劉曉娟 王晨琳 吳鑫梅

(北京師范大學 政府管理學院 北京 100875)

0 引 言

社交媒體是允許用戶進行內容創(chuàng)造、分享和討論的交互式平臺，為學術信息交流和學術成果傳播提供了有效媒介[1]。自2010年提出Altmetrics以來，學界便開始基于社交媒體平臺探索學術文獻的社會影響力，特別是圍繞Altmetric.com每年發(fā)布的最受關注TOP100文章(通常稱為Altmetrics熱點論文[2])展開研究。社交媒體中提及、轉發(fā)、提醒、關注等功能使得相關用戶圍繞這些熱點論文形成了豐富的交互行為，構成一個包含了用戶、論文、UGC數據以及多種關系的信息交互網絡，推動熱點論文在社交媒體上的傳播擴散，提高其社會影響力。

目前學界已陸續(xù)從Altmetrics聚合器提供的數據的可用性[3]、用戶動機[4]等視角探索數據的產生機制和指標的實際價值，力求打破Altmetrics的“黑箱”狀態(tài)。然而已有研究多局限于靜態(tài)角度，而社交媒體平臺的信息流動過程是動態(tài)的且內容豐富，蘊含著指標數值的來龍去脈，社會網絡分析可對這一過程進行抽象，使得網絡特征和規(guī)律被更直觀地呈現。通過梳理文獻發(fā)現，當前研究主要圍繞社會媒體用戶的交互特征和學科領域的網絡結構進行分析。

部分學者通過社會網絡分析識別用戶在信息交互網絡中承擔的角色和行為特點，如Hoffmann等[5]使用特征向量中心性對用戶進行排名，研究管理學領域的核心用戶網絡；Lutz等[6]對ResearchGate粉絲和好友網絡進行分析，研究學者資歷與出版物影響力、社交媒體影響力的相關性，以及它們對網絡中心性的作用；Jordan等[7]發(fā)現Academia.edu上科研用戶通過與他人的互動進而關注了一些陌生人；Said等[8]基于2015年Altmetrics熱點論文的Twitter數據構建了用戶轉發(fā)和@網絡，發(fā)現知名期刊和領域知名學者通常就是高影響力用戶。

某個/多個學科領域的信息交互網絡的內外部結構特點也是學者關注的焦點，如Kim等[9]構建了Twitter中天體物理學家的社交網絡并進行分析，發(fā)現該群體傾向于與學術型用戶進行交流，交流對象包括同事、科學傳播者、其他研究人員以及教育工作者，但通常不會@彼此。Imran等[10]使用2015年的Altmetrics數據研究了Twitter轉發(fā)和@網絡，發(fā)現藝術人文、經濟和計算機等領域用戶容易形成小團體，通常只在小圈子里交流觀點；而工程、環(huán)境和醫(yī)學等領域用戶的學科交叉性很高，活躍在多個社群。

已有研究中的網絡關系主要包括用戶間關注、@和轉發(fā)等行為；節(jié)點則通常包括所有用戶，或僅對用戶的學科類型進行劃分，缺少對重點群體的關注，比如作者、出版方等與論文存在直接利益關系的用戶，即“Altmetrics利益相關者”[11]。利益相關者存在特殊的提及動機，他們的交互行為可能會對Altmetrics指標數值產生影響，因此圍繞利益相關者衍生而成的社會網絡更具研究價值。

本文聚焦于Altmetrics熱點論文的利益相關者，對該群體在Twitter上的信息交互模式和關系網絡結構進行研究，分析Altmetrics數據背后的社交媒體網絡，從而還原學術成果在社交媒體上的信息傳播方向和形式，進一步揭示Altmetrics指標的數據累積過程，以期對學術成果傳播的特點和機制有更深層次的把握，為學術評價提供更豐富的數據與研究視角。本文試圖解決以下問題：論文在Twitter中的傳播受哪些類型用戶的影響？這些用戶分別承擔何種角色？利益相關者與其他類型用戶如何交互？關系強度如何？基于不同性質的用戶節(jié)點可以劃分成哪些子網絡？這些子網絡的內部用戶結構、交互模式有何特征？子網絡間如何進行信息傳播？

