唐雪梅 賴勝強 劉家瑤 鄭顯濤

(1.西南政法大學(xué)新聞傳播學(xué)院 重慶 401120；2.重慶理工大學(xué)管理學(xué)院 重慶 401320；3.重慶理工大學(xué)馬克思主義學(xué)院 重慶 401320)

0 引 言

隨著社會化媒體的廣泛應(yīng)用，網(wǎng)絡(luò)信息傳播方式悄然發(fā)生變革，社會化媒體用戶不再僅僅被動消費信息，同時也主動傳播信息。在社會化媒體上人們通過添加關(guān)注或互粉等方式建立、維持、鞏固社會關(guān)系，緊密的社會關(guān)系提升彼此互動，通過社會化媒體的一鍵轉(zhuǎn)發(fā)機制，個體可以更為便利地將接收信息進行再傳播，從而讓信息產(chǎn)生一傳十，十傳百的病毒傳播效應(yīng)，促進信息更快、更廣地傳播[1]。如今，從新產(chǎn)品信息快速擴散到網(wǎng)絡(luò)謠言泛濫[2]，再到網(wǎng)絡(luò)輿情爆發(fā)，無不與受眾信息轉(zhuǎn)發(fā)息息相關(guān)，這也促使學(xué)界開始重視社會化媒體用戶的信息轉(zhuǎn)發(fā)研究。盡管社會化媒體用戶信息轉(zhuǎn)發(fā)研究時間并不長，但相關(guān)成果還是較為豐富，為了更好地反映當(dāng)前信息轉(zhuǎn)發(fā)的研究現(xiàn)狀，本文收集國內(nèi)外相關(guān)文獻進行梳理并指明研究方向，以期為相關(guān)研究做出一些理論貢獻。

1 文獻收集

選取ScieneDirect、EBSCO、Google Scholar數(shù)據(jù)庫為信息轉(zhuǎn)發(fā)國外文獻的搜集來源，以“retweet”“information retransmission”“social media+information diffusion”等為搜索關(guān)鍵詞。國內(nèi)以中國知網(wǎng)為文獻來源，以“信息轉(zhuǎn)發(fā)”“微博+轉(zhuǎn)發(fā)”為搜索關(guān)鍵詞。考慮到社會化媒體使用時間在2008年以后，文獻搜索時間選擇2008—2020年為時間區(qū)間。文獻類型選擇包括了學(xué)術(shù)期刊、學(xué)術(shù)會議和碩博士論文三種類型。本文的信息轉(zhuǎn)發(fā)特指受眾對接收信息的再傳播，再傳播中不對信息做任何修改，既不包括社會化媒體用戶的原創(chuàng)信息，也不包括對接收信息再加工后進行傳播。因此，剔除掉與本文主題研究無關(guān)的文獻，以及屬于用戶在社會化媒體上具有內(nèi)容原創(chuàng)性的信息分享或知識分享，最后國內(nèi)外總共獲得324篇文獻，其中國內(nèi)文獻為79篇。按照發(fā)表時間(文獻分布狀況如圖1)可以看出，從2008年開始逐年遞增，在2014、2015年到達研究高峰，近幾年研究數(shù)量略有下降進入平穩(wěn)期。

圖1 信息轉(zhuǎn)發(fā)文獻歷年分布

從論文發(fā)表期刊來看，根據(jù)發(fā)表數(shù)量目前國內(nèi)依次為《情報雜志》(8篇)、《現(xiàn)代情報》(4篇)、《情報科學(xué)》(3篇)、《計算機科學(xué)》(2篇)、《新聞傳播與研究》(2篇)，國外文獻主要發(fā)表在ComputersinHumanBehavior(11篇)、SocialNetworkAnalysisandMining(9篇)、PlosOne(8篇)。研究學(xué)科主要涵蓋情報學(xué)、計算機科學(xué)、傳播學(xué)等領(lǐng)域。國內(nèi)研究涉及的議題主要包括社會化媒體信息傳播、轉(zhuǎn)發(fā)預(yù)測、輿情事件傳播、情緒傳播、網(wǎng)絡(luò)口碑信息傳播等。國外研究涉及的研究議題主要包括社會化媒體信息傳播、預(yù)測模型、用戶行為、政治傳播、商業(yè)信息轉(zhuǎn)發(fā)等。

盡管研究涉及議題多樣，但總體而言信息轉(zhuǎn)發(fā)研究主要圍繞以下三個核心問題開展：a.有些信息被大量轉(zhuǎn)發(fā)，而有些信息卻不能，什么內(nèi)容的信息更受歡迎，更容易被大量轉(zhuǎn)發(fā)而廣泛傳播？b.網(wǎng)絡(luò)信息在社會化媒體上是如何轉(zhuǎn)發(fā)的，其影響因素包括哪些？c.哪些社會化媒體用戶在信息傳播中發(fā)揮著重要作用？圍繞上述問題，學(xué)者對信息轉(zhuǎn)發(fā)的信息傳播者、受眾、傳播內(nèi)容、傳播環(huán)境展開了較為深入地探討。依據(jù)現(xiàn)有文獻內(nèi)容，本文構(gòu)建信息轉(zhuǎn)發(fā)研究框架(如圖2所示)，并基于該框架梳理現(xiàn)有研究成果。

