唐雪梅 朱利麗

摘要：[目的]不同于官方信息傳播相對理性，用戶在社會化媒體上信息傳播具有較強(qiáng)的情緒化特征。情緒化信息傳播具有獨(dú)特的傳播機(jī)制和影響力，國內(nèi)外文獻(xiàn)已經(jīng)開始對此進(jìn)行關(guān)注并成為社會化媒體信息傳播研究的重點(diǎn)之一。[方法]以社會化媒體和情緒等關(guān)鍵詞組合在國內(nèi)外文獻(xiàn)資料庫內(nèi)進(jìn)行搜索，對搜集的相關(guān)文獻(xiàn)進(jìn)行梳理。[結(jié)論]從社會化媒體情緒化信息特征、情感分析、情緒化傳播行為及情緒化信息的影響四個方面述評現(xiàn)有成果，最后分析了現(xiàn)有研究不足并指出未來可能的研究方向。

關(guān)鍵詞：社會化媒體;情緒;信息傳播;綜述;述評;情感分析

DOI：10.3969/j.issn.1008-0821.2019.03.013

〔中圖分類號〕G206〔文獻(xiàn)標(biāo)識碼〕A〔文章編號〕1008-0821（2019）03-0115-07

人們使用社會化媒體創(chuàng)建并維護(hù)與他人的聯(lián)系，密切彼此社會關(guān)系。由于使用低門檻，普通用戶可以非常方便地在社會化媒體上撰寫和轉(zhuǎn)發(fā)信息，分享彼此感受、意見，社會化媒體日益成為人們交流和獲取信息的主要渠道[1]。社會化媒體信息也成為影響經(jīng)濟(jì)社會發(fā)展的重要力量，研究表明社會化媒體信息對產(chǎn)品銷售[2]、電影票房收入[3]、金融股票漲跌[4]、政治領(lǐng)導(dǎo)人選舉[5]以及輿情事件爆發(fā)[6]等都具有重要影響。這也促使學(xué)術(shù)界對社會化媒體的信息傳播展開了大量研究，許多研究關(guān)注社會化媒體的技術(shù)特性，信息質(zhì)量、用戶意見領(lǐng)袖特性等對社會化媒體信息傳播的影響，在眾多研究方向中尤其值得關(guān)注情緒化信息的影響。

情緒是人類一種短暫、高強(qiáng)度、主要受外部事件影響而產(chǎn)生的突發(fā)性生理反應(yīng)，往往通過表情、肢體動作或語言表達(dá)出來，是人類一項基本心理活動。社會化媒體信息絕大多數(shù)是屬于用戶生產(chǎn)內(nèi)容（User-generated Content），社會化媒體信息傳播本質(zhì)上是用戶間互動交流，而人際交流中情緒表達(dá)是普遍現(xiàn)象，因此社會化媒體用戶的情緒化傳播正日益受到信息科學(xué)研究的重視，尤其是信息技術(shù)發(fā)展為情緒信息的抽取和挖掘提供了便利，對社會化媒體情緒化的信息特征、傳播規(guī)律及其影響的相關(guān)研究近年來蓬勃發(fā)展。本文將通過對社會化媒體用戶情緒傳播研究進(jìn)展和成果進(jìn)行梳理，以期為未來更好地開展相關(guān)研究提供助益。

1文獻(xiàn)收集

本質(zhì)上說情緒（Emotion）是主觀認(rèn)知和意識過程的總稱，是對外部事物的感覺、思想和行為作出的心理和生理反應(yīng)[7]。與情緒含義較為相近的概念是情感（Sentiment），但兩者并不完全相同。情緒具有短暫性和情景性，如高興、悲傷，而情感相對穩(wěn)定和內(nèi)隱，如愛國;其次，情緒表現(xiàn)更早與人類的生理特性相關(guān)聯(lián)，是與生俱來，而情感表現(xiàn)較晚與人類的社會特性相關(guān)聯(lián)，是后天習(xí)得。因此人和動物都具有情緒，但人類才具有情感。由于研究中一些學(xué)者并沒有嚴(yán)格區(qū)分情緒和情感，在文獻(xiàn)搜索中分別使用這兩個關(guān)鍵詞。本文通過國外的Science Direct、EBCO以及國內(nèi)的中國知網(wǎng)收集文獻(xiàn)，為了確保發(fā)現(xiàn)盡可能多的相關(guān)文章，嘗試了不同的關(guān)鍵詞組合。同時，如果發(fā)現(xiàn)文獻(xiàn)中有新的潛在有用關(guān)鍵詞或關(guān)鍵詞組合就擴(kuò)展搜索詞列表，并對不同的搜索詞進(jìn)行了測試和比較以尋找最佳的搜索關(guān)鍵詞及其組合。最終采用的搜索詞和搜索詞組合包括“Social Media+Emotions”，“Social Media+Sentiment Analysis”， “Computer Mediated Communication+Emotions”，“Emoticon+Social Media”，中文搜索也采用上述中文詞匯及“網(wǎng)絡(luò)輿情+情緒”的關(guān)鍵詞組合。由于本文主要關(guān)注社會化媒體上的情緒化信息，Web2.0技術(shù)的使用主要是近十年，學(xué)術(shù)對社會化媒體的研究還要滯后一些，因此篩選2010-2017年間的文獻(xiàn)以反映社會化媒體情緒傳播的最新成果。在搜索到的論文中剔除掉與研究主題無關(guān)論文，最后總共獲得了178篇文獻(xiàn)，文獻(xiàn)主要涉及信息科學(xué)、計算機(jī)學(xué)、心理學(xué)、新聞傳播學(xué)、商業(yè)等眾多領(lǐng)域，可以看出社會化媒體用戶的情感傳播已經(jīng)引起了不同學(xué)科學(xué)者的關(guān)注，成為一個跨學(xué)科熱門研究主題。

