丁緒武　吳忠　夏志杰

[摘要]為了研究微博中情緒因素對用戶轉發(fā)行為的影響，構建了情緒因素對轉發(fā)行為影響的假設，并建立了相關的回歸方程，最后以“馬航飛機失蹤”和“李某某案件”兩個微博熱門話題作為研究樣本集，利用負二項回歸分析進行了假設檢驗，結果表明：相比于中立性的微博，帶有情緒色彩的微博更容易得到轉發(fā)和傳播，并且情緒對于微博的轉發(fā)數(shù)量和轉發(fā)速度都有積極的影響。

[關鍵詞]社會媒體；情緒；轉發(fā)；新浪微博

[中圖分類號]TF273 [文獻標識碼]A [文章編號]1008-0821（2014）11-0147-09

近幾年，社會媒體取得了巨大的發(fā)展，它對于傳統(tǒng)的溝通模式以及信息傳播方式產(chǎn)生了重要影響。以Faeebook為例，截止到2012年12月，其用戶數(shù)量已經(jīng)超過了10億，與此同時，Twitter覆蓋人數(shù)也達到了2億。在國內(nèi)，新浪微博（以下簡稱微博）作為社會媒體的領跑者，其用戶數(shù)量也超過了2.8億。如今，隨著互聯(lián)網(wǎng)的廣泛普及以及其基礎設施和技術手段的不斷進步，以往限制網(wǎng)絡信息擴散的瓶頸已被消除，蘊涵大量UGC的社會媒體平臺正在改變著信息傳播和擴散的方式。

社會媒體促進了社會網(wǎng)絡中的轉發(fā)分享行為。一些學者通過研究總結出幾種影響社會媒體信息擴散的因素：內(nèi)容相關功能（例如主題、URL和標簽云、用戶及網(wǎng)絡特性（社會資本認知、聲望和同質(zhì)性）。社會媒體在實現(xiàn)關鍵信息的流動和共享，以達到提高應急管理決策制定的效率方面也發(fā)揮著重要作用。然而，很少有研究將情緒作為一種潛在的驅(qū)動因素來解釋社會媒體中信息擴散的動機，尤其是針對社會媒體用戶的分享行為。作為人與人溝通的一部分，社會媒體中的內(nèi)容包含了作者的情感、其對一個人、事件或者主題的主觀判斷，我們將這些通通定義為情緒。

鑒于對于情緒方面的研究一般都是從心理學角度出發(fā)，本研究希望借鑒這些研究成果，填補社會媒體中情緒表達和轉發(fā)行為兩者潛在關系這一項空白。更進一步地說，本研究假設社會媒體中情緒的擴散對于用戶的轉發(fā)行為有著積極的影響，該假設的建立是基于先前不同學科的研究成果。文獻研究表明具有影響力的信息能夠在電子溝通媒介中進行傳播，文獻通過對社交網(wǎng)絡、博客、在線新聞門戶網(wǎng)站等研究發(fā)現(xiàn)，消息的情感維度能夠引發(fā)更多的認知性涉入，例如關注、高效的激勵，這些認知性涉入反過來會影響社會媒體的參與度與用戶的轉發(fā)行為。

本研究選取了微博中兩個相對熱點的社會話題作為研究的對象，之所以選擇此類話題是因為其相比于娛樂類、體育類等話題，更加具有爭議性和兩極分化性，網(wǎng)友對其評論帶有更多的個人見解和情緒。而將微博作為數(shù)據(jù)的來源主要是因為其龐大的用戶基數(shù)以及良好的信息擴散與分享機制。微博作為一個理想的信息傳播平臺，其傳播機制首先由某個用戶產(chǎn)生一條少于140個字的微博，然后此微博會被對其感興趣的粉絲進行轉發(fā)，粉絲在轉發(fā)的過程中可能會加入自己的觀點。

鑒于社會媒體中情緒擴散對用戶轉發(fā)行為影響研究的缺乏，首先提出情緒擴散對轉發(fā)行為的影響假設，然后通過實證研究進行驗證，進一步挖掘社會媒體中情緒擴散對用戶轉發(fā)行為影響的潛在因素，為準確地描述情緒在社會媒體轉發(fā)行為中的角色提供依據(jù)和支持。