圖2 社會化媒體用戶信息轉(zhuǎn)發(fā)研究框架

2 信息傳播者對轉(zhuǎn)發(fā)的影響

2.1 信息源可信度

信息傳播者對于受眾而言是信息來源地，霍夫蘭德的說服理論強調(diào)信息源可信度影響受眾態(tài)度和行為，信息源可信度與傳播者專業(yè)性、魅力、權(quán)威性呈正相關(guān)。據(jù)此，許多研究探討了傳播源可信度與信息轉(zhuǎn)發(fā)之間的關(guān)系。在社會化媒體上，信息傳播者可以劃分為實名賬戶和匿名賬戶。一般說來，網(wǎng)絡(luò)匿名有助于傳播者隱匿身份，導(dǎo)致個體自我評價和控制水平降低，產(chǎn)生了放松社會規(guī)范傾向的網(wǎng)絡(luò)解禁效應(yīng)。因而相對于匿名用戶，實名制賬戶具有更高的感知可信度，其推送的信息能夠被更多轉(zhuǎn)發(fā)[3]。當(dāng)信息傳播者是新聞媒體或政府組織，利用其身份的權(quán)威性，也能提高信息源的可信度，增強信息被轉(zhuǎn)發(fā)的概率[4]。在信息源可信度對信息轉(zhuǎn)發(fā)影響的機理上，賴勝強等[5]基于精細加工可能性模型(ELM)指出信息源可信度通過周邊路徑影響受眾轉(zhuǎn)發(fā)行為，即受眾缺乏能力或意愿來處理信息時，更傾向于通過信息源可信度來評估信息可信度，信息源可信度判定更直觀、迅捷。

2.2 信息傳播者的賬戶特征

信息源可信度是受眾主觀感知的結(jié)果，需要通過問卷來調(diào)查。一些研究避開這種主觀性，以客觀的傳播者賬戶特征來研究傳播者的影響。傳播者賬戶特征主要是用網(wǎng)絡(luò)上用于描述傳播者身份或傳播特性的指標(biāo)數(shù)字，如積分等級、微博數(shù)、粉絲數(shù)、信息傳播數(shù)量等。Suh等[6]探討傳播者特征對轉(zhuǎn)發(fā)概率的影響，研究發(fā)現(xiàn)，作者追隨者和粉絲數(shù)量、推文數(shù)量、作者支持的推文數(shù)量、他人轉(zhuǎn)發(fā)其推文的比例、作者推文收到回復(fù)比例與轉(zhuǎn)發(fā)有顯著相關(guān)，而作者過去的推特總數(shù)和轉(zhuǎn)發(fā)率之間沒有很強的相關(guān)性。但目前傳播者特征如粉絲數(shù)量、推文數(shù)量等對轉(zhuǎn)發(fā)影響的研究結(jié)果并不一致，Xu等[7]研究發(fā)現(xiàn)賬戶年齡、賬戶等級和轉(zhuǎn)發(fā)之間有強相關(guān)，而賬戶注冊年限，每天發(fā)送的推特數(shù)量、粉絲數(shù)量、總的推文數(shù)量和轉(zhuǎn)發(fā)之間沒有顯著性。黃膺旭等[8]研究也發(fā)現(xiàn)博主的粉絲數(shù)量和微博平均轉(zhuǎn)發(fā)量之間沒有關(guān)系，原因可能在于僵尸粉的存在?？傮w而言，由于國內(nèi)外用戶行為差異以及學(xué)者在數(shù)據(jù)選擇上的差異導(dǎo)致目前研究傳播者特征對轉(zhuǎn)發(fā)影響的結(jié)論存在差異。

