徐翔　夏敏

摘 要：微博中的意見領(lǐng)袖不僅是意見、認知和信息的擴散節(jié)點，也扮演著社會“情感領(lǐng)袖”的角色，并體現(xiàn)出鮮明的情感偏向特征，尤其是特定類型的情感傳導?；趯π吕宋⒉┯脩簦∟=38 985）及其每人1 000條帖子的采樣，對情感和用戶類型進行實證分析。研究結(jié)果認為：粉絲數(shù)越多的微博用戶其“情感化”偏向顯著增強，而非情感化、無情感的內(nèi)容顯著減少，意見領(lǐng)袖不是冷靜、客觀、無情感的信息中介，而體現(xiàn)出“后真相”社會情感策動源的特征;微博意見領(lǐng)袖存在特定的情感類型偏向，不是任一種類的情感的加強都與意見領(lǐng)袖地位提升有關(guān)，它只偏倚于特定類型;微博情感領(lǐng)袖存在特定的用戶類型偏向，進行k-means方式聚類后發(fā)現(xiàn)，粉絲量越多、影響力層級越高的用戶中，“怒懟型”的比例較高，而其他類型則相對較低。

關(guān)鍵詞：情感領(lǐng)袖;意見領(lǐng)袖;情感偏向;情感傳播;后真相

中圖分類號：G206.3 文獻標識碼：A

文章編號：1673-8268（2021）06-0157-13

作為互聯(lián)網(wǎng)社情民意的寫照，網(wǎng)絡信息表達反映了公眾的理性討論和情感訴求。自2016年“后真相”一詞入選《牛津詞典》年度詞匯，情感表達遂成為“后真相”時代媒介信息內(nèi)容的重要特征。在“后真相”時代強調(diào)訴諸情感、抑制“真相”的傳播理路下，真相和事實如何被情感抑制，意見傳播和“意見氣候”被什么樣的情感放大、塑造或?qū)?，是有待挖掘的實證性問題，而不僅僅是對情感可能在抑制真相這一現(xiàn)象表達某種簡單的憂慮。喻國明曾指出，“中國網(wǎng)民易情緒化主要源于網(wǎng)絡意見領(lǐng)袖的易情緒化”[1]。在此背景下，社交網(wǎng)絡中具有一定話語影響力的意見領(lǐng)袖，表達中除了在內(nèi)容上引導受眾的認知外，是否也存在特定的“情感偏向”，從而影響輿論環(huán)境、媒介“情感氣候”和“傳播的偏向呢”？

就意見領(lǐng)袖的情感畫像而言，微博高影響力用戶是需要“為賦新詞強說愁”亦或容易“憤怒出詩人”“漫卷詩書喜欲狂”？這些不同類型意見領(lǐng)袖的形成和分布，是隨機和散亂的偶然現(xiàn)象呢？還是潛藏著某種媒介規(guī)律的必然現(xiàn)象？

正如《傳播的偏向》一書認為，媒介有其時間或空間的偏向性，那么媒介中的意見領(lǐng)袖有無情感的偏向性呢？簡言之，微博意見領(lǐng)袖在其所處的特定媒介中，是否只傳導特定種類的情感（或“非情感”），而對其他類的情感傳導則采取抑制手段？

從現(xiàn)實情境而言，雖然“后真相”催生著情感化的傳播，但下述問題應明確：其一，“后真相”作為一個理論概念，

是否能提煉微博內(nèi)容、微博用戶的情感化傳播邏輯，并在實證上予以支撐;其二，即使微博中存在情感化的傳播現(xiàn)象，是否等同于應然和必然地情感化;其三，對于“意見領(lǐng)袖”而言，如果他們重視意見的傳播、認知的傳達，那么他們和“情感領(lǐng)袖”之間又是怎樣的關(guān)系;其四，社交媒體是催生各種情感類型的意見領(lǐng)袖，還是只生長特定類型和偏向的意見領(lǐng)袖？

本研究聚焦于微博意見領(lǐng)袖的信息表達，明確意見領(lǐng)袖作為“情感領(lǐng)袖”的理論內(nèi)涵與分析架構(gòu)，并實證檢驗、分析微博意見領(lǐng)袖的情感偏向和情感特征：微博意見領(lǐng)袖的判斷、認知和態(tài)度等在信息傳播過程中是否存在情感化偏向？如果有，情感類型的分布具有怎樣的偏好與結(jié)構(gòu)？從“情感領(lǐng)袖”的理論概念來看，它關(guān)切的不是意見領(lǐng)袖傳遞的內(nèi)容及效果，而是以什么樣的情感形式進行表達和傳遞。

一、研究回顧與問題分析

拉扎斯菲爾德在提出“意見領(lǐng)袖”這一概念時指出，意見領(lǐng)袖的影響力是非正式的，其形成于日常的社會互動之中，并在信息傳播及受眾的信息反饋中確立。圍繞意見領(lǐng)袖的相關(guān)研究顯示，話語權(quán)利、輿論引導力及在群體傳播中的作用機制等內(nèi)容是關(guān)注的焦點。此外，因互聯(lián)網(wǎng)環(huán)境下的信息表達和情感傳播密不可分，故很多研究成果也關(guān)注到了網(wǎng)絡意見領(lǐng)袖的情感化表達。

研究者們認為，相比理智內(nèi)斂的情感，網(wǎng)絡意見領(lǐng)袖往往具有感性且強烈的情感傾向，情感表達鮮明的用戶也更容易被認為是意見領(lǐng)袖。蔡騏等[2]指出，感性的情感宣泄已成為當下網(wǎng)絡意見領(lǐng)袖話語表達的一大趨勢，隨著網(wǎng)絡意見領(lǐng)袖跨界言說的泛化，專業(yè)性的缺失只能通過情感力量的跟進加以掩飾和彌補。郭小安[3]指出，相較于西方社會“依法抗爭”“依理抗爭”，中國的社會網(wǎng)絡抗爭通常表現(xiàn)為“依勢抗爭”，換句話說，誰能在網(wǎng)絡上制造出情感爆點，誰就獲得了話語的主導權(quán)。王志英等[4]在研究信息安全突發(fā)事件時提出了情感領(lǐng)袖的群際效應，認為網(wǎng)絡中存在以情感為主要導向的關(guān)鍵用戶，他們情感表達強烈，具有影響臨近節(jié)點情感表達和傳播趨勢的能力，情感領(lǐng)袖集群是集群情感產(chǎn)生的重要來源。吳江等[5]發(fā)現(xiàn)在醫(yī)療輿情事件熱議期， 情緒激進、傾向于感性的情感宣泄的無認證用戶更容易成為意見領(lǐng)袖。以上研究雖然表明了網(wǎng)絡意見領(lǐng)袖易于情感化的趨向，但沒有重視意見領(lǐng)袖作為情緒設(shè)置者的情感特征和作用，“情感領(lǐng)袖”現(xiàn)象有待學者們的進一步關(guān)注和深入探討。

