季佳穎， 錢曉杭

隨著網(wǎng)絡(luò)時(shí)代2.0的發(fā)展，互聯(lián)網(wǎng)變成一個交互式的媒體平臺，為傳播學(xué)研究者們提供了很多從行為或心理層面上研究用戶使用習(xí)慣的機(jī)會。僅僅通過點(diǎn)擊動作，人們便可以獲得以各種形式呈現(xiàn)的信息。本文所使用的數(shù)據(jù)來自2015年3月至2016年11月的“今日頭條”新聞數(shù)據(jù)庫，包括點(diǎn)擊量、轉(zhuǎn)發(fā)量、新聞標(biāo)題長度、新聞圖片數(shù)目等變量。本文使用內(nèi)容分析的研究方法，分析中美新聞標(biāo)題，旨在探究從中國互聯(lián)網(wǎng)新聞中所顯示出的美國觀。傳統(tǒng)內(nèi)容分析和機(jī)器學(xué)習(xí)技術(shù)相結(jié)合的內(nèi)容分析是本研究方法上的亮點(diǎn)。這種研究方法不僅幫助研究人員獲得數(shù)量龐大的研究樣本，還可以減輕勞動力成本，降低人工編碼的誤差率。本研究主要采用SPSS軟件進(jìn)行線性回歸和調(diào)節(jié)回歸的定量研究方法，將“對于美國而言的媒體導(dǎo)向”作為調(diào)節(jié)變量，觀察它如何影響“對于中國而言的媒體導(dǎo)向”和“點(diǎn)擊量/轉(zhuǎn)發(fā)量”之間的關(guān)系。之后對比兩個調(diào)節(jié)回歸的趨勢，運(yùn)用理論來解釋可能的潛在原因及其影響。

一、 文獻(xiàn)綜述

(一) 中美關(guān)系及公共輿論

中美兩國的國際關(guān)系是國際上最為重要的雙邊關(guān)系之一，兩大經(jīng)濟(jì)體的關(guān)系不僅涉及經(jīng)濟(jì)利益，還涉及政治、國家安全、文化影響等眾多因素。

而公共輿論在中美雙邊關(guān)系中起著至關(guān)重要的作用，因?yàn)樗粌H在政府間和公眾層面影響著雙方的協(xié)調(diào)合作，同時(shí)還影響到國家的決策和方針(Tan，2011)。皮尤全球態(tài)度項(xiàng)目(Pew Global Attitudes Project)對64個國家的45萬多名受訪者進(jìn)行調(diào)查，為用戶提供有關(guān)各種話題的主要態(tài)度趨勢。數(shù)據(jù)表示中國的國家形象能夠部分地被對中國的公共輿論所衡量。同樣地，美國的國家形象也能夠部分地被對美國的公共輿論所衡量。從圖1可看出，兩國的偏好率在40%～50%浮動。從2005—2016年，美國對中國的公共輿論的平均偏好率是42.75%，略低于同期中國對美國的公共輿論的平均偏好率45.8%(Pew Research Center，2016)。

圖1 中美兩國公共輿論偏好率

在2016年皮尤研究中心(Pew Research Center)春季的“皮尤全球態(tài)度調(diào)查”中約有50%的受訪者選擇了偏好中國的選項(xiàng)，有52%的受訪者認(rèn)為美國在阻止中國變得更加強(qiáng)大，而只有29%的受訪者認(rèn)為美國愿意接受中國的崛起。中心自2017年2—3月的調(diào)查顯示，美國對中國的偏好率在2016年為37%；而到2017年春季有所改善，上升至44%。報(bào)告指出上升可能是由于中國經(jīng)濟(jì)威脅日益減少。目前，兩國的年輕人更愿意對彼此國家持有偏好的態(tài)度。中國年輕人持有對美國的偏好率比老年人高，美國民眾對中國的偏好率上也有相似的年齡層的差距。18～29歲的民眾中，對中國持有偏好的占51%；而30～49歲的民眾中對中國持有偏好的占47%；50歲以上的民眾中，只有36%的民眾選擇對中國持有偏好的選項(xiàng)。

(二) 選擇性螺旋

在信息傳播的過程中，社交媒體逐漸代替印刷媒體和大眾媒體，成為信息傳播的主要平臺之一。社交媒體為用戶參與信息交互創(chuàng)造了新的途徑，因?yàn)橐苿討?yīng)用程序能提供相關(guān)的用戶行為的數(shù)據(jù)，例如點(diǎn)擊、投票、轉(zhuǎn)發(fā)、評論等。這一現(xiàn)象吸引了許多學(xué)者對信息傳播的路徑進(jìn)行探究(Zhang et al.，2014)。