1 研究設計

1.1數據采集Twitter是學術成果傳播最活躍的社交媒體[12]。對Twitter中的Altmetrics數據進行分析更具代表性[13]，因此本文利用python獲取2019年熱點論文的Twitter提及數據共188 653條(獲取時間2020-01-19)。采用相似度識別算法(80%以上)加以人工監(jiān)督，獲取用戶昵稱、用戶名、Twitter認證以及個人簡介等信息，并與論文的直接利益相關者(即作者和出版方)進行匹配，識別出該群體發(fā)布的推文共1 032條，其中包含@和RT@的578條推文，覆蓋44篇論文，9個學科領域。

1.2研究方法社會網絡分析法可以揭示Altmetrics計數過程，相比于對指標數據進行單一維度的描述性統計，對Altmetrics數據進行網絡研究的結構更立體、層次更多樣。因此，本研究運用社會網絡分析方法，研究Altmetrics熱點論文在Twitter上利益相關者群體的信息交互模式。具體來說，一方面對個體間的交互模式進行分析，識別不同用戶類型在網絡中承擔的角色和用戶之間信息流動的基本路徑，包括交互對象、交互形式、交互強度和信息流向；另一方面對群體間的交互模式進行探索，研究不同性質節(jié)點所形成的子網絡內部結構特征和子網絡間的關聯方式，從而進一步探知利益相關者信息交互行為背后代表的文獻信息的流動規(guī)律，挖掘Altmetrics數據實際價值，分析論文的真實社會影響力。

1.3信息交互網絡構建

1.3.1 基礎結構 在基于Twitter的Altmetrics利益相關者信息交互網絡中，節(jié)點主要包括用戶(即Twitter賬戶)、學術成果(如論文、專利、圖書等)和相應的UGC數據(用戶產生內容，如推文、評論等)；用戶間關系主要為關注和被關注，用戶-UGC間關系為發(fā)布、轉發(fā)、評論等，用戶-學術成果間為利益相關、興趣相關等，UGC-學術成果間關系主要為提及。

從節(jié)點層面，學術成果生產者(即作者)和發(fā)布者(即出版方，包括期刊和出版商)與學術成果之間存在最直接的利益關系，前者有個人學術影響力的評價需求，后者有成果利用追蹤的評價需求[14]。他們在社交媒體平臺提及學術成果的動機最為復雜。本文所述的“利益相關者”僅包括作者和出版方，以此為基礎節(jié)點向其他類型的社交媒體用戶擴展和輻射，非(直接)利益相關用戶節(jié)點包括學術同行、研究機構、新聞媒體、政府部門、社會組織和其他，這兩大類主體共同構成利益相關者網絡的用戶節(jié)點。

表1Altmetrics利益相關者信息交互網絡中用戶類型

從關系層面，提醒他人關注和轉發(fā)是社交媒體用戶間的重要關系。在UGC中提醒他人關注主要為了向特定用戶發(fā)布與之相關的信息[15]，促進原UGC的宣傳和傳播以引導其他用戶查看[16]。Twitter中的@和RT@分別對應提醒他人關注和轉發(fā)，利益相關者發(fā)布或轉發(fā)了提及自身學術成果的推文，并可@非利益相關用戶，后者則可對該推文進行轉發(fā)、評論等操作，共同形成Altmetrics利益相關者信息交互網絡(圖1)，實現社交平臺上的學術成果信息傳播。

圖1Altmetrics利益相關者信息交互網絡基礎結構示意圖

表2Altmetrics利益相關者信息交互網絡抽象圖(示例)

1.3.2 度量指標 結合研究問題和已有文獻，將網絡度量指標分為內容、結構和節(jié)點三個維度(表3)，分析不同用戶的網絡角色、交互對象、強度以及子網絡特征。

表3Altmetrics利益相關者信息交互網絡的度量指標及含義

2 分析與討論

2.1網絡整體結構基于樣本數據構建利益相關者信息交互網絡，采用Gephi對其進行分析。從推文內容特征維度，該網絡的分享程度為44%，推薦程度為22.63%，傳播程度為33.37%。從推文整體結構維度，對包含@和RT@的數據進行處理后得到由426個節(jié)點以及470條邊組成的有向圖。網絡直徑=10，平均度=1.108，平均路徑長度=3.028，網絡直徑=10，圖密度(網絡密度)=0.03，平均聚類系數=0.027，弱連通分量=27，強連通分量=402，模塊化指數=0.855(37個社區(qū))。

從圖密度值和平均聚類系數可看出，該網絡相對稀疏，這是因為樣本數據涉及了多種學科領域，較大的學科跨度導致交互強度較低。但稀疏網絡中又存在一定的聚集效應，主要由跨學科利益相關者與非利益相關用戶的聯系形成，比如《Nature》推送了五篇論文的相關信息，這些論文來自心理學、社會學等領域，可將不同學科的用戶節(jié)點聯系起來。另一方面，從強連通分量數、模塊化指數、平均路徑長度和平均度等指標可看出，該網絡具有典型的“小世界”、高聚集的特點，基于利益相關者形成不同模式的子網絡。