對現(xiàn)有文獻(xiàn)研究主題進(jìn)行歸類可以發(fā)現(xiàn)，大體可以分為4類。第一是對社會化媒體的情緒信息特性展開研究，第二是研究社會化媒體信息內(nèi)容的情感分析方法，第三是研究社會化媒體用戶的情緒化傳播行為，第四是對社會化媒體情緒信息的影響展開研究。本文將重點(diǎn)對這4類研究成果進(jìn)行梳理。

2社會化媒體情緒信息的特性

2.1以文字表達(dá)情緒

用戶在社會化媒體上發(fā)布信息不但可以陳述事實(shí)也可表達(dá)情緒，表明對當(dāng)前問題的正面或負(fù)面態(tài)度、偏好。學(xué)者們重點(diǎn)關(guān)注社會化媒體用戶間互動交流與現(xiàn)實(shí)中面對面交流是否一樣具有豐富情緒，畢竟線下交流情緒可以通過語言、肢體直接表達(dá)。有研究認(rèn)為網(wǎng)絡(luò)信息的情緒性更低，主要原因在于社會化媒體信息傳播主要通過文字形式，情緒表達(dá)較難，同時文字書寫思考時間更長，避免了情緒沖動性表達(dá)。但也有研究認(rèn)為社會化媒體具有匿名傳播特性，傳播者感覺更安全，信息溝通中無所顧忌容易出現(xiàn)違反規(guī)范的語言，信息傳播更趨情緒化[8];同時網(wǎng)絡(luò)信息交流的虛擬特性無需忌諱信息接受者的感受，不再像面對面交流需要考慮禮貌，線上交流不用掩飾感受，社會化媒體用戶有更強(qiáng)烈的情緒表達(dá)傾向，容易出現(xiàn)過度激烈語言，如對抗、咒罵等，研究發(fā)現(xiàn)社會化媒體上的恐嚇性字詞比面對面交流高4倍[9]。

社會化媒體不僅更容易出現(xiàn)情緒傳播，并且許多研究發(fā)現(xiàn)負(fù)面情緒表達(dá)比正面情緒更為普遍。Yardi S等[10]依據(jù)推特數(shù)據(jù)發(fā)現(xiàn)網(wǎng)絡(luò)事件發(fā)生以后用戶更傾向表達(dá)憤怒、焦慮等負(fù)面情緒，在評論中更容易出現(xiàn)群體極化，用戶更容易產(chǎn)生極端情緒，出現(xiàn)正負(fù)雙峰分布的情感內(nèi)容。Standing C等[11]研究網(wǎng)絡(luò)口碑傳播時發(fā)現(xiàn)在負(fù)面口碑中情緒化信息占63.6%，而正向口碑中情緒化信息只占有8.3%，即負(fù)面口碑傳播者比正面口碑傳播者使用更多的情緒詞匯來抒發(fā)和表達(dá)情緒。

2.2情緒表達(dá)的文本語言線索

人們交流中除了可以使用情緒詞語來表達(dá)情緒外，還可以通過肢體、表情等非語言方式來表達(dá)情緒，社會化媒體用戶信息傳播中也有類似非語言情緒表達(dá)情況，這被稱為文本語言線索（Textual Paralanguage Cues，TPC）。文本語言線索定義為非語言聽覺、觸覺和視覺元素的書面表現(xiàn)，補(bǔ)充或代替書面語言，可以通過文字、符號、圖像、標(biāo)點(diǎn)符號或這些要素的組合進(jìn)行表達(dá)。在社會媒體信息中有多種TPC類型，主要包括：1）表情符號（Emojis）比如使用表示抓狂;2）情感符（Emoticons）比如用“：-D”表示高興用，用“：-（”表達(dá)悲傷;3）字符的重復(fù)（Character Repetitions），主要是通過改變字母拼寫上的改變來表達(dá)自身情緒，比如使用“Yeees，Goood”來表達(dá)正面情緒，漢語中的“藍(lán)瘦香菇”表達(dá)負(fù)面情緒;4）非標(biāo)準(zhǔn)或多個標(biāo)點(diǎn)符號（Nonstandard or Multiple Punctuations）比如使用“?。?！，#%#！！”等;5）擬聲詞：在網(wǎng)絡(luò)語言中通過模擬動作聲音來表達(dá)情緒，使受眾不用觀察實(shí)際動作就能理解情緒狀態(tài)。比如用“哈哈哈”來表達(dá)喜悅情緒，用“嗚嗚”來表達(dá)失落、悲傷情緒。Luangrath? A W等[12]研究用戶對品牌的在線評論，結(jié)果發(fā)現(xiàn)與大約21%的Twitter，19%的Facebook和31%Instagram都包含TPC。用戶使用TPC除了更形象地傳達(dá)自身喜怒哀樂的情緒狀態(tài)外，還能增加信息強(qiáng)度使它看起來具有更強(qiáng)烈的情緒，此外還能消除信息歧義，幫助接收者更好理解信息含義[13]。

