19、网络空间中的说服与顺从:解析社交影响的奥秘

网络空间中的说服与顺从:解析社交影响的奥秘

在当今信息爆炸的时代,我们每天都会受到各种信息的轰炸,这些信息试图影响我们的态度、思想和行为。从社交媒体上的网红推荐,到广告中的各种宣传,我们无时无刻不处于被说服的环境中。那么,这些说服和顺从的背后究竟隐藏着怎样的心理机制呢?本文将深入探讨社交影响的不同过程,包括顺从、服从和从众,并分析其中的原理和技巧。

社交影响的类型

社交影响主要有两种类型:信息性影响和规范性影响。信息性影响是指我们因为认为他人的观点是正确的,从而认同他们的说法,这种影响诉诸于我们的理性。而规范性影响则是我们为了融入某个群体,获得他人的认可或受到社会压力而接受某种观点,它诉诸于我们的情感。例如,在线零售网站上的推荐、评论和评分等线索,可能会通过规范性影响来影响我们的购买决策。

社交影响主要有以下三种不同的过程:
1. 顺从 :这是对直接请求做出的外在或明显的行为改变。当受到外部群体的影响时也可能发生顺从,但个人的实际态度并没有改变,只是行为发生了调整。
2. 服从 :指遵从权威人物的意愿。
3. 从众 :由于压力导致的态度改变。这种压力可以来自朋友(同伴压力)或所属的群体(群体规范)。

顺从的原理与技巧

顺从是对请求做出的特定回应(同意)。请求可以是直接的,如寻求帮助或金钱;也可以是隐含的,如政治广告中宣传候选人的品质但不直接要求投票。Cialdini(2021)确定了六个原则,使我们更有可能顺从外部来源的请求:
1. 互惠原则 :人

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值