2.2個體交互模式分析

2.2.1 用戶角色識別 本文通過中心性來度量節(jié)點的重要性或影響力，識別用戶在網絡中承擔的角色。按照用戶類型劃分，對所有節(jié)點的指標取均值，分析結果見表4。

表4 各類型用戶中心性分析

a.核心用戶。作者和出版方作為基礎節(jié)點，點度中心性高于非利益相關用戶，反映出該網絡中利益相關者較注重與非利益相關用戶的交流和互動。除作者和出版方外，學術同行的入度最高，研究機構的出度最高，分別為0.78和1.27，反映二者對該網絡的信息傳播具有重要作用。此外，節(jié)點的接近中心性越大，表明該節(jié)點憑借其所擁有的信息資源、權力等要素與其他節(jié)點的聯系越緊密，在網絡中越處于中心位置。出版方的接近中心性高達139，奠定了其在網絡中的絕對核心地位，隨后是作者(57)，其余類型用戶的接近中心性均未超過1，依次為學術同行、研究機構和新聞媒體，而社會組織和政府部門的接近中心性為0。

b.橋梁用戶。用戶節(jié)點中介中心性越高，則該節(jié)點對其他節(jié)點的控制能力和影響程度越強，在網絡中處于信息傳播的樞紐位置，稱為橋梁用戶。從表3可明顯看出，政府部門的中介中心性最高(0.11)，其次為新聞媒體(0.07)，作者和出版方的中介中心性卻不高。因此政府部門和新聞媒體在該網絡中占據著相對重要的連接性位置，對網絡中各節(jié)點的交互起到控制和促進作用，各類用戶間的交流在較大程度上或直接或間接地依賴于這兩類用戶。

2.2.2 基本路徑統計 利益相關者與各類用戶之間共存在25種交互方式，代表不同的信息流路徑。由表5可知，利益相關者之間的互動強度較高。一方面，同類利益相關者之間存在互相@和轉發(fā)的關系，且關系強度(邊權和)均大于等于中值(17)，信息流形成自環(huán)。另一方面，非同類利益相關者之間也會互相@和轉發(fā)，關系強度分別為：作者@出版方(34)，作者RT@出版方(28)，出版方@作者(22)和出版方RT@作者(5)，可見作者對出版方的關注程度比出版方對作者的關注程度更高。作者與非利益相關用戶的交互明顯比出版方的種類更多，頻率也更高。

除了作者和出版方，學術同行是最重要的信息提供者，作為同領域的學者，對論文內容和價值的見解相對非利益相關用戶更全面，其推文主要對論文的過程和結論進行概述，比如@M_Stamatakis在推文中提及論文結論“運動與抗高血壓藥物可降低收縮壓……”；此外，學術同行還會通過推文表達對論文及作者的認可和支持，比如@MiettinenTopi在推文中提到“我們很高興看到@MichelAMarechal提出的論文……”，作者和出版方都常從學術同行處轉發(fā)提及了自己學術成果的推文。研究機構是最重要的信息接收者，作者和出版方都傾向于在推文中@相關研究機構。新聞媒體、政府部門和社會組織也較常被作者@，屬于比較重要的信息接收者，但是出版方與這些類型用戶互動甚少。

表5 利益相關者與各類用戶間的信息流路徑統計

續(xù)表5 利益相關者與各類用戶間的信息流路徑統計

2.3群體交互模式分析Altmetrics利益相關者信息交互網絡中存在由于個體聯系緊密或同屬性節(jié)點聚集而形成界線明顯的小團體現象。為了進一步揭示這些子網絡的內部結構，分析節(jié)點間潛在或實存的關系模式及強度，本文選擇k核凝聚子群算法和基于學科屬性的模塊化分析算法進行分析。前者建立在個體節(jié)點的鄰接性、接近度和可達性的基礎上，具有相對強、直接、緊密、經?；蚍e極的關系[24]，可發(fā)掘個體在子網絡中的具體定位和重要程度；后者則用于檢測學科社區(qū)，側重發(fā)現同學科用戶群體之間的行為、聯系和互動，個體之間無需存在直接或間接聯系。