1、文獻回顧

1.1 情緒對信息分享行為的影響

學者們已經(jīng)證明一般情緒性需求非常具有說服力和感染力。正如Forgas所說，情緒會影響我們所關注的事物、我們所學習的東西、我們所記憶的過往，最終會影響我們的判斷和決定。以書面交流為例，先前的研究指出帶有情緒性的詞語或者能夠引起廣泛認知的信息都能夠產(chǎn)生“情緒刺激（emotional stimuli）”。認知參與水平的提升可能反過來導致更高的可能性去對“情緒刺激”做出回應，例如信息分享等。同樣的，情緒的擴散可能反過來通過信息協(xié)調(diào)（information eoordlnation）和分享（sharing）來影響個人或者群體之間的交流。

除了高水平的認知參與，幾種確定的情緒例如生氣（anger）、焦慮（anxiety）、敬畏（awe）和消遣（amusement）也能夠引發(fā)人們對某件事情或者某個話題做出強烈的回應，我們可以將上述這些情緒統(tǒng)稱為生理沖動（physiologicalarousal）。生理沖動已經(jīng)被證實是驅(qū)動信息分享行為的一個重要因素。而在社會媒體中，這種生理沖動可能導致的后果是其產(chǎn)生的信息是具有病毒性的，相比于不帶情感色彩的信息，這種更容易得到廣泛的傳播和分享。

因此，從前人的研究中可以總結出，認知參與過程和情緒刺激在傳統(tǒng)的書面交流和口頭交流中對于信息的傳播和轉發(fā)行為起著決定性的作用。

1.2 網(wǎng)絡溝通中的情緒

先前的研究已經(jīng)指出了網(wǎng)絡溝通（computer-mediatedcommunication，也叫電腦中介傳播）在傳播有關情緒性信息的作用。在網(wǎng)絡溝通中，情緒對于接收者處理和解讀信息具有顯著影響。Harris和Paradliee研究表明，在網(wǎng)絡溝通中，信息接收者能夠通過一些帶有情緒的詞匯以及輔助語言的工具（如表情符號等）來理解發(fā)送者的情緒。事實上，大量的相關工作已經(jīng)揭示了在網(wǎng)絡溝通和在線交流中情緒的作用。如Huffaker研究在線論壇時發(fā)現(xiàn)，那些在消息中利用更多情感語言（包括積極的和消極的）的人比不這樣做的更能收到更多的反饋。在一個有關于新聞組的研究中，Joyee和Krant發(fā)現(xiàn)積極的訊息能夠加固一個社區(qū)的粘度并吸引更多的人參與，而消極的訊息則恰恰起到相反的作用。其他一些研究發(fā)現(xiàn)，在一些社會媒體中，例如SNS、博客和在線論壇等，情緒可以通過回復、跟帖等形式來進行擴散。Berger和Milknlan在對紐約時報近三個月內(nèi)的全部文章研究發(fā)現(xiàn)，文章被分享的可能性不僅是因為其所蘊含的積極情緒，也有可能是其他一些能夠引起生理沖動的情緒。

以上述研究為基礎，可以認為由情緒引發(fā)的認知和情感激勵以及分享行為同樣可以應用到社會媒體的研究領域。尤其值得我們注意的是，社會媒體中文本描述所流露出的情緒更能得到關注，這也同樣地會刺激信息的轉發(fā)和分享。以上這些理論基礎使得我們推測在微博中同樣具有類似的特征。endprint

2、研究假設

如今互聯(lián)網(wǎng)蘊含的信息呈爆炸式的增長以及社會媒體的飛速發(fā)展，這些因素都促使虛擬的社會網(wǎng)絡中出現(xiàn)了越來越多的信息分享行為。在社會媒體中，信息的擴散是以一個用戶或者一個社區(qū)為中心呈點狀式的向周圍進行傳播，在六度分隔理論的驅(qū)使下，信息的傳播范圍往往會超出最初發(fā)送者的預料。尤其是對于微博來說，其具備的轉發(fā)功能使得這種現(xiàn)象更為明顯。在信息傳播的驅(qū)動因素中，情緒的擴散無疑起著關鍵的作用。情緒的擴散對于用戶分享行為的影響也是多方面的，但是究其本質(zhì)，本文發(fā)現(xiàn)其主要是從轉發(fā)（分享）的數(shù)量和速度兩方面來影響分享行為。因此本研究有如下假設：

