社交网络异质性促进多维相关观点的去极化

我们提出了多维社会罗盘模型，其基于两个相互竞争的关键要素：由跨多个话题施加的社会影响所驱动的 DeGroot 学习，以及个体保持其初始观点的偏好。这两种机制之间的相互作用触发了从极化到共识的相变，该相变由社会影响的阈值决定。我们解析地研究了去极化相变的性质及其阈值，这取决于所讨论话题的数量、初始观点之间可能的关联、底层社交网络的拓扑结构，以及初始观点分布与网络结构之间的关联。理论预测通过在合成和真实社交网络上运行数值模拟得到验证。我们依赖若干简化假设来探索不同情景，例如高维的均值场近似，或正交的初始取向。对于不相关初始观点，我们揭示了上临界维数（D_c = 5 个话题），以此区分不连续与连续相变。对于最简单的 D = 2 情形及相关初始观点，我们发现若底层连通性为异质性的，则去极化阈值可能消失，正如微扰理论所预测的那样。这种效应源于枢纽节点的存在，其促进了群体中的共识。我们通过设计一种重连算法来增加底层网络的结构异质性来验证这一假设，表明去极化阈值降低。最后，我们证明若枢纽节点共享相同的初始观点，则去极化动力学受到显著阻碍。