在政治盟友和对手的网络中辨识媒体偏见：党派干扰
摘要：个人关于媒体偏见的观点源于他们对媒体产出的独立评估，以及来自网络化政治盟友和对手的群体压力。在这里，我们泛化了之前的理想化、概率模型，该模型基于一个贝叶斯学习者网络，通过推断硬币的偏见，引入了固执的代理人（党派），他们的观点保持不变。研究发现，即使只有一个党派存在，也会破坏仅有盟友的网络，阻止它实现渐近学习，并迫使可说服的代理人在真实的硬币偏见$\theta_0$和党派的信念$\theta_{mp}$之间无法停息地摇摆不定（动荡的非收敛）。党派的信念停留时间$t_{md}$随着党派比例$f$的增加而增加，并在多个党派彼此意见不一致时减少。在仅有对手的网络中，无论是否存在党派，都会出现渐近学习。然而，在之前没有党派的工作中识别到的首先得出错误结论的反直觉倾向，在完全连接的网络中并不普遍存在；这是稀疏连接的系统（例如，具有附加参数$lesssim 10$的Barab''{a}si-Albert网络）的特性。在包含盟友和对手的混合网络中，党派会产生依赖于他们所在位置的反直觉结果。强平衡三角形呈现间歇性，而有党派的情况下，会出现长时间静止信念和动荡非收敛之间的突然转换，并实现渐近学习。
作者：Yutong Bu, Andrew Melatos
论文ID：2307.16359
分类：Physics and Society
分类简称：physics.soc-ph
提交时间：2023-08-09