3 受眾特性對轉(zhuǎn)發(fā)的影響

3.1 受眾自身特性

信息轉(zhuǎn)發(fā)畢竟是受眾主觀做出的行為決策，但在網(wǎng)絡(luò)中并非所有用戶都積極參與網(wǎng)絡(luò)信息的生產(chǎn)和傳播，有的用戶只是簡單地瀏覽信息，極少參與信息傳播或評論，他們也被稱為網(wǎng)絡(luò)潛水者。研究者更關(guān)注促進社會化媒體用戶積極參與轉(zhuǎn)發(fā)的因素，研究發(fā)現(xiàn)自身個性、動機以及知識經(jīng)驗是主要影響因素：a.在個性特征上，用戶從眾心理促進轉(zhuǎn)發(fā)行為，個體從眾性越強越傾向轉(zhuǎn)發(fā)信息。人格大五理論指出人格特征包括了開放性、責(zé)任心、外傾性、宜人性和神經(jīng)質(zhì)性，研究發(fā)現(xiàn)個體大五人格特質(zhì)中神經(jīng)質(zhì)和經(jīng)驗開放性對信息轉(zhuǎn)發(fā)具有影響[9]；b.受眾動機。從轉(zhuǎn)發(fā)動機來看，受眾轉(zhuǎn)發(fā)信息的動機主要是利他動機和自我提升動機，在利他動機下人們轉(zhuǎn)發(fā)信息主要是考慮信息是否能夠幫助他人，因此更傾向于轉(zhuǎn)發(fā)有價值的信息[10]。自我提升動機是通過轉(zhuǎn)發(fā)信息來塑造或提升自身形象。社會化媒體用戶轉(zhuǎn)發(fā)某信息也就表達相應(yīng)的立場、態(tài)度、趣味，為了塑造良好的自我形象，受眾傾向轉(zhuǎn)發(fā)與自己價值觀相符合、與期望塑造形象相一致的信息，以期獲得朋友認(rèn)同[11]。當(dāng)用戶缺乏上述動機時就較少參與信息轉(zhuǎn)發(fā)；c.受眾知識。個體知識一方面影響個體的效能感從而影響其信息轉(zhuǎn)發(fā)的意愿，另一方面影響信息轉(zhuǎn)發(fā)的決策。在健康信息的轉(zhuǎn)發(fā)中知識豐富個體由于具備獨立分析健康信息真?zhèn)蔚哪芰σ蚨苄畔?nèi)容的影響，而知識缺乏個體缺乏判斷力更容易受到信息源的影響[12]；d.受眾經(jīng)驗。社會化媒體用戶過去的轉(zhuǎn)發(fā)行為代表了該用戶轉(zhuǎn)發(fā)信息的習(xí)慣，使用轉(zhuǎn)發(fā)信息數(shù)量與瀏覽信息數(shù)量的比率即信息轉(zhuǎn)發(fā)率，或過去信息轉(zhuǎn)發(fā)數(shù)量可以衡量用戶的轉(zhuǎn)發(fā)習(xí)慣，研究發(fā)現(xiàn)轉(zhuǎn)發(fā)比率和轉(zhuǎn)發(fā)數(shù)量正向影響信息轉(zhuǎn)發(fā)[13]。

3.2 受眾關(guān)系

社會化媒體用戶不僅可以通過添加朋友的方式來發(fā)展或鞏固關(guān)系，并且還可以通過社會化媒體來交流彼此的觀點和感受，社會化媒體是網(wǎng)絡(luò)時代人際交往的重要渠道。研究發(fā)現(xiàn)信息轉(zhuǎn)發(fā)者和作者間關(guān)系對信息轉(zhuǎn)發(fā)具有促進作用，傳播雙方關(guān)系的特征變量包括信息轉(zhuǎn)發(fā)者與作者的交流、興趣相似性、社會關(guān)系，以及推文中是否提到用戶等。其中，信息轉(zhuǎn)發(fā)者和作者間的社會關(guān)系被更多研究運用，并基于社會網(wǎng)理論使用強、弱關(guān)系來具體描述社會關(guān)系密切程度。強關(guān)系表明傳播雙方互動頻率高、相互熟悉，彼此間人際信任促進了信息的感知可信從而增加轉(zhuǎn)發(fā)，為了維持和鞏固關(guān)系人們也更多轉(zhuǎn)發(fā)朋友信息以示支持或贊同[14]。社會化媒體上網(wǎng)絡(luò)謠言更容易被轉(zhuǎn)發(fā)，原因也在于強關(guān)系增加了受眾對謠言的感知可信度。盡管強關(guān)系促進信息轉(zhuǎn)發(fā)，但由于彼此之間的高度相似性反而降低信息傳播效率，弱關(guān)系傳播有利于信息在異質(zhì)性個體間流動，在不同社會群體間起到了信息橋梁作用。

4 信息內(nèi)容對轉(zhuǎn)發(fā)的影響

信息轉(zhuǎn)發(fā)是受眾閱讀信息并對信息內(nèi)容進行評估以后所做出的決策，人們關(guān)注什么樣內(nèi)容的信息更受受眾青睞而被更多轉(zhuǎn)發(fā)，這對于自媒體用戶內(nèi)容原創(chuàng)或組織社會化媒體營銷都意義重大，現(xiàn)有文獻主要從信息內(nèi)容特性和文本特性兩個層面探討內(nèi)容的影響。

