1.网络舆情ABM仿真界面如下图。

2.网络舆情ABM仿真模型中左侧栏有12个参数(large-hots暂未启用),每个参数可以调整,各参数含义如下表所示。
参数(Slider滑动条) | 含义 | 取值范围 |
add-per-pop | Netizens访问增加Hots热度值 | 1-100 |
deduce-per-pop | 每Ticks时Hots减少的热度值 | 1-100 |
hot-growth-chance | Hots生成概率 | 1‰-100‰ |
netizen-count | 模型Netizens数量 | 1-500 |
num-hots | 模型初始Hots数量 | 1-10 |
large-hots | 模型最大Hots数量 | 1-10 |
netizen-vision-dist. | 寻找周围Netizens路径范围 | 1-100 |
pop-per-step | Netizens每步所增加 Patch的路径热度值 | 1-100 |
decay-per-step | Patch的路径热度值减少率 | 1%-100% |
max-decay-pop | Patch的路径热度值消失阈值 | 1-100 |
min-route-pop | Patch的路径热度生成阈值 | 1-100 |
3.实验操作步骤
a.仿真实验模型初始化。点击“setup”设置仿真初始界面,网民(黄色人行agent)、网络舆情热点事件(红色圆形agent)、网民间相互影响、不同身份网民影响力(如普通网民、大V、媒介等各有不同影响力)、热度增长值、热度衰退值等根据参数设置生成。
b.运行仿真实验模型。点击“go”,开始运行仿真模型。模型依据设置的12个参数值,开始运行。模型设置的运行时间原为一年,在仿真软件中以软件时tick表示时间,1tick表示现实中1小时,一年即为8760ticks。为了增强仿真效率,本实验中运行时间为半年即4380ticks。
c.网民访问网络舆情事件、网络舆情事件热度增减。网络舆情事件自带“热度值”(pop)属性,表示舆情关注热度高低。被访问次数越多,热度越高。系统中不断有新事件按照一定概率水平(hot-growth-chance)生成。网络舆情事件可以被网民访问,每访问一次,热度值的随机增加(add-per-pop)。不同网民关注访问的热度增加程度存在异质性。为体现网民、意见领袖、媒体等不同类型个体贡献度,引入随机权重系数w_it∈[0,1]。 网络舆情事件在网民的访问下,热度值增加,每tick时热度自然下降,热度值为0时,网络舆情事件消亡,新的网络舆情事件以一定概率生成,直至仿真运行结束。
c.运行过程中,可以点击“go”暂停运行。
d.图形化实时展示仿真实验过程。界面左侧下方四个图形,为仿真实验实时过程中相关属性数量变化。“average-hots-pop”表示网络舆情事件总数的平均热度,“max-hots-pop”表示网络舆情事件最高热度,“plot-green-patches”表示网络舆情仿真运行环境中绿色瓦片数量,“red-hots”表示网络舆情事件数量。最重要的图形化展示是运行界面下方的“every-hots-pop”,表示每tick时每个网络舆情事件的热度值,呈现出明显的生命周期特征。
e.运行结果数据保存。经过半年即4380ticks运行后,会生成csv格式的运行数据,界面如下图所示。将csv文件保存后,用excel软件即可打开,对数据进行分析,查看不同参数下网络舆情事件产生的数量、热度、生命周期时长等的不同,可深入分析不同关注度、参与深度等对网络舆情事件生命周期和热度的影响,以及实验者面对网络舆情事件时采取的不同态度会对网络舆情事件产生何种影响。

f.数据分析。实验者使用R语言软件或其他所熟悉软件,对运行结果数据进行分析。由于仿真运行以1小时为单位,具体分析时可以使用小时来分析网络舆情生命周期变化过程;也可以将小时合并为天进行分析。分析时可以与现实网络舆情事件案例集进行对比,求取半年期内某类网络舆情或某地区网络舆情的最有参数解,用以预测网络舆情发生发展过程。
评论 (2)
moxingzhe| 2023年8月7日
这个仿真实验能把网络舆情模拟出来,让人直观官守,确实很创新啊,真不错
蜀中人| 2023年8月7日
R我熟,运行一下,试试分析分析结果数据