在一次监控录像中，镜头上的音频异常清晰可辨。当警方在比萨店搜查一名曾在客厅开枪的男子时，警官询问他在那里的原因。男子回答称自己在调查一个恋童癖团伙。面对令人难以置信的说辞，警官再次追问，而另一名警官则提到“Pizzagate”，他是在谈论阴谋论“Pizzagate”。
在2016年那段短暂而令人毛骨悚然的互动中，显而易见，长久以来被视为边缘的阴谋理论以一种极端危险的方式闯入了现实生活。
这些可能引发严重后果的阴谋论在社交媒体上广泛流传。由于平台缺乏限制，志趣相投的人们得以自由交流，发展自己的理论，甚至制定应对所谓“威胁”的策略。
那么，如何判定这些新兴叙述是否纯属无根据的阴谋论呢？事实证明，可以借助机器学习技术，通过分析故事中的元素和联系，识别出阴谋论的特征。这些技术可以作为预警机制，提醒相关部门注意那些可能危及现实的线上内容。
由我和Vwani RoychowdhuRy共同领导的加州大学文化分析团队，开发出一种自动检测社交媒体对话中阴谋倾向的方法。我们已成功应用这些技术分析了“Pizzagate”、新冠疫情以及反疫苗运动中的相关讨论。
真正的阴谋论是刻意隐藏的，通常由一些人联合作为恶意目的的工具。而阴谋理论则是公众合作构建、不断演变的集体叙事。
阴谋论具有复杂的结构，反映了一种全面的世界观。它们不仅试图解释单一事件，而是试图解释所有事物，寻找隐藏在人类互动之中的联系——而实际上，这些联系大多是虚构的。
人类天生易受阴谋论影响。在不确定时期和焦虑加剧时，这种倾向尤为明显。
虽然传统上阴谋论被描绘成孤立的个体拼凑出荒诞联系，但在社交媒体时代，这一模式已发生改变。阴谋论已成为网络上的集体叙事，参与者共同设定故事中的人物、地点和关系。在线环境为研究者提供了宝贵的机会，可以追溯这些理论从零散谣言到完整叙述的演变过程。在我们的研究中，Pizzagate是一个典型例子。
Pizzagate的起源可以追溯到2016年10月大选前夕，在一个月内迅速成型。它从一系列看似无关的领域抽取了人物和角色：美国政治、Podesta兄弟的私生活、家庭聚餐以及撒旦恋童癖交易。这些看似毫无关联的领域之间，被“阴谋”串联成一条故事线，源于对WikiLeaks在2016年10月泄露的民主党电子邮件的扭曲解释。
我们开发了一套机器学习工具，用以识别社交媒体中的阴谋叙述。该系统分析大量数据，识别出故事中的人物、地点和事件，判断它们之间的联系，从而绘制出完整的叙事框架。我们分析了2016年4月至2018年2月间在Reddit和4chan上的17498条关于Pizzagate的帖子。该模型将每个帖子视为故事碎片，逐步揭示出整体叙事结构。通过比较模型生成的故事框架与《纽约时报》上发布的插图，我们验证了其准确性，发现两者高度一致，并详细揭示了故事中的关键人物和关系。
为了验证模型的有效性，我们还以“Bridgegate”事件为例，进行对比分析。Bridgegate涉及克里斯蒂政府对新泽西州李堡市一名官员的政治打击，而Pizzagate的叙事模型在短时间内迅速稳定，并在2013年至2020年间持续演变。相比之下，Pizzagate的叙事框架更为脆弱，易于被拆解。当我们移除与WikiLeaks电子邮件相关的核心元素后，故事便被分解为不同的领域：政治、休闲餐饮、私生活和奇异世界等。
在下图中，绿色区域代表主要叙事层，点为故事元素，蓝线连接元素，红线显示元素之间的关系。紫色区域代表所有元素的组合，展示了不同层次的连接。删除“WikiLeaks”层后，故事变得更加碎片化，主要联系仅在小组内存在。
Pizzagate的多层叙事共同构建了一个复杂的故事框架。当删除其中一层——比如“WikiLeaks”发布的电子邮件解释——整个故事便会散布到其他层面，形成不同的叙事角度。
这些研究同时也引发了伦理上的思考。我们的工具可能被用来生成更多阴谋论的帖子，甚至被用来设计新的阴谋故事。这种“叙事武器化”已在没有自动化工具的情况下悄然发生。学界可以帮助公众理解这种现象，并开发应对手段，保护社会的安全与民主制度。
建立阴谋叙事的追踪预警系统，将帮助研究人员和执法机构及时识别和应对潜在的威胁。当有人问为何枪手携带AR-15步枪闯入比萨店时，相关人员或许就不会被荒谬的阴谋论所迷惑了。 [[[IMG_1]]] [[[IMG_2]]] [[[IMG_3]]] [[[IMG_4]]] [[[IMG_5]]] [[[IMG_6]]] [[[IMG_7]]] [[[IMG_8]]] [[[IMG_9]]] [[[IMG_10]]] [[[IMG_11]]] [[[IMG_12]]]
