社會(huì)媒體中情緒因素對(duì)用戶(hù)轉(zhuǎn)發(fā)行為影響的實(shí)證研究

丁緒武　吳忠　夏志杰

[摘要]為了研究微博中情緒因素對(duì)用戶(hù)轉(zhuǎn)發(fā)行為的影響，構(gòu)建了情緒因素對(duì)轉(zhuǎn)發(fā)行為影響的假設(shè)，并建立了相關(guān)的回歸方程，最后以“馬航飛機(jī)失蹤”和“李某某案件”兩個(gè)微博熱門(mén)話(huà)題作為研究樣本集，利用負(fù)二項(xiàng)回歸分析進(jìn)行了假設(shè)檢驗(yàn)，結(jié)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(zhuǎn)發(fā)和傳播，并且情緒對(duì)于微博的轉(zhuǎn)發(fā)數(shù)量和轉(zhuǎn)發(fā)速度都有積極的影響。

[關(guān)鍵詞]社會(huì)媒體；情緒；轉(zhuǎn)發(fā)；新浪微博

[中圖分類(lèi)號(hào)]TF273 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1008-0821（2014）11-0147-09

近幾年，社會(huì)媒體取得了巨大的發(fā)展，它對(duì)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(hù)數(shù)量已經(jīng)超過(guò)了10億，與此同時(shí)，Twitter覆蓋人數(shù)也達(dá)到了2億。在國(guó)內(nèi)，新浪微博（以下簡(jiǎn)稱(chēng)微博）作為社會(huì)媒體的領(lǐng)跑者，其用戶(hù)數(shù)量也超過(guò)了2.8億。如今，隨著互聯(lián)網(wǎng)的廣泛普及以及其基礎(chǔ)設(shè)施和技術(shù)手段的不斷進(jìn)步，以往限制網(wǎng)絡(luò)信息擴(kuò)散的瓶頸已被消除，蘊(yùn)涵大量UGC的社會(huì)媒體平臺(tái)正在改變著信息傳播和擴(kuò)散的方式。

社會(huì)媒體促進(jìn)了社會(huì)網(wǎng)絡(luò)中的轉(zhuǎn)發(fā)分享行為。一些學(xué)者通過(guò)研究總結(jié)出幾種影響社會(huì)媒體信息擴(kuò)散的因素：內(nèi)容相關(guān)功能（例如主題、URL和標(biāo)簽云、用戶(hù)及網(wǎng)絡(luò)特性（社會(huì)資本認(rèn)知、聲望和同質(zhì)性）。社會(huì)媒體在實(shí)現(xiàn)關(guān)鍵信息的流動(dòng)和共享，以達(dá)到提高應(yīng)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(dòng)因素來(lái)解釋社會(huì)媒體中信息擴(kuò)散的動(dòng)機(jī)，尤其是針對(duì)社會(huì)媒體用戶(hù)的分享行為。作為人與人溝通的一部分，社會(huì)媒體中的內(nèi)容包含了作者的情感、其對(duì)一個(gè)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(duì)于情緒方面的研究一般都是從心理學(xué)角度出發(fā)，本研究希望借鑒這些研究成果，填補(bǔ)社會(huì)媒體中情緒表達(dá)和轉(zhuǎn)發(fā)行為兩者潛在關(guān)系這一項(xiàng)空白。更進(jìn)一步地說(shuō)，本研究假設(shè)社會(huì)媒體中情緒的擴(kuò)散對(duì)于用戶(hù)的轉(zhuǎn)發(fā)行為有著積極的影響，該假設(shè)的建立是基于先前不同學(xué)科的研究成果。文獻(xiàn)研究表明具有影響力的信息能夠在電子溝通媒介中進(jìn)行傳播，文獻(xiàn)通過(guò)對(duì)社交網(wǎng)絡(luò)、博客、在線(xiàn)新聞門(mén)戶(hù)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(rèn)知性涉入，例如關(guān)注、高效的激勵(lì)，這些認(rèn)知性涉入反過(guò)來(lái)會(huì)影響社會(huì)媒體的參與度與用戶(hù)的轉(zhuǎn)發(fā)行為。