4.1 信息內(nèi)容特性對轉(zhuǎn)發(fā)的影響

信息內(nèi)容特性是受眾對信息所傳遞的信息內(nèi)容的感知狀態(tài)，現(xiàn)有研究主要采用信息效用、內(nèi)容效價、信息質(zhì)量、情感性等諸多變量來表述信息內(nèi)容特性并探討其與信息轉(zhuǎn)發(fā)的關(guān)系。

a.信息效用。信息效用是信息給受眾帶來的價值感，包括功能價值、娛樂價值等。功能價值是信息給受眾生活、工作或?qū)W習(xí)帶來實際幫助，滿足受眾需求的程度。在社會化媒體上，當(dāng)用戶閱讀到一篇有較高實用性的文章后感覺受益，在利他動機作用下傾向于將此文章分享給自己朋友。信息效用促進信息轉(zhuǎn)發(fā)得到了許多實證研究的支持，Berger等[15]發(fā)現(xiàn)實際有用的文章更有可能被受眾轉(zhuǎn)發(fā)而再次傳播。在健康信息傳播研究中，信息效用體現(xiàn)在信息對實現(xiàn)健康相關(guān)目標(biāo)而采取有效手段的助益性，包括促進健康、提示健康威脅、克服病癥等，研究支持效用更高的健康信息會獲得更多轉(zhuǎn)發(fā)[16]。娛樂是用戶使用社會化媒體的主要動機之一，社會化媒體上輕松、搞笑的娛樂性信息深受用戶喜歡，信息的娛樂性價值促進用戶轉(zhuǎn)發(fā)[17]。此外信息的新奇價值也促進信息轉(zhuǎn)發(fā)，Zhang等[18]研究了帶有新奇價值的偶然信息對用戶轉(zhuǎn)發(fā)行為的影響，表明用戶喜歡轉(zhuǎn)發(fā)帶偶然信息的推文。

b.信息效價。效價是指在事件或物品評價中信息內(nèi)容所持是正面評價、中性評價還是負(fù)面評價。心理學(xué)普遍認(rèn)為個體在信息評估中存在負(fù)向偏誤，負(fù)向信息具有更高勸服效果，負(fù)向網(wǎng)絡(luò)口碑信息會被消費者更多轉(zhuǎn)發(fā)。究其原因，展望理論認(rèn)為相同額度損失給個體帶來的痛苦遠遠大于相同額度收益帶來的喜悅，人們更厭惡損失，因而更重視負(fù)面信息。但Berger等[15]研究卻發(fā)現(xiàn)社會化媒體上正向信息較之負(fù)向信息被更多傳播，因為轉(zhuǎn)發(fā)正面信息更讓讀者產(chǎn)生歡愉，從而提升自我形象。

c.信息情緒性。社會化媒體信息交流更接近于個體間對話，直觀表達強烈的情感，因而內(nèi)容上帶有大量的情緒詞匯或情感表情符號。依據(jù)信息表達的情緒化，信息內(nèi)容可以劃分為情緒信息和理性信息。研究發(fā)現(xiàn)情緒化信息態(tài)度更加鮮明更吸引大眾注意，并且情緒化信息能通過情緒感染機制影響受眾，讓受眾產(chǎn)生類似情緒，在情感共鳴的體驗下受眾更容易被說服，更容易采取共同行動。因此，與理性信息相比，情緒化信息的轉(zhuǎn)發(fā)速度更快，被轉(zhuǎn)發(fā)的數(shù)量也更高[19]。社會化媒體的情緒性體現(xiàn)在情緒類型和情緒喚起度上，情緒類型一般劃分為正向情緒和負(fù)向情緒，負(fù)向情緒信息往往比正向情緒信息更容易被轉(zhuǎn)發(fā)，許多網(wǎng)絡(luò)輿情信息就是由于帶有憤怒、悲傷等負(fù)向情緒而被大量轉(zhuǎn)發(fā)，導(dǎo)致輿情危機事件爆發(fā)。盡管都是負(fù)向情緒，研究發(fā)現(xiàn)不同類型情緒對受眾轉(zhuǎn)發(fā)還存在差異，這主要是情緒喚起度不同。情緒喚起度代表了個體對外界刺激產(chǎn)生反應(yīng)，提高了心率和血壓，在生理、心理被喚醒的狀態(tài)。憤怒、焦慮喚起度高，更容易激發(fā)個體的生理和心理反應(yīng)，高情緒喚起度的媒體信息更可能被轉(zhuǎn)發(fā)；悲傷情緒的喚起度低，個體行為反應(yīng)也更低，反而降低信息轉(zhuǎn)發(fā)可能?？傮w而言，情緒性信息能夠讓受眾產(chǎn)生情緒體驗促使情感認(rèn)同，情感認(rèn)同有助于群體內(nèi)部人際關(guān)系的建立和加強，進一步促進信息分享的意愿。