3社會化媒體信息的情感分析研究

3.1情感分析的內(nèi)容

社會化媒體用戶大量使用情感詞匯來表達(dá)情緒，這也促使學(xué)者們對社會化媒體信息進(jìn)行情感分析。情感分析也稱為觀點(diǎn)挖掘（Opinion Mining）是指利用自然語言處理和機(jī)器學(xué)習(xí)來識別和提取一篇文章中的主觀信息。自然語言處理（Natural Language Processing，NLP）是結(jié)合人工智能與語言學(xué)一門專業(yè)領(lǐng)域，其任務(wù)是讓電腦懂得人類語言，通過情感分析能夠獲得廣泛的公眾意見或態(tài)度，找出商品特征與評價，了解用戶對某些主題的總體認(rèn)知或偏好[14]。

情感分析可以分為3個級別的粒度進(jìn)行研究，即文檔級、句子級和詞匯級。在文檔層面整篇文章被處理成一個單元，探討文章是積極的、消極的或中立立場。這一層次分析假設(shè)每個文件在單一實(shí)體上表達(dá)意見，并且只有一個意見持有者;在句子層面上，情感分析目的是確定句子是否持有意見，并評價主觀句子的情感取向。句子等級情感分析的挑戰(zhàn)性在于情感取向是高度上下文相關(guān)的，如通過比較句和諷刺句等表達(dá)情感，單看句子很難做出正確理解，研究者需要分析句子中詞匯的詞性、位置、密度和句子關(guān)系結(jié)構(gòu)等來加強(qiáng)單句意見傾向分析的正確性[15]。詞匯級別執(zhí)行更細(xì)粒度的分析，它的兩個關(guān)鍵任務(wù)是特征提取和特征情感分類，在特征提取中要識別分析對象的屬性，在情感分類中則要定義不同屬性的情感傾向。

3.2情感分析的方法

情感分析通常采用兩種典型的方法：字典法和機(jī)器學(xué)習(xí)法。字典法即利用事前建立好的正、負(fù)向情緒字典，對比文本中正負(fù)情感詞匯的數(shù)量、級別、權(quán)重來評估文本的情感傾向。Wu H H等[16]整理出近年進(jìn)行情感分析時使用到的9大情感詞典：ANEW、SentiWordNet、SenticNet6、General Inquirer-Emotion（GI-Emotion）、WordNET-Affect、National Taiwan Universtiy Sentiment Dictionary（NTUSD）、HowNet-VSA、WeFellFine和NELL-Emotion。其中NTUSD和Hownet-VSA為中文詞典，NTUSD是臺灣大學(xué)開發(fā)的中文詞典，總共收錄了11 086個詞匯，其中2 810個正向情感詞和8 276個負(fù)向情緒詞匯。Hownet-VSA是知網(wǎng)的簡易情感詞典，內(nèi)容包括正負(fù)面情感詞語，正負(fù)評價詞語、程度詞匯和主張詞匯等共計18 138個詞匯。字典法需要覆蓋大數(shù)量情感詞的寬覆蓋詞典，詞典中每個單詞都劃分為正向、負(fù)向或中性情緒，良好的詞典集可以提高情緒分析的正確率。

機(jī)器學(xué)習(xí)法有監(jiān)督式、無監(jiān)督式和混合式3種。監(jiān)督式方法需要大量已經(jīng)被標(biāo)記過的訓(xùn)練文件來完成機(jī)器學(xué)習(xí)，通過每次輸入已經(jīng)標(biāo)記好結(jié)果的訓(xùn)練資料去自我調(diào)整內(nèi)部參數(shù)，經(jīng)過多次、全面地學(xué)習(xí)即評估后得到一個預(yù)測模型，如支持向量機(jī)（SVM），樸素貝葉斯（NB），人工神經(jīng)網(wǎng)絡(luò)（ANN）等。與監(jiān)督式不同無監(jiān)督模型不需要標(biāo)記數(shù)據(jù)集，利用特征字庫對情感詞進(jìn)行分群，將高相似度的文件進(jìn)行聚類，如采用K-means聚類與LDA主題建模。一些研究選擇了這兩種方法的結(jié)合采用半監(jiān)督或弱監(jiān)督的方法，使用大量未標(biāo)記的數(shù)據(jù)和部分注釋的數(shù)據(jù)，以建立更好的分類器。