2.3.1 k核凝聚子群探索 k核凝聚子群意味著子網絡中的節(jié)點都至少與該子圖中k個其他節(jié)點鄰接。當k=2時，共形成7個小團體，如圖2所示，淺色邊為@，深色邊為RT@，箭頭表示信息流向，邊粗細代表關系強度。

圖2k核凝聚子群分析(k=2)

表6對圖2中的7個子群的節(jié)點數量和涉及的用戶類型進行統計，可以發(fā)現，子群涉及的用戶類型最多5種，最少1種；包含的節(jié)點數最多有50個，最少僅有1個節(jié)點。結合邊的類型、權重以及信息流向來看，凝聚子群的構成一般包括作者和出版方兩類，但這二者也可以獨自形成凝聚子群，比如子群#6和子群#7分別為作者賬戶、出版方賬戶在推文中@自己，以及對自己的推文進行轉發(fā)。同一子群中的利益相關者之間的聯系十分緊密，但不同子群中的利益相關者的交互方式和強度存在區(qū)別，比如子群#4中作者和出版方之間既有@也有轉發(fā)，而子群#3中的作者-出版方僅有轉發(fā)關系；子群#2中的作者間轉發(fā)強度比@的強度更高，而子群#1作者間轉發(fā)強度更低。子群#1、#2、#5的用戶類型較為豐富，研究機構的推文在子群#1和#5中常被作者@和被出版方轉發(fā)，在子群#2中被多位作者轉發(fā)；學術同行在子群#1和#2中與利益相關者的關系均是轉發(fā)；新聞媒體在子群#1中被三位作者@，體現了作者們希望自己的論文能夠通過媒體的宣傳進一步擴散?？偠灾?，不同凝聚子群中的用戶節(jié)點數量、類型以及交互對象、強度等特征都存在一定的差異，除了利益相關者之外，研究機構、學術同行和新聞媒體等非利益相關用戶也在各個凝聚子群中發(fā)揮較為關鍵的信息流通作用。

表6 凝聚子群內部節(jié)點分析

2.3.2 學科社區(qū)檢測 社區(qū)檢測揭示了異構網絡中不同性質、類型的節(jié)點形成的子網絡情況[25]，本研究基于模塊化指標進行社區(qū)檢測，共得到37個社區(qū)，最終呈現節(jié)點覆蓋率在4%以上的8個主要社區(qū)，為進一步探索社區(qū)間關系的形成原因和社區(qū)內部的學科結構，在Gephi中呈現社區(qū)節(jié)點的學科屬性(圖3左)。有如下發(fā)現：

a.從醫(yī)藥健康學社區(qū)#3、#7、#9和#29的聯系模式可以看出，同類學科存在“小團體”的現象，這些學術小團體構成了不同的社區(qū)，這些社區(qū)主要通過同學科“作者-出版方-作者”或者“出版方-作者-出版方”的結構形成跨社區(qū)聯系，本質上是仍是同領域的內部交流，但也可能存在類似社區(qū)#6的孤島型社區(qū)。

b.學科社區(qū)的內部規(guī)范、慣例和社會分享的觀點見解等情境對社區(qū)信息的傳播模式存在影響。不同學科社區(qū)內部結構有所區(qū)別。比如環(huán)境學的大型社區(qū)#23由核心作者主導；而醫(yī)藥健康學的大型社區(qū)#7則主要由出版方主導。即使是同類學科，不同社區(qū)的用戶類型構成和行為模式也存在差異。比如社區(qū)#7有明顯的核心出版方和核心作者，存在@和RT兩種直接交互方式；而社區(qū)#3和#9沒有明顯的核心用戶，關系強度也不高，節(jié)點的重要性趨同；社區(qū)#6和#29的用戶則都緊密圍繞在核心作者周圍，網絡呈現向外輻射狀，其中社區(qū)#6主要為@關系，而社區(qū)#29主要為轉發(fā)關系。

c.作為社交媒體上的虛擬社區(qū)，學科社區(qū)除了上述由單一學科的用戶形成的社區(qū)，還存在由多學科用戶共同組成的社區(qū)。這種社區(qū)由于用戶所屬學科的多樣性，知識結構更為豐富和復雜。比如社區(qū)#22由醫(yī)藥健康學和生物學兩種學科構成，核心作者屬于醫(yī)藥健康學，出版方則來自生物學；社區(qū)#5涉及的學科種類較多，核心作者屬于社會學領域，核心出版方屬于醫(yī)藥健康學，此外還包含了生物學和環(huán)境學的用戶。