d.敘事方式。敘事方式是信息內(nèi)容表達的方式，帶有故事性敘事方式的信息更具傳播性，受眾更愿意轉(zhuǎn)發(fā)和分享故事性信息。故事是人類認(rèn)知和交流的一種基本形式，它以生動而迷人的方式傳遞信息，不僅具有清晰線索，而且情節(jié)曲折，更容易被理解和回憶，使信息更生動、更吸引人[20]。當(dāng)文章或標(biāo)題采取懸念和故事情節(jié)的方式來表達時，信息更容易獲得轉(zhuǎn)發(fā)而廣泛傳播。鄭二利[21]對微信公眾號10萬+的文章進行分析，歸納總結(jié)出輕量化和神轉(zhuǎn)折等敘事手法。

4.2 信息文本特性對轉(zhuǎn)發(fā)的影響

信息內(nèi)容特性主要體現(xiàn)在文字內(nèi)容上，而信息文本特性表現(xiàn)在格式或表達方式上，主要包括圖片、符號等使用上，研究關(guān)注信息的文本特性是否會影響受眾的信息轉(zhuǎn)發(fā)。

a.圖像。圖片和視頻在信息處理上較之文字更方面、更快捷，帶有圖片或視頻的信息更容易理解。因此，相對于純文字信息，帶有圖像的信息更容易被關(guān)注、被理解，更多被轉(zhuǎn)發(fā)。此外，圖像信息感覺更真實，能夠為真相提供佐證甚至還原事件發(fā)生的過程，因此帶有圖像的信息更容易獲得信任，受眾感覺信息更可靠更愿意轉(zhuǎn)發(fā)[22]。

b.標(biāo)簽符號。在微博可以使用標(biāo)簽#作為跟蹤性線索來指示信息的主題，受眾閱讀信息時可以通過標(biāo)簽#找到同一主題的其他信息，研究證實具有標(biāo)簽#的信息具有更高的轉(zhuǎn)發(fā)幾率[6]。微博還可以使用@符號來增強信息傳遞的定向功能，實現(xiàn)與特定對象的互動溝通。帶有@符號的定向消息是傳播者和特定對象之間加強接觸的一種策略，可以就特定對象提出的某個問題做出回應(yīng)，研究發(fā)現(xiàn)定向信息讓受眾面較窄，因而對信息轉(zhuǎn)發(fā)具有負(fù)向影響，但對增強傳播者信任度有正向影響[23]。

c.URL網(wǎng)址。URL是互聯(lián)網(wǎng)上標(biāo)準(zhǔn)資源的地址，Ziegele等[24]對比轉(zhuǎn)發(fā)的Twitter信息和一般Twitter信息，結(jié)果發(fā)現(xiàn)56.7%被轉(zhuǎn)發(fā)的twitter含有URL網(wǎng)址，而只有19.0%的普通推特有URL網(wǎng)址，URL有助于向其他用戶推薦有趣的網(wǎng)頁、視頻和其他web內(nèi)容，增強信息轉(zhuǎn)發(fā)。但在健康信息轉(zhuǎn)發(fā)研究中，Sutton等[25]研究發(fā)現(xiàn)在一個URL網(wǎng)址附加評論的方式對信息轉(zhuǎn)發(fā)會產(chǎn)生負(fù)向影響。因此，在原始信息上附加評論并不能幫助該內(nèi)容的傳播，如果轉(zhuǎn)發(fā)者的目標(biāo)是增加原始消息的傳播范圍，那么最好方法是簡單地轉(zhuǎn)發(fā)它。

5 外部環(huán)境對轉(zhuǎn)發(fā)的影響

許多研究還關(guān)注外部環(huán)境對受眾轉(zhuǎn)發(fā)的影響，主要包括了傳播雙方所處的社會環(huán)境、危機情境以及網(wǎng)絡(luò)環(huán)境。

5.1 社會環(huán)境的影響

目前國內(nèi)輿情事件頻頻爆發(fā)，社會化媒體用戶大量參與轉(zhuǎn)發(fā)是引爆輿情的直接因素，而促使用戶參與輿情傳播的原因就是社會環(huán)境影響[26]。目前我國正處于社會轉(zhuǎn)型期，利益表達機制和社會協(xié)調(diào)機制還不夠健全，這促使人們對涉官、涉腐的話題極為敏感，參與網(wǎng)絡(luò)輿情傳播的積極性較強。并且還存在利益分配不公、權(quán)利不公、執(zhí)法不公等個別現(xiàn)象，人們對公平、正義的訴求較高，涉及道德、法制的案件或事件也廣泛受大眾關(guān)注而被轉(zhuǎn)發(fā)。