微博等社會化媒體信息量較?。ㄓ?40字的限制），缺少足夠的語文結(jié)構(gòu)線索，并且還充斥著大量的非正規(guī)用語、口語、錯字和表情符，用傳統(tǒng)情感字典法去分析通常正確率偏低，機(jī)器學(xué)習(xí)法被認(rèn)為更準(zhǔn)確，可以有效地分辨許多語境與發(fā)文態(tài)度，但依賴于適當(dāng)訓(xùn)練，有效性很大程度上取決于訓(xùn)練集和分類器的質(zhì)量[17]。情感分析的機(jī)器學(xué)習(xí)法首先是使用爬蟲軟件獲取資料，后對收集文本進(jìn)行清洗斷詞，通過人工標(biāo)注方式產(chǎn)生訓(xùn)練數(shù)據(jù)，再用標(biāo)注文本訓(xùn)練有監(jiān)督學(xué)習(xí)機(jī)器?；旧?，機(jī)器學(xué)習(xí)法假設(shè)有一個未知函數(shù)可以用來描述文本中的情感詞匯和情感類別之間的關(guān)系，計算機(jī)學(xué)習(xí)人工編碼的方式建立該函數(shù)來實(shí)現(xiàn)對這種關(guān)系的自動識別。劉志明等[18]綜合使用3種機(jī)器學(xué)習(xí)算法、3種特征項權(quán)重計算方法和3種特征選取算法對新浪微博的信息進(jìn)行了情感分類研究，史偉等[19]提出了一種基于模糊觀點(diǎn)詞的中文產(chǎn)品評論情感計算方法，主要從情感極性、情感強(qiáng)度對特征觀點(diǎn)對和產(chǎn)品評論分別進(jìn)行統(tǒng)計。

4社會化媒體用戶的情緒化傳播行為

情緒化傳播行為主要是站在傳播者視角研究個體情緒傳播的行為特征及其影響因素。個體情緒事實(shí)上是對外部刺激的心理反應(yīng)，當(dāng)受到外部刺激引發(fā)情緒后網(wǎng)民傾向通過網(wǎng)絡(luò)評論釋放情緒，傳播者的一個重要傳播動因就是情緒驅(qū)動。網(wǎng)絡(luò)謠言傳播研究發(fā)現(xiàn)焦慮、不安等情緒是引發(fā)網(wǎng)民傳播謠言的重要因素[20]。網(wǎng)民傳播情緒化信息在情緒表達(dá)的數(shù)量、強(qiáng)度和情緒類別上具有差異，這主要與情境以及文化有關(guān)。

4.1產(chǎn)品體驗(yàn)對情緒傳播的影響

用戶會在社會化媒體上進(jìn)行大量的網(wǎng)絡(luò)口碑傳播活動，口碑生成的一個重要前因是強(qiáng)烈的情感失衡。在使用產(chǎn)品后網(wǎng)絡(luò)用戶會基于實(shí)際使用體驗(yàn)來傳播購后情緒，滿意顧客傳播正向情緒口碑，不滿顧客傳播負(fù)向情緒口碑，且傳播數(shù)量與情緒狀態(tài)之間呈U型關(guān)系，即正、負(fù)情緒強(qiáng)度高的情況下口碑傳播數(shù)量高，而中性情緒狀態(tài)下顧客口碑傳播數(shù)量少。極端評論中含有更大比例的情感內(nèi)容，產(chǎn)品網(wǎng)絡(luò)評論的情緒分布往往呈雙峰狀態(tài)。對比正負(fù)口碑傳播數(shù)量還可以發(fā)現(xiàn)不滿情緒下用戶口碑傳播數(shù)量高于滿意情緒下的正向口碑，也就是說負(fù)向情緒口碑更多被傳播[21]。

4.2突發(fā)事件對情緒傳播的影響

社會化媒體用戶在進(jìn)行評論時的情緒狀態(tài)往往受突發(fā)公共事件驅(qū)動，許多研究發(fā)現(xiàn)在不同突發(fā)事件中民眾表達(dá)的情緒具有差異，開始重點(diǎn)分析事件特性與情緒類型之間的關(guān)聯(lián)。鄭昱[22]研究指出突發(fā)事件中網(wǎng)民的相對剝奪感會激發(fā)焦慮、憤怒、恐懼等各種情緒反應(yīng)，其中自然災(zāi)害事件中緊張情緒比例最高，社會安全事件和公共衛(wèi)生事件中敵意、憤怒情緒比例最高。Choi Y等[23]將事件引起的網(wǎng)絡(luò)情緒分為結(jié)果型情緒和歸因型情緒兩類，結(jié)果型情緒主要是源自于對事件結(jié)果特定刺激下產(chǎn)生的反應(yīng)，歸因型情緒則是網(wǎng)民對事件進(jìn)行歸因分析后產(chǎn)生的情緒。一般說來，當(dāng)事件評估結(jié)果是負(fù)面、非預(yù)期、重要時，人們會去尋找結(jié)果的起因，也就是說結(jié)果型情緒是不需要深度思考即產(chǎn)生的情緒，而歸因型情緒則是需經(jīng)深度思考才會產(chǎn)生的情緒，如公共安全事件中恐懼、不安屬于結(jié)果型情緒，而生氣、憤怒則是事故歸因是人為因素后產(chǎn)生的歸因型情緒。Jin Y等[24]分析了突發(fā)事件的危機(jī)情境與受眾情緒反應(yīng)間的關(guān)系，研究發(fā)現(xiàn)高可預(yù)見性和高度可控性的危機(jī)情境下，社會化媒體用戶主要表達(dá)憤怒情緒，在可預(yù)見但可控性低的危機(jī)情境下主要表達(dá)悲傷情緒，在不可預(yù)見且可控性低的危機(jī)情境中主要表達(dá)恐懼情緒，在可預(yù)見性低但可控性強(qiáng)的危機(jī)情境下表達(dá)焦慮情緒?？傮w而言，傳播情緒與事件情境密切聯(lián)系，受到事件類型、結(jié)果、以及事件起因等因素的影響。

