Broadcast Versus Viral Spreading: The Structure of Diffusion Cascades and Selective Sharing on Social Media 

書名（以學術體例詳填資料，網路來源提供超連結及檢索日）：

Liang, H. (2018). Broadcast Versus Viral Spreading: The Structure of Diffusion Cascades and Selective Sharing on Social Media. Journal of Communication.

導讀者：卓菁莪                              

原作摘要：

在社群媒體上分享跨意識形態訊息使人們暴露於政治多樣性，同時為社會帶來一些好處，本研究認為，政治資訊的傳播模式可以影響選擇性共享的程度。本研究使用來自Twitter的大規模擴散數據集，發現通過多個步驟傳播的訊息更可能涉及跨思想的共享；此外，研究發現，這種積極的關係是由共享者與消息發起者之間的距離以及共享者之間的聯繫數量所抑制的。整體來說，研究發現與廣播模式相比之下，病毒擴散模型增加了跨意識形態共享的可能性，從而增加了社群媒體上的政治多樣性。

重點整理：

一、背景介紹

1. 社交媒體的迅速發展使得選擇性曝光（例如用戶之間的分眾、極化、回聲室和過濾氣泡）的現象比以往更加複雜。

2. 接觸不同觀點取決於個人社群網絡在社群媒體平台上共享的內容。

3. 選擇性暴露和選擇性分享是兩個不同的概念：前者涉及個人層面的概念、訊息選擇及其對個人心理過程的影響，例如增加意見的極化或政治參與；後者則涉及個人選擇融入社會過程的社會層面概念。而在社群媒體上，選擇性暴露的社會影響層面取決於用戶社群網絡中的選擇性共享程度。

4. 過去研究較少關注選擇性分享所涉及的擴散模式結構和社會過程。

5. 本研究旨在通過實證研究檢驗傳播模式與人們進行選擇性分享之間的關係。

二、文獻回顧

（一）選擇性暴露和選擇性分享

1. 選擇性暴露和選擇性分享是兩個緊密相關的概念，但卻由不同的動機驅動。

2. 選擇性分享是一種社會行為，指個人傾向於選擇性地分享資訊，同時涉及個人的身份表達、管理，以及形象策畫。

3. 產生資訊態度一致性偏好的原因可能來自於個人有動機的減少資訊不一致的認知失調，進而涉及選擇性暴露和分享。

4. 選擇性暴露是個人層面的選擇，而選擇性分享擇可藉由在社群媒體上傳播特定資訊來連接和加強這些選擇；因此，選擇性分享可視為選擇性暴露的補充過程（complementary process）。

5. 選擇性暴露和分享對民主過程的影響也不同，前者的影響是一種接受者效應（reception effect），而後者的影響是一種發送者效應（sender effect）。

（二）廣播與病毒式擴散

1. 不同的傳播模型影響出不同的選擇性分享行為。

2. 社群媒體上多為病毒式的傳播模式。

3. 隨著時間的推進，越來越多的人支持原始訊息的人可能會感受到更加同溫層的觀點，從而增加他們自己的分享可能性；此外，較晚閱讀到資訊的人可能會多次接觸內容，因此更有可能分享內容。

H1：跨意識形態分享的概率隨著時間的推進而減少。

4. 社群媒體上的傳播可能發生在與該社群有良好關係的用戶之間，且政治意識形態或其他屬性方面具有同質性；因此，級聯深度與跨意識形態共享的概率負相關。但基於潛在的社會網絡結構，級聯深度與跨意識形態共享之間的關係也可能是積極的：更大的級聯深度可能會增加共享者來自不同社區的概率，因此可能會增加跨意識形態共享的可能性。

RQ：跨意識形態分享之概率和資訊散佈之深度間的關係為何？

5. 分享者之間的連通性和分享者與種子用戶之間的距離，被視為社群結構的指標：如果分享者與擴散級聯中的其他分享者的聯繫較少，那麼分享者更可能來自不同的社群，而如果所有分享者彼此之間沒有聯繫，那麼他們很可能來自多個不同的社群。在這種情況下，本文期待跨意識形態分享的比例更大。而與種子用戶的距離也被用來作為跨社群傳播與否的依據。

