半瓶大约几个月前，看到HackerNews在讨论这篇文章：Information Overload Helps Fake News Spread, and Social Media Knows It - Scientific American
本文的中文版我正好在环球科学2021年1月刊中看过，这篇文章介绍了OSoMe的各项研究成果。OSoMe全称是印第安纳大学“Observatory on Social Media”研究项目。我觉得环球科学的文章很不错，亮点不少。
但是OSoMe的回音室项目讨论，和我对现实的感知有冲突，环球科学原文里这部分体现得比较淡，但HackerNews那篇帖文（已经找不到链接）把这一点突出了，于是我想翻翻他们的论文原文，看看有什么发现。
他们做了有可视化界面的回音室demo，而且还支持中文，看起来非常方便。
Social Media Echo Chamber (iu.edu)
Demo里可以设置几个变量：
- 个体的容忍度
- 个体容易受他人言论影响的程度
- 个体取消关注的倾向
如果我们按照直觉去设置这些变量的值，会发现最终社交网络都会演化成纯粹的极化网络和同质网络。
但这和我们实际生活中观测到的现象并不一致。在现实中，哪怕是小规模社交网络，经过漫长的时间也很难演化成纯粹的极化网络或同质网络，那么哪里有疑点呢？
他们这一系列的论文和代码都在这个网站上，我这里多给出几个链接：
- https://osome.iu.edu
- https://osome.iu.edu/research/publications
- https://osome.iu.edu/research/open-source
其中，Echo Chamber模拟器的源代码地址是：https://github.com/soramame0518/echo_chamber_model
我直接指出我的质疑吧：代码中所有用到的随机数生成过程，都是以uniform random的方式生成随机数的。而每个个体的参数都被设置成了相同的或是均匀的。
但现实中，个体的容忍度、个体容易受他们言论影响的程度、个人取消关注的倾向，既不可能是相同的，也不可能是均匀分布的，而应该是正态的。纵观整个代码，我没有看到这部分的体现。
当然，还有其他和现实环境不同的地方，比如，现实中的社交网络有新加入的节点，也有不断退出的节点，模型也没有体现。但我的直觉是，这些部分不像统计错误那样，会对模拟网络的结构产生那么大的影响。
本作品采用知识共享署名-相同方式共享 4.0 国际许可协议进行许可。