本研究選取了微博中兩個(gè)相對(duì)熱點(diǎn)的社會(huì)話(huà)題作為研究的對(duì)象，之所以選擇此類(lèi)話(huà)題是因?yàn)槠湎啾扔趭蕵?lè)類(lèi)、體育類(lèi)等話(huà)題，更加具有爭(zhēng)議性和兩極分化性，網(wǎng)友對(duì)其評(píng)論帶有更多的個(gè)人見(jiàn)解和情緒。而將微博作為數(shù)據(jù)的來(lái)源主要是因?yàn)槠潺嫶蟮挠脩?hù)基數(shù)以及良好的信息擴(kuò)散與分享機(jī)制。微博作為一個(gè)理想的信息傳播平臺(tái)，其傳播機(jī)制首先由某個(gè)用戶(hù)產(chǎn)生一條少于140個(gè)字的微博，然后此微博會(huì)被對(duì)其感興趣的粉絲進(jìn)行轉(zhuǎn)發(fā)，粉絲在轉(zhuǎn)發(fā)的過(guò)程中可能會(huì)加入自己的觀點(diǎn)。

鑒于社會(huì)媒體中情緒擴(kuò)散對(duì)用戶(hù)轉(zhuǎn)發(fā)行為影響研究的缺乏，首先提出情緒擴(kuò)散對(duì)轉(zhuǎn)發(fā)行為的影響假設(shè)，然后通過(guò)實(shí)證研究進(jìn)行驗(yàn)證，進(jìn)一步挖掘社會(huì)媒體中情緒擴(kuò)散對(duì)用戶(hù)轉(zhuǎn)發(fā)行為影響的潛在因素，為準(zhǔn)確地描述情緒在社會(huì)媒體轉(zhuǎn)發(fā)行為中的角色提供依據(jù)和支持。

1、文獻(xiàn)回顧

1.1 情緒對(duì)信息分享行為的影響

學(xué)者們已經(jīng)證明一般情緒性需求非常具有說(shuō)服力和感染力。正如Forgas所說(shuō)，情緒會(huì)影響我們所關(guān)注的事物、我們所學(xué)習(xí)的東西、我們所記憶的過(guò)往，最終會(huì)影響我們的判斷和決定。以書(shū)面交流為例，先前的研究指出帶有情緒性的詞語(yǔ)或者能夠引起廣泛認(rèn)知的信息都能夠產(chǎn)生“情緒刺激（emotional stimuli）”。認(rèn)知參與水平的提升可能反過(guò)來(lái)導(dǎo)致更高的可能性去對(duì)“情緒刺激”做出回應(yīng)，例如信息分享等。同樣的，情緒的擴(kuò)散可能反過(guò)來(lái)通過(guò)信息協(xié)調(diào)（information eoordlnation）和分享（sharing）來(lái)影響個(gè)人或者群體之間的交流。

除了高水平的認(rèn)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(duì)某件事情或者某個(gè)話(huà)題做出強(qiáng)烈的回應(yīng)，我們可以將上述這些情緒統(tǒng)稱(chēng)為生理沖動(dòng)（physiologicalarousal）。生理沖動(dòng)已經(jīng)被證實(shí)是驅(qū)動(dòng)信息分享行為的一個(gè)重要因素。而在社會(huì)媒體中，這種生理沖動(dòng)可能導(dǎo)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(jié)出，認(rèn)知參與過(guò)程和情緒刺激在傳統(tǒng)的書(shū)面交流和口頭交流中對(duì)于信息的傳播和轉(zhuǎn)發(fā)行為起著決定性的作用。

1.2 網(wǎng)絡(luò)溝通中的情緒

先前的研究已經(jīng)指出了網(wǎng)絡(luò)溝通（computer-mediatedcommunication，也叫電腦中介傳播）在傳播有關(guān)情緒性信息的作用。在網(wǎng)絡(luò)溝通中，情緒對(duì)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(luò)溝通中，信息接收者能夠通過(guò)一些帶有情緒的詞匯以及輔助語(yǔ)言的工具（如表情符號(hào)等）來(lái)理解發(fā)送者的情緒。事實(shí)上，大量的相關(guān)工作已經(jīng)揭示了在網(wǎng)絡(luò)溝通和在線(xiàn)交流中情緒的作用。如Huffaker研究在線(xiàn)論壇時(shí)發(fā)現(xiàn)，那些在消息中利用更多情感語(yǔ)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(gè)有關(guān)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(gè)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(huì)媒體中，例如SNS、博客和在線(xiàn)論壇等，情緒可以通過(guò)回復(fù)、跟帖等形式來(lái)進(jìn)行擴(kuò)散。Berger和Milknlan在對(duì)紐約時(shí)報(bào)近三個(gè)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?yàn)槠渌N(yùn)含的積極情緒，也有可能是其他一些能夠引起生理沖動(dòng)的情緒。