選擇性螺旋可以被認(rèn)為是沉默螺旋理論、犬儒主義理論、強(qiáng)化理論等的拓展。第一輪的傳播是指“發(fā)布→閱讀→轉(zhuǎn)發(fā)”的“三重奏”。在第一輪傳播之后，其他的傳播螺旋會在轉(zhuǎn)發(fā)后通過再次閱讀以及轉(zhuǎn)發(fā)的形式被激發(fā)。因此，“選擇性螺旋”一詞被用來指引整個信息傳播的循環(huán)和演化過程。此外，盡管整個過程，無論是否容易被測量，都會因?yàn)槭艿皆S多因素的影響而變得復(fù)雜，但可以確定的是整個傳播過程都帶有選擇性。在社會科學(xué)和傳播學(xué)領(lǐng)域中，許多理論可以作為選擇性螺旋的例證，例如：創(chuàng)新擴(kuò)散理論、知識鴻溝理論、沉默的螺旋理論、犬儒主義理論等①。選擇性螺旋使用元理論的研究方法，選擇了一組經(jīng)典和現(xiàn)代的傳播學(xué)理論來描述網(wǎng)絡(luò)新聞環(huán)境中的新現(xiàn)象，產(chǎn)生全新理論框架，進(jìn)一步填補(bǔ)學(xué)術(shù)和理論的不足。

(三) 計(jì)算機(jī)輔助的內(nèi)容分析

隨著先進(jìn)技術(shù)的高速發(fā)展，數(shù)據(jù)變得更容易追蹤和存儲，大數(shù)據(jù)是通過不同方式收集的大量數(shù)據(jù)，這為社會科學(xué)計(jì)算機(jī)輔助研究方法進(jìn)步創(chuàng)造了新的機(jī)會(Lazer et al.，2009)。在傳播學(xué)研究領(lǐng)域，許多反映受眾行為心理的數(shù)據(jù)可通過社交媒體應(yīng)用提供的推文、狀態(tài)、推薦等獲得(Lewis et al.，2013)。以“今日頭條”為例，閱讀量可以反映新聞的吸引力和觀眾的注意力，轉(zhuǎn)發(fā)量可以顯示人們傳播新聞的意愿和新聞的影響力，而整個過程可以展示新聞傳播和輿論循環(huán)。

在傳播學(xué)領(lǐng)域，計(jì)算機(jī)輔助內(nèi)容分析方法的應(yīng)用能生產(chǎn)更可靠和高質(zhì)量的研究，吸引了很多學(xué)者將其與傳統(tǒng)的內(nèi)容分析相結(jié)合，將兩者相結(jié)合的方法是基于不同軟件算法和人工監(jiān)督的機(jī)器學(xué)習(xí)過程(Su et al.，2017)。借助大數(shù)據(jù)或智能算法能讓內(nèi)容分析更加先進(jìn)：第一，在樣本和總體方面，機(jī)器輔助方法可以顯著提高p值，因?yàn)橛?jì)算機(jī)輔助方法可以獲得更大的樣本數(shù)據(jù)量，甚至可以獲得總體的數(shù)據(jù)。第二，基于計(jì)算機(jī)的內(nèi)容分析能避免人工操作中不可避免的弊端，因此可以降低錯誤率，提高產(chǎn)量和可信度(Krippendorff，2012)。第三，人工操作內(nèi)容分析的明顯缺點(diǎn)是時(shí)間和勞動力成本相較于機(jī)器輔助過高，特別是對于大量數(shù)據(jù)，在這個煩瑣的工作過程中，標(biāo)識人員長時(shí)間集中精力地工作會讓標(biāo)識過程更容易出錯。因此大規(guī)模的人工標(biāo)識是不可行的(Hopkins & King，2010)，而計(jì)算機(jī)程序可以以驚人的速度分析大數(shù)據(jù)(Conway，2006)。因此，計(jì)算機(jī)輔助的內(nèi)容分析可以促進(jìn)純粹的人力工作效率，降低錯誤率，提高可靠性、效率和標(biāo)識員間的可信度。

另外，這種方法也有缺點(diǎn)。人類標(biāo)識員在面對復(fù)雜潛在的表達(dá)或解釋信息背景時(shí)，能更加專業(yè)地處理一些含有深刻意義的分析(Krippendorff，2012)。一些學(xué)者認(rèn)為對于潛在和隱藏的內(nèi)容，人類標(biāo)識員顯得更可靠和不可替代(Sj?vaag & Stavelin，2012)。此外，句子的一些表達(dá)方法如隱喻、諷刺，對計(jì)算機(jī)方法來說也是個難點(diǎn)。隨著社交媒體的大規(guī)模轉(zhuǎn)移，大量的新詞或者網(wǎng)絡(luò)詞匯出現(xiàn)，對這項(xiàng)技術(shù)構(gòu)成挑戰(zhàn)。還有一點(diǎn)是，雖然方言的詞匯和短語在新聞中并不頻繁，但也處于計(jì)算機(jī)方法的不可及范圍。而傳統(tǒng)內(nèi)容的分析單位是指長篇文章，如新聞文章評論等，研究人員會較容易深入分析其框架或語氣(Lewis et al.，2013)。

目前計(jì)算機(jī)輔助內(nèi)容分析技術(shù)的發(fā)展，首先要提到的是字典方法(Krippendorff，2012)，基于字典的計(jì)算可以由幾個軟件程序?qū)崿F(xiàn)，如TaxtPack、VBPro和WordStat；另一種方法稱為統(tǒng)計(jì)關(guān)聯(lián)方法，用于常語義分析、框架文本分析等(Krippendorff，2012)。區(qū)別于理論驅(qū)動的字典方法，這種方法因?yàn)闆]有預(yù)先設(shè)定好的類別而更傾向于數(shù)據(jù)驅(qū)動，它確保分析更加客觀(Simon & Xenos，2004)，也更通用、更精確，并能排除潛在的人工操作的弊端。