有學者提出“情緒設(shè)置”效果論，強調(diào)媒介傳播不僅如“議程設(shè)置”理論所述能在一定程度上決定人們想什么，也能影響人們以怎樣的情緒想、以怎樣的情緒說[6]。作為社交網(wǎng)絡的關(guān)鍵用戶，意見領(lǐng)袖的情感影響力呈現(xiàn)出“情緒設(shè)置”的效果。高萍等[7]研究發(fā)現(xiàn)，在中美貿(mào)易摩擦期間，《人民日報》借助“中央廚房”全媒體中心，通過“報網(wǎng)端微”一體化平臺，采用營造情緒環(huán)境、多角度敘述達到情緒感染、及時提供情緒發(fā)泄渠道、引導正向情緒極化等手段，對公眾進行情緒引導，實現(xiàn)議程設(shè)置到情緒設(shè)置的變化。王朝陽等[8]在研究梨視頻社會板塊的短視頻傳播時發(fā)現(xiàn)，新聞短視頻生產(chǎn)者傾向于負面情緒的設(shè)置，這種偏好易導致傳播過程正面情緒向負面情緒、中性情緒向正面或負面情緒的異化。白淑英等[9]提出在微博公共事件中，情感動員者通常采用悲情、同情、戲謔等情感表達引發(fā)大量關(guān)注，達到社會動員和引導輿論的目的。概言之，社交媒體中關(guān)鍵用戶的情感力量在網(wǎng)絡輿情演化中發(fā)揮著重要的引導作用，情感作為一個關(guān)鍵因素，得以在表達和傳播中擴散甚至重構(gòu)。值得注意的是，并不是所有類型的情感都會讓意見領(lǐng)袖進行有效表征，或是成為意見領(lǐng)袖和社會媒介環(huán)境的有效表征。那么，這些意見領(lǐng)袖是如何傳導特定情感“偏向”的呢？

以新浪微博為考察對象的研究中，有學者將用戶的情感傾向納入對微博意見領(lǐng)袖及其影響力的調(diào)察中。劉叢等[10]認為，微博黃V用戶在某些公共事件中傾向于通過個人影響力來表達不滿和伸張正義，常使用“質(zhì)疑”來表達情緒;同時他們對微博情緒強度進一步研究后發(fā)現(xiàn)，影響力高的用戶微博情緒越強烈，微博被轉(zhuǎn)發(fā)和評論的數(shù)量也越高。周楊等[11]在對微博用戶公共情緒偏好的研究中發(fā)現(xiàn)，用戶整體的負面情緒程度比較大，其中信息獲取型用戶的情緒偏好呈多樣性，活躍型用戶中度負面情緒占比較高，而名人型用戶作為意見領(lǐng)袖的發(fā)源地，其輕度負面情緒占比過半。何躍等[12]發(fā)現(xiàn)在微博“非法疫苗”事件中，微博總體用戶的情感以消極為主，其中新聞媒體類和政府類意見領(lǐng)袖網(wǎng)的情感以中性為主，明星與大V類、企業(yè)與企業(yè)家類和普通網(wǎng)民類意見領(lǐng)袖網(wǎng)的情感則以消極為主。何躍等進一步從“傳者受者”之間的情感關(guān)聯(lián)得出，意見領(lǐng)袖網(wǎng)的情感會對普通用戶產(chǎn)生影響，點度中心度較大、網(wǎng)絡凝聚力較大的意見領(lǐng)袖網(wǎng)對普通用戶的消極情感影響最大?？傊笆鲅芯空J為，有無情感、有什么樣的情感在微博意見領(lǐng)袖信息表達中的傳播和分布，是具有差異性和負面偏向性的，這也是本文關(guān)注意見領(lǐng)袖情感特征的研究基礎(chǔ)。用戶雖然注重情感爆點和感性宣泄，但是不同情感對于用戶意見領(lǐng)袖的程度、效果是有差別和“偏向”的，這一點還有待后續(xù)詳實的實證分析。

對包括微博在內(nèi)的網(wǎng)絡社會情感的類型劃分上，學者們建立了多元分類體系。如Bollen等[13]對2008年8月1日到12月20日期間Twitter中每天不同情緒的變化量進行了分析，對“情緒狀態(tài)量表”（POMS）擴展后，提取了緊張、沮喪、憤怒、活力、疲勞、困擾等六類情緒。王朝陽等[8]結(jié)合情緒分類七分法、普拉特切克情緒分類法以及Izard提出的差異情緒量表（DES），將短視頻內(nèi)容情緒分為正面、中性、負面三個大類，其中正面情緒為感動、贊揚、搞笑、快樂、新奇，負面情緒為憤怒、悲傷、震驚、無奈，中性情緒為中立。Duan等[14]對網(wǎng)絡新聞評論進行了樂觀、悲傷、憤怒、驚訝四元情感分類。李勇等[15]針對“成都女司機被打”事件，將微博用戶情感分為愉快、驚奇、悲傷、憤怒、厭惡和懼怕六類。周楊等[11]依據(jù)負面程度強弱把微博用戶公共情緒分為重度負面情緒、中度負面情緒、輕度負面情緒和正面情緒，并在此基礎(chǔ)上，進一步將重度負面情緒分為憤怒和譴責，中度負面情緒分為悲哀和害怕，輕度負面情緒分為嘲諷和理性，正面情緒則用樂觀替代。樊博等[16]根據(jù)微博基本社會情緒測量詞庫，歸納了霧霾影響下的五種基本社會情緒，即快樂、悲傷、厭惡、憤怒和恐懼。2013年召開的CCF第二屆自然語言處理與中文計算會議將中文微博情緒劃分為喜好、高興、悲傷、厭惡、憤怒、恐懼、驚訝等七類?？傮w來說，上述研究對不同類型的網(wǎng)絡內(nèi)容、微博事件情境中的情感進行了區(qū)分，但分類略顯粗糙，沒有在更為細化的情感粒度分類框架內(nèi)還原對大眾細微情感變化的描述。

