网络传播模拟（Granovetter 阈值模型）

关于 Granovetter 阈值模型

1978年，Mark Granovetter 提出了集体行为的阈值模型：每个个体 i 拥有一个个人阈值 phi_i，当已激活邻居的比例超过 phi_i 时，该个体才会采取行动。与感染概率均匀的流行病模型不同，阈值模型强调异质性——即使阈值分布的微小差异也可能导致截然不同的结果，从完全停滞到全面级联。

阈值分布决定了传播结果的走向。均匀分布下，传播过程是渐进且可预测的。双峰分布（许多易受影响的人和许多坚守者）会创造一个明确的「临界点」——一旦足够的早期采纳者被激活，突然的级联将席卷低阈值人群。幂律分布的阈值意味着大多数人很容易受到影响，只有少数人抵抗，从而在大多数人群中实现快速采纳。

网络拓扑结构决定了影响力的流动方式。随机网络（ER）产生可预测的、平均化的传播。小世界网络（WS）具有捷径，允许传播在遥远的集群之间跳跃。无标度网络（BA）拥有大量连接的枢纽节点——这些超级传播者可以在单一步骤中激活网络的很大一部分，但也带来了脆弱性：移除枢纽可以完全阻止级联。

选择网络类型，调整节点数量和平均度，选择阈值分布，设置初始激活比例。点击「重置」创建新网络，然后使用「播放/单步」观察传播过程。采纳曲线追踪每个时间步的网络激活比例。尝试5个预设场景，观察不同组合如何导致「全有或全无」的结果——某些设置产生全面级联，而另一些则很快停滞。