二、 研究問題和假設(shè)檢驗(yàn)

為了探究中國媒體平臺受眾的公共輿論與選擇性螺旋，此項(xiàng)研究提出了2條假設(shè)檢驗(yàn)和4個研究問題。

第一，數(shù)據(jù)的描述性信息將會給出此項(xiàng)研究中因變量(對于中國而言的媒體導(dǎo)向)、自變量(閱讀量、轉(zhuǎn)發(fā)量)、調(diào)節(jié)變量(對于美國而言的媒體導(dǎo)向)基本信息。在本研究中，“對中國而言的媒體導(dǎo)向”是指涉及中美兩國新聞的輿論導(dǎo)向?qū)χ袊允钦妗⒇?fù)面或是中性；同樣地，“對美國而言的媒體導(dǎo)向”是指涉及中美兩國新聞的輿論導(dǎo)向?qū)γ绹允钦?、?fù)面或是中性。舉例來看：2016年6月6日的一篇媒體報(bào)道題為《1死15傷！中國旅游團(tuán)在美國發(fā)生重大車禍詳情》。該標(biāo)題運(yùn)用了感嘆號，強(qiáng)調(diào)了此次車禍的死傷人數(shù)，同時(shí) “重大”這一形容詞也被用來強(qiáng)調(diào)此次車禍的嚴(yán)重性，因而這篇報(bào)道不管對美國還是中國而言都是一個負(fù)面事件，并且媒體刻意強(qiáng)調(diào)了這一事件的負(fù)面性。因而，在標(biāo)識過程中，此篇報(bào)道“對于中國而言的媒體導(dǎo)向”會被標(biāo)識成負(fù)面，“對于美國而言的媒體導(dǎo)向”也會被標(biāo)識成負(fù)面。

同時(shí)，描述信息也會佐證選擇性螺旋所提出的信息從發(fā)布伊始到被閱讀再至被轉(zhuǎn)發(fā)(發(fā)布→閱讀→轉(zhuǎn)發(fā))的螺旋。例如，新聞的閱讀量能夠顯示第一輪轉(zhuǎn)發(fā)閱讀的結(jié)果，閱讀量和轉(zhuǎn)發(fā)量的百分比(閱讀量/轉(zhuǎn)發(fā)量)能反映第二輪閱讀到轉(zhuǎn)發(fā)的結(jié)果。所以第一個研究問題將會解決數(shù)據(jù)的整體性描述。

研究問題1： 關(guān)于“對于中國而言的媒體導(dǎo)向”“對于美國而言的媒體導(dǎo)向”“閱讀量”“轉(zhuǎn)發(fā)量”這四個研究變量的整體性描述是什么？

第二，為了探究“對于中國而言的媒體導(dǎo)向”與“閱讀量”“轉(zhuǎn)發(fā)量”之間的關(guān)系，此項(xiàng)研究提出兩條假設(shè)檢驗(yàn)。

假設(shè)檢驗(yàn)1： “對于中國而言的媒體導(dǎo)向”與“閱讀量”之間呈現(xiàn)正向相關(guān)。(TC&RD)

假設(shè)檢驗(yàn)2： “對于中國而言的媒體導(dǎo)向”與“轉(zhuǎn)發(fā)量”之間呈現(xiàn)正向相關(guān)。(TC&RL)

第三，之前并未有研究著眼于新聞標(biāo)題所反映出來的對中美之間的輿論導(dǎo)向，此項(xiàng)研究將針對這一點(diǎn)提出研究問題：

研究問題2： 假設(shè)檢驗(yàn)1中提出的兩個變量之間的關(guān)系會如何被“對于美國而言的媒體導(dǎo)向”所調(diào)節(jié)？(TC&RD/TA)

研究問題3： 假設(shè)檢驗(yàn)2中提出的兩個變量之間的關(guān)系會如何被“對于美國而言的媒體導(dǎo)向”所調(diào)節(jié)？(TC&RL/TA)

第四，為了檢驗(yàn)選擇性螺旋理論，此項(xiàng)研究將提出研究問題4對研究問題2和研究問題3進(jìn)行比較分析。

研究問題4： 研究問題2和研究問題3之間存在何種異同？

三、 數(shù)據(jù)和研究方法

(一) 數(shù)據(jù)來源

此項(xiàng)研究來源于“今日頭條”手機(jī)應(yīng)用?！敖袢疹^條”應(yīng)用人工智能技術(shù)，通過一系列算法模型，能夠基于用戶的使用習(xí)慣為用戶精準(zhǔn)推薦相關(guān)新聞。人工智能推薦技術(shù)、自媒體平臺理念讓“今日頭條”在中國擁有很大的用戶群體。該應(yīng)用在2012年8月正式發(fā)布，到2017年1月用戶數(shù)已達(dá)7億，其中月活躍用戶達(dá)1.75億。本研究的數(shù)據(jù)來源于“今日頭條”2015年3月至2016年11月的全部新聞，包括閱讀量、轉(zhuǎn)發(fā)量、新聞標(biāo)題等。經(jīng)過篩選關(guān)鍵詞“美”和“美國”，本次研究共篩選出47266萬條美國相關(guān)新聞以進(jìn)行相關(guān)問題研究和假設(shè)檢驗(yàn)。