H1：一條微博中蘊含越多情緒性因素，其越容易被轉發(fā)（分享）；

H2：一條微博中蘊含越多情緒性因素，其距第一次轉發(fā)（分享）的時間越短。

前人關于心理學和組織行為學的研究已經(jīng)表明，人們對于積極和消極的刺激所做出的反應是不同的。相比較來說，消極刺激能夠更加強烈地、快速地引發(fā)人們在情感上和行為上的認知。更確切地說，人對于那些消極的或者說是負面的情緒或刺激具有一種先天性的傾向，這種現(xiàn)象稱為消極偏見（negativity bias）。最近關于Facebook的相關研究也表明相比于積極情緒，含有較多消極情緒的狀態(tài)能夠得到更多的回復?；谝陨系难芯砍晒狙芯坑腥缦录僭O：

H3：一條含有較多消極情緒因素的微博，相比于含有較多積極情緒因素（以及中立性）的微博，其轉發(fā)的次數(shù)更多；

H4：一條含有較多消極情緒因素的微博，相比于含有較多積極情緒因素（以及中立性）的微博，其距離第一次轉發(fā)的時間更短。

3、數(shù)據(jù)收集與方法設計

3.1 數(shù)據(jù)采集

研究以新浪微博為研究對象，通過其開放的API接口獲取了關于“馬航飛機失蹤”和“李某某案件”相關微博。然后對獲取到的微博樣本進行修整和處理，剔除了一些內(nèi)容關聯(lián)度不高的樣本，最終分別獲得了62 133條關于“馬航飛機失蹤”的微博以及103 267條關于“李某某案件”的微博。

3.2 情緒分析

情緒分析（sentiment analysis，也稱情感分析）主要是利用相關算法來挖掘文本中隱藏的消息發(fā)送者的個人情感，通常會將個人的情緒分為3個極性（正面、負面和中性），并且會給出它們的強度（強、弱）。在本研究中，利用“SentiStrength”情感分析工具來分析微博中上述兩個社會話題的情緒水平。在先前關于Myspace和Twitter的研究中，“SentiStrength”工具已經(jīng)被證實了是非常有效的，它主要是將檢測文本與一個人為設計的全面的詞典進行匹配，并且設計了一套有關于語言學的規(guī)則來判斷這個文本流露的情緒水平。SentiStrength將積極情緒設定為1（中性）到5（強積極）5個等級，同樣的將消極情緒也劃分為一1（中性）到-5（強消極）5個等級，而對于每個分類文本，它都會同時給出積極和消極的得分。相比于標準的機器學習方法，在描述積極情緒和消極情緒方面，SentiStrength的算法具有較高的準確率。

首先本文通過下式來計算單個微博的情緒極性（senti-ment polity），而這也決定了情緒的方向（積極和消極）以及強度。

polarity=posi+nega （1）

由于積極情緒和消極情緒的取值范圍分別為（1，5）和（-1，-5），所以依據(jù)上述公式得到的情緒極性的取值范圍為（-4，4）。

考慮到當一條微博中同時存在積極情緒和消極情緒的詞語，而且兩者相互抵消導致polarity=O這種情況的發(fā)生，本研究引入了公式（2）來防止這種情況的發(fā)生。

sentiment=（posi-nega）-2 （2）

其中posi和nega與上面的取值區(qū)間相同，之所以減去2是為了消除數(shù)字的正負特征所代表的積極性和消極性給研究帶來的混淆。sentiment的取值范圍為[0，8]。

為了檢測上述兩個公式的準確性，本文從樣本數(shù)據(jù)集中抽取了幾條微博進行了測試，其中表示積極情緒的詞語用“+”標出，消極情緒的詞語用“-”標出，結果如下：