6. 雖然分享者之間的連通性和分享者與種子用戶之間的距離表明擴散級聯中存在社群結構，但種子用戶與深層分享者之間缺乏直接聯繫可以促進跨意識形態的分享。

H2：跨意識形態分享概率和級聯深度（a）之間的關係被級聯內的用戶連通性所抑制，以及（b）由是追蹤種子用戶的共享者所中介。

三、方法

（一）數據蒐集

從Govtrack.us網站（https://www.govtrack.us/developers/data）獲得有Twitter帳號的國會成員名單，該名單包括所有現任和前任國會成員。透過Twitter的Timeline API蒐集他們在2016年12月之前發布的推文；此研究從445名國會代表和參議員那裡獲得了1,081,787條推文，78％（845,850）是原始貼文。

為了調查擴散模式，研究進一步排除了轉發次數少於5次（67.5％）或超過1,000次轉發（0.4％）的原始推文。過濾出較少分享的推文是因為其擴散級聯太少；過濾出非常受歡迎的推文是排除極端且不適合發現資訊傳播模式的情況。剩下的271,779條推文則為本研究樣本（超過8億次的轉發）。由於Twitter的技術限制，收集所有這些轉發將非常耗時，因此隨機抽取近70,000條原始推文用於下一步研究。

由於API僅提供每條原始推文最近100次轉發，因此本研究從商業數據分析平台Crimson Hexagon（https://www.crimsonhexagon.com/）獲得轉發，該轉發可以按關鍵字提供所有轉發ID搜索（例如@username）。最終，數據集包含942,395次轉發（來自337名國會成員發布的44,747條原始推文），其中共有297,566位Twitter用戶參與。除了蒐集轉發內容之外，還包括轉發者的用戶名，這項研究還收集了所有轉發者追蹤的Twitter朋友。

（二）測量

1.擴散級聯

第一項任務是重建國會成員發布的原始推文的擴散路徑，但在Twitter上追踪這些路徑在技術上很困難，因為Twitter的API僅返回最初發布推文的用戶，而不是轉發者直接轉發的用戶。為了解決這個問題，研究需要找到擴散路徑中的中介，然後重構擴散級聯，將帶有時間戳記的轉發者列表（A）轉換為擴散級聯（B）（R code可在線獲取https://github.com/rainfireliang/RetweetingPaths），根據該算法，研究從337名民選官員發布的44,747條原始推文中，識別出940,290個轉發案例。

2.跨意識形態分享

藉由比較擴散中相鄰參與者之間的意識形態差異，來衡量跨意識形態分享。例如，如果用戶A（傾向左派）轉發來自用戶B（傾向右派）的消息，那麼即符合跨意識形態分享的情況；如果轉發者來自同一個意識形態群體，則它被歸類為內部意識形態分享情況。本研究將跨意識形態分享編碼為1，內部意識形態分享為0。然而，在此之前，必須確定擴散級聯中所有297,566位轉發者的意識形態偏好。

3.意識形態立場

意識形態立場使用由Barberá（2015）開發的R package“tweetscores”進行估算，選擇這種方法是因為其假定用戶更願意遵守政治觀點與他們自己的意識形態相似的民選官員社群媒體帳號。基於這個假設，Barberá（2015）開發了一個統計模型，同時估計政治精英和普通Twitter用戶的定位。初始模型已經通過官員黨派和普通用戶的競選捐助記錄進行了驗證，其結果得分是一個連續變量（平均值= 0）。目前的研究將變量分為左（<0）和右（> 0）傾向。在本研究的數據集中，337名議員中有167名民主黨員，其中161人（96.4％）被列為左派；在169名共和黨員人中，158人（93.5％）被列為右派。對於其他參與者，左派為169,426（56.9％），右派為102,483（34.4％）。

