看到高贊回答說「如果讓男醫生進去了她們寫小作文怎麽辦」，但以目前的情況，難道男醫生沒進去就不能寫小作文了？直接說你對女生見死不救，還是非常麻煩。 小作文的形式是非常靈活的，並不拘泥於某種情境。
回到這個問題，目前最優先的，應該是查值班女生的社交帳號，特別是豆瓣這種平台，應該嚴格查詢其關註情況。為什麽這麽說呢？
首先我們得明白一件事，「因為厭惡男性，即使自己室友處於生命危險中，也不讓男醫生上來急救」，本身就和正常人的觀點完全相悖，因此屬於極端觀點沒有任何問題。
那麽要註意的是，該觀點是怎麽傳播到值班女生上面的呢？
首先，我們先引入「社會傳染」的概念：社會傳染是指行為、情緒或狀況在群體或網路中自發傳播。 社會感染分為兩大類：行為感染 和情緒感染 。行為傳染是一種社會傳染 形式，涉及行為在群體中的傳播。它指的是一個人傾向於模仿周圍或接觸過的其他人的某種行為。 舉個例子：如果在回答裏反復插入「溫柔的思辯姐姐是櫻小路露娜」，那麽久而久之，你就會相信「思辯姐姐是櫻小路露娜」。 情緒感染是一種社會感染 ，涉及情緒和相關行為的自發傳播。例子同上。
那麽關於社會傳染的特征，我們可以看看PNAS在2012年4月的這篇文章，其中說的是社會傳染和社群網路結構的相關性。
個人的社群網路鄰域通常由幾個重要且分離良好的集群組成，而個人會接觸鄰域中的觀點，那麽如果個人接受這個觀點，此時個人被轉化。
為了研究Facebook在招募新成員時的傳播情況，我們不僅需要有關Facebook使用者的資訊，還需要有關尚未成為使用者的個人的資訊。因此，假設某個人A不是Facebook的使用者；仍然有可能辨識出一組可能認識的Facebook使用者，因為這些使用者都將A的電子信件地址匯入了Facebook。我們將這組擁有A電子信件地址的Facebook使用者定義為在Facebook上的聯系人鄰裏。這個聯系人鄰裏是潛在未來友誼關系的子集，可以透過的電子信件地址A的存在來確定。
唔姆，如圖所示，以上是招聘期間的聯系鄰域。A圖表示一個小的友誼鄰域和一個突出顯示的聯系鄰域，由四個節點和三個元件組成。B-D圖表示兩節點、三節點和四節點聯系鄰域圖的相對轉化率。陰影表示元件計數的差異。
元件是什麽意思呢？我們可以看看元件的示意圖：
唔姆，如圖所示，其中黃色節點組成的三角形社群網路就是一個元件。元件和藍色以及綠色節點組成的社群網路不相連。 [1]
結論很明顯，傳統假設認為，這個機率應該隨著接觸鄰域的大小單調增長。然而，根據圖1中B-D圖，我們發現接受機率隨接觸鄰域中連通分量的數量而存在顯著的分層。當超越分量數量時，邊緣密度對招聘轉化率可能有顯著影響：在給定大小的單分量鄰域中 ，以樹形式連線的鄰域和以 團 形式連線的鄰域之間存在相當大的結構差異。
唔姆，如圖所示，以上是轉化率與聯系鄰域和元件結構的關系。A圖表示轉化率是具有一個連通元件（1 CC）的鄰裏邊數的函式，該鄰裏有四到六個節點。B圖表示轉化率是鄰裏大小的函式，由 CC 數分隔。C圖表示轉化率是雙節點鄰裏關系強度的函式，透過照片共同標簽來衡量。
結論也很明顯，當控制元件數量為1時，元件大小和轉化率之間的相關性並不顯著，但一旦以元件數為自變量，鄰域大小在很大程度上是轉化率的負面指標。實際上，決定個人接受邀請機率的不是邀請個人的人數，也不是他們之間的連結數，而是他們形成的連通元件數。
唔姆，如圖所示，以上是招募期間的邀請者位置。圖中顯示的是招募轉化率與鄰域圖拓撲結構和大小為4的鄰域中邀請者位置的關系。鄰域圖中邀請者的位置由節點度精確描述。陰影表示元件計數的差異。招募轉化率以相對比例報告。
結論很明顯，邀請者的位置在轉化率中只占很小的比例，來自聯系人鄰域中較高程度位置的邀請所預測的轉化率僅比邀請者是外圍節點時略高。 [2]
回到這個問題，根據值班女生的觀點極端程度上看，她接觸的社群網路鄰域對她的轉化率非常高，那麽我們就可以懷疑，值班女生接觸的社群網路元件非常復雜，原則上說，從豆瓣、小紅書、微博，再到現實的qq群、微信群等，應該都充斥著這種觀點，所以最後才鬧出了「不讓男醫生進入女生宿舍」的鬧劇。