總體看來，情感作為微博意見領(lǐng)袖的一個獨立特征，雖然逐漸被提及，但“情感領(lǐng)袖”的理論架構(gòu)和實證分析遠未受到充分重視。在已有研究中，網(wǎng)絡意見領(lǐng)袖的情感偏向問題既未被充分比較，也未被放置在同一框架內(nèi)進行審視，故有必要進一步考察細化類型上的差異，以及在有限的情感偏向條件下對于情感領(lǐng)袖的用戶畫像及用戶類型的演變分析?？傊?，目前對微博“情感領(lǐng)袖”及其特征的考察，明確的理論內(nèi)涵剖析不足，且缺乏規(guī)模以上樣本的定量研究和實證檢驗。

媒介內(nèi)容的情感化不等同于用戶的情感化，更不等同于意見領(lǐng)袖的情感化;意見領(lǐng)袖呈現(xiàn)出的“情感化”，也不等同于其由此而獲得設(shè)置情緒議程的功能，更不等同于其必須且客觀上會成為情感領(lǐng)袖。后真相傳播語境中的情感受到高度重視，但不等于說所有類型的情感都有助于用戶影響力的提升。為此，本研究在傳播學范疇內(nèi)首先明確“情感領(lǐng)袖”這一理論向度的重要性，描繪微博意見領(lǐng)袖的情感畫像及路徑，其次探討微博意見領(lǐng)袖的地位、程度與情感類型、結(jié)構(gòu)、分布特征之間的勾連。

二、研究目標與方法

選擇新浪微博作為樣本，緣于其是我國重要且典型的網(wǎng)絡社交平臺和輿情發(fā)酵池。相關(guān)統(tǒng)計數(shù)據(jù)顯示，截至2021年6月底，新浪微博月活躍用戶達到5.66億，同比凈增4 300萬用戶，其中移動端占比94%;日活躍用戶達2.46億，同比凈增1 600萬，創(chuàng)4個季度新高[17]。新浪微博用戶中既有各類“大V”，也有形形色色的“草根”，對其意見領(lǐng)袖的分析具有較強的代表性和普適性;新浪微博板塊設(shè)置有財經(jīng)、體育、軍事、科技、娛樂、社會等欄目，內(nèi)容豐富。

（一）核心概念與測量指標界定

1.微博“意見領(lǐng)袖”的界定與測度

微博意見領(lǐng)袖的概念是基于拉扎斯菲爾德所提出的“意見領(lǐng)袖”，特指在人際傳播網(wǎng)絡中經(jīng)常為他人提供信息、意見、評論，并對他人施加影響的“活躍分子”[18]。在微博傳播場域中，微博意見領(lǐng)袖表現(xiàn)出泛眾化、圈群化、顯性化的傳播特征[19]，不僅能影響大眾的觀念形成和網(wǎng)民情感的演變[20]，還能成為影響網(wǎng)絡輿論的核心力量[21]，因而比傳統(tǒng)意見領(lǐng)袖更具影響力和引導力。

學界對微博意見領(lǐng)袖界定方式之一是劃定影響力“臨界值”，對用戶做“是/不是”意見領(lǐng)袖的定類區(qū)分，將是/否高于臨界值視為判定標準，該界定方式在已有研究中有采用，如劉志明等[22]從用戶影響力和活躍度兩個維度確立微博用戶的領(lǐng)袖值，并取每個主題領(lǐng)袖值排名前0.1%的用戶作為該主題的意見領(lǐng)袖。王平等[23]結(jié)合微博粉絲數(shù)及帖子認同值，將“溫州動車事故”這一事件中微博轉(zhuǎn)發(fā)量大于2 000次、評論數(shù)超過200條的微博用戶作為意見領(lǐng)袖進行分析。雖然如此，但本研究如運用該界定方式將面臨以下困難：（1）臨界值怎么劃分？（2）高于臨界值的用戶又存在影響力高低之分，而低于臨界值的也有此種情況，那么，較弱的和較強的意見領(lǐng)袖在情感特征上到底有何差異？取臨界值方法則容易忽略這些差別;同理，對于“非意見領(lǐng)袖”用戶，他們的影響力低到何種程度也是值得探討的問題，因此，考察其情感特征的連續(xù)性量化分布也是有意義的。

因此，本文結(jié)合自身的研究目的，最終選擇對意見領(lǐng)袖進行程度上的連續(xù)性區(qū)分。該區(qū)分主要著眼于意見領(lǐng)袖的強弱程度，它可以是0（即完全無影響力，完全不是意見領(lǐng)袖），也可以是大于0的連續(xù)性數(shù)值。將“大V”到“中V”再到“草根”等代表不同影響力程度的用戶均納入考察范圍，對各類情感的分布比例進行縱向比較。

基于上述對微博意見領(lǐng)袖連續(xù)性影響力的劃分，本研究之所以使用“粉絲數(shù)”來衡量，在一些類似研究中也可追溯。李彪[24]曾指出，粉絲越多的微博ID，粉絲增長的速度越快，社會話語權(quán)也就越大，微博話語權(quán)力結(jié)構(gòu)的集權(quán)化和等級化趨勢將進一步加劇。王平等[23]指出，當粉絲數(shù)達到一定量級，成為微博意見領(lǐng)袖的可能性會隨著粉絲數(shù)的增加而增加。白貴等[25]通過實證研究表明，微博意見領(lǐng)袖粉絲數(shù)與微博影響力呈顯著性正相關(guān)?？傊?，雖然研究者們對微博意見領(lǐng)袖沒有統(tǒng)一的識別指標，但可以達成共識的是，粉絲量越多意味著意見領(lǐng)袖的影響力輻射范圍越廣。另外，由于本研究考察的是意見領(lǐng)袖的程度和情感分布程度間的線性相關(guān)性，粉絲數(shù)可以在較大程度上反映意見領(lǐng)袖的分量，故將粉絲數(shù)作為區(qū)分微博用戶意見領(lǐng)袖強弱程度的指標不影響相關(guān)性的考察，且具有一定效度。