（三）資料分析

本數據即為多層次，包含轉推、推文、種子用戶。因此，採用多階層分析來對種子用戶推文中的跨意識形態分享概率進行建模是合適的。為了檢驗對多層次數據的中介效應，採用了結構方程模型的多層次中介模型（Hayes，2013）。本研究估計了隨機截距（固定斜率）多層次中介模型，其中所有變量都是在第一個（轉推）層次上測量的。本研究根據以下關係估計了政治意識形態和傳播途徑；為了檢驗研究結果的穩固性，研究將2016年的擴散級聯按月分為12個子數據集，然後對每個子集進行多級中介分析。

四、結果

（一）敘述性統計

在940,290轉發中，83.2％直接從種子用戶轉發。平均而言，數據中典型擴散級聯的深度小於2（M = 1.23，Mdn = 1，SD = .76，Max = 48）。在資訊級聯中，33.5％的深度為1，79.0％的深度為2以下，93.2％的深度為3以下。儘管達到的最大深度為48，但只有非常少的推文（0.6％）大於6。就病毒式和廣播式模式的區別而言，國會成員發布的大部分原始推文為廣播式傳播。

主要是選擇性分享：84.3％的轉發發生在具有相同意識形態的用戶之間。 然而，跨意識形態分享的比例很高（11.0％），而4.7％的轉發涉及中性或不可識別的用戶。由於本研究主要側重於轉發與意識形態偏好有關的模式，因此本研究去除中性或不可識別的用戶（N = 895,257）。在新數據集中，跨意識形態分享的總體比例為11.6％，當中超過一半由左派用戶（54.0％）發布。然而，右派用戶更比起相對左派用戶，更傾向分享跨越意識形態的訊息（12.2％ vs. 11.1％，χ2= 243.63，p <0.01）。

此外，跨意識形態轉推的比例也取決於轉推的時間順序和級聯深度。根據圖3A，後來的轉發不太可能是跨意識形態的。由於按照定義，時間順序包括轉推的總次數，因此圖3A也意味著轉推次數更多的推文，更具有思想上的同質性。根據圖3B，跨意識形態的比例通常隨著級聯深度而增加，並且在第7層達到最大值26.4％，之後下降。然而，少數級聯的深度超過七級（0.1％），因此這些百分比具有非常大的標準誤差。

（二）假設檢定

H1：

根據表中的模型III，級聯深度對跨意識形態推送的直接影響是正值（B = .040，p <.01,95％CI [.032，.047]），表示增加了一個額外的擴散級聯中的一步增加了跨意識形態分享的概率約1％。深度的總效應為.051（p <0.05，95％CI [.044，.059]）。關於研究問題，描述性和推論性統計數據表明，級聯深度增加了整體意識形態分享的可能性。

如H1所預期，時間對跨意識形態轉推的直接影響為負（B = -.082，p <0.01，95％CI [-.086，-0.077]），表示較晚轉發的用戶比起較早轉推的用戶，更有可能來自同一個意識形態群。如果該轉推是經發布再一次轉推，下一次轉推的跨意識形態的概率減少2％。時間順序對跨意識形態分享概率的總效應小於直接效應（B = -0.042，p <0.01,95％CI [-.046，-0.038]），H1成立。

H2：

首先，較深層次的轉發者更可能是與級聯中所有其他轉發者緊密相連的用戶（B = .157，p <.01,95％CI [.154，.159]），以及那些沒有追蹤種子用戶的人（B = -.354，p <.01，95％CI [-.360，-.347]）。此外，與其他轉發者關係密切的用戶不太願意轉發跨意識形態訊息（B = -.278，p <.01,95％CI [-.287，-.268]），追蹤種子用戶的用戶也不太可能轉發交叉意識形態消息（B = -.154，p <.01，95％CI [-.161，-147]）。