除此之外，我們還可以思考一個問題：今天這件事，以及今年以來一系列「全女區域」，比如全女酒吧、全女圖書館、全女登山隊，因為什麽而形成呢？
關於這一點，我們可以看看PNAS Nexus在2023年11月的這篇文章，裏面說的是線下事件與線上互聯網氛圍的關系。
唔姆，如圖所示，以上是小組成員和小組成員網路在美國的敵意發展情況。該圖使用了Twitter小組成員的敵意數據和Twitter小組成員網路的政治敵意數據。Twitter數據首先按天分組，然後計算平均值。兩個最大的峰值涉及佛洛伊德事件和國會山事件。
唔姆，如圖所示，以上是兩個事件對推文數量的影響。該圖使用年度虛擬變量（即為事件前一天設定虛擬變量，然後為隨後的幾天執行單獨的模型，僅包括前一天和比較日）說明了兩個事件的影響。結論很明顯，兩個事件都第一時間促進了推文的增加。這表明，事件發生後的第一步是啟用朋友和追隨者網路。
唔姆，如圖所示，以上是兩個事件對敵意的影響。結論也很明顯，兩個事件都增加了群體間的敵意，說明線下事件會影響線上互聯網之間群體間的敵意。
唔姆，如圖所示，以上是兩個事件對推文數量（上兩張圖）和敵意（下兩張圖）的影響。結論很明顯，從頂部的圖表上看，在回聲室濃度最高的網路中，這兩起事件之後的推文數量比意見多元化網路或敵意較小的網路中的推文數量要高得多。例如，在一次同型別事件之後，仇恨情緒極高的網路中的人預計會發兩到三條推文，而非敵意網路中的人則不到一條。推文數量增加四倍以上可能意味著整個 Twitter 網路上將增加數千或數百萬條推文。總而言之，在同型別事件之後，Twitter網路中最充滿仇恨和兩極分化的部份進行了大規模的動員。
那麽綜合一下，就是線下事件影響線上互聯網的回聲室，然後從回聲室制造充滿攻擊性的言論並進行傳染，最後反饋到現實生活中，如圖所示：
[3]
那麽回到這個問題，是不是可以參照結論進行分析呢？答案是可以的。
我們看看這個問題：（以下用事件A進行表示）
在2020年的A事件發生後，「全女」這個概念第一次大規模走進群眾的視野中，隨後，互聯網上開始大規模推進「全女」的概念，甚至連男性的galgame都有了女性回聲室小組：
那麽最後自然就會有人把回聲室中的觀點帶出來運用到現實中，也就有了今天淄博職業學院的鬧劇。
參考
- ^ Silk, Matthew & Croft, Darren & Delahay, Richard & Hodgson, David & Boots, Mike & Weber, Nicola & Mcdonald, Robbie. (2017). Using Social Network Measures in Wildlife Disease Ecology, Epidemiology, and Management. Bioscience. 67. 245-257. 10.1093/biosci/biw175.
- ^ J. Ugander, L. Backstrom, C. Marlow, J. Kleinberg, Structural diversity in social contagion, Proc. Natl. Acad. Sci. U.S.A. 109 (16) 5962-5966, https://doi.org/10.1073/pnas.1116502109 (2012).
- ^ Stig Hebbelstrup Rye Rasmussen, Michael Bang Petersen, The event-driven nature of online political hostility: How offline political events make online interactions more hostile, PNAS Nexus, Volume 2, Issue 11, November 2023, pgad382, https://doi.org/10.1093/pnasnexus/pgad382