2.情感

人們常把短暫而強烈的具有情景性的感情反應看作是情緒，如恐懼、憤怒、愉快等;而情感不只表達用戶的情緒，還基于情緒體驗形成穩(wěn)定持久的感情反應，如喜歡、討厭等。微博用戶的情感特指公眾對某些話題或事物表現(xiàn)出的體驗或評價，它可以通過情感詞、標點符號和冗長文等文本交流方式進行表達和接受[26]，因此用戶發(fā)布的帖子可以視作其情感表達的載體。

Ekman[27]指出人類共通的六種基本情緒有快樂、悲傷、憤怒、厭惡、驚訝和恐懼。Plutchik[28]把人類情緒分為八種類型：恐懼、氣憤、歡樂、悲傷、接納、厭惡、期望和驚訝。徐琳宏等[29]在Ekman的六類情感分類體系基礎(chǔ)上構(gòu)建了樂、好、怒、哀、懼、惡、驚、無情感在內(nèi)的八個大類，并進一步將其細分為二十三個小類。劉叢等[10]設(shè)計了認可、恐懼、質(zhì)疑、擔憂、反對、憤怒、悲哀、驚奇及無明顯情緒等九類情緒量表。

帖子情感的識別和分類是本研究的關(guān)鍵步驟，通過對已有研究的綜合審視，再結(jié)合微博帖子的特點和研究訴求，最終使用了十八大類（包含三十八個具體的小微類）情感分類體系。對于占比過小或構(gòu)成較為復雜的情感要素，將其統(tǒng)歸為“其他”類，以保證研究結(jié)果的信度和效度。

具體劃分和采用的十八類情感如下：（1）怒：憤怒、不滿;（2）惡：憎惡、輕蔑、貶責、妒忌;（3）煩：煩悶;（4）懼：恐懼、驚駭、慌;（5）悲：悲傷、失望、遺憾;（6）哀：內(nèi)疚、無奈;（7）疑：疑惑、懷疑、質(zhì)疑;（8）思：思念;（9）安：安心;（10）認可：尊敬、相信、接受;（11）驚：驚奇;（12）樂：輕松、快樂、驚喜、振奮、驕傲;（13）喜：喜愛、贊揚;（14）盼：期望、羨慕;（15）憐：同情;（16）感動;（17）無情感;（18）其他：羞、悔。

需補充說明的是，就概念本身而言，情感和情緒雖存在一定差異，但也有混用的情況。K·T·斯托曼認為：“在論述情緒的文獻中出現(xiàn)了大量的術(shù)語，它們沒有確切的定義，用法也不盡一致。例如，‘情緒’一詞就是一例。另外一些聯(lián)系密切但又表示得很不明確的詞有：‘情感’、‘感情’和‘情緒性’。這種不嚴謹?shù)默F(xiàn)象也表現(xiàn)在有關(guān)具體情緒的術(shù)語中，如嫉妒、懼怕、愛、憤怒，尤其是焦慮?！盵30]本研究對于情感和情緒的使用基于兩者的共性，即它們作為主體對于外界信息和刺激而產(chǎn)生的一種感情反應，因此，借鑒和擴展上述情感、情緒分類模型并無實際上的困難。另外，本研究使用的分類方法，既要對情感進行簡單而略顯粗粒度的“積極/中性/消極”或“正/負”等極性劃分，又需識別出諸如怒、喜、懼、驚等具體的情感類型。

（二）研究問題與研究思路

基于文獻分析和對核心概念的界定，對微博意見領(lǐng)袖體現(xiàn)出的“情感化”偏向、情感類型偏向以及基于情感畫像的用戶類型偏向，特提出以下三個相關(guān)聯(lián)的問題：

Q1：微博意見領(lǐng)袖的“情感化”偏向：意見領(lǐng)袖程度越高，是否其“情感化”程度越高？“非情感化”程度越低？這種關(guān)聯(lián)的顯著性和程度有多強？

Q2：微博意見領(lǐng)袖的情感類型偏向：作為意見領(lǐng)袖程度越高的用戶，哪種類型的情感占比越大（或越小/變化不明顯）？這種變化的顯著性和關(guān)聯(lián)程度有多強？

Q3：微博意見領(lǐng)袖的用戶類型偏向：把微博用戶作為復雜、多樣的情感組合，根據(jù)不同的情感組合分別歸為特定“情感基因組”，對于這些特定的用戶類型而言，意見領(lǐng)袖程度越高，哪種類型的用戶占比越大（或越小/變化不明顯）？這種變化的顯著性和關(guān)聯(lián)度有多強？

在對上述問題進行定量研究和實證檢驗前，需對其中的一些變量進行操作性定義。首先，我們用“粉絲數(shù)”來表示微博用戶的地位和影響力社會層級。雖然不同用戶的影響力等級差異不能完全由粉絲數(shù)的多寡來衡量，但已有的微博意見領(lǐng)袖影響力研究表明，粉絲數(shù)越高，該用戶在微博中的關(guān)注度、影響度也越高。其次，用“微博中不同情感出現(xiàn)的比重”來表示某種情感被表達的程度，比重越高表明該情感被表達的程度也越高。最后，根據(jù)情感分布比例對所有用戶進行聚類分析，得出不同類型用戶的情感特征。如果微博意見領(lǐng)袖所體現(xiàn)的上述特征成立，則意味著粉絲數(shù)越高的用戶，情感化比例將顯示出顯著增加趨勢，特定情感類型和特定用戶類型的占比將顯示出顯著增加或減少趨勢，表明粉絲數(shù)與這三者間存在統(tǒng)計學意義上的線性相關(guān)性。

綜合以上研究目標，本文的研究思路如圖1所示。

三、研究設(shè)計與實施

首先，抓取新浪微博大量樣本帖及其微博所屬用戶資料等個人信息，并對其清洗和處理;其次，對帖子所屬內(nèi)容進行情感類型的判定和分類;再次，計算各類情感比例，對用戶進行聚類分析;最后，對每個用戶的特征及對應情感分布進行總結(jié)，通過SPSS驗證粉絲數(shù)變量與測量指標間是否存在顯著關(guān)系，以考察意見領(lǐng)袖的情感特征。