4.3文化對情緒傳播的影響

文化是影響個體行為的重要因素，不同國家和地區(qū)的人在行為方式上往往具有一定差異。如西方文化強(qiáng)調(diào)個人主義，個體行為更加獨(dú)立，而東方文化強(qiáng)調(diào)集體主義，個體行為更容易受到他人或群體的影響。Sims T等[25]研究發(fā)現(xiàn)文化可以影響個體情緒狀態(tài)，美國等西方人情緒表達(dá)更直接、更傾向表露積極情緒，中國人情緒表達(dá)更含蓄，表露情緒更傾向平衡正負(fù)情緒。周莉等[26]以巴黎暴恐事件為例研究各國網(wǎng)民的評論情緒，研究發(fā)現(xiàn)美國網(wǎng)民傾向于宣泄情緒直接表達(dá)自我觀點(diǎn)，生氣情緒詞匯最多，法國網(wǎng)民更多宣泄焦慮和悲傷情緒，英國網(wǎng)民傾向于對事件抱有批判態(tài)度并探求真相，生氣、焦慮、悲傷情緒差異不大，德國謹(jǐn)慎嚴(yán)密的行為習(xí)慣使網(wǎng)民情緒表達(dá)中各類情緒均較低。

5社會化媒體情緒信息傳播的效果

傳播效果研究主要是從信息接收端視角研究情緒化信息對微觀的個體行為和宏觀的商業(yè)、社會的影響。微觀影響主要關(guān)注對信息受眾的心理及評論、轉(zhuǎn)發(fā)行為，宏觀影響主要關(guān)注對產(chǎn)品品牌形象評價、產(chǎn)品銷售、政治選舉、網(wǎng)絡(luò)輿情傳播、群體事件爆發(fā)等。

5.1對用戶心理和行為的影響

情緒化信息傳播效果主要關(guān)注信息所表達(dá)的情緒如何影響信息受眾。對比情緒化信息與理性信息，理性信息往往過于呆板、教條容易被忽視，而情緒化信息處理起來更容易，更能引起受眾的注意，引起廣泛的認(rèn)知過程增強(qiáng)受眾對信息的記憶效果。此外，情緒化信息較之理性信息更能激發(fā)受眾情緒，Kramer K[27]基于Facebook研究發(fā)現(xiàn)朋友評論的正負(fù)情緒能影響受眾態(tài)度和情緒，其原因在于情緒化信息能夠通過情緒感染方式影響受眾情緒。情緒感染（Contagion）被認(rèn)為有兩種作用機(jī)制：一是強(qiáng)調(diào)個體會無意識地自動模仿他人的動作、表情和聲音，并在模仿過程中體驗(yàn)他人情緒進(jìn)而產(chǎn)生類似的情緒;二是作為一種認(rèn)知過程，情緒感染是理解他人情緒的感受、辨析和接收的過程，受到個體認(rèn)知系統(tǒng)的調(diào)節(jié)。Chmiel A等[28]考察了英國廣播公司論壇中的情緒表達(dá)，研究結(jié)果表明參與者表達(dá)的情緒取決于先前帖子中的情緒，憤怒情緒無論是直接針對其他參與者還是討論話題都可能引起受眾憤怒，而悲傷情緒引起同情和悲傷。

傳播者情緒影響信息受眾情緒后還會進(jìn)一步影響其后續(xù)的認(rèn)知和信息轉(zhuǎn)發(fā)行為。就認(rèn)知而言，Hong Y等[29]以亞馬遜在線評論為對象研究評論有用性，結(jié)果顯示在線評論的正向情感內(nèi)容對評論有用性有積極影響，負(fù)面情緒評論對評論有用性認(rèn)知沒有影響。社會化媒體能產(chǎn)生巨大影響關(guān)鍵是信息受眾的轉(zhuǎn)發(fā)，通過信息轉(zhuǎn)發(fā)可以加快信息的傳播速度和范圍。Berger J等[30]以《紐約時報》上最常見文章為對象，研究發(fā)現(xiàn)情緒內(nèi)容的新聞比非情緒的內(nèi)容更有可能被電子郵件轉(zhuǎn)發(fā)。賴勝強(qiáng)等[31]發(fā)現(xiàn)情緒化網(wǎng)絡(luò)謠言較之非情緒化有更高轉(zhuǎn)發(fā)意愿，情緒化謠言通過情緒感染受眾，弱化受眾的理性分析導(dǎo)致非理性轉(zhuǎn)發(fā)。丁緒武等[32]實(shí)證顯示情緒化內(nèi)容正向影響微博的轉(zhuǎn)發(fā)數(shù)量和轉(zhuǎn)發(fā)速度。