以上述研究為基礎(chǔ)，可以認(rèn)為由情緒引發(fā)的認(rèn)知和情感激勵(lì)以及分享行為同樣可以應(yīng)用到社會(huì)媒體的研究領(lǐng)域。尤其值得我們注意的是，社會(huì)媒體中文本描述所流露出的情緒更能得到關(guān)注，這也同樣地會(huì)刺激信息的轉(zhuǎn)發(fā)和分享。以上這些理論基礎(chǔ)使得我們推測(cè)在微博中同樣具有類(lèi)似的特征。endprint

2、研究假設(shè)

如今互聯(lián)網(wǎng)蘊(yùn)含的信息呈爆炸式的增長(zhǎng)以及社會(huì)媒體的飛速發(fā)展，這些因素都促使虛擬的社會(huì)網(wǎng)絡(luò)中出現(xiàn)了越來(lái)越多的信息分享行為。在社會(huì)媒體中，信息的擴(kuò)散是以一個(gè)用戶(hù)或者一個(gè)社區(qū)為中心呈點(diǎn)狀式的向周?chē)M(jìn)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(huì)超出最初發(fā)送者的預(yù)料。尤其是對(duì)于微博來(lái)說(shuō)，其具備的轉(zhuǎn)發(fā)功能使得這種現(xiàn)象更為明顯。在信息傳播的驅(qū)動(dòng)因素中，情緒的擴(kuò)散無(wú)疑起著關(guān)鍵的作用。情緒的擴(kuò)散對(duì)于用戶(hù)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(zhuǎn)發(fā)（分享）的數(shù)量和速度兩方面來(lái)影響分享行為。因此本研究有如下假設(shè)：

H1：一條微博中蘊(yùn)含越多情緒性因素，其越容易被轉(zhuǎn)發(fā)（分享）；

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

前人關(guān)于心理學(xué)和組織行為學(xué)的研究已經(jīng)表明，人們對(duì)于積極和消極的刺激所做出的反應(yīng)是不同的。相比較來(lái)說(shuō)，消極刺激能夠更加強(qiáng)烈地、快速地引發(fā)人們?cè)谇楦猩虾托袨樯系恼J(rèn)知。更確切地說(shuō)，人對(duì)于那些消極的或者說(shuō)是負(fù)面的情緒或刺激具有一種先天性的傾向，這種現(xiàn)象稱(chēng)為消極偏見(jiàn)（negativity bias）。最近關(guān)于Facebook的相關(guān)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(fù)?；谝陨系难芯砍晒?，本研究有如下假設(shè)：

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(zhuǎn)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(zhuǎn)發(fā)的時(shí)間更短。

3、數(shù)據(jù)收集與方法設(shè)計(jì)

3.1 數(shù)據(jù)采集

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

3.2 情緒分析

情緒分析（sentiment analysis，也稱(chēng)情感分析）主要是利用相關(guān)算法來(lái)挖掘文本中隱藏的消息發(fā)送者的個(gè)人情感，通常會(huì)將個(gè)人的情緒分為3個(gè)極性（正面、負(fù)面和中性），并且會(huì)給出它們的強(qiáng)度（強(qiáng)、弱）。在本研究中，利用“SentiStrength”情感分析工具來(lái)分析微博中上述兩個(gè)社會(huì)話(huà)題的情緒水平。在先前關(guān)于Myspace和Twitter的研究中，“SentiStrength”工具已經(jīng)被證實(shí)了是非常有效的，它主要是將檢測(cè)文本與一個(gè)人為設(shè)計(jì)的全面的詞典進(jìn)行匹配，并且設(shè)計(jì)了一套有關(guān)于語(yǔ)言學(xué)的規(guī)則來(lái)判斷這個(gè)文本流露的情緒水平。SentiStrength將積極情緒設(shè)定為1（中性）到5（強(qiáng)積極）5個(gè)等級(jí)，同樣的將消極情緒也劃分為一1（中性）到-5（強(qiáng)消極）5個(gè)等級(jí)，而對(duì)于每個(gè)分類(lèi)文本，它都會(huì)同時(shí)給出積極和消極的得分。相比于標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)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(zhǔn)確率。

