该模型中的代理人被说服他人接受其观点的愿望所驱动。该模型的关键假设是，如果人们认为某件事情具有说服力，并有可能使其他人更接近他们的想法，他们就会费心与粉丝分享。否则他们就不会分享。
研究人员发现，在这样的环境下，当网络高度连接或其成员的观点严重分化时，可能是虚假的新闻将比具有较高可信度的新闻传播得更广泛，并深入到网络中。
这项理论工作可以为新闻可信度与传播规模之间关系的实证研究提供参考，这可能有助于社交媒体公司调整网络以限制虚假信息的传播。
“我们的研究表明，即使人们在决定如何分享新闻时是理性的，这仍然可能导致可信度低的信息被放大。”高级作者、土木与环境工程系教授兼系主任、数据、系统和社会研究所（IDSS）的核心教员、信息与决策系统实验室（LIDS）的主要研究员Ali Jadbabaie说：“有了这种说服动机，无论我的信念有多极端--鉴于它们越极端，我通过调动他人的意见获得的收益就越多--总有人会放大（该信息）。”
与Jadbabaie一起撰写论文的还有第一作者Chin-Chia Hsu，他是IDSS社会和工程系统项目的研究生，以及LIDS研究科学家Amir Ajorlou。该研究上周在IEEE决策与控制会议上发表。
这项研究借鉴了麻省理工学院斯隆管理学院大卫-奥斯汀管理学教授Sinan Aral、媒体实验室媒体艺术和科学教授Deb Roy和前博士后Soroush Vosoughi（现在是达特茅斯学院计算机科学助理教授）2018年的研究。他们对Twitter数据的实证研究发现，虚假新闻比真实新闻传播得更广、更快、更深。
Jadbabaie和他的合作者想深入了解为什么会出现这种情况。他们假设，说服可能是分享新闻的一个强烈动机--也许网络中的代理人想要说服其他人接受他们的观点--并决定建立一个理论模型，让他们探索这种可能性。
在他们的模型中，代理人对一项政策有一些先验的信念，他们的目标是说服关注者将他们的信念向代理人的一方靠近。
一个新闻项目最初被发布给一个小的、随机的代理子群，这些代理人必须决定是否与他们的关注者分享这个新闻。代理人会权衡这个项目的新闻价值和它的可信度，并根据新闻的惊人程度或说服力来更新其信念。
“他们会进行成本效益分析，看看平均而言，这条新闻是否会使人们更接近他们的想法，或者使他们远离。而且我们还包括一个名义上的分享成本。例如，采取一些行动，如果你在社交媒体上传播，你必须停下来做这个。把这看作是一种成本。或者，如果我分享了一些令人尴尬的东西，可能会产生声誉成本。每个人都有这种成本，所以越是极端的、越是有趣的新闻，你就越想分享它，” Jadbabaie说。
如果新闻肯定了代理人的观点，并且具有说服力，超过了名义成本，那么代理人总是会分享新闻。但是，如果代理人认为该新闻是其他人可能已经看到的东西，那么代理人就会失去分享它的动力。
由于代理人分享新闻的意愿是其观点和新闻的说服力的产物，代理人的观点越极端或新闻越令人惊讶，代理人就越有可能分享它。
研究人员用这个模型来研究信息在新闻级联过程中是如何传播的，这是一个不间断的分享链，迅速渗透到网络中。
连接性和两极分化
研究小组发现，当一个网络具有高连接性并且新闻令人惊讶时，启动新闻级联的可信度阈值较低。高连通性意味着网络中许多用户之间有多种连接。
同样，当网络基本上是两极分化的时候，有很多持极端观点的代理人想要分享这条新闻，启动新闻级联。在这两种情况下，可信度低的新闻会产生最大的级联。
“对于任何一条新闻，都有一个自然的网络速度限制，一个连接范围，有利于信息的良好传输，在这个范围内，真实新闻的级联规模是最大化的。但如果你超过了这个速度限制，你就会陷入不准确的新闻或可信度低的新闻有更大的级联规模的情况，”Jadbabaie说。
如果网络中用户的观点变得更加多样化，那么可信度低的新闻就不太可能比真相传播得更广。
Jadbabaie和他的同事将网络中的代理设计成理性的行为，因此该模型将更好地捕捉真实的人类在想要说服他人时可能采取的行动。
“有人可能会说这不是人们分享的原因，这也是有道理的。人们为什么做某些事情是认知科学、社会心理学、神经科学、经济学和政治学中激烈争论的主题，”他说。“根据你的假设，你最终会得到不同的结果。但我觉得说服是动机的这个假设是一个自然的假设。”
他们的模型还显示了成本如何被操纵以减少虚假信息的传播。代理人进行成本效益分析，如果这样做的成本超过了分享的好处，就不会分享新闻。
“我们不做任何政策规定，但这项工作表明，也许，有一些与分享新闻相关的成本并不是一个坏主意。”他说：“你之所以得到很多这样的连带效应，是因为分享新闻的成本实际上非常低。”
“社交网络在塑造意见和影响行为方面的作用已被广泛注意。”剑桥大学经济学教授Sanjeev Goyal说：“Sinan Aral 和他在麻省理工学院的合作者进行的实证研究表明，虚假新闻比真实新闻得到更广泛的传播，”他没有参与这项研究。“在他们的新论文中，Ali Jadbabaie 和他的合作者在一个优雅的模型帮助下为我们提供了对这一难题的解释。”