Not all emotions are created equal: Expressive behavior of the networked public on China’s social media site

書名（以學術體例詳填資料，網路來源提供超連結及檢索日）：

Song, Y., Dai, X.-Y., & Wang, J. (2016). Not all emotions are created equal: Expressive behavior of the networked public on China’s social media site. Computers in Human Behavior, 60, 525–533. https://doi.org/10.1016/j.chb.2016.02.086

導讀者：黃幀昕

原作摘要：

    本研究考察了中國社交媒體用戶的線上表達行為。特別是，我們把以機器學習為基礎的文本分析和社會網絡分析相結合，對微博上關於食品安全議題的政治表達進行內容和結構上的分析。結果發現，微博空間並不能為認真的公共討論提供一個有效的平臺，因為人們在微博上的討論總是以情緒為主導的。我們進一步對手動編碼的樣本進行統計分析，發現情緒性的討論比理性的討論更能影響收受眾，並且不同的情緒（如生氣、恐懼、悲傷等）具有不同的影響效果，一個發文者發推的影響力也與推文本身帶有的情緒有關。我們由此得出結論，相對於把此類線上公民討論的行為當成一種（實現特定目標的）交流工具，人們更加強調表達自身的情緒性感受。

一、簡介

    社交媒體顯著降低了公民政治參與的門檻。目前為止，關於中國的社交媒體與政治參與的研究已有不少。有學者認為近年來中國的網絡審查技術在不斷進步（Kang, Pan, & Roberts），但是於此同時，中國國內社交媒體的發展也提升了中國公民對於民主的認識。有不少學者都注意到中國近年來伴隨著社交媒體而產生的大規模批評和抗議活動，但是目前還很少有學術研究關注中國社交媒體平臺上的討論內容和目的。

    本研究將目光聚集于中國的微博上，雖然微博在很大程度上遭遇了當局監控和審查，但是在一些議題上仍然有相對開放的討論空間。例如在食品安全議題上，微博上就會經常出現大量的情緒表達，以及對於政府政策的批評。近年來多個食品安全相關議題引起公眾對於政府的抗議。很多健康與食品之外的社會、政治、民族議題也在這些抗議中被提及。因此，本研究認為微博上關於食品安全的討論有助于我們理解中國語境下的政治表達。有很多研究已經注意到了中國的線上政治討論通常只是在進行一種表達行為，並沒有實質性的行動動員和具體目標。我們提出一種表達性理性（expressive rationality）來描述這種公民參與的行為。

二、文獻綜述

1、社交媒體使用中的表達性理性

    政治傳播領域的研究者總是傾向于把數位媒體當成一種實現既定目標的工具，例如facebook和twitter被當成一種傳統媒介的替代性工具被用來進行政治說服工作。以哈貝馬斯的交往理性來看，互聯網應該被看作是一種促成平等交流的理想媒介，它能夠促成理性討論，從而達成共識。但是事實上，悲觀主義者指出，網絡上充斥著大量的情感發洩和謠言（Sunstein，2002），理性討論很難達成。Marichal’s( 2013 )對facebook上的一些政治社群的發帖內容進行內容分析，發現多數表達都只是在傳達意願與自我認同。

    Svensson（2011）提出要建立一種新的概念來描述線上表達的行為。他指出線上表達的行為植根于個人的生活實踐當中，社交媒體使用得越多，傳統的集體行動就越有可能被個人化的表達性行動所取代。這表明，任何關於線上政治討論的分析，都必須要關注情緒表達，應該把情緒表達當成公共傳播的一部分，而不僅僅是用哈被馬斯的理論來解釋。

    社交媒體讓用戶有更多的機會去討論社會議題，並讓用戶得以通過分享個人經驗和態度來建立情緒上的連結（Bennet, 2012）。這種分享是一種客觀的現象，但是它使得情緒表達從私人領域擴散到公共領域當中。感性和理性雖然是一種傳統的兩分法，但是感性情緒同時也是一種能夠連結理性實踐從而造就行動的因素，理性的參與總是和情緒表達和認同表達相關（Kahan,2015）。

    Svensson（2011）提出響應性（responsiveness）和連結性（connectedness）來描述數位公民的表達性行動（expressive actions）。數位公民會持續關注什麼正在被討論，他們能夠持續的參與，並且提供觀點。而社交媒體通過平臺將不同的參與者連結在一起，形成一種新型的網絡結構。

2、Being connected：網絡結構和情緒同質化

    微博同其它的社群媒體平臺一樣，通過跟隨（following）、提及（mention）、回覆（reply）和評論（comment）來建構社群網絡。學者使用納入性（inclusivity）和平等性（equity）來測量網絡結構的特性。納入性（inclusivity）指的是接入（access）互聯網，而平等性（equity）指的是用戶能夠在互聯網上進行多對多互動的均等機會。已有研究表示互聯網不平等的呈冪律分佈。