5.2不同類型情緒的影響

情緒包括許多不同狀態(tài)，艾克曼提出5種核心情緒：快樂、悲傷、憤怒、恐懼和厭惡，多數(shù)研究是從效價維度研究正、負(fù)情緒影響。Berger J[30]研究發(fā)現(xiàn)正向情緒內(nèi)容較之負(fù)向情緒更能獲得轉(zhuǎn)發(fā)，但Kramer K[27]研究卻發(fā)現(xiàn)負(fù)面情緒帖子在評論方面比那些正向情緒得到更多轉(zhuǎn)發(fā)量和更快轉(zhuǎn)發(fā)。研究結(jié)論差異可能對象的差異有關(guān)，Berger J研究郵件轉(zhuǎn)發(fā)新聞，而Kramer K研究Twitter網(wǎng)友評論的轉(zhuǎn)發(fā)，也可能在于研究對情緒類型的劃分過于簡單。事實(shí)上不同類型情緒對受眾行為影響存在差異，同樣是負(fù)向情緒，引發(fā)焦慮和憤怒情緒的事件更可能被大量轉(zhuǎn)發(fā)成為最重要事件，而引發(fā)悲傷情緒的事件較少轉(zhuǎn)發(fā)。在后續(xù)研究中，Berger J[33]以情緒效價（正向、負(fù)向）和情緒喚起程度（高、低）兩個維度來劃分情緒類型，研究指出高喚起度情緒（如敬畏、憤怒和焦慮）比低喚起度情緒（悲傷）更能刺激受眾的后續(xù)行為。

5.3預(yù)測研究

社會化媒體情緒的預(yù)測研究主要是基于真實(shí)數(shù)據(jù)分析傳播效果。大多數(shù)文章都通過大數(shù)據(jù)分析抓取社交媒體情緒詞匯，建立模型分析情緒效價傾向、情緒強(qiáng)度等與產(chǎn)品銷售、股票市場的波動、網(wǎng)絡(luò)輿情傳播、選舉結(jié)果的關(guān)系。研究普遍認(rèn)為如果要獲得更為準(zhǔn)確的社會化媒體信息傳播效果必須要考慮情緒化信息的作用，消費(fèi)者評論情緒與產(chǎn)品銷售高度相關(guān)，在線測量情緒可以是一個可行的預(yù)測變量[34]。盡管網(wǎng)絡(luò)使用者不具有樣本代表性，然而許多研究指出網(wǎng)絡(luò)大眾意見可以作為民意代表用來預(yù)測選舉結(jié)果，Ceron A等[17]采用機(jī)器學(xué)習(xí)法分析網(wǎng)絡(luò)用戶所表達(dá)情緒來預(yù)測用戶對于政治人物以及政黨的偏好，Gonzales B S[35]研究了人們對911事件及伊拉克戰(zhàn)爭的情緒反應(yīng)來預(yù)測總統(tǒng)選舉，結(jié)果顯示911事件對情緒效價有顯著的負(fù)向影響，而興奮感最能預(yù)測民眾對總統(tǒng)的支持率。

6未來研究方向

社會化媒體的出現(xiàn)為人際在線交流提供了便利渠道，通過情感詞匯或情感符合可以充分表達(dá)自己體驗(yàn)或?qū)彩聞?wù)的認(rèn)知、情緒。大量研究表明社會媒體用戶傳播的情緒信息不僅反映了網(wǎng)民態(tài)度、認(rèn)知，還能通過情緒感染影響受眾情緒進(jìn)而影響其態(tài)度、信息轉(zhuǎn)發(fā)、產(chǎn)品評估等。盡管現(xiàn)有研究對社會化媒體的情緒化傳播進(jìn)行了大量研究并獲得重要結(jié)論，但畢竟研究剛剛起步，仍存在一些不足未來還需要繼續(xù)加強(qiáng)。

6.1繼續(xù)深化情緒類別影響差異的研究

目前研究注意到不同類型情緒的影響差異，但現(xiàn)有情緒分析主要還是從情緒效價的正向和負(fù)向上進(jìn)行研究。然而最新研究表明即使都是負(fù)向情緒，情緒激活程度不同引發(fā)的行為和態(tài)度也不同，高激活的憤怒情緒與低激活的悲傷情緒能夠激發(fā)截然不同的反應(yīng)。但目前數(shù)據(jù)挖掘研究中情緒分析大多局限于衡量積極和消極情緒。未來對社會化媒體情緒化信息的自動識別應(yīng)更細(xì)化，要能對不同激活程度的情緒進(jìn)行智能識別。此外，未來還應(yīng)該繼續(xù)加強(qiáng)研究不同情緒信息的影響，例如網(wǎng)絡(luò)事件會產(chǎn)生哪些不同類型負(fù)面情緒，大眾信息傳播與這些負(fù)面情緒間的關(guān)系如何，政府或組織如何進(jìn)行回應(yīng)才能有效安撫這些不同類型的負(fù)面情緒。