（一）數(shù)據(jù)采集與清洗

在數(shù)據(jù)抓取上，采用python編程語言從新浪微博各個板塊抓取數(shù)萬名用戶的賬號URL，對這些賬號的歷史發(fā)帖進行采集，采集時間段為2019年10月至12月。抓取的其他字段還包括微博的URL鏈接網(wǎng)址、微博發(fā)布者的粉絲數(shù)和關(guān)注數(shù)、發(fā)微博總數(shù)、發(fā)布時間等，接著對抓取到的數(shù)據(jù)進行必要的清洗與整理。為防止發(fā)微博數(shù)對某類情感的總體特征產(chǎn)生實質(zhì)性影響，每個用戶從所抓到的帖子中隨機抽取1 000條微博參與最終情感及其分布統(tǒng)計。在最終抓取到的42 887個微博用戶中，為確保意見領(lǐng)袖情感的相關(guān)檢驗具備有效性，特剔除粉絲數(shù)等個人信息缺失的樣本，最終剩余有效數(shù)據(jù)包括38 985個用戶及每個用戶發(fā)布的1 000條帖子。樣本用戶未做任何首尾最高或最低粉絲數(shù)等極端用戶的刪除篩選，以保持樣本的全面性。

38 985個微博用戶粉絲數(shù)分布情況如圖2所示（單位：萬人）。由圖2可知，他們分布較廣，遍及微博大V、中V和草根用戶，故能反映不同的意見領(lǐng)袖程度，具有一定代表性，因此可作為本研究的樣本用戶。

（二）情感分類

在情感類型判定上，本研究依據(jù)文字內(nèi)容進行。由于樣本量達幾千萬條，人工分類不便，故使用python語言和scikit-learn模塊，采用線性支持向量機（support vector machine，SVM）結(jié)合人工樣本的機器學習方法。

基于SVM的情感分類，主要根據(jù)訓練集數(shù)據(jù)，通過SVM算法將模型參數(shù)學習到最優(yōu)，然后利用訓練好的模型對測試集的情感特征進行預測。

本研究通過整合基礎(chǔ)情感詞典，收集社交媒體中的標題、評論等構(gòu)建情感詞匯本體，最終自行人工編碼和分類共44 432條帖子作為機器學習樣本。微博文本形式多元且變化不斷，雖然無法詳盡，但大多微博短文本可通過關(guān)鍵詞、關(guān)鍵符號及其組合進行較為準確的分類。本文人工構(gòu)建的訓練樣本還針對社交媒體的語言特點，較為全面地囊括了微博文本所包含的語義信息，提高了結(jié)果的準確性，并將誤差控制在可接受范圍。

具體判定過程如下：首先，采用Jieba分詞工具對文本進行中文分析。其次，通過scikit-learn模塊構(gòu)建TF-IDF（詞頻-逆文檔頻率）矩陣，該矩陣兼顧了文本在某特征詞上的頻數(shù)，以及該特征詞在其他文本中的出現(xiàn)頻次。分析的特征詞對象包括1-gram詞和2-gram詞。最后，基于TF-IDF矩陣，采用SVM方法以人工標注樣本作為機器學習樣本，對每條文本進行情感類型判斷。其中最核心的SVM判別過程，基于scikit-learn的svm.LinearSVC模塊編寫代碼完成。

情感判定包括由課題組團隊針對社交媒體用戶的文本特點、UGC偏重于日常語言和口語化的內(nèi)容風格，自行人工編碼和分類的44 432條帖子樣本。通過對樣本進行“五折法”的學習和判別，結(jié)果顯示：平均準確率為0.816 4、平均精確率為0.971 7、平均召回率為0.826 4、平均F1值為0.884 7。由于

本研究中的情感劃分粒度較細，高于常見的“正面負面中性”三分法，故加大了判定難度。在傳播學內(nèi)容分析研究中，一般認為編碼員之間的信度至少應該在0.70以上，才能保證結(jié)論的可信度[31]，總體而言，本文現(xiàn)有的分類誤差在通常可接受的范圍內(nèi)。

（三）測量指標計算和處理

當情感文本處理完畢后，應對每個用戶1 000條微博中各類情感出現(xiàn)的頻次和比重進行統(tǒng)計，基于每個用戶的情感分布結(jié)構(gòu)，通過k-means算法對其聚類。將獲取的初始質(zhì)心更迭次數(shù)（n_init）和最大迭代次數(shù)（max_iter）均設(shè)定為100次，依次進行3～30種聚類類型試驗，主要參考輪廓系數(shù)（silhouette_score）輪廓系數(shù)：定義為s=（b-a）/[max（a，b）]，其中a是樣本與它同類別中其他樣本的平均距離，b是樣本與它距離最近的不同類別中樣本的平均距離。對于一個樣本集合而言，它的輪廓系數(shù)是所有樣本輪廓系數(shù)的平均值。取值范圍＼[-1，1＼]，值越大，聚類效果越好。、簇內(nèi)誤差平方和（SSE）簇內(nèi)誤差平方和：表示樣本到最近的聚類中心的距離總和，當k-means算法訓練完成后，可通過使用inertia屬性獲取簇內(nèi)的誤方差。、CH指標（calinski-haraba index）CH指標：由各點與類中心的距離平方和與各類中心點與數(shù)據(jù)集中心點距離平方和的比值得到，值越大，聚類效果越好。等，評估結(jié)果詳見圖3所示。

結(jié)合誤差指標和“肘方法”綜合來看，圖3顯示當聚類數(shù)k為4時，輪廓系數(shù)最優(yōu);曲線的下降幅度隨k值的增加出現(xiàn)了拐點，表明指標綜合值最優(yōu)、聚類效果越好。因此，結(jié)合對意見領(lǐng)袖情感畫像的刻畫需求，最終將所有用戶自動聚為四類（見圖4）。