    同質化（homophily）的觀點認為相近的個體之間更有可能建立起彼此之間的連結。現實中已有很多學者對這個領域進行過研究，例如通過身份地位、信仰、態度、個人特質、政治選擇、行為等同質性因素建立起來的連結，但是很少有研究者利用情緒的同質性來對網路上的表達進行研究。

    網路上時常會醞釀起集體情緒，這種集體情緒的產生和傳播要快于線下社群，並且會形成一個集群（clustering）。心理學家利用價效（valence）和喚起（arousal）來對情緒進行分類。價效指的是情緒是積極的還是消極的，喚起指的是情緒的強烈程度。這種價效劃分對研究的指導意義有限，因為有研究發現在社群平臺的政治討論，消極情緒要遠大于積極情緒。在中國，集體消極情緒可以用一個新詞——集體吐槽（collective tucao）來描述。基於此，我們提出以下兩個研究問題:

    RQ1 微博上（關於食品安全的）政治討論網絡是如何分佈、如何互動以及如何相互包含的？

    RQ2 微博上那些表達負面情緒的用戶是否比其它用戶更有可能建立起對話上的連結？

3、Being responsive：線上討論的共鳴

    發文是一種自我表達的方式，同時也是吸引注意力和鼓勵參與的途徑。在社群媒體中，發推者通過推文引起讀者的共鳴，然後推文獲得廣泛傳播，發推者也因此獲得了影響力，很多研究者把轉推的次數當作衡量發推者影響力的指標。

    不同的消息類型和內容（情緒性討論或是理性討論）會具有不同程度的說服效果。Choi’s（2014）通過研究推特上的政治討論，發現人們更容易被情緒性的內容吸引，而非被理性討論的內容吸引。很多研究都認為情感價位（valence-based）的不同（即積極情感和消極情感）會導致不同的說服結果。例如，生氣（anger）總是引起衝動的反應，而害怕（fear）則會導致避讓。已有的研究把消極的價位進一步分割為生氣、害羞和恐懼三個面向，即使這三個面向屬於相同的價位，但是他們會導致不同的刺激和結果。基於以上文獻，我們提出下列問題：

RQ3：微博上什麼樣的情緒性推文和認知性推文能夠引起公眾的強烈反應？

RQ4：具有消極情緒的討論內容是否比積極情緒的討論內容更能夠引起公眾的反應？同樣價位的不同情緒是否會讓公眾有不同的反應？

    為了得到更加準確的結果，我們必須控制用戶層面（user-level）潛在的的混淆變量。微博用戶的身份和地位能夠保證推文的真實性、並且建立信任，同時也會影響他們推文的影響力。本研究認為議題涉入度、身份認證和粉絲數量三個指標有可能成為潛在的影響推文反應性（responsiveness）的指標。

 3.1 議題涉入度（issue involvement）

    在社群媒體的研究中，議題涉入度指的是個體和議題的連結程度，高涉入度表示了個人對于議題的興趣和知識儲備。在本研究中，使用用戶發送相關議題推文的數量來表示用戶的議題涉入度。這裡的假設是，涉入度越高的用戶可能發佈越多的相關議題的推文

3.2 用戶認證（verification status）

    微博有一個嚴格的身份認證體系，可以將微博用戶認證為「個人認證用戶」和「機構認證用戶」，經過認證的用戶會在profile中被加入V字標識。雖然認證的行為可能是為了加強政府對於網路內容的控制，但是同時也能夠將「名人用戶」和普通用戶區分出來，方便研究者進行研究。我們可以通過認證系統來區分用戶的地位

3.3  粉絲數量（followers count）

    很多研究都使用粉絲數量來測量一個用戶的社會資本，吸引力以及受歡迎程度，本研究也使用這個指標（來測量用戶的地位）。

    RQ5：用戶的地位（亦即他們的議題涉入度、是否進行認證、粉絲數量）會否他們推文的影響力？

三、研究方法

    使用關鍵詞”食品安全（food safety）”和”政府（government）”進行檢索，限定時間範圍為2014.7.1—2014.8.9，共收集到43575則推文，其中12865條是原創推文，30710條是轉推。根據@標識，我們可以建構起一個討論網絡，@在信息發出者和信息接受者之間建立了一個直接的關係。

    在編碼方面，我們會使用機器學習的方法給每一條推文進行情緒編碼，使用的分類器是SVM（support vector machine），跟傳統的貝葉斯分類器相比，SVM分類器在對於情緒的文本分析具有更高的效率。SVM的訓練過程可以找到超平面（hyper-plane）的和更高維度的特徵空間，把訓練數據的特徵間距拉大。