6.2加強(qiáng)對非文字情緒信息的研究

現(xiàn)有情緒化信息研究主要還是關(guān)注文字信息，計算機(jī)對情緒信息的情感分析也主要是針對文字信息來進(jìn)行。但社會化媒體評論一方面往往文字較少，另一方面文字的意義有時較為模糊，尤其是中文必須考慮具體語境才能判斷其真實(shí)含義，而社會化媒體上不斷翻新出現(xiàn)的網(wǎng)絡(luò)用語也較少歸納在情感詞典中，這些給單純依賴文字進(jìn)行情感分析帶來困難。因此需要加強(qiáng)對表情符號的作用以及自動識別研究，以提高對情緒化信息的準(zhǔn)確理解、評估。此外，隨著4G、5G技術(shù)的發(fā)展，社會化媒體信息交流開始出現(xiàn)聲頻、視頻化趨勢，未來需要研究如何通過聲音、聲調(diào)、視頻面部表情等來識別和判斷傳播者情緒。

6.3重視網(wǎng)絡(luò)輿情的情緒化信息研究

西方對社會化媒體情緒化研究領(lǐng)域主要還是在商業(yè)、政治選舉等領(lǐng)域，而我國社會化媒體信息傳播重要的網(wǎng)絡(luò)輿情傳播領(lǐng)域西方較少涉及。目前國內(nèi)對網(wǎng)絡(luò)輿情傳播的情緒化信息研究重視不夠，現(xiàn)有文獻(xiàn)還主要是理論探討實(shí)證研究較少。未來需要在宏觀信息傳播層面和微觀個體行為層面加強(qiáng)實(shí)證研究，宏觀層面研究輿情事件類型與群體情緒極化、情緒傳播的規(guī)律，以及輿情事件演化與不同類型情緒之間關(guān)系;微觀層面則需加強(qiáng)輿情事件中傳播者的情緒生成、情緒傳播動機(jī)、傳播方式等研究，以及信息受眾對情緒化信息的評論、點(diǎn)贊、轉(zhuǎn)發(fā)等行為的情緒反應(yīng)模式研究。

6.4加強(qiáng)理論研究

社會化媒體情緒化傳播研究多數(shù)是數(shù)據(jù)驅(qū)動，而非理論驅(qū)動。本文收集的文獻(xiàn)中大約只有10%的文章明確提出了相關(guān)理論作為研究基礎(chǔ)，現(xiàn)有研究中使用較多的理論包括心理學(xué)的情緒感染理論，情緒社會分享理論（Social Sharing of Emotion），社會學(xué)的社會支持理論（Social Supports Theory）等，更多文章是對情緒化傳播變量之間的關(guān)系進(jìn)行數(shù)據(jù)分析和探討，但甚少基于理論分析產(chǎn)生這些影響及關(guān)系的原因。這可能與社會化媒體上數(shù)據(jù)獲取的便利性有關(guān)，但缺少理論探討使研究集中在描述發(fā)生了什么，而不是試圖解釋為什么會發(fā)生這些情況。未來研究應(yīng)該重視從心理學(xué)、社會學(xué)、情報學(xué)、傳播學(xué)等學(xué)科中吸收相關(guān)理論進(jìn)行深入研究，構(gòu)建社會化媒體情緒化傳播的理論基石和理論框架，使研究不斷深入。

參考文獻(xiàn)

[1]賴勝強(qiáng)，唐雪梅.政府網(wǎng)絡(luò)輿情回應(yīng)策略的內(nèi)容分析[J].現(xiàn)代情報，2018，（10）：108-114.

[2]Kim A J，Ko E.Do Social Media Marketing Activities Enhance Customer Equity？An Empirical Study of Luxury Fashion Brand[J].Journal of Business Research，2012，65（10）：1480-1486.

[3]Treme J，Vanderploeg Z.The Twitter Effect：Social Media Usage As a Contributor to Movie Success[J].Economics Bulletin，2014，34：793-809.

[4]Chen C，Wu D，Hou Cl.Exploiting Social Media for Stock Market Prediction with Factorization Machine[C].International Joint Conferences on Web Intelligence.IEEE Computer Society，2014：142-149.

[5]Carlisle J E，Patton R C.Is Social Media Changing How We Understand Political Engagement？An Analysis of Facebook and the 2008 Presidential Election[J].Political Research Quarterly，2013，66（4）：883-895.

[6]唐雪梅，賴勝強(qiáng).基于情景危機(jī)溝通理論的網(wǎng)絡(luò)輿情回應(yīng)研究——以患癌教師被開除事件為例[J].情報雜志，2017，36（7）：96-100.

[7]彭曉哲，周曉林.情緒信息與注意偏向[J].心理科學(xué)進(jìn)展，2005，13（4）：488-496.

[8]Ho S M，Hancock J T.Computer-Mediated Deception：Strategies Revealed by Language-Action Cues in Spontaneous Communication[J].Journal of Management Information Systems，2016，33（2）：393-420.

[9]Derks D，F(xiàn)ischer A H，Bos A E R.The Role of Emotion in Computer-mediated Communication：A Review.[J].Computers in Human Behavior，2008，24（3）：766-785.