在SPSS數(shù)據(jù)分析中，將個體樣本轉(zhuǎn)換為層級樣本，目的是通過對意見領(lǐng)袖的“分層”減少噪音和隨機擾動，保留樣本差異性的同時提高分布規(guī)律的鮮明度。將粉絲數(shù)按大小劃分為人數(shù)等同的100層，并用層級數(shù)表示粉絲數(shù)原值，粉絲數(shù)越多，層級數(shù)越大，用戶級別也就越高。這種等頻“分箱化”操作法在數(shù)據(jù)預處理中是一種常用方法，每層人數(shù)等頻既有助于統(tǒng)一口徑和穩(wěn)定計算結(jié)果，又便于不同層級之間的比較。

四、實證檢驗與數(shù)據(jù)分析

將等頻切分后的100個層級的用戶樣本，按照前文所屬的情感分類體系把情感小類劃歸為怒、惡、煩、懼、悲、哀、疑、認可、思、安、驚、樂、喜、盼、憐、感動、其他類以及無情感十八大類。通過SPSS分析其中各情感的比重、分布狀況以及與其他變量間的關(guān)聯(lián)度，以考察微博意見領(lǐng)袖具備哪些情感特征。

（一）微博意見領(lǐng)袖“情感化”偏向分析

由分布比例來看，經(jīng)由SPSS對所有情感大類的描述統(tǒng)計，在100個層級樣本中，無情感占比從8.5%到14.1%不等，平均值僅為10.5%，遠小于其他十七種“情感化”類型的占比之和。也就是說，即便是最高層級的微博意見領(lǐng)袖，其情感分布中的特定情感被表達的程度也遠大于完全理性中立的部分。

對粉絲數(shù)層級和無情感占比進行Spearman相關(guān)系數(shù)及顯著性檢驗，結(jié)果顯示，無情感比例與粉絲數(shù)層級的Spearman相關(guān)系數(shù)為-0.476，p值為0.000，呈現(xiàn)顯著的負相關(guān)性。這表明粉絲數(shù)越多的用戶，其無情感內(nèi)容顯著減少。也就是說，粉絲數(shù)越多的用戶，“非情感化”的程度顯著降低，“情感化”的程度顯著增強。微博意見領(lǐng)袖不一定是客觀理性和事實傳達的“意見中介”，而是鮮明地表現(xiàn)出不斷加強傳達感性的“情感介質(zhì)”。

（二）微博意見領(lǐng)袖情感類型偏向分析

由各情感數(shù)據(jù)點的分布可知，隨著粉絲數(shù)層級的增加，怒、惡、煩、懼、悲、哀、疑、認可等情感的比例呈現(xiàn)增加趨勢，樂、喜、盼等情感的比例呈現(xiàn)減少趨勢，兩者間均存在較為明顯的線性關(guān)系。在具體的相關(guān)性檢驗中，Spearman相關(guān)系數(shù)及其顯著性結(jié)果如表1所示。

表1顯示，怒、惡、煩、懼、悲、哀、疑、認可、思、安、驚、憐、感動這十三種情感的比例和粉絲數(shù)層級均在0.01水平（雙尾）上具有顯著的正相關(guān)性，其他情感比例與粉絲數(shù)層級之間也呈現(xiàn)正相關(guān)，p值為0.03。這表明粉絲數(shù)越多的用戶，這些情感類別的比例也越高。在所有的情感大類中，怒、惡、煩、懼、悲、哀和疑七種消極情感的比重均在增加，說明意見領(lǐng)袖地位越高，對消極情感的表達程度也越高，也即這種負面情感化的情感偏好在意見領(lǐng)袖群體中比較凸顯。而樂、喜、盼三種積極情感所占比重與粉絲數(shù)層級均在0.01水平（雙尾）上具有顯著的負相關(guān)性。Spearman相關(guān)系數(shù)分別為-0.307、-0.682和-0.842，說明隨著用戶粉絲數(shù)的增加，正面情感呈現(xiàn)明顯減少趨勢。由此可知，微博意見領(lǐng)袖的情感化表達并非平穩(wěn)均勻地分布在這十七大類情感中，而是在特定情感上有顯著的偏向和差異。

（三）微博意見領(lǐng)袖用戶類型偏向分析

考慮到某些情感在帖子中本身就是占比很高的情感類型，這種絕對分布比例不能完全體現(xiàn)用戶的情感特征和不同用戶類型之間的差異，故我們將四類用戶在各情感大類上平均分布的絕對比例轉(zhuǎn)換為相對比例。為方便描述，設(shè)Xij是第i種用戶類型中第j種情感的帖子所占比例，Xj是第j種情感的帖子在全部帖子中所占的比例，那么，第i種用戶類型中第j種情感的帖子所占相對比例則為：Yij=Xij - Xj。例如對于B類用戶而言，其“惡”的帖子所占的比例原始值為8.5%，看起來很高，實際上，由于所有用戶的“惡”帖子占比均為13.5%，相對而言，B類用戶的“惡”屬于偏低型，比值為-5%。這說明相對比例可以較客觀反映用戶的情感偏向，轉(zhuǎn)化后的相對比例結(jié)果見表2所示。

過濾掉各情感絕對分布的影響后，相對比例結(jié)果顯示：A類用戶各情感分布比例差異小且均勻，沒有出現(xiàn)特別突出的某種情感的增或減的情況;B類用戶“喜”（18.0%）的相對比例最高，且與“惡”（-5.0%）等消極情感分布比例的差距較大;C類用戶相對比例最高的是無情感（13.7%），且與喜（-8.4%）、惡（-2.3%）等極性鮮明的情感類型表現(xiàn)出較大的分布差距;D類用戶“惡”（7.4%）的相對比例最高，與“喜”（-11.7%）等積極情感分布比例的差距較大?？梢?，B、C、D幾類用戶分別以喜、無情感和惡作為主要的情感代表。將這四種情感特征看作用戶“情感基因組”的“質(zhì)心”向量，進而可將這四類人概括為平均型、喜聞樂見型、佛系無情感型和怒懟型。他們的情感分布畫像如圖5所示。