    在本研究中，有6000條推文被抽取出來進行手動分類編碼，類別為anger、fear、sadness、none。然後把這6000條推文當成訓練數據，使用SVM分類器來建構分類模型，再把其它推文放進模型進行自動分類，得到的分類精確度為77%。此外，作者們還統計了每條推文的被轉推次數，以及每個用戶在此段時間範圍內所發出的和此議題相關的推文數量（測量議題涉入度），每個用戶的粉絲數量，用戶是否經過微博認證（是或否）。

    為了解決RQ3中「微博上什麼樣的情緒性推文和認知性推文能夠引起公眾的強烈反應」這個問題，我們還從所有推文中隨機抽取了2000條推文並進行重新編碼，看這些推文是否具有認知性元素以及情緒性元素。

    因為自動編碼無法識別出認知性（congnitive）元素。我們可以用「使用外部資源（即引用外部的數據、網站）」來判斷一條推文是否具有認知性元素。即我們假設一條推文當中如果包含有來自超鏈接的信息、有引用的媒體信息、有引用研究報告或者政府文件的信息，那麼這條推文被認為具有認知性的元素。於此同時，編碼員還給這2000條推文進行情緒性元素的編碼，即positive、negative和none。最後得到的編碼員相互信度（scott’s pi）分別為0.89和0.92。

四、研究結果

4.1 連結性（connectedness）

（1）centrality 中心性

我們準備使用degree、in degree和out degree計算每個用戶在討論網絡中的中心性，圖表1顯示節點的度數（degrees）成冪律分佈（alpha=2.54）， In degree的不平等性要大於out degree。這些結果證明了用戶在微博討論參與中的不平等性，也顯示了對話的接收者比發起者更加不平等 

（2）reciprocity 交互性

交互性在這裡可以用互相對話的比例來測量，結果顯示交互程度低（0.02）。其中，有6.5%的交互發生在認證用戶和非認證用戶之間，30%的交互發生在認證用戶之間，63.5%的交互發生在非認證用戶之間。對於直接連結（directed ties），有3.6%的是認證用戶發送給非認證用戶，有51.3%是非認證用戶發送給認證用戶，有7.3%是認證用戶發送給認證用戶，有37.8%是非認證用戶發送給非認證用戶 

（3）Inclusiveness納入性

    納入性可以用被納入整個討論網絡的發推者的比例來測量。即如果一用戶有@別的用戶，或者被別的用戶所@，即認為該用戶被納入討論網絡中，並成為某個組群（group）的一部分。如果既沒有@別人，也沒有被別人所@，說明該用戶是一個孤立的存在。結果顯示，超過57.6%的用戶被納入到了討論網絡之中，42.4%的用戶是孤立的。

    圖表2a顯示的是移除掉孤立節點以後的微博討論網絡，其中每個節點都是一個用戶，連線表示用戶之間有過對話。圖2b是在2a的基礎之上給每個node加上顏色的維度，代表的是該用戶的情緒。一個用戶可能會發多條推文，每條推文都經過情緒編碼，這個用戶最終的情緒（顏色）由所發推文中佔比最大的情緒決定。此圖顯示，在相互網絡中，相同情緒（emotion-based）的用戶傾向連結並且於聚集在同一個群體當中。

    圖表3用詞雲的形式體現了不同情緒（生氣、害怕、悲傷）推文出現的高頻詞語。通過檢視關鍵詞，我們可以把情緒表達和具體的事件關聯起來，圖表顯示討論者的情緒狀態是由事件驅動（event-driven）的。在anger這個類別里，高頻詞里包括了公司的名字（如fuxi福喜和麥當勞）和描述監管機制的詞語，這和之前Yang做出的結論「微博上的很多言論在批評政府和公司」相吻合。在fear這個分類里，關鍵詞很多都與轉基因大米議題相關，包括了參與相關討論的名人和專家（崔永元、曹明華、曹明逸）。和sadness相關的高頻詞里，關鍵詞包括了「公開」、「民意」、「死亡」、「疫苗」和「注射」等，這是民眾對於食品安全危機的公開反應。

4.2 反應性（responsiveness）

    Table1顯示了轉推數和各變量之間的邏輯回歸係數和勝算比（odds ratio）。為了回答RQ3和RQ4，（RQ3：微博上什麼樣的情緒性推文和認知性推文能夠引起公眾的強烈反應？RQ4：具有消極情緒的討論內容是否比積極情緒的討論內容更能夠引起公眾的反應？同樣價位的不同情緒是否會讓公眾有不同的反應？）