[10]Yardi S，Boyd D.Dynamic Debates：An Analysis of Group Polarization Over Time on Twitter[J].Bulletin of Science，Technology & Society，2010，30（5），316-327.

[11]Standing C，Holzweber M，Mattsson J.Exploring Emotional Expressions in E-word-of-mouth from Online Communities[J].Information Processing and Management，2016，52（5）：721-732.

[12]Luangrath A W，Peck J，Barger V A.Textual Paralanguage and Its Implications for Marketing Communications[J].Journal of Consumer Psychology，2016，27（1）：98-107.

[13]Riordan M A，Kreuz R J.Cues in Computer-mediated Communication：A Corpus Analysis[J].Computers in Human Behavior，2010，26（6）：1806-1817.

[14]Cambria E，White B.Jumping NLP Curves：A Review of Natural Language Processing Research[J].Computational Intelligence Magazine，2014，9（2）：48-57.

[15]Missen M M S，Boughanem M，Cabanac G.Opinion Mining：Reviewed from Word to Document Level[J].Social Network Analysis & Mining，2013，3（1）：107-125.

[16]Wu H H，Tsai C R，Tsai T H.Building a Graded Chinese Sentiment Dictionary Based on Commonsense Knowledge for Sentiment Analysis of Song Lyrics[J].Journal of Information Science & Engineering，2013，29（4）：647-662.

[17]Ceron A，Curini L.Using Sentiment Analysis to Monitor Electoral Campaigns：Method Matters—Evidence from the United States and Italy[J].Social Science Computer Review，2015，33（1）：3-20.

[18]劉志明，劉魯.基于機(jī)器學(xué)習(xí)的中文微博情感分類實(shí)證研究[J].計算機(jī)工程與應(yīng)用，2012，48（1）：1-4.

[19]史偉，王洪偉，何紹義.基于微博平臺的公眾情感分析[J].情報學(xué)報，2012，31（11）：1171-1178.

[20]Oh O，Agrawal M，Rao H R.Community Intelligence and Social Media Services：A Rumor Theoretic Analysis of Tweets During Social Crises[J].Mis Quarterly，2013，37（2）：407-426.

[21]Cantallops A S，Salvi F.New Consumer Behavior：A Review of Research on eWOM and Hotels.[J].International Journal of Hospitality Management，2014，36（1）：41-51.

[22]鄭昱.突發(fā)公共事件中輿論信息傳播傾向的影響因素——基于民眾負(fù)性情緒的研究視角[J].情報理論與實(shí)踐，2017，40（7）：80-87.

[23]Choi Y，Lin Y H.Consumer Responses to Mattel Product Recalls Posted on Online Bulletin Boards：Exploring Two Types of Emotion[J].Journal of Public Relations Research，2009，21（2）：198-207.

[24]Jin Y.Making Sense Sensibly in Crisis Communication：How Publics Crisis Appraisals Influence Their Negative Emotions，Coping Strategy Preferences，and Crisis Response Acceptance[J].Communication Research，2010，37（4）：522-552.

[25]Sims T，Tsai J L，Jiang D.Wanting to Maximize the Positive and Minimize the Negative：Implications for Mixed Affective Experience in American and Chinese Contexts.[J].Journal of Personality & Social Psychology，2015，109（2）：292-315.

[26]周莉，蔡璐，劉煜.文化差異中的網(wǎng)絡(luò)情緒表達(dá)——YouTube中四國對“巴黎暴恐”事件的網(wǎng)絡(luò)情緒分析[J].情報雜志，2017，36（3）：61-66.

[27]Laurie K.Learning Emotional Understanding and Emotion Regulation Through Sibling Interaction[J].Early Education & Development，2014，25（2）：160-184.

[28]Chmiel A，Sienkiewicz J，Thelwall M.Collective Emotions Online and Their Influence on Community Life[J].Plos One，2011，6（7）：e22207.

[29]Hong Y，Burtch G.Huang N.Culture，Conformity，and Emotional Suppression in Online Reviews[J].Journal of the Association for Information Systems，2016，17（11），737-758.

[30]Berger J.What Makes Online Content Viral[J].Journal of Marketing Research，2009，49（8）：192-205.

[31]賴勝強(qiáng)，唐雪梅.信息情緒性對網(wǎng)絡(luò)謠言傳播的影響研究[J].情報雜志，2016，35（1）：116-121.

[32]丁緒武，吳忠，夏志杰.社會媒體中情緒因素對用戶轉(zhuǎn)發(fā)行為影響的實(shí)證研究——以新浪微博為例[J].現(xiàn)代情報，2014，34（11）：147-155.

[33]Berger J.Arousal Increases Social Transmission of Information[J].Psychol Science，2012，22（7）：891-893.

[34]Hu N，Koh N S，Reddy S K.Ratings Lead You to the Product，Reviews Help You Clinch It？The Mediating Role of Online Review Sentiments on Product Sales[J].Decision Support Systems，2014，57（1）：42-53.

[35]Gonzalez B S，Rafael E B，Andreas K.Emotional Reactions and the Pulse of Public Opinion：Measuring the Impact of Political Events on the Sentiment of Online Discussions[J].arXiv Preprint arXiv，2010，1009.4019.

（責(zé)任編輯：孫國雷）