首先本文通過(guò)下式來(lái)計(jì)算單個(gè)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(qiáng)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(dāng)一條微博中同時(shí)存在積極情緒和消極情緒的詞語(yǔ)，而且兩者相互抵消導(dǎo)致polarity=O這種情況的發(fā)生，本研究引入了公式（2）來(lái)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(fù)特征所代表的積極性和消極性給研究帶來(lái)的混淆。sentiment的取值范圍為[0，8]。

為了檢測(cè)上述兩個(gè)公式的準(zhǔn)確性，本文從樣本數(shù)據(jù)集中抽取了幾條微博進(jìn)行了測(cè)試，其中表示積極情緒的詞語(yǔ)用“+”標(biāo)出，消極情緒的詞語(yǔ)用“-”標(biāo)出，結(jié)果如下：

積極情緒：

澳大利亞再次在相同海域偵測(cè)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（+）??！

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(jié)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(duì)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(wèn)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(duì)不同的表情符號(hào)，本研究也將其視為是微博情緒評(píng)分的一項(xiàng)重要指標(biāo)。

3.3 方法設(shè)計(jì)

3.3.1 變量設(shè)計(jì)

為了驗(yàn)證前文中設(shè)立的假設(shè)H1和H2，本研究為每條微博設(shè)定了如下變量：

rt_number：一條微博被轉(zhuǎn)發(fā)的次數(shù)；

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

senti_number：一條微博中所表達(dá)的情緒總量。

文獻(xiàn)通過(guò)對(duì)Twitter的研究發(fā)現(xiàn)，除了上述3個(gè)變量以外，還有其它一些因素影響用戶(hù)的分享和轉(zhuǎn)發(fā)行為，例如標(biāo)簽（hashtag）的數(shù)量、URL、粉絲數(shù)量等。因此，本研究設(shè)定的其它變量有：

hashtag：一條微博中包含的標(biāo)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(hù)粉絲數(shù)量；

activity：同一時(shí)間段內(nèi)用戶(hù)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(zhuǎn)發(fā)數(shù)量和轉(zhuǎn)發(fā)的時(shí)間間隔。為了驗(yàn)證該假設(shè)，我們將前面設(shè)定的情緒總量與一個(gè)表示情緒極性的變量做交互運(yùn)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(yùn)用回歸方程來(lái)對(duì)設(shè)定的假設(shè)進(jìn)行檢驗(yàn)。對(duì)于H1，由于因變量a_number的值是非負(fù)整數(shù)，而且在樣本集中，其標(biāo)準(zhǔn)差要大于均值，即出現(xiàn)了過(guò)離散現(xiàn)象。因此，本研究引用負(fù)二項(xiàng)回歸模型的前提假設(shè)——即因變量是符合負(fù)二項(xiàng)分布的。負(fù)二項(xiàng)回歸需要對(duì)因變量進(jìn)行對(duì)數(shù)的變換，并且要求對(duì)評(píng)估系數(shù)進(jìn)行指數(shù)轉(zhuǎn)換以評(píng)估和說(shuō)明其對(duì)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(yàn)m，本文引入了neg和inter_term兩個(gè)變量，回歸方程如下：

在H2中，本研究假設(shè)情緒化的微博能夠誘發(fā)更多的轉(zhuǎn)發(fā)和分享行為，而作為因變量的rt_timelag表示連續(xù)時(shí)間單元，因此本文在回歸模型中引入最小二乘法（OLS）來(lái)檢驗(yàn)H2。為了解釋模型的非正態(tài)性，在運(yùn)用OLS回歸分析前對(duì)因變量進(jìn)行了對(duì)數(shù)變換。對(duì)對(duì)數(shù)變換后的因變量進(jìn)行Shapiro-Wilk檢驗(yàn)，結(jié)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(yàn)H4，本研究將neg和inter_term兩個(gè)變量引入到回歸方程中：

4、數(shù)據(jù)分析與結(jié)果討論

4.1 樣本描述性分析

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

從表1中我們可以看出轉(zhuǎn)發(fā)型的微博占到整個(gè)微博樣本集的1/3，而且?guī)в蠻RL鏈接的微博達(dá)到了一半以上，從這些數(shù)據(jù)我們可以得出微博的轉(zhuǎn)發(fā)功能被多數(shù)用戶(hù)經(jīng)常使用，并且用戶(hù)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(gè)樣本集中，活躍和非?；钴S的用戶(hù)數(shù)量不到5%，但是其所發(fā)布的微博數(shù)量總和卻達(dá)到了50%以上。這說(shuō)明了在新浪微博中，意見(jiàn)領(lǐng)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(duì)其粉絲和其他用戶(hù)產(chǎn)生影響。