(二) 內(nèi)容分析和標(biāo)識

內(nèi)容分析和標(biāo)識過程共歷時(shí)三個月，由6名標(biāo)識員共同完成。此項(xiàng)研究基于47266萬條新聞，其中10000條新聞由標(biāo)識員共同標(biāo)識處理，剩余37266條數(shù)據(jù)由程序員基于標(biāo)識結(jié)果結(jié)合機(jī)器學(xué)習(xí)進(jìn)行處理。為了在標(biāo)識員之間形成高信度，6個標(biāo)識員之間協(xié)同合作，參考大量文獻(xiàn)作為理論指導(dǎo)，在經(jīng)過前期一系列的訓(xùn)練后，討論形成了嚴(yán)格的標(biāo)識本。此過程旨在從“正面”“中性”“負(fù)面”三個維度標(biāo)識 “對于中國而言的媒體導(dǎo)向”和“對于美國而言的媒體導(dǎo)向”這兩個變量。在這里還需要說明的是，這兩個變量在標(biāo)識過程中是從國家層面，判斷特定的新聞報(bào)道對于這個國家(美國或中國)而言是正面報(bào)道、負(fù)面報(bào)道還是中性報(bào)道。再經(jīng)過6輪標(biāo)識訓(xùn)練后，6名標(biāo)識員兩兩組合標(biāo)識10000條新聞，標(biāo)識員之間形成了極高的可信度(見表1)。

表1 標(biāo)識員之間信度

在標(biāo)識過程中，基于手機(jī)短新聞交互設(shè)計(jì)的考慮，標(biāo)識員基于新聞標(biāo)題而非新聞?wù)c正文進(jìn)行標(biāo)識。與傳統(tǒng)紙媒以及網(wǎng)頁新聞不同的是，手機(jī)端新聞并不能將新聞標(biāo)題、新聞?wù)蛘咝侣務(wù)脑谕唤缑嫱瑫r(shí)呈現(xiàn)。出于用戶快速瀏覽閱讀習(xí)慣的考慮，手機(jī)端新聞往往僅呈現(xiàn)新聞標(biāo)題。用戶在大致瀏覽新聞標(biāo)題，快速定位到感興趣的新聞后，再選擇點(diǎn)擊該新聞進(jìn)一步的閱讀。

(三) 機(jī)器學(xué)習(xí)

作為一個跨學(xué)科多合作的研究項(xiàng)目，在內(nèi)容分析中提及的機(jī)器學(xué)習(xí)部分交由程序員完成。程序員基于6名標(biāo)識員標(biāo)識產(chǎn)生的10000條數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，歷時(shí)一個月，共機(jī)器學(xué)習(xí)37266條數(shù)據(jù)。截止到2017年4月，此項(xiàng)研究所基于的47266條數(shù)據(jù)完整生成。

(四) 調(diào)節(jié)模型和回歸分析

針對4條研究問題和2條假設(shè)檢驗(yàn)，從“今日頭條”上抓去的兩個變量——“閱讀量”和“點(diǎn)擊量”，以及通過內(nèi)容分析和標(biāo)識過程生成的兩個變量——“對于中國而言的媒體導(dǎo)向”和“對于美國而言的媒體導(dǎo)向”，將分別作為此項(xiàng)研究的自變量、因變量以及調(diào)節(jié)變量。

自變量： “對于中國而言的媒體導(dǎo)向”。與調(diào)節(jié)變量一樣，自變量也是經(jīng)由機(jī)器輔助標(biāo)識產(chǎn)生，分別用1、2、3標(biāo)識負(fù)面報(bào)道、中性報(bào)道、正面報(bào)道。在接下來的分析過程中，將由“Tc”表示這個變量。

因變量： 閱讀量和轉(zhuǎn)發(fā)量。這兩個變量直接由程序員從“今日頭條”手機(jī)應(yīng)用程序?qū)崟r(shí)抓取。為了表述方便，閱讀量和轉(zhuǎn)發(fā)量將分別由“RD”和“RL”表式。

調(diào)節(jié)變量： “對于美國而言的媒體導(dǎo)向”。這個連續(xù)變量由機(jī)器輔助標(biāo)識產(chǎn)生，分別用1、2、3標(biāo)識負(fù)面報(bào)道、中性報(bào)道、正面報(bào)道。在接下來的分析過程中，將由“TA”表示這個變量。

整個數(shù)據(jù)處理和分析過程將借助SPSS完成。除了描述性數(shù)據(jù)外，本次研究數(shù)據(jù)分析會集中在線性回歸分析和調(diào)節(jié)模型建立。線性回歸旨在探究自變量“對于中國而言的媒體導(dǎo)向”(TC)分別與兩個因變量“閱讀量”(RD)和“轉(zhuǎn)發(fā)量”(RL)之間存在的關(guān)系。建立調(diào)節(jié)模型旨在探究“對于美國而言的媒體導(dǎo)向”這個調(diào)節(jié)變量會對線性回歸所發(fā)現(xiàn)的變量之間的關(guān)系產(chǎn)生何種影響。

