通过面板调查测量自发漂移；ε₁,ε₂ 可通过社会实验推断。缺乏系统性方法论。
Q3: LLM 更易被用户影响意味着什么？
过度对齐风险：LLM 可能成为回音壁放大器。个性化聊天机器人需更审慎设计。
Q4: 这些模型的实际应用？
舆情治理 · 选举预测 · 推荐系统优化 · AI 对话安全设计 · 公共卫生政策
讨论与 Q&A11 / 12

总结 Summary & 下一步行动

12 / 12
核心要点 Takeaways
  • 有界置信是观点动力学的核心范式，区分于传统一致性问题
  • 人-LLM 交互呈现非对称双向影响——LLM 更易被改变 [S2]
  • 社会压力导致声明偏离内隐，但无大多数派时可估计 [S3]
  • 极化可通过非线性ODE平衡点分岔来刻画 [S4]
  • 高阶交互显著改变演化均衡，近线性算法可行 [S5]
  • 所有论断均有明确来源编号，图片均为论文原图
下一步行动 Next Steps
  • ☐ 深入阅读 P4 原文获取完整定理证明
  • ☐ 追踪 P2 发表状态（预印本 → 正式发表）
  • ☐ 补充搜索 Bernardo et al. (2024) Automatica 最新综述
  • ☐ 参数估计文献调研
  • ☐ 尝试复现 P4 的 ODE/SDE 系统
  • ☐ 建立 P3↔P4 的形式化映射关系
OD
感谢聆听
Questions & Discussion Welcome
基于 tabbit组会助手 Skill (ID: 736421) 生成
5 篇论文 · 10 张候选图表 · 7 条核心 Claim
总结12 / 12
Generated by Tabbit