圖3 主要學科社區(qū)分布(左)和其他學科社區(qū)分布(右)

由于地球科學、心理學、經濟學、物理學、信息與計算科學的社區(qū)分布情況未在上述8個主要社區(qū)中顯示，因此調整模塊化指標的范圍，直到九種學科完全呈現。從圖3(右)可看出，醫(yī)藥健康學-經濟學、醫(yī)藥健康學-心理學-地球科學、醫(yī)藥健康學-社會學-環(huán)境學和醫(yī)藥健康學-社會學-生物學進行了跨學科交流，形成了學科間的信息傳播鏈，而信息與計算機科學、物理學這兩個學科相對獨立?？傮w而言，各學科在整體網絡中的交互程度和強度較低，醫(yī)藥健康學與經濟學、心理學、地球科學、生物學、環(huán)境學和社會學的利益相關者之間存在直接或間接聯系，但呈現低耦合性，關系也并不十分緊密；而信息與計算科學、物理學則是形成相對孤立的子社區(qū)，這些學科的利益相關者通常僅在各自學科社區(qū)中進行交互，更側重在社區(qū)內部與學術同行或研究機構的信息分享與傳遞。

3 結論與展望

本研究選用2019年Altmetrics熱點論文在Twitter上的用戶交互數據，以作者和出版方兩類利益相關者為基礎節(jié)點向非利益相關用戶節(jié)點輻射，構建Altmetrics利益相關者信息交互網絡，使用社會網絡分析方法對目標用戶群體的交互模式進行全分析。主要有如下發(fā)現：

a.從網絡結構來看，該網絡可以抽象為有向加權網絡，可以從數據內容和結構兩個方面、9種度量指標刻畫整體結構。該網絡屬于稀疏型網絡，但同時存在一定數量的小團體，包括37個社區(qū)，8個主要社區(qū)，7個2核凝聚子群，團體內部的交互強度較高，聯系較為緊密。

b.從個體交互模式來看，在用戶角色層面，作者和出版方的點度中心性和接近中心性遠高于非利益相關用戶，屬于核心用戶。但非利益相關用戶也起著關鍵的聯通作用，比如政府部門和新聞媒體的中介中心性超過作者與出版方，在網絡中占據多方的信息流通要道，屬于橋梁用戶，影響著熱點論文的擴散效果。在信息流路徑層面，該網絡的節(jié)點-關系組合類型多樣，關系強度跨幅較大。對利益相關者與非利益相關用戶間的25種交互方式進行分析，發(fā)現作者和出版方均出現自環(huán)，且前者與非利益相關用戶的交互程度明顯高于后者，學術同行和研究機構分別承擔最重要的信息提供者和接收者的角色。

c.從群體交互模式來看，根據不同性質的用戶節(jié)點可形成凝聚子群和學科社區(qū)兩種形式的子網絡。在不同凝聚子群中，同一類型利益相關者的交互對象偏好和強度存在差異。在不同學科社區(qū)中，內外部的網絡結構受到學科分布和核心用戶類型的影響。其中醫(yī)藥健康學與經濟、心理、地球、生物、環(huán)境、社會學等領域用戶之間存在直接或間接的交互關系，但強度不大；而信息與計算科學、物理學則相對孤立，傾向于學科社區(qū)內部的分享與交流。

根據上述發(fā)現，Altmetrics的研究者和使用者可參考本研究發(fā)現的網絡特征，緊密圍繞Altmetrics指標的應用價值對指標數據進行賦權，比如由作者和出版方兩種利益相關者自推廣而產生的Twitter提及量導致實際影響力水平虛高，因此可以降權；而由學術同行、研究機構等非利益相關用戶產生的提及量則可以根據與利益相關者交互的關系強度適當提高權重，從而使學術評價的結果充分體現各類用戶主體對于學術成果或作者的態(tài)度。除了利益相關者之外，后續(xù)研究還可關注網絡水軍等類型的特殊用戶，將其作為基礎節(jié)點進行輻射構建相應Altmetrics信息傳播網絡；除了@和轉發(fā)外，節(jié)點關系還包括點贊、評論、關注等，對應地，關系權重可以用點贊數、評論數、粉絲量等指標進行表示。未來還可以結合社會學、心理學的理論知識，比如從用戶的交互動機角度對Altmetrics的用戶網絡進行更深、更廣的理論與實證研究，以便繼續(xù)深入探索指標的形成機制，從而進一步充實Altmetrics方法體系，推動學術評價體系的發(fā)展。