四、 結(jié)果

(一) 數(shù)據(jù)描述

從表3可見，此次數(shù)據(jù)分析共基于大約4.7萬條數(shù)據(jù)，最高閱讀量為600萬，最高轉(zhuǎn)發(fā)量為4萬。4.7萬條新聞的平均閱讀量可達(dá)82950次，平均轉(zhuǎn)發(fā)量可達(dá)449次。也就是說，每篇新聞平均而言可獲得大約8.3萬次的閱讀和450次的轉(zhuǎn)發(fā)，平均每一千次閱讀可產(chǎn)生5.412次的轉(zhuǎn)發(fā)(表2)。從表3還可看出，閱讀量和轉(zhuǎn)發(fā)量的平均值都高于其中位數(shù)。這就說明，閱讀量和轉(zhuǎn)發(fā)量的總體分布情況并非呈現(xiàn)正態(tài)分布，而是向數(shù)值低的方向傾斜。

表2 數(shù)據(jù)描述

表3 閱讀量(RD)、轉(zhuǎn)發(fā)量(RL)、對于中國而言的媒體導(dǎo)向(TC)、對于美國而言的媒體導(dǎo)向(TA)

(二) 線性回歸驗(yàn)證假設(shè)檢驗(yàn)1(TC&RD)

線性回歸的結(jié)果呈現(xiàn)在表4中。從以上表格可以看出，預(yù)測變量TC(對于中國而言的媒體導(dǎo)向)可以解釋閱讀量0.3%的變化(調(diào)整R方=0.003，F(xiàn)(1，47263)=143.158，p<0.001)。TC的非標(biāo)準(zhǔn)化系數(shù)是一個正值(b=35172.157，p<0.001)。因此，由對于中國而言的媒體導(dǎo)向(TC)來預(yù)測閱讀量的表達(dá)式為：RD=8827.34+35172.157TC。

表4 線性回歸

(三) 線性回歸驗(yàn)證假設(shè)檢驗(yàn)2(TC&RL)

線性回歸的結(jié)果呈現(xiàn)在表5中。從以上三張表格可以看出，預(yù)測變量TC(對于中國而言的媒體導(dǎo)向)可以解釋轉(zhuǎn)發(fā)量0.3%的變化(調(diào)整R方=0.004，F(xiàn)(1，47263)=176.270，p<0.001)。TC的非標(biāo)準(zhǔn)化系數(shù)是一個正值(b=214.054，p<0.001)。因此，由對于中國而言的媒體導(dǎo)向(TC)來預(yù)測閱讀量的表達(dá)式為：RL=-1.886+214.054TC。

表5 線性回歸

(四) 調(diào)節(jié)模型

為了建立調(diào)節(jié)模型，在本次分析中，基于原有變量，又重新生成另外4個新變量分別是： D1、D2、TC×D1和TC×D2。首先，D1和D2這兩個變量是基于“對于美國而言的媒體導(dǎo)向(TA)”這個變量。D1是指對于美國而言的媒體導(dǎo)向?yàn)樨?fù)面。也就是說，如果對于美國而言的媒體導(dǎo)向?yàn)樨?fù)面(TA=1)，那么D1=1；反之，如果對于美國而言的媒體導(dǎo)向?yàn)檎婊蛑行?TA=2或TA=3)，那么D1=0。同樣地，D2這個變量也是如此生成。D2是指對于美國而言的媒體導(dǎo)向?yàn)檎妗Ｒ簿褪钦f，如果對于美國而言的媒體導(dǎo)向?yàn)檎?TA=3)，那么D2=1；反之，如果對于美國而言的媒體導(dǎo)向?yàn)樨?fù)面或中性(TA=1或TA=2)，那么D2=0。TC×D1和TC×D2這兩個變量是由“對于中國而言的媒體導(dǎo)向(TC)” 分別與D1和D2相乘而得。

研究問題2(TC&RD/TA)：

整個調(diào)節(jié)模型建立為： RD=a1+b1TC+b2D1+b3D2+b4TCD1+b5TCD2

多元線性回歸的結(jié)果呈現(xiàn)在表6中。從上表可看出，TC、D1、D2、TC×D1、TC×D2這5個變量解釋了閱讀量中0.7%的變化(調(diào)整R方=0.007，F(xiàn)(5，47259)=64.011，p<0.001)。TC的非標(biāo)準(zhǔn)化系數(shù)是正值(b=44043.025，p<0.001)，D1的非標(biāo)準(zhǔn)化系數(shù)是正值(b=87089.817，p<0.001)，D2的非標(biāo)準(zhǔn)化系數(shù)是正值(b=100327.335，p<0.001)，而TC×D1的非標(biāo)準(zhǔn)化系數(shù)是負(fù)值(b=-23299.661，p<0.001)，TC×D2的非標(biāo)準(zhǔn)化系數(shù)是負(fù)值(b=-53082.205，p<0.001)。因而，我們可得出a1=-15811.838，b1=44043.025，b2=87089.817, b3=100327.335，b4=-23299.661，b5=-53082.205；

調(diào)節(jié)模型為：RD=a1+b1TC+b2D1+b3D2+b4TCD1+b5TCD2，也就是： RD=-15811.838+44043.025TC+87089.817D1+100327.335D2-23299.661TCD1-53082.205TCD2；

