Кратко — современные теории объясняют конформность и групповое мышление при распространении дезинформации через сочетание психологических механизмов (информационное и нормативное влияние, мотивационное подтверждение), групповой идентичности и структурных/алгоритмических свойств сетей (гомофилия, эхо‑камеры, усиление алгоритмом). Развернуто по пунктам с примерами и простыми моделями:
1. Информационное и нормативное влияние
- Информационное: люди принимают сообщение за правду, если видят, что многие вокруг им верят — «социальное доказательство». На сетях это проявляется как вирусная репостная волна.
- Нормативное: люди делятся/молчат, чтобы соответствовать нормам группы (получить одобрение, избежать отторжения). Это усиливает публичное согласие даже при сомнениях (плюралистическое неведение).
2. Социальная идентичность и мотивированное мышление
- Принадлежность к группе делает оценки и поведение более конформными: информация совместима с идентичностью принимается быстрее.
- Мотивационное подтверждение (confirmation bias): люди отдают предпочтение аргументам, подтверждающим их группу, и отвергают факты, которые им противоречат.
3. Групповая поляризация и групповое мышление
- Дискуссия внутри однородной группы сдвигает мнение в более крайнее направление (group polarization).
- «Групповое мышление» в современных терминах рассматривают как результат сетевой изоляции, отсутствия инакомыслия и давления конформности (самоцензура, иллюзия единства).
4. Сетевые и алгоритмические механизмы (формальные модели)
- Пороговая модель (Granovetter): индивид $i$ принимает (делится) информацией, если доля соседей, которые уже приняли, превышает его порог $t_i$:
$$\frac{{\sum }_j{a}_{ij}{x}_j}{{\sum }_j{a}_{ij}}\ge t_i,$$ где $a_{ij}$ — связь, $x_j\in \{0,1\}$ — принятие соседа.
- Модель усреднения (DeGroot): убеждение обновляется как взвешенное среднее убеждений соседей:
$$b_i^{t+1}=\sum _j{w}_{ij}{b}_j^t,$$ что ведёт к сходимости к общему мнению в плотных кластерах (эхо‑камеры).
- Простая модель накопления экспозиций: если каждая экспозиция независима с вероятностью $p$ убедить, то вероятность принятия после $k$ экспозиций
$$P(\text{принять}|k)=1-(1-p{)}^k,$$ поэтому алгоритмическое повторное показание сильно повышает шанс принятия.
5. Каскады и информационные «водопады»
- Если публичные сигналы (поведение других) сильнее частной информации, формируется информационная каскада: индивиды начинают копировать поведение, даже если их личная информация противоречит. Это объясняет быстрые массовые распространения ложных нарративов.
6. Психология с быстрыми эвристиками
- Двуязычная (dual‑process) перспектива: автоматические эвристики (скорость, эмотивность, знакомые источники) приводят к быстрому распространению, аналитическое мышление часто не включается. Доверие к «встретившемуся» контенту повышается при высокой когнитивной доступности.
7. Алгоритмическое усиление и структурная гетерогенность
- Рекомендательные алгоритмы и структуры с высокой кластерностью усиливают локальные согласия и увеличивают видимость уже популярных сообщений, что повышает нормативное и информационное давление.
Последствия для распространения дезинформации (кратко)
- Малые кластерные группы могут инициировать локальные каскады, которые алгоритм затем расширяет.
- Даже если значительная доля людей приватно сомневается, публичное поведение может имитировать единство (плюралистическое неведение), что затрудняет опровержение.
Коротко о вмешательствах (из выводов теорий)
- Повышать межгрупповую экспозицию и критическое мышление; усиливать сигналы о качестве источника; встраивать «трение» (задержки, пометки) для повторных показов; стимулировать публичное выражение плюрализма мнений (уменьшает иллюзию единства).
Если нужно, могу привести конкретную иллюстрацию модели каскада или симуляцию пороговой модели для типичной сети.