Scientific Reports：多智能体网络舆情传播沙盘复现真实舆情

导语

传统舆情传播模型能够描述宏观演化趋势，却难以表现不同用户在行为、立场和表达上的差异。近日发表于 Scientific Reports 的一项研究提出“认知—概率混合驱动”的多智能体框架：利用概率模型约束行为频率、话题和态度分布，同时以大语言模型生成符合角色设定的互动内容。该框架在公共政策与食品安全两个事件中均模拟出“潜伏—爆发—衰退”的演化过程，为连接个体语义互动与宏观舆情传播提供了新的建模思路。

关键词：大语言模型、多智能体系统、舆情传播、社会模拟、生成式智能体

郭瑞东丨作者

赵思怡丨审校

论文题目：Public opinion dissemination simulation based on large language model multi-agent systems 论文链接：https://www.nature.com/articles/s41598-026-44206-z 发表时间：2026年4月4日 论文来源：nature · scientific reports

多智能体舆情传播模拟框架

传统的舆情传播模型往往难以刻画不同用户在行为方式、关注话题和立场上的差异，而纯数据驱动的深度学习方法虽然能够拟合传播趋势，却难以解释个体互动如何形成宏观舆情。针对这些问题，该研究提出一种“认知—概率混合驱动”的多智能体框架：一方面，利用真实社交媒体数据校准行为概率模型，通过指数分布约束点赞、评论、转发和发帖等行为的发生频率，并以正态分布描述智能体在关注话题和态度倾向上的差异；另一方面，以大语言模型作为智能体的认知核心，根据角色设定和舆情语境生成具体的文本内容。

图1：多智能体框架中的四种角色

具体而言，该框架将舆情传播中的智能体划分为四类：

1. 普通公众（General Public）：数量最多，通过点赞、评论、转发和发帖等行为形成舆情传播的基础热度。

2. 舆论推动者（Hypester）：包括大V、博主和意见领袖等，通过发布或转发信息放大事件声量，并影响舆论走向。

3. 管控者（Controller）：包括政府监管部门、平台方和企业公关团队等，通过删帖、关闭评论或引导讨论等方式干预舆情传播。

4. 涉事主体（Subject）：即事件直接涉及的企业或机构，通过发布声明、调整政策或采取法律措施等方式回应舆情。

图2：单个Agent的内部包含四大模块，同时包含短期记忆与长期记忆，能进行自我反思和目标分解，通过调用外部API计算舆情热度、预测行为目标，同时执行发帖，转发，控评等操作

每个智能体都具备记忆、规划、工具和行动四个模块。其中，记忆模块分为短期记忆和长期记忆，用于保存当前语境与历史互动；规划模块支持自我反思和子目标分解；工具模块负责计算舆情热度、确定互动行为及其对象；行动模块则执行点赞、评论、转发、发帖和删帖等操作。所有智能体还通过中心化的全局信息共享池获取事件背景、热门话题以及其他智能体发布的内容，由此形成持续更新的共同舆情环境。

在具体的行为生成过程中，框架将结构化决策与语义生成分开处理。研究利用真实微博数据校准指数分布，以确定点赞、评论、转发和发帖等行为的发生频率，并用正态分布描述不同智能体在关注话题和态度倾向上的差异。在概率模型确定行为类型及互动对象后，大语言模型再结合角色画像、当前语境和历史信息，生成相应的评论或帖子。这种分层机制使模拟结果既遵循宏观统计规律，又能够呈现不同角色在表达方式和互动内容上的差异。

图3：角色画像生成框架：智能体的回复源自为四个串行子任务：事件摘要，基础角色设定，固有话题分配，固有态度分配。

跨场景的舆情演化模拟

研究者选取两类性质不同的真实事件进行模拟：一类是公共政策事件“上海电价上涨”，另一类是食品安全事件“罐车混运食用油事件”。实验主要从跨场景适应性、智能体行为与文本多样性以及领域迁移成本三个方面评估该框架。

图4：两个事件的舆情模拟和真实传播热度曲线

在沿用同一套模型和参数设置、仅替换事件描述的情况下，两个场景生成的舆情强度曲线均呈现出“潜伏—爆发—衰退”的三阶段演化特征。其中，食品安全事件进入爆发阶段的速度快于公共政策事件，与健康和安全相关议题通常更容易引发强烈情绪反应的传播特征相符。这表明，该框架能够在不同类型的事件中生成具有相应差异的舆情演化过程。不过，这一结果主要说明模拟曲线符合典型的传播模式，尚不足以证明模型能够准确复现或预测真实事件的传播轨迹。

传统舆情模拟面临的一个重要问题，是智能体容易表现出高度同质化的行为。为此，研究使用归一化行为熵衡量点赞、评论、转发和发帖等行为的分布情况。两个事件的归一化行为熵分别约为0.67和0.72，平均值为0.69，说明智能体的行为并未集中于单一类型。研究还使用Distinct-2衡量生成文本的重复程度，其中食品安全事件的Distinct-2达到0.83，表明生成内容中重复出现的二元词组较少，在表达形式上具有一定多样性。不过，这两个指标主要衡量行为类别的分布和词汇组合的重复程度，尚不能充分证明模拟结果再现了真实用户的活跃度分布或观点差异。

与需要重新训练和标注数据的深度学习方法相比，该框架支持零样本冷启动。研究将模拟场景从公共政策事件迁移至食品安全事件时，只替换了事件描述配置文件，无需重新训练模型或标注新的数据，因此显著降低了领域适配成本。这种能力使该框架有望被进一步发展为舆情演化的“数字沙盘”，用于比较不同干预主体、干预时机和干预方式可能产生的影响。不过，论文尚未系统检验具体干预策略的现实效果，因此现阶段更适合将其视为辅助分析的模拟工具，而不是能够直接预测舆情走向的决策系统。

目前，该框架仅在微博平台上的两个事件中进行了测试，部署的智能体数量也相对有限，因此尚不足以判断其在更多事件类型、大规模社交网络和其他平台上的泛化能力。此外，实验主要处理文本信息，尚未涵盖图片、视频等在现实舆情传播中发挥重要作用的内容形态。未来，研究者计划在更多场景和社交平台中测试该框架，探索微博与短视频平台之间的跨平台传播，并引入多模态模型与对抗博弈机制，以模拟有组织的机器人攻击和认知战等更加复杂的传播环境。

AI × 传播」读书会第二季

传播学从现象出发。今天，AI 已经深度进入信息生产、内容分发、社会互动、公共判断和知识生产过程。它既是工具，也是媒介；既是研究对象，也是协作者；既提升效率，也制造新的偏见、信任和责任问题。AI × 传播成为一个新的领域。

由集智俱乐部联合北京师范大学新闻传播学院，北京师范大学珠海校区计算传播学研究中心许小可教授、周晓禹讲师共同发起，我们将从“工具-对象-范式”三重维度出发，系统梳理 AI × 传播的实践路径——如何用 AI 做研究，如何研究 AI 本身，如何理解人机协同的新范式。

详情请见：

1.

2.

3.

4.

5.

6.

7.