表6 調(diào)節(jié)建模(TC&RD/TA)

如果對于美國而言的媒體導(dǎo)向?yàn)檎?，即D1=0，D2=1，那么RD=(b1+b5)TC+(a1+b3)，即RD=-9039 TC+84516；

如果對于美國而言的媒體導(dǎo)向?yàn)橹行裕碊1=0，D2=0，那么RD=b1TC+a1，即RD=44043 TC-15811；

如果對于美國而言的媒體導(dǎo)向?yàn)樨?fù)面，即D1=1，D2=0，那么RD=(b1+b4)TC+(a1+b2)，即RD=20744 TC+71278。

結(jié)果呈現(xiàn)如圖2。

圖2 調(diào)節(jié)模型可視化(TC&RD/TA)

研究問題3(TC&RL/TA)：

整個調(diào)節(jié)模型建立為： RL=a2+b6TC+b7D1+b8D2+b9TCD1+b10TCD2

多元線性回歸的結(jié)果呈現(xiàn)在表7中。從上表可看出，TC、D1、D2、TC×D1、TC×D2這5個變量解釋了閱讀量中0.8%的變化(調(diào)整R方=0.007，F(xiàn)(5，47259)=75.739，p<0.001)。TC的非標(biāo)準(zhǔn)化系數(shù)是正值(b=276.553，p<0.001)，D1的非標(biāo)準(zhǔn)化系數(shù)是正值(b=533.762，p<0.001)，D2的非標(biāo)準(zhǔn)化系數(shù)是正值(b=650.339，p<0.001)，而TC×D1的非標(biāo)準(zhǔn)化系數(shù)是負(fù)值(b=-148.960，p<0.001)，TC×D2的非標(biāo)準(zhǔn)化系數(shù)是負(fù)值(b=-339.445，p<0.001)。因而，我們可得出a2=-167.947, b6=276.553, b7=533.762, b8=650.339, b9=-148.960, b10=-339.445；

表7 調(diào)節(jié)建模(TC&RL/TA)

我們的調(diào)節(jié)模型為： RL=a2+b6TC+b7D1+b8D2+b9TCD1+b10TCD2，也就是：RL=-167.947+276.553TC+533.762D1+650.339D2-148.960TCD1-339.445 TCD2；

如果對于美國而言的媒體導(dǎo)向?yàn)檎妫碊1=0，D2=1，那么RL=(b6+b10)TC+(a2+b8)，即RL=-63 TC+484；

如果對于美國而言的媒體導(dǎo)向?yàn)橹行裕碊1=0，D2=0，那么RL=b6TC+a2，即RL=276 TC-167；

如果對于美國而言的媒體導(dǎo)向?yàn)樨?fù)面，即D1=1，D2=0, 那么RL=(b6+b9)TC+(a2+b7)，即RL=128TC+336。

結(jié)果呈現(xiàn)如圖3。

圖3 調(diào)節(jié)模型可視化(TC&RL/TA)

五、 討論和總結(jié)

從數(shù)據(jù)描述，我們有以下幾點(diǎn)發(fā)現(xiàn)： (1)每1000個閱讀量才能帶來5次轉(zhuǎn)發(fā)。(2)TC(對中國而言的媒體導(dǎo)向)和TA(對美國而言的媒體導(dǎo)向)這兩個變量的均值分別為2.11和1.91。第一條發(fā)現(xiàn)證明了盡管在閱讀和轉(zhuǎn)發(fā)之間只差了一個點(diǎn)擊的行為，實(shí)際卻差距很大。這一個小小的點(diǎn)擊行為的發(fā)生需要新聞能引起讀者更多的興趣和關(guān)注，同時(shí)也給了新聞內(nèi)容創(chuàng)作更多的壓力來刺激讀者進(jìn)一步支持某類特定的新聞，對此產(chǎn)生更大的興趣，從而最終愿意去轉(zhuǎn)發(fā)該新聞。此外，從第二條發(fā)現(xiàn)可以看出對中國和美國而言的媒體導(dǎo)向十分接近，并都趨于中性。

從兩次線性回歸分析的結(jié)果可以看出，閱讀量(RD)和轉(zhuǎn)發(fā)量(RL)都與對中國而言的媒體導(dǎo)向(TC)呈現(xiàn)正性相關(guān)。這也就是說，如果新聞報(bào)道對中國越正面，就會產(chǎn)生更多的閱讀量和點(diǎn)擊量，這也意味著中國讀者更喜歡閱讀和轉(zhuǎn)發(fā)對中國正面的報(bào)道。

兩次調(diào)節(jié)模型的建立均以對美國而言的媒體導(dǎo)向(TA)為調(diào)節(jié)變量。第一次模型建立以閱讀量(RD)為因變量，結(jié)果呈現(xiàn)在圖2中。首先，圖2中的兩條上升直線分別是媒體導(dǎo)向?qū)γ绹尸F(xiàn)中性和負(fù)面的報(bào)道，閱讀量和對中國的媒體導(dǎo)向依舊呈現(xiàn)正性相關(guān)關(guān)系，也就是說，中國讀者更喜歡閱讀對美國負(fù)面的報(bào)道。這種現(xiàn)象可能部分地由民族主義的概念來解釋，民族主義是意識形態(tài)層面對自己國家多元的共同認(rèn)同，它認(rèn)為，國家應(yīng)該保護(hù)自己免受外界的干擾和攻擊，這個概念與文化、宗教和政治等有相似之處(Triandafyllidou，1998)。中國和美國不僅是戰(zhàn)略伙伴，也是潛在的對手，在某種程度上，這兩個國家之間存在不同的國家利益、意識形態(tài)和國家制度，這可能是導(dǎo)致這一現(xiàn)象的潛在原因。