5.2 危機情境的影響

當(dāng)發(fā)生自然災(zāi)害、公共安全危機、公眾健康危機等緊急情況時，由于外部情境比較模糊，公眾對未來感知不確定性高，因而容易緊張和焦慮，急切盼望獲得信息來降低不確定感，會采取信息轉(zhuǎn)發(fā)來傳播與災(zāi)難、健康相關(guān)的有用信息。Kogan等[27]探討2012年桑迪颶風(fēng)災(zāi)難之前、災(zāi)難期間、災(zāi)難后短期、災(zāi)難后長期四個時期社會化媒體用戶的信息轉(zhuǎn)發(fā)，發(fā)現(xiàn)災(zāi)難期間轉(zhuǎn)發(fā)規(guī)模大于災(zāi)難前后，地方政府和媒體信息被最多轉(zhuǎn)發(fā)。由于普通民眾往往缺乏判斷信息真?zhèn)蔚哪芰Γ虼藶?zāi)害期間網(wǎng)絡(luò)謠言容易被大量轉(zhuǎn)發(fā)而泛濫。Song等[4]分析了新冠肺炎疫情期間的網(wǎng)絡(luò)謠言轉(zhuǎn)發(fā)，研究發(fā)現(xiàn)不僅有關(guān)疫情的謠言被更多轉(zhuǎn)發(fā)，并且謠言類型、信息框架等會增加用戶分享該謠言的可能性。

5.3 網(wǎng)絡(luò)環(huán)境的影響

互聯(lián)網(wǎng)是網(wǎng)絡(luò)信息傳播的基礎(chǔ)和保障，社會化媒體技術(shù)發(fā)展是社會化媒體用戶參與信息轉(zhuǎn)發(fā)的主要推動力，大量研究探討了網(wǎng)絡(luò)結(jié)構(gòu)對信息轉(zhuǎn)發(fā)的影響。網(wǎng)絡(luò)結(jié)構(gòu)是由很多節(jié)點構(gòu)成，節(jié)點之間存在一定的關(guān)系并決定了信息傳播的路徑，因此網(wǎng)絡(luò)結(jié)構(gòu)分析主要從圍繞網(wǎng)絡(luò)密度、凝聚子群、核心邊沿關(guān)系等指標(biāo)進行，以確定網(wǎng)絡(luò)各節(jié)點的聯(lián)系緊密程度以及有影響力的節(jié)點等。胡改麗等[28]以30件網(wǎng)絡(luò)熱點事件為例，分析了網(wǎng)絡(luò)中心性、中介性、網(wǎng)絡(luò)密度以及可達性等對信息轉(zhuǎn)發(fā)的影響。這些研究都強調(diào)網(wǎng)絡(luò)結(jié)構(gòu)越緊密信息傳播越廣，少數(shù)幾個節(jié)點在信息傳播中占有中心地位，起著意見領(lǐng)袖作用，對受眾轉(zhuǎn)發(fā)影響大，而大多數(shù)節(jié)點很少有連接，社會化媒體信息傳播呈現(xiàn)無標(biāo)度網(wǎng)絡(luò)特性。

6 受眾網(wǎng)絡(luò)信息轉(zhuǎn)發(fā)預(yù)測研究

除了研究影響轉(zhuǎn)發(fā)的因素，學(xué)者們還探索基于影響因素的預(yù)測模型。轉(zhuǎn)發(fā)預(yù)測研究一般分四個步驟進行，首先研究人員通過調(diào)用網(wǎng)絡(luò)平臺提供的API 接口或使用網(wǎng)絡(luò)爬蟲軟件爬取網(wǎng)頁收集數(shù)據(jù)，然后從數(shù)據(jù)中提取屬于作者、用戶、內(nèi)容三個因素的各種特征變量，第三步利用提取的特征設(shè)計轉(zhuǎn)發(fā)預(yù)測模型，最后一步對該模型有效性進行評估。網(wǎng)絡(luò)信息轉(zhuǎn)發(fā)預(yù)測研究重點在預(yù)測指標(biāo)以及預(yù)測模型設(shè)計兩個方面，預(yù)測指標(biāo)主要探索和分析影響用戶轉(zhuǎn)發(fā)行為的因素并依據(jù)這些因素提出預(yù)測模型，預(yù)測模型設(shè)計主要是探討如何提高預(yù)測模型的有效性?，F(xiàn)有研究主要采用線性回歸、機器學(xué)習(xí)、傳播動力學(xué)等方法來構(gòu)建預(yù)測模型。