考慮到本研究的重點(diǎn)是情緒擴(kuò)散對(duì)用戶(hù)轉(zhuǎn)發(fā)行為的影響，因此對(duì)收集到的微博進(jìn)行了進(jìn)一步的篩選，并按照被轉(zhuǎn)發(fā)前50名用戶(hù)和微博總樣本數(shù)進(jìn)行了分類(lèi)對(duì)比，如表3所示：

表3的統(tǒng)計(jì)結(jié)果表明被轉(zhuǎn)發(fā)次數(shù)前50名的用戶(hù)其所發(fā)布的微博帶有更多的情緒因素。而且無(wú)論是在被轉(zhuǎn)發(fā)次數(shù)前50名用戶(hù)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(shuō)明了在新浪微博中，傳達(dá)的積極情緒要多于消極情緒。

4.2 回歸方程結(jié)果分析

4.2.1 轉(zhuǎn)發(fā)數(shù)量

表4中列舉的是關(guān)于回歸方程中變量的描述性統(tǒng)計(jì)分析。對(duì)于“馬航飛機(jī)失蹤”和“李某某案件”兩個(gè)熱門(mén)社會(huì)話(huà)題的微博數(shù)據(jù)集來(lái)說(shuō)，平均下來(lái)，一條微博大約被轉(zhuǎn)發(fā)0.86到0.95次。而在rt_timelag方面，“馬航飛機(jī)失蹤”相關(guān)微博的rt_timelag大約為1個(gè)小時(shí)（58minutes），而“李某某案件”則相對(duì)較慢，為1個(gè)半小時(shí)（100minutes）。而兩個(gè)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(biāo)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(gè)用戶(hù)的平均粉絲數(shù)量則為625和867。

接下來(lái)本研究就前文中設(shè)定的假設(shè)進(jìn)行檢驗(yàn)，表5和表6表示了兩個(gè)微博樣本集中主要自變量的相關(guān)矩陣，而多重共線(xiàn)性檢驗(yàn)表明本研究獲取的數(shù)據(jù)不存在多重共線(xiàn)性問(wèn)題。在H1中，本文假設(shè)一條微博中蘊(yùn)含越多情緒性因素，其越容易被轉(zhuǎn)發(fā)。因此本研究對(duì)公式（3）進(jìn)行了負(fù)二項(xiàng)回歸分析，兩個(gè)微博樣本集的分析結(jié)果如表7和表8所示。研究發(fā)現(xiàn)在兩個(gè)微博樣本集中，關(guān)于senti number變量的回歸系數(shù)是比較令人滿(mǎn)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(zhuǎn)發(fā)。因此，H1得到了本研究數(shù)據(jù)的支持。由于負(fù)二項(xiàng)回歸方程的運(yùn)用，我們需要對(duì)一些變量系數(shù)進(jìn)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(biāo)變量不變的情況下，每增加一個(gè)單位的情緒總量，就會(huì)引發(fā)1.06次的轉(zhuǎn)發(fā)行為（exp（O.06）=1.06）。

為了驗(yàn)證H3是否成立，本研究對(duì)公式（4）進(jìn)行了負(fù)二項(xiàng)回歸分析，該假設(shè)的主要影響自變量為前文中提到的虛擬變量neg和復(fù)合變量inter_term。從表7和表8的負(fù)二項(xiàng)回歸分析結(jié)果中可以看出，對(duì)于“馬航飛機(jī)失蹤微博樣本集”來(lái)說(shuō)，研究的檢驗(yàn)結(jié)果顯示inter_term的相關(guān)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(yàn)結(jié)果則是顯著的（b=0.05，p<0.05），這說(shuō)明了消極情緒比積極情緒能夠引發(fā)更多的轉(zhuǎn)發(fā)行為。因此，這種混合的檢驗(yàn)結(jié)果表明本研究的實(shí)驗(yàn)數(shù)據(jù)并不完全支持m。endprint