近十年來，隨著中國的崛起，中國的民族主義一直被廣泛討論。自20世紀(jì)90年代初以來，“崛起的民族主義”已經(jīng)成為中國海上強(qiáng)制性外交一個明顯的因素。然而，Alastair Iain Johnston分析了1998—2015年的調(diào)查數(shù)據(jù)，并得出這個因素是不準(zhǔn)確的。其他因素如組織興趣、意見領(lǐng)袖均會影響其外交(Johnston，2017)。另外，Aeron L.Raach比較和界定了美國與中國之間的民族主義。他聲稱中國民族主義的特點(diǎn)是不干涉別國的內(nèi)政，對霸權(quán)毫無興趣，而美國民族主義則以“普遍”價(jià)值觀為特征，尋求單極化世界(Roach，2016)。

第二，從下降的直線我們可以看出當(dāng)對美國而言的媒體導(dǎo)向(TA)為正時(shí)，對中國而言的媒體導(dǎo)向(TC)和閱讀量(RD)之間存在負(fù)相關(guān)關(guān)系。這意味著當(dāng)對美國的新聞報(bào)道偏向正面的時(shí)候，對中國的報(bào)道越負(fù)面，閱讀量反而會越高。這種現(xiàn)象可能是因?yàn)槿藗兏嗟仃P(guān)注沖突新聞。現(xiàn)在有關(guān)政治新聞討論存在兩大相關(guān)主題： (1)負(fù)面新聞框架，(2)與政治沖突和角逐相關(guān)的戰(zhàn)略新聞報(bào)道。這兩大主題中，人們往往對消極的戰(zhàn)略新聞架構(gòu)感興趣。此外，在該作者的研究中，受訪者更傾向于選擇政治沖突和角逐相關(guān)的戰(zhàn)略新聞或故事(Trussler & Soroka，2013)。Jamieson和Capella認(rèn)為，對于戰(zhàn)略新聞報(bào)道，觀眾更傾向于認(rèn)為導(dǎo)致新聞事件發(fā)生的深層原因是爭奪權(quán)利，而非為了共同利益。Shanto Lyengar和Helmut Norpoth在研究中發(fā)現(xiàn)在選舉新聞中，讀者也更傾向于帶有沖突和角逐的新聞(Hahn & Iyengar, 2002)。就像選舉新聞一樣，當(dāng)涉及兩國的報(bào)道時(shí)，讀者也更喜歡閱讀存在沖突和角逐的新聞報(bào)道。

再來看第二次模型建立。第二次模型建立以轉(zhuǎn)發(fā)量(RL)為因變量，結(jié)果呈現(xiàn)在圖3中。我們可以發(fā)現(xiàn)，第二次模型建立呈現(xiàn)的結(jié)果與第一次極為相似，同樣是兩條上升直線，一條下降直線。選擇性螺旋理論給出了一個合理的推論。由于轉(zhuǎn)發(fā)這一行為，這些被選擇被轉(zhuǎn)發(fā)的新聞又可以產(chǎn)生下一輪的新聞傳播引起下一輪的再閱讀。這一過程對沖突性新聞(即中美媒體導(dǎo)向相反的新聞)至關(guān)重要。這會導(dǎo)致，一些新聞會被傳播至更多讀者而獲得更多閱讀量。選擇性螺旋給出了這一現(xiàn)象的運(yùn)行機(jī)制和內(nèi)在原因，關(guān)于這些選擇性新聞的進(jìn)一步傳播背后的深層次原因可見反射理論。在社會科學(xué)領(lǐng)域，低層級的反射在很大程度上是由社會塑造的，而高層級的反射與社會流動性、既定規(guī)范、政治等因素有關(guān)。社會反射使人們能夠進(jìn)行自我調(diào)查和調(diào)整，這是現(xiàn)實(shí)生活的重要特征(Flanagan，1981)。一些選擇性新聞/信息會進(jìn)一步傳播，對個人的想法或心態(tài)產(chǎn)生深遠(yuǎn)的影響。這個進(jìn)程不可避免地會涉及個人的社會反思，最終形成一個更負(fù)面/積極的社會輿論。

六、 反思和局限

首先，“今日頭條”手機(jī)應(yīng)用程序僅針對中國新聞觀眾，不能說明美國對華的輿論，因而無法進(jìn)行國際雙邊關(guān)系的比較分析。所以未來的研究可引進(jìn)有關(guān)美國對中國輿論的其他一些研究材料和調(diào)查作為補(bǔ)充。