6.1 基于線性回歸的預(yù)測模型

線性回歸模型主要是利用線性回歸法來構(gòu)建預(yù)測模型，模型有效性取決于變量選取及模型設(shè)計，由于個體在轉(zhuǎn)發(fā)中往往存在轉(zhuǎn)發(fā)和不轉(zhuǎn)發(fā)兩種決策，因此研究使用logistic回歸方法來構(gòu)建轉(zhuǎn)發(fā)預(yù)測模型。logistic回歸模型主要用于解決某事情發(fā)生與否(Y)受到其他數(shù)值型自變量(X)影響大小和關(guān)系問題，與普通線性回歸模型相比，最大不同在于logistic回歸模型的因變量為“是”或“否”二分類變量或某狀況發(fā)生的概率。Wang 等[29]探索了基于作者、用戶和內(nèi)容特性的綜合模型，最終選定了10個有效特征變量來創(chuàng)建預(yù)測模型。Suh[6]利用主成分分析(PCA)來探索影響twitter轉(zhuǎn)發(fā)的變量，研究發(fā)現(xiàn)追隨者數(shù)量、標(biāo)簽和URL等對推文的轉(zhuǎn)發(fā)有積極的影響，作者過去的推特總數(shù)與轉(zhuǎn)發(fā)率之間沒有很強的相關(guān)性，最后建立了廣義線性模型來預(yù)測這些變量對轉(zhuǎn)發(fā)概率的影響。

6.2 基于機器學(xué)習(xí)法的預(yù)測模型

隨著人工智能技術(shù)發(fā)展，機器學(xué)習(xí)法也被大量用于預(yù)測社會化媒體的信息轉(zhuǎn)發(fā)。機器學(xué)習(xí)法包括監(jiān)督式學(xué)習(xí)和非監(jiān)督式兩種方式，監(jiān)督式學(xué)習(xí)通過類別的人工標(biāo)識訓(xùn)練和選定模型來確定分類過程，主要方法包括人工神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、支持向量機等。非監(jiān)督式學(xué)習(xí)沒有先驗知識學(xué)習(xí)，僅憑數(shù)據(jù)自身特性而實現(xiàn)聚類分析。在信息轉(zhuǎn)發(fā)研究中，利用機器學(xué)習(xí)法能夠從微博、微信等內(nèi)容中提取相似主題，挖掘內(nèi)容中的情感傾向并分析其對受眾轉(zhuǎn)發(fā)的影響。在確定用戶感興趣的主題上潛在狄利克雷分布(LDA)是常用方法，LDA是一種無監(jiān)督學(xué)習(xí)算法，它將每個文檔視為主題的集合，并找到文檔中的潛在主題。文檔的主題分配是一個迭代過程，它根據(jù)標(biāo)準(zhǔn)來檢查和更新每個文檔中每個單詞的主題分配，單詞跨主題發(fā)生的頻率，以及主題在文檔中發(fā)生的頻率，最后為文檔選擇最合適的主題。安璐[30]應(yīng)用LDA計算話題與用戶轉(zhuǎn)發(fā)數(shù)的關(guān)系，研究發(fā)現(xiàn)與事件進展、政府回應(yīng)和知識普及等主題微博容易被評論，群眾意見和事件措施等主題微博則容易被轉(zhuǎn)發(fā)。情感挖掘法主要是通過機器學(xué)習(xí)自動識別信息內(nèi)容的情感正、負(fù)傾向以及情感強度，并基于情感性預(yù)測信息轉(zhuǎn)發(fā)。Firdaus等[31]基于用戶興趣特征和情感特征構(gòu)建了微博轉(zhuǎn)發(fā)預(yù)測模型。

6.3 基于傳播動力學(xué)的預(yù)測模型

傳播動力學(xué)將信息通過轉(zhuǎn)發(fā)的傳播過程視為與病毒感染擴散相類似的過程，將受眾抽象為易感者、感染者、潛伏者和治愈者個體，依據(jù)不同類型個體轉(zhuǎn)換構(gòu)成不同模型，主要模型包括SI模型、SIR模型、SIS模型和SEIR模型，研究主要對上述模型進行改進來預(yù)測未來的信息轉(zhuǎn)發(fā)量。郭淼等[32]研究復(fù)雜社交網(wǎng)絡(luò)下的微博用戶轉(zhuǎn)發(fā)行為的預(yù)測模型，改進了SEIR模型的數(shù)學(xué)表達以及評價個體傳播能力的PageRank算法，利用數(shù)值仿真對模型進行驗證。