積極情緒：

澳大利亞再次在相同海域偵測到疑似馬航的黑匣子，這真是條令人重燃希望（+）的消息，為那些乘客祈福（+）?。?/p>

積極情緒得分：4；消極情緒得分：-1

polarity：3=4+（-1）；sentiment：3=4-（-1）-2

李某某案件終于宣判了，結果真是大快人心（+）！

積極情緒得分：2；消極情緒得分：-1

polarity：1=2+（-1）；sentiment：1=2-（-1）-2

消極情緒：

對馬航處理這次失蹤事件的態(tài)度和做法感到很困惑（-），特別失望（-）?。?！

積極情緒得分：1；消極情緒得分：-4

polarity：-3=1+（-4）；sentiment：3=1-（-4）-2

李某某案件再次折射出“星二代”的教育問題（-1）??！

積極情緒得分：1；消極情緒得分：-3

polarity：-2=1+（-3）；sentiment：2=1-（-3）-2

此外，針對不同的表情符號，本研究也將其視為是微博情緒評分的一項重要指標。

3.3 方法設計

3.3.1 變量設計

為了驗證前文中設立的假設H1和H2，本研究為每條微博設定了如下變量：

rt_number：一條微博被轉發(fā)的次數(shù)；

rt_timelag：一條微博發(fā)布與第一次被轉發(fā)之間的時間間隔（單位為分鐘）；endprint

senti_number：一條微博中所表達的情緒總量。

文獻通過對Twitter的研究發(fā)現(xiàn)，除了上述3個變量以外，還有其它一些因素影響用戶的分享和轉發(fā)行為，例如標簽（hashtag）的數(shù)量、URL、粉絲數(shù)量等。因此，本研究設定的其它變量有：

hashtag：一條微博中包含的標簽數(shù)量；

url：一條微博中是否含有ud超鏈接（該變量為布爾型變量）；

foilow：用戶粉絲數(shù)量；

activity：同一時間段內(nèi)用戶發(fā)布的微博數(shù)量。

在m和H4中，本研究假定消極情緒比積極情緒更能夠影響微博的轉發(fā)數(shù)量和轉發(fā)的時間間隔。為了驗證該假設，我們將前面設定的情緒總量與一個表示情緒極性的變量做交互運算。變量如下：

neg：表示一條微博的情緒極性是否為消極的（布爾型變量）；

inter_term=senti_number×neg：綜合了情緒總量的消極情緒影響因子。

3.3.2 回歸方程

本研究運用回歸方程來對設定的假設進行檢驗。對于H1，由于因變量a_number的值是非負整數(shù)，而且在樣本集中，其標準差要大于均值，即出現(xiàn)了過離散現(xiàn)象。因此，本研究引用負二項回歸模型的前提假設——即因變量是符合負二項分布的。負二項回歸需要對因變量進行對數(shù)的變換，并且要求對評估系數(shù)進行指數(shù)轉換以評估和說明其對因變量影響的大小。因此，本研究的回歸方程模型如下：其中E（rt number）為rt_number的期望值。

為了檢驗m，本文引入了neg和inter_term兩個變量，回歸方程如下：

在H2中，本研究假設情緒化的微博能夠誘發(fā)更多的轉發(fā)和分享行為，而作為因變量的rt_timelag表示連續(xù)時間單元，因此本文在回歸模型中引入最小二乘法（OLS）來檢驗H2。為了解釋模型的非正態(tài)性，在運用OLS回歸分析前對因變量進行了對數(shù)變換。對對數(shù)變換后的因變量進行Shapiro-Wilk檢驗，結果表明p值較高，不能拒絕該變量的正態(tài)性?；貧w方程如下（λ為常量）：

為了檢驗H4，本研究將neg和inter_term兩個變量引入到回歸方程中：

4、數(shù)據(jù)分析與結果討論

4.1 樣本描述性分析

為了便于研究，本研究對收集到的微博數(shù)據(jù)進行了初步的處理，將微博的形式劃分為原創(chuàng)型（帶有@標志但不是轉發(fā)別人的微博）、直推型（以@標志開頭的微博）、轉發(fā)型、帶有URL鏈接型、單一型（即不含有@標志微博），其一般統(tǒng)計特征如表1所示。