其次，閱讀量和轉(zhuǎn)發(fā)量被用作定量研究方法的因變量。然而，數(shù)字背后的根本原因，如更深層的行為和社會心理原因，是模糊和不確定的。政治學(xué)、心理學(xué)和社會學(xué)等其他學(xué)科理論亟待引入。此外，未來可對這些深層原因進(jìn)行定性研究以作為進(jìn)一步的研究。

第三，由于無法編碼的運(yùn)行規(guī)則和機(jī)制，應(yīng)用計(jì)算機(jī)輔助內(nèi)容分析的方法可能會導(dǎo)致一些技術(shù)缺陷。

第四，重大事件會對政策進(jìn)程和決策過程產(chǎn)生很大影響(Underdal，1979)。此項(xiàng)研究時(shí)間是從2015年3月到2016年11月。在這個時(shí)期，不乏涉及兩個國家的國家利益的重要國際事件，如2016年9月23日中國國家主席習(xí)近平會見美國總統(tǒng)奧巴馬。具體事件會對兩國輿論產(chǎn)生不同影響，而此項(xiàng)研究著眼于整個輿論，并未著眼于具體事件。

第五，基于大數(shù)據(jù)分析的方法雖然可以得到所有新聞的總體信息，但沒有任何細(xì)分。因此，此項(xiàng)研究不可能通過性別、年齡、教育和就業(yè)等不同屬性進(jìn)一步分析可能潛在的意見。

注釋

① 2016年趙心樹教授于萊斯特大學(xué)舉辦的國際媒介與傳播研究學(xué)會(IAMCR)上提出“選擇性螺旋”概念。

參考文獻(xiàn)

Flanagan, O.J.J. (1981). Psychology, progress, and the problem of reflexivity: A study in the epistemological foundations of psychology.JournaloftheHistoryoftheBehavioralSciences, 17(3), 375-386. doi: 10.1002/1520-6696(198107)17:3〈375::AID-JHBS2300170308〉3.0.CO;2-U

Hahn, K. & Iyengar, S. (2002). Consumer demand for election news: The horserace sells. InAnnualMeetingoftheAmericanPoliticalScienceAssociation. Boston: American Political Science Association.

Hopkins, D.J. & King, G. (2010). A method of automated nonparametric content analysis for social science.AmericanJournalofPoliticalScience, 54(1), 229-247. doi: 10.1111/j.1540-5907.2009.00428.x

Johnston, A.I. (2017). Is Chinese nationalism rising?Evidence from Beijing.InternationalSecurity, 41(3), 7-43. doi: 10.1162/ISEC_a_00265

Krippendorff, K. (2012).Contentanalysis:anintroductiontoitsmethodology(3rd Ed.). Thousand Oaks, CA: Sage.

Lazer, D., Pentland, A., Adamic, L., Aral, S., Barabási, A.L., Brewer, D., Christakis, N., Contractor, N., Fowler, J., Gutmann, M., Jebara, T., King, G., Macy, M., Roy, D. & Van Alstyne, M. (2009). Computational social science.Science,323(5915), 721-723. doi: 10.1126/science.1167742

Lewis, S.C., Zamith, R. & Hermida, A. (2013). Content analysis in an era of BigData: A hybrid approach to computational and manual methods.JournalofBroadcasting&ElectronicMedia, 57(1), 34-52. doi: 10.1080/08838151.2012.761702

Pew Research Center (2016). Global Indicator Database. Retrieved from http://www.pewglobal.org/database/indicator/1/country/45/

Roach, A.L. (2016). Spectrums of nationalism: A comparison of American and Chinese nationalism.Inquiries, 8(9), 1.

Simon, A.F. & Xenos, M. (2004). Dimensional reduction of world-frequency data as a substitute for intersubjective content analysis.PoliticalAnalysis, 12(1), 63-75. doi: 10.1093/pan/mph004

Sj?vaag, H. & Stavelin, E. (2012). Web media and the quantitative content analysis: Methodological challenges in measuring online news content.Convergence:TheInternationalJournalofResearchintoNewMediaTechnologies, 18(2), 215-229. doi: 10.1177/1354856511429641

Su, L.Y., Cacciatore, M.A., Liang, X., Brossard, D., Scheufele, D.A. & Xenos, M.A. (2017). Analyzing public sentiments online: Combining human- and computer-based content analysis.Information,Communication&Society, 20(3), 406-427. doi: 10.1080/1369118X.2016.1182197

Tan, Q.S. (2011). The change of public opinion on US-China relations.AsianPerspective, 35(2), 211-237.

Triandafyllidou, A. (1998). National identity and the “other”.EthnicandRacialStudies, 21(4), 593-612. doi: 10.1080/014198798329784

Trussler, M. &Soroka, S. (June 2013). Consumer demand for cynical and negative news frames. InAnnualConferenceofthePoliticalScienceAssociation.Victoria, BC: Political Science Association.

Underdal, A. (1979). Issues determine politics determine policies: The case for a “rationalistic”approach to the study of foreign policy decision-making.CooperationandConflict, 14(1), 1-9. doi: 10.1177/001083677901400101

Zhang, L., Peng, T.Q., Zhang, Y.P., Wang, X.H. & Zhu, J.J.H. (2014). Content or context: Which matters more in information processing on microblogging sites.ComputersinHumanBehavior, 31, 242-249. doi: 10.1016/j.chb.2013.10.031