7 未來研究方向

本文從信息傳播者、信息接收者、信息內(nèi)容、信息環(huán)境和轉(zhuǎn)發(fā)影響構(gòu)建了信息轉(zhuǎn)發(fā)研究框架并梳理現(xiàn)有成果，圍繞轉(zhuǎn)發(fā)影響因素，信息轉(zhuǎn)發(fā)差異性、誰轉(zhuǎn)發(fā)信息三個核心問題進行了探討。歸納起來，信息轉(zhuǎn)發(fā)行為不僅是受眾對接收信息的刺激反應(yīng)過程，受到信息內(nèi)容、傳播源特性和自身特性的影響，同時也是受眾的社會交往過程，會受到傳播雙方的社會關(guān)系、社會環(huán)境以及自我形象等的影響，這些因素是影響用戶轉(zhuǎn)發(fā)的主要因素；對于為什么有的信息具有高轉(zhuǎn)發(fā)性，一方面信息傳播源的高可信度會提升信息轉(zhuǎn)發(fā)，另一方面高情感性、有價值、正向、新奇的信息內(nèi)容也更容易被轉(zhuǎn)發(fā)；從個體特性來看，個性活躍、有知識、上網(wǎng)經(jīng)驗豐富的用戶是主要的轉(zhuǎn)發(fā)群體。盡管現(xiàn)有研究成果豐富，能較好回答信息高轉(zhuǎn)發(fā)性、影響因素、轉(zhuǎn)發(fā)用戶特征等問題，但仍存在一些不足，未來需要在如下幾個方面加強探索。

7.1 影響受眾信息轉(zhuǎn)發(fā)的機制研究

目前主要研究了影響信息轉(zhuǎn)發(fā)的因素，但卻很少探討這些因素如何影響受眾轉(zhuǎn)發(fā)。研究只解決了“知其然”的問題，但未解決“知其所以然”的問題，各影響因素的內(nèi)在作用機制及因素間相互作用都沒有得到深入研究。出現(xiàn)上述問題的原因主要在于許多研究都是數(shù)據(jù)驅(qū)動型，而非基于理論出發(fā)來進行探討，目前一些研究已經(jīng)運用了傳播學(xué)的ELM理論、心理學(xué)的情緒理論、社會學(xué)的社會網(wǎng)理論等進行探討，未來需要進一步從各學(xué)科借鑒更多理論來進行探討，完善信息轉(zhuǎn)發(fā)理論。

7.2 信息轉(zhuǎn)發(fā)預(yù)測的進一步完善

雖然目前在轉(zhuǎn)發(fā)預(yù)測方面開展了大量研究，但預(yù)測精度遠非完美。主要挑戰(zhàn)在于一是社會化媒體信息內(nèi)容有限，如微博有字?jǐn)?shù)的限制，這就導(dǎo)致轉(zhuǎn)發(fā)文本身只攜帶少量明確信息，如何提取有用的潛在信息變得較為困難；其次，運用機器學(xué)習(xí)固然能提高效率，但目前社會化媒體信息多是用戶原創(chuàng)信息，用戶常使用一些非正式的詞匯(如藍瘦香菇)、表情符號、標(biāo)點符號來表達情緒，這都加大了程序的識別難度；三是許多預(yù)測模型都是針對特定信息，如商業(yè)品牌信息、輿情信息、健康信息、網(wǎng)絡(luò)謠言等，并針對不同信息類型特點使用了不同的算法來進行預(yù)測。未來需要進一步探索人工智能技術(shù)，加強對情緒、圖像的自動識別，設(shè)計更為廣泛和通用的預(yù)測模型。

7.3 加大對轉(zhuǎn)發(fā)行為的研究

個體轉(zhuǎn)發(fā)行為是信息傳播的微觀基礎(chǔ)，目前許多研究更傾向于從宏觀的總體轉(zhuǎn)發(fā)量來研討信息轉(zhuǎn)發(fā)，忽視對微觀個體轉(zhuǎn)發(fā)行為的研究。人類行為是一個復(fù)雜的心理反應(yīng)過程，現(xiàn)有研究主要探討了個性、情感、情感、興趣等的影響，未來不僅需要進一步拓寬研究視域，探索諸如價值觀、信仰、對話題興趣等的影響，并且這些心理因素隨外部環(huán)境(如事件)的變化而發(fā)生的動態(tài)變化影響也值得關(guān)注；第二，個體轉(zhuǎn)發(fā)行為研究目前主要是針對活躍用戶進行研究，較少關(guān)注到不活躍用戶，原因在于網(wǎng)絡(luò)上的現(xiàn)有數(shù)據(jù)不能提供非活躍用戶的轉(zhuǎn)發(fā)決策偏好。然而，不活躍用戶是潛在轉(zhuǎn)發(fā)者，不轉(zhuǎn)發(fā)信息并不意味著他沒有閱讀信息或不感興趣，找到抑制轉(zhuǎn)發(fā)的因素對推動信息轉(zhuǎn)發(fā)至關(guān)重要；第三，信息轉(zhuǎn)發(fā)數(shù)值的欺詐行為是值得未來關(guān)注的挑戰(zhàn)性因素，一些商家或別有用心之徒為了促進信息被用戶大量轉(zhuǎn)發(fā)，會偽造一些評論或轉(zhuǎn)發(fā)數(shù)量來吸引人跟風(fēng)，轉(zhuǎn)發(fā)欺詐也可能造成謠言大量傳播或虛假廣告泛濫。因此，未來需要探索如何基于用戶特性識別出這些偽造信息。