其次，由追蹤看級聯深度對跨意識形態分享的間接影響為正相關（B = .054，p <.01,95％CI [.052，.057]），由連結性看級聯深度對跨意識形態分享的間接影響則為負值（B = -.044，p <0.01，95％CI [-.045，-0.042]），表示為抑制作用。深度的總效應（B = .051，p <.01，95％CI [.044，.059]）是直接效應（.040）、追蹤的中介效應（.054）和通過連通性的抑制效果（-.044）相加所得。當控制連通性時，跨意識形態分享的深度總效應變得更強（B = .040 + .054 = .094）。跨意識形態分享的概率在級聯深度的每個額外階層中增加2.3％。表中的調解參數表明該作用的57.5％（95％CI [52.2％，63.4％]）由追蹤所中介。抑制效果則顯示在不考慮連通性的情況下，總效果減少45.9％（即，從.094到.051），因此H2成立。

另外，上表也顯示時序與跨意識形態分享之間的負相關關係由連通性（6.6％）調節，並受到種子用戶（51.7％）的抑制。這些發現指出，轉發的時序和級聯深度以不同方式影響了跨意識形態分享的可能性。最後，為了測試數據收集時間（隨網絡發展而變化）對上述發現的影響，附錄中報告了2016年12個子數據集的估計間接和總體影響，所有間接深度影響都是顯著的，進一步證實了H2。

五、討論

（一）選擇性分享是傳播政治信息的主要機制，個人更傾向於分享他們意識形態相近的貼文或轉發消息；但跨意識形態分享仍佔很大比例。

（二）研究發現，級聯深度是病毒擴散的主要指標，與跨意識形態分享可能性具正相關。這意味著，如果級聯更多地分散多層，預期跨意識形態分享的比例會更大。但本研究亦發現，轉發的時間順序與跨意識形態分享的可能性負相關，因為用戶可能會在轉推之前根據現有轉推數來評估觀點氛圍。

（三）真正的病毒式擴散級聯可能由來自密集連接社群的共享者組成，其成員不直接追蹤種子用戶；成功的病毒傳播需要共享者彼此之間的良好關係。由於這些分享者距離種子用戶較遠，他們更可能從相反的觀點轉發消息。

（四）研究認為，病毒模型比廣播模型導致更多的跨意識形態分享。但也指出，這些關係可能只適用於政治精英分享訊息上，普通用戶的推文可能只會被他們的親密朋友大部分轉推。

（六）根據目前的研究，病毒擴散模型可以增加跨意識形態分享，這反過來可以藉由網絡中的擴散增加多樣性的暴露。然而，現實中大多數社群媒體消息都是在廣播模式之後傳播的；真正的病毒式傳播卻很少見。

（七）從現有研究指出，廣播模式在同質背景的群體中，可有效廣泛傳播訊息；另一方面，病毒擴散模型則可將訊息廣泛地散佈給不同背景的個體。從上述來看，可嘗試以廣播模式於現有受眾和病毒模型以吸引新受眾。

（八）研究限制和未來方向

1. 本研究雖基於Twitter轉推功能，構建了完整的特定訊息級聯，但這並不意味著這些級聯是完全完整的。

2. 擴散路徑的估計不可避免地會出現錯誤，特別是當用戶面臨多次轉發時。不同的估算方法會影響級聯深度的估算。

3 本研究進行選擇性分享的結構性解釋，級聯深度與選擇性分享程度之間的關係。未來的研究可加入此現象的心理學層面解釋。此外，雖然本研究已經注意到選擇性暴露與選擇性分享和導致社會的動態過程（如回聲室和過濾氣泡）之間的關係，但沒有提供這方面的任何直接證據。未來可在此部分進行實證研究。

六、結論

雖然廣播模式（一對多）和選擇性分享在網路上資訊傳播中仍占主導地位，但目前的研究表明，病毒傳播（個人對個人）可以降低選擇性共享的程度，從而增加整體多樣性分享者和潛在受眾。這意味著人與人之間的傳播可能涉及比廣播模式更多元化的參與者和受眾。但是，這種影響可能以社群網絡結構為條件：連接良好的網絡中的個人可能會創建長鏈級聯；在這種情況下，級聯深度對通過連通性進行選擇性分享的積極作用，可能會比通過發起者與共享者之間的社會距離產生的負面影響更強。儘管如此，這項研究清楚地表明，傳播模式的結構可以影響選擇性分享的程度和受眾多樣性。