從表1中我們可以看出轉發(fā)型的微博占到整個微博樣本集的1/3，而且?guī)в蠻RL鏈接的微博達到了一半以上，從這些數(shù)據(jù)我們可以得出微博的轉發(fā)功能被多數(shù)用戶經(jīng)常使用，并且用戶更傾向于分享那些帶有URL鏈接的微博。

從表2中可以看出，在研究的兩個樣本集中，活躍和非?；钴S的用戶數(shù)量不到5%，但是其所發(fā)布的微博數(shù)量總和卻達到了50%以上。這說明了在新浪微博中，意見領袖的現(xiàn)象十分突出，因此這部分人的情緒狀態(tài)很可能對其粉絲和其他用戶產(chǎn)生影響。

考慮到本研究的重點是情緒擴散對用戶轉發(fā)行為的影響，因此對收集到的微博進行了進一步的篩選，并按照被轉發(fā)前50名用戶和微博總樣本數(shù)進行了分類對比，如表3所示：

表3的統(tǒng)計結果表明被轉發(fā)次數(shù)前50名的用戶其所發(fā)布的微博帶有更多的情緒因素。而且無論是在被轉發(fā)次數(shù)前50名用戶樣本中，還是在總樣本中，含有較多積極情緒因素的微博數(shù)量是含有較多消極因素微博數(shù)量的兩倍，這也說明了在新浪微博中，傳達的積極情緒要多于消極情緒。

4.2 回歸方程結果分析

4.2.1 轉發(fā)數(shù)量

表4中列舉的是關于回歸方程中變量的描述性統(tǒng)計分析。對于“馬航飛機失蹤”和“李某某案件”兩個熱門社會話題的微博數(shù)據(jù)集來說，平均下來，一條微博大約被轉發(fā)0.86到0.95次。而在rt_timelag方面，“馬航飛機失蹤”相關微博的rt_timelag大約為1個小時（58minutes），而“李某某案件”則相對較慢，為1個半小時（100minutes）。而兩個微博樣本集中所含有情緒性因素的總量平均值為0.41和0.45。在含有標簽的平均微博數(shù)量方面，兩者相差不是很多，分別為1.28和1.17，每個用戶的平均粉絲數(shù)量則為625和867。

接下來本研究就前文中設定的假設進行檢驗，表5和表6表示了兩個微博樣本集中主要自變量的相關矩陣，而多重共線性檢驗表明本研究獲取的數(shù)據(jù)不存在多重共線性問題。在H1中，本文假設一條微博中蘊含越多情緒性因素，其越容易被轉發(fā)。因此本研究對公式（3）進行了負二項回歸分析，兩個微博樣本集的分析結果如表7和表8所示。研究發(fā)現(xiàn)在兩個微博樣本集中，關于senti number變量的回歸系數(shù)是比較令人滿意的（b=0.06，p<0.01和b=0.04，p<0.1），這表明還有較多情緒因素的微博能夠得到更多的轉發(fā)。因此，H1得到了本研究數(shù)據(jù)的支持。由于負二項回歸方程的運用，我們需要對一些變量系數(shù)進行指數(shù)化變換，以便其更具有解釋性。以senti_number變量為例，其系數(shù)0.06表示的意思是在其它指標變量不變的情況下，每增加一個單位的情緒總量，就會引發(fā)1.06次的轉發(fā)行為（exp（O.06）=1.06）。

為了驗證H3是否成立，本研究對公式（4）進行了負二項回歸分析，該假設的主要影響自變量為前文中提到的虛擬變量neg和復合變量inter_term。從表7和表8的負二項回歸分析結果中可以看出，對于“馬航飛機失蹤微博樣本集”來說，研究的檢驗結果顯示inter_term的相關系數(shù)是不顯著的。而“李某某案件微博樣本集”inter_tenn變量的檢驗結果則是顯著的（b=0.05，p<0.05），這說明了消極情緒比積極情緒能夠引發(fā)更多的轉發(fā)行為。因此，這種混合的檢驗結果表明本研究的實驗數(shù)據(jù)并不完全支持m。endprint