作者用兩種方式來評估情緒。第一種方式將情緒分為無情緒（作為reference group）、積極情緒和消極情緒【model1】；第二種方式將消極情緒繼續細分，劃分為anger、sadness、fear和other negative【model2】。

    在model1中，消極情緒和積極情緒都具有顯著性，即推文中無論含有消極情緒還是積極情緒，都比不含情緒的推文更有可能被轉發。並且，在其它變量被控制的情況下，如果推文的情緒價效是消極的，那麼該推文被轉發的概率比無情緒的推文要高57%，而積極情緒的推文被轉發的概率是無情緒推文的2.1倍。以上結果顯示，線上公共個討論中積極情緒比消極情緒更能激發受眾的反應。

    但是僅僅以價效進行劃分，不能很好的解釋情緒和轉推行為之間的關係，於是作者進一步對消極情緒進行劃分。在model2中，anger具有最高的顯著性，其次是positive，再次是other negative，最後是fear，而sadness不具有顯著的預測能力。結果顯示，相較其它的情緒，anger在社群網絡當中傳播得最快速和最廣泛。結果還顯示，價效不能夠完全解釋情緒的影響力，同樣價效的不同情緒具有十分不同的影響，因此可以認為公眾反應會被情緒的喚起（arousal）程度所影響。此外，內容的認知性元素並不具有顯著的預測能力，即具有外部引用的推文並不會比不含外部引用的推文更容易受到轉發。在手動編碼的樣本中，有85%的推文包含外部資源，像之前的研究所發現的那樣，消息中所包含的信息價值可能會刺激用戶進行轉發，也可能由於知識的高客觀性減少用戶轉發的興趣。

    在控制變量方面，毫不驚奇的是，粉絲越多的用戶所發出的推文越有可能被轉發（odds ratio = 1.024），經過微博認證的用戶的推文更容易被轉發（odds ratio =3.9），議題涉入度高的用戶的推文也更可能被轉發（odds ratio =1.018）。這些結果顯示，線上政治討論的推文影響力受到發推者地位的影響。

五、討論和應用

    本研究利用機器學習和社會網絡分析的方法，測量了微博政治討論的「連結性」和「反應性」。在「連結性」方面，微博上只有少量用戶是完全孤立的，但是微博討論的雙向交互性仍然不高，並且用戶連結的節點數量呈冪律分佈，因而線上討論具有不平等性。此外，經驗證據證明微博上存在情感上的迴音室效果，相同情緒的用戶更傾向於集結在一起。在「反應性」方面，我們發現了什麼樣的政治討論更能夠引起觀眾的共鳴。傳統的觀點認為信息價值（認知性元素）和情感性元素是說服和激起觀眾的兩個引擎，但是本研究顯示，情感性表達比信息交換更能激起觀眾的共鳴，如果沒有情感因素，邏輯或事實並不會引發強烈的反應。此外，本研究還發現，在政治討論中，帶有情緒性的推文更有可能被他人轉發，積極情緒的推文又比消極情緒的推文更容易被轉發。在消極情緒中，anger最容易被轉發。同時，用戶的地位也會影響推文的被轉發次數。雖然微博上的政治討論總是以情緒為主導，並不一定能達成共識，但是這不能說明微博不具有進步的潛力。事實上，有很多人在微博上談論政治議題，微博給了人們一個發聲和進行公共討論的平臺，這有助於公民進行政治參與。雖然我們不能用傳統的「理性溝通」來描述這種行為，但是我們可以用「表達性理性」（expressive rationality）這個概念來表達。

    本研究有兩個主要的貢獻。首先，傳統的研究一般使用調查問卷來測量用戶的網路經驗和感知，從而推論這些用戶的線上討論內容，而本研究直接檢查了線上討論的內容，這種方法具有更好的有效性，機器學習進的技術使這種方法成為了可能。本研究把推文的情緒和影響力進行了關聯分析。其次，之前的研究發現情緒價位有助於解釋政治傳播，但是很少有學者指出相同價位的不同情緒會有不同的影響。本研究檢查了不同的情緒在微博上是如何影響推文的傳播，並且還比較了情緒性元素和認知性元素對推文傳播的影響。

與本研究問題意識相關的概念與延伸對話：

延伸閱讀：(請用學術體例將參考文獻中值得延伸閱讀之文章、書籍或網址列於此處)

關鍵字：

Social media; Weibo; Emotional homophily;

Online discussion networks; Connectedness; Responsiveness

資料狀況：

■ 電子檔（摘要／全文）:           

□ 紙本（摘要／全文）:           

□ 其他狀況：           

如有重要相關圖表及附件請附在本頁後面，並在「其他狀況」項目內註明，如：附圖二張。