需補充說明的是，本研究之所以選擇聚為四類，除上述量化的誤差分析之外，也是因為在按前述步驟嘗試較多的聚類數(shù)后，用戶的“情感基因”類型顯現(xiàn)出重復、交叉等現(xiàn)象，如強怒懟型和弱怒懟型的共存，強喜聞樂見型和弱喜聞樂見型的并現(xiàn)，最終通過人工定性比較，得出不同情感組合的特定“情感基因組”的用戶類型最為核心精簡的即上述四類，這與聚類的輪廓系數(shù)、CH指標等也是吻合的。

在SPSS分析中，根據(jù)上述四類用戶分布情況，生成粉絲數(shù)層級和用戶比例間的交叉表。限于版面，本文僅羅列級別最低的10層和級別最高的10層，結(jié)果如表3所示。表3中，每一行代表該層級中四類用戶所占比例，每一列代表該類用戶在100層級上的分布比例。另外，每一行的百分比之和為1，如有不為1的，緣于四舍五入帶來的偏差，可忽略不計。

對用戶根據(jù)粉絲量劃分的層級及層級中各類用戶比例進行Spearman相關(guān)系數(shù)及顯著性檢驗，檢驗結(jié)果見表4所示。

由表4可知，粉絲數(shù)層級與四類用戶在該層級上的分布比例均在0.01水平（雙尾）上存在顯著的相關(guān)性，其中，D類的分布比例與粉絲數(shù)層級呈正相關(guān)性，其余三類均為負相關(guān)性。這表明隨著微博意見領(lǐng)袖影響力層級的提升，怒懟型用戶的比例顯著增加，而平均型、喜聞樂見型和佛系無情感型則顯著減少，說明意見領(lǐng)袖在情感畫像上偏向于特定的用戶類型。

綜合表3和表4可知：（1）從絕對數(shù)量來看，特點不突出的平均型（A類）占比最大，他們是微博中的“蕓蕓眾生”，在低粉絲量用戶中最普遍;（2）以表達“喜”為特點的B類用戶，在低粉絲量用戶中占三成以上，但在高粉絲量的用戶中迅速減少;（3）以“無情感”為特點的“佛系”用戶（C類）占比較低，他們是微博中具有鮮明特色的一類用戶，在不同粉絲數(shù)層級上的分布比例波動不大，與用戶的粉絲量層級的增長呈弱負相關(guān)性;（4）以“惡”為主要特點的“怒懟型”用戶（D類），在低粉絲量用戶中占比不高，但在中、高粉絲量用戶中增長顯著，有三成多，體現(xiàn)了微博意見領(lǐng)袖的“怒懟型”發(fā)展偏向。這也表明，微博負面意見氣候、負面情感氣候的形成，只與少部分中、高“意見領(lǐng)袖”的突出偏向有關(guān)。

五、結(jié) 語

基于對38 985個微博樣本的考察和實證分析表明，意見領(lǐng)袖的話語地位和影響力的高低，與其情感分布特征存在顯著的關(guān)聯(lián)性。一是微博意見領(lǐng)袖具有“情感化”偏向：粉絲數(shù)越多的用戶，非情感化、無情感的內(nèi)容顯著減少;意見領(lǐng)袖不是冷靜、客觀、無情感的“信息中介”，而是后真相語境中的社會情感“策動源”。二是微博意見領(lǐng)袖存在特定的情感類型偏向，并非所有情感的加強都與意見領(lǐng)袖地位提升有關(guān)，它只偏倚于少數(shù)類型的情感。三是微博意見領(lǐng)袖存在特定的用戶類型偏向，隨著用戶影響力層級提高，怒懟型用戶顯著增加，而平均型、喜聞樂見型、佛系無情感型用戶顯著減少。

在基于微博樣本的考察中，意見領(lǐng)袖的情感特征得到了檢驗，“情感領(lǐng)袖”的理論向度得到實證支持，對傳播學理論和實踐具有一定啟發(fā)意義。

其一，“意見領(lǐng)袖”和“情感領(lǐng)袖”具有一致性?！扒楦蓄I(lǐng)袖”的提出，不只強調(diào)內(nèi)容導向下意見領(lǐng)袖的影響力，還側(cè)重其在情感甚至特定類型情感導向下的影響力。情感導向?qū)σ庖婎I(lǐng)袖的考察逐漸從認知轉(zhuǎn)向情感。意見領(lǐng)袖和情感領(lǐng)袖可以統(tǒng)一，而且在事實上也是統(tǒng)一的。情感領(lǐng)袖現(xiàn)象的出現(xiàn)意味著網(wǎng)絡社會中的情感是“分層分化”的，意見領(lǐng)袖影響力等級和地位影響著社會情感的擴散和分布，不同社會話語層級的“情感偏向”也不同。對于如何成為高粉絲量的微博意見領(lǐng)袖而言，在“訴諸真相”還是“訴諸情感”的選擇中，不僅要高度重視“訴諸情感”，還只能訴諸部分特定類型的情感，否則會事倍功半或者適得其反。而對于主流媒體與官方部門而言，微博傳播必須培養(yǎng)和鍛造自己的“情感領(lǐng)袖”，而不僅僅是意見領(lǐng)袖。

其二，正視和警惕網(wǎng)絡社會尤其是社交媒體中的民意操控。情感領(lǐng)袖是能動者，因為他們在意見表達中不完全由事實或理性文化所主宰，而是對特定情感有側(cè)重和偏移;他們以強大的情感影響力加快了公眾討論中非理性因素的傳播和擴散，使意見氣候也更多表現(xiàn)出某種情感特征。在后真相語境中，當情感的膨脹遠大于信息傳播的強度，就會阻礙公眾深入思考情感背后的客觀事實，造成受眾對真相的認知偏差。而在這些特定情感類型主導下的網(wǎng)絡社會，容易生長出更多的意見領(lǐng)袖，造成網(wǎng)絡民意嚴重扭曲的后果。這既是值得正視和警惕的帶有必然性的現(xiàn)象，又是需要我們在剖析其情感偏向后應及時采取相應對策的媒介化社會問題。

