现在网络上为什么有这么多杠精？ 第1页

网络杠精问题是一个很早就被观察到的现象^[1]. 它包含故意唱反调，言语辱骂、激怒对方，错开话题等干扰互联网UGC/PUGC社区建设性内容生产的行为^[2]. 是互联网内容社区建设过程中必然遇到的现象，也是必须要花力气解决的问题。

在UGC/PUGC社区中，用户的主要交流行为通过评论/问答形式完成。研究数据证明，用户日均花在社区评论行为上的时长，与用户人格特性中的自觉性/责任心(conscientiousness)负相关( ), 与暗黑人格正相关，包括施虐心理(direct sadism , vicarious sadism )、精神变态(psychopathy )、马基雅维利主义(Machiavellianism )^[3]. 具体地，在互联网社区中的各种行为中，正常的聊天、辩论等行为跟上面提到的暗黑性格没有显著相关性，而仅有杠精行为(Trolling)跟所有的暗黑人格(包括施虐、自恋、精神变态、马基雅维利主义)都强正相关：

上面的结论通俗点说就是，一个热衷于在网络上发表言论的杠精，很可能(几乎确定地)是一个精神变态的自大狂。

继续深入研究这些暗黑人格发现，暗黑人格跟评论频率显著正相关，而且暗黑人格者的杠精行为能显著的提升TA们的愉悦感：

作为互联网社区，其管理和经营者当然希望用户日均花在自己社区的时间更长，用户的交流行为更频繁。但上面的数据证明，如果一个互联网社区想要吸引更积极的用户和推动更积极的用户交流行为，那么很可能吸引过来这些性格变态的杠精用户群。这些用户在社区中高频地发表污染社区的杠精言论，其根本目的主要在于取悦自己。这是互联网社区建设中要尤其注意的问题，因为杠精内容和用户会刺激优质用户的情绪，赶走优质内容生产用户，形成用户成分恶性循环，而且杠精内容的频繁出现还会进一步的刺激社区中杠精内容的生产^[4], 从而不利于社区优质内容的输出，也不利于社区的长远发展。

当然，正常人格的人有偶尔会输出杠精内容，这是不可能完全避免的。对于一般用户来说，杠精内容的输出跟情绪具有一定的相关性^[5]：

这也是比较好理解的，毕竟我们在现实生活中，消极情绪下也更可能出口伤人。由于情绪跟杠精内容的关系，而情绪在一天中和一周中具有固定的变化趋势，社区中的杠精内容输出频率也会出现变化：

即一天之中晚上（特别是午夜）的杠精内容输出频率最高，早晨最低；一周之中周日和周一的杠精内容输出频率最高，周五周六最低。

用户在参与到与杠精的交流(评论)之后会产生消极情绪，而消极情绪会刺激用户生产杠精内容，从而形成劣质杠精内容生产的用户内容生产倾向恶性循环：

不难理解地，如果不加主动管控的话，上文提到的用户成分恶性循环机制和用户内容生产倾向恶行循环机制会导致社区交流内容的快速杠精化：

解决杠精问题的关键在于打破用户成分恶性循环机制和用户内容生产倾向恶性循环机制。这两者都要求快速的甄别杠精内容和杠精用户^[6]，删除或标定/锁定相关内容^[7][8]，减少杠精内容推送，对杠精用户进行惩罚，从而达到减少社区中正常用户的杠精内容暴露频率，促进建设性内容的生产。

参考

1. ^ Binns, A. (2012). DON'T FEED THE TROLLS! Managing troublemakers in magazines' online communities. Journalism Practice, 6(4), 547-562.
2. ^ Hardaker, C. (2010). Trolling in asynchronous computer-mediated communication: From user discussions to academic definitions.
3. ^ Buckels, E. E., Trapnell, P. D., & Paulhus, D. L. (2014). Trolls just want to have fun. Personality and individual Differences, 67, 97-102.
4. ^ Cheng, J., Danescu-Niculescu-Mizil, C., Leskovec, J., & Bernstein, M. (2017). Anyone can become a troll: analysis and simulation of online discussion sections show circumstances that can cause civil commentators to engage in aggressive behavior. American Scientist, 105(3), 152-156.
5. ^ Cheng, J., Bernstein, M., Danescu-Niculescu-Mizil, C., & Leskovec, J. (2017, February). Anyone can become a troll: Causes of trolling behavior in online discussions. In Proceedings of the 2017 ACM conference on computer supported cooperative work and social computing (pp. 1217-1230).
6. ^ Dlala, I. O., Attiaoui, D., Martin, A., & Yaghlane, B. B. (2014, November). Trolls identification within an uncertain framework. In 2014 IEEE 26th International Conference on Tools with Artificial Intelligence (pp. 1011-1015). IEEE.
7. ^ Galán-García, P., Puerta, J. G. D. L., Gómez, C. L., Santos, I., & Bringas, P. G. (2016). Supervised machine learning for the detection of troll profiles in twitter social network: Application to a real case of cyberbullying. Logic Journal of the IGPL, 24(1), 42-53.
8. ^ Seah, C. W., Chieu, H. L., Chai, K. M. A., Teow, L. N., & Yeong, L. W. (2015, July). Troll detection by domain-adapting sentiment analysis. In 2015 18th International Conference on Information Fusion (Fusion) (pp. 792-799). IEEE.