對(duì)于兩個(gè)樣本集來(lái)說(shuō)，hashtag、ud和fonow這3個(gè)控制變量對(duì)微博轉(zhuǎn)發(fā)數(shù)量同樣有著重要影響。尤其是hashtag和follow同轉(zhuǎn)發(fā)數(shù)量有著非常重要的聯(lián)系。以實(shí)驗(yàn)結(jié)果為例，微博中每增加一個(gè)單位的標(biāo)簽（hashtag），就會(huì)導(dǎo)致增加0.38次的轉(zhuǎn)發(fā)；每增加10%的粉絲數(shù)量，轉(zhuǎn)發(fā)次數(shù)會(huì)提高4.8%。而用戶(hù)的活躍度（activity）變量跟用戶(hù)的轉(zhuǎn)發(fā)行為有著很強(qiáng)的負(fù)相關(guān)性，這就表明高活躍度的用戶(hù)發(fā)布狀態(tài)并不一定會(huì)導(dǎo)致較高的轉(zhuǎn)發(fā)次數(shù)，有可能會(huì)導(dǎo)致信息過(guò)載的問(wèn)題。

4.2.2 轉(zhuǎn)發(fā)速度

如前文所述，H2和H4是關(guān)于情緒因素同傳播速度之間關(guān)系的假設(shè)，表9和表10展示了兩個(gè)微博樣本集的自變量的相關(guān)矩陣。與驗(yàn)證Hl和1-14一樣，本研究對(duì)收集到的微博數(shù)據(jù)集進(jìn)行了多重共線(xiàn)性檢驗(yàn)，檢驗(yàn)結(jié)果表明實(shí)驗(yàn)數(shù)據(jù)不具有多重共線(xiàn)性，能夠進(jìn)行進(jìn)一步的分析。

在H2中，本文假設(shè)如果原始微博含有的情緒因素越多，第一次轉(zhuǎn)發(fā)的時(shí)間距離其發(fā)布的時(shí)間就越短。為了驗(yàn)證該假設(shè)，本研究對(duì)前文中的公式（5）進(jìn)行了OLS回歸檢驗(yàn)，結(jié)果如表11所示。結(jié)果表明senti_mmaber的相關(guān)系數(shù)在兩個(gè)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(shuō)明了相比于帶有積極情緒因素的（以及中立的）微博，帶有負(fù)面情緒因素的微博不僅被轉(zhuǎn)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(gè)單位的情緒因素，其傳播的時(shí)間間隔（rt_fimelag）就會(huì)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(shí)證分析的結(jié)果并不足以支持H4的成立，因此不能認(rèn)為情緒的極性對(duì)微博傳播的時(shí)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(guān)系數(shù)都具有顯著性，和因變量都呈良好的負(fù)相關(guān)關(guān)系。這表明標(biāo)簽、URL、擁有較多的粉絲以及具有較高的活躍度都對(duì)微博的轉(zhuǎn)發(fā)速度產(chǎn)生了正向的影響。

綜上，本研究的所有假設(shè)的檢驗(yàn)結(jié)果如表12所示：

5、總結(jié)

本文以新浪微博中兩個(gè)熱門(mén)的社會(huì)話(huà)題為研究對(duì)象，以情緒因素為主題，通過(guò)實(shí)證分析了微博中情緒因素對(duì)用戶(hù)轉(zhuǎn)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(zhuǎn)發(fā)和傳播；其次，研究通過(guò)負(fù)二項(xiàng)回歸分析和OLS回歸分析驗(yàn)證了本文設(shè)定的假設(shè)，并對(duì)控制變量和自變量的顯著性進(jìn)行了驗(yàn)證，實(shí)證結(jié)果說(shuō)明情緒不僅對(duì)微博轉(zhuǎn)發(fā)的數(shù)量有積極的影響，而且還可以提高微博的轉(zhuǎn)發(fā)速度；此外，除了情感因素以外，實(shí)證研究的結(jié)果表明其他一些控制變量例如標(biāo)簽、URL、用戶(hù)粉絲數(shù)量、用戶(hù)活躍度等因素都對(duì)微博的轉(zhuǎn)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(shí)證數(shù)據(jù)的來(lái)源只是微博中有關(guān)社會(huì)事件的熱門(mén)話(huà)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(huì)造成研究結(jié)論的片面性。在未來(lái)的工作中，需要將研究的對(duì)象擴(kuò)展到社會(huì)媒體的其他領(lǐng)域（不僅僅局限于微博），開(kāi)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(hù)回復(fù)行為之間的關(guān)系也是未來(lái)研究的重要方向。endprint