對于兩個樣本集來說，hashtag、ud和fonow這3個控制變量對微博轉發(fā)數(shù)量同樣有著重要影響。尤其是hashtag和follow同轉發(fā)數(shù)量有著非常重要的聯(lián)系。以實驗結果為例，微博中每增加一個單位的標簽（hashtag），就會導致增加0.38次的轉發(fā)；每增加10%的粉絲數(shù)量，轉發(fā)次數(shù)會提高4.8%。而用戶的活躍度（activity）變量跟用戶的轉發(fā)行為有著很強的負相關性，這就表明高活躍度的用戶發(fā)布狀態(tài)并不一定會導致較高的轉發(fā)次數(shù)，有可能會導致信息過載的問題。

4.2.2 轉發(fā)速度

如前文所述，H2和H4是關于情緒因素同傳播速度之間關系的假設，表9和表10展示了兩個微博樣本集的自變量的相關矩陣。與驗證Hl和1-14一樣，本研究對收集到的微博數(shù)據(jù)集進行了多重共線性檢驗，檢驗結果表明實驗數(shù)據(jù)不具有多重共線性，能夠進行進一步的分析。

在H2中，本文假設如果原始微博含有的情緒因素越多，第一次轉發(fā)的時間距離其發(fā)布的時間就越短。為了驗證該假設，本研究對前文中的公式（5）進行了OLS回歸檢驗，結果如表11所示。結果表明senti_mmaber的相關系數(shù)在兩個樣本集中都具有顯著性（b=-O.05，p≤0.05；b=-0.04，p≤0.01），而這也說明了相比于帶有積極情緒因素的（以及中立的）微博，帶有負面情緒因素的微博不僅被轉發(fā)的次數(shù)較多，而且速度更快。例如，一條微博中每增加一個單位的情緒因素，其傳播的時間間隔（rt_fimelag）就會減少5%（exp（-O.05）=0.95；exp（-O.04）=0.96）。因此，H2得到了很好的支持。但是實證分析的結果并不足以支持H4的成立，因此不能認為情緒的極性對微博傳播的時間間隔（rt_timelag）有顯著的影響。從表11中可以看出，控制變量的相關系數(shù)都具有顯著性，和因變量都呈良好的負相關關系。這表明標簽、URL、擁有較多的粉絲以及具有較高的活躍度都對微博的轉發(fā)速度產(chǎn)生了正向的影響。

綜上，本研究的所有假設的檢驗結果如表12所示：

5、總結

本文以新浪微博中兩個熱門的社會話題為研究對象，以情緒因素為主題，通過實證分析了微博中情緒因素對用戶轉發(fā)行為的影響。研究首先發(fā)現(xiàn)相比于中立性的微博，富有情緒色彩的微博更容易得到轉發(fā)和傳播；其次，研究通過負二項回歸分析和OLS回歸分析驗證了本文設定的假設，并對控制變量和自變量的顯著性進行了驗證，實證結果說明情緒不僅對微博轉發(fā)的數(shù)量有積極的影響，而且還可以提高微博的轉發(fā)速度；此外，除了情感因素以外，實證研究的結果表明其他一些控制變量例如標簽、URL、用戶粉絲數(shù)量、用戶活躍度等因素都對微博的轉發(fā)數(shù)量和速度產(chǎn)生了影響。但是本研究還存有不足，一方面實證數(shù)據(jù)的來源只是微博中有關社會事件的熱門話題，這很大程度上限制了研究成果的適用性；另一方面樣本集比較小，這有可能會造成研究結論的片面性。在未來的工作中，需要將研究的對象擴展到社會媒體的其他領域（不僅僅局限于微博），開發(fā)更有效的數(shù)據(jù)采集工具以便獲得大量的研究樣本，分析情緒因素與用戶回復行為之間的關系也是未來研究的重要方向。endprint