其三，重視并探索網(wǎng)絡社會情感調(diào)控的實踐策略。當前的網(wǎng)絡輿情中常充斥著各種情感化的因素，致使公眾的情感調(diào)控成為網(wǎng)絡管理的一大難題。為此，一方面，要避免微博乃至社交媒體中的“負面情感化”偏向問題，不應單純?yōu)樵鰪娚鐣楦兄械姆e極面而成為“報喜不報憂”的“歡樂”博主，這違背微博內(nèi)容傳受規(guī)律，而應用部分非負面情感如憐、哀、驚等代替怒、惡、疑等少數(shù)幾類最具社會沖擊力的情感，發(fā)揮“分流器”的作用。另一方面，盡管微博意見領(lǐng)袖以負面情感化為突出特征，但主流而積極的情感也是有其夾縫中的生存空間的，主流媒體和主流傳播應加大積極“情感領(lǐng)袖”的培養(yǎng)力度，有效發(fā)揮社會輿情“有的放矢”的調(diào)節(jié)作用。

科塞的“社會安全閥”理論重點強調(diào)社會沖突作為“安全閥”機制為社會或群體成員提供排泄敵對意見的正當渠道，從而維護社會系統(tǒng)的正常運行[32]。對于社交媒體和意見領(lǐng)袖情感演變的內(nèi)在規(guī)律而言，可借鑒這一理論內(nèi)涵，延伸理解“社會情感緩沖帶”機制。對微博中最為負面、最容易傳導的高激發(fā)性情緒（如惡、怒），將其以同樣易傳導、易發(fā)酵但弱負面、弱破壞力的負面情感（如煩）的方式表達出來。微博中一些典型的負面情感由于其在微博用戶中的“情感偏向”，科學的應對方式不是壓制，而是將其進行“緩沖”和有選擇性的媒介“情緒設(shè)置”。因為媒介或許不能決定人們怎么想，或許不能決定人們想什么，但在很大程度上可以影響人們以怎樣的情緒想[6]。特定情感類型的有意識選擇，有助于重塑意見氣候、情感氣候的“擬態(tài)環(huán)境”，減弱最具沖擊力的公共負面情感的“情緒設(shè)置”，增大微博等社交媒體中社會情感的和諧與穩(wěn)定因素。

參考文獻：

[1]喻國明，李彪.輿情熱點中政府危機干預的特點及借鑒意義[J].新聞與寫作，2009（6）：57.

[2]蔡騏，曹慧丹.何種意見？何種領(lǐng)袖？——對網(wǎng)絡意見領(lǐng)袖的幾點思考[J].新聞記者，2014（8）：23.

[3]郭小安.網(wǎng)絡抗爭中謠言的情感動員：策略與劇目[J].國際新聞界，2013（12）：56-59.

[4]王志英，楊淼，王念新，等.信息安全突發(fā)事件情感領(lǐng)袖群際效應研究[J].管理科學，2019（1）：18-22.

[5]吳江，趙穎慧，高嘉慧.醫(yī)療輿情事件的微博意見領(lǐng)袖識別與分析研究[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2019（4）：59.

[6]徐翔.從“議程設(shè)置”到“情緒設(shè)置”：媒介傳播“情緒設(shè)置”效果與機理[J].暨南學報（哲學社會科學版），2018（3）：82.

[7]高萍，吳郁薇.從議程設(shè)置到情緒設(shè)置：中美貿(mào)易摩擦期間《人民日報》的情緒引導[J].現(xiàn)代傳播（中國傳媒大學學報），2019（10）：67.

[8]王朝陽，于惠琳.新聞短視頻傳播中的情緒偏好效應——基于梨視頻社會版塊的實證研究[J].新聞與傳播評論，2019（3）：42-55.

[9]白淑英，肖本立.新浪微博中網(wǎng)民的情感動員[J].蘭州大學學報（社會科學版），2011（5）：60-68.

[10]劉叢，謝耘耕，萬旋傲.微博情緒與微博傳播力的關(guān)系研究——基于24起公共事件相關(guān)微博的實證分析[J].新聞與傳播研究，2015（9）：103-104.

[11]周楊，張會平.基于群體分類的微博用戶公共情緒偏好實證研究[J].情報探索，2012（11）：4-6.

[12]何躍，朱燦.基于微博的意見領(lǐng)袖網(wǎng)情感特征分析——以“非法疫苗”事件為例[J].數(shù)據(jù)分析與知識發(fā)現(xiàn)，2017（9）：65-73.

[13]BOLLEN J， MAO H N， PEPE A. Modeling public mood and emotion： Twitter sentiment and socio-economic phenomena[C]. ICWSM. Menlo Park， California： The AAAI Press，2011：450-453.

[14]DUAN X， HE T， SONG L. Research on sentiment classification of Blog based on PMI-IR[C]//International Conference on Natural Language Processing & Knowledge Engineering. IEEE，2010.

[15]李勇，蔡夢思，鄒凱，等.社交網(wǎng)絡用戶線上線下情感傳播差異及影響因素分析——以“成都女司機被打”事件為例[J].情報雜志，2016（6）：80-85.

[16]樊博，楊文婷，孫軒.霧霾影響下的公眾情緒與風險感知研究——以天津市微博用戶為分析樣本[J].東北大學學報（社會科學版），2017（5）：489-496.

[17]微博二季度營收同比增長48% 用戶大漲 視頻化提速[EB/OL].（2021-08-18）[2021-09-26]. https：//finance.sina.com.cn/tech/2021-08-18/doc-ikqciyzm2230398.shtml？cref=cj.

[18]拉扎斯菲爾德，貝雷爾森，高德特.人民的選擇：選民如何在總統(tǒng)選戰(zhàn)中做決定[M].唐茜，譯.3版.北京：中國人民大學出版社，2012：23.

[19]李波.網(wǎng)絡輿情中微博意見領(lǐng)袖的培養(yǎng)和引導[J].新聞大學，2015（1）：145-149.

[20]王佳敏，吳鵬，沈思.突發(fā)事件中意見領(lǐng)袖對網(wǎng)民的情感影響建模研究[J].情報雜志，2018（9）：120-126.

[21]張濤甫，項一嵚.中國微博意見領(lǐng)袖的行動特征——基于對其行動空間多重不確定性的分析[J].新聞記者，2012（9）：14-18.

[22]劉志明，劉魯.微博網(wǎng)絡輿情中的意見領(lǐng)袖識別及分析[J].系統(tǒng)工程，2011（6）：8-16.

[23]王平，謝耘耕.突發(fā)公共事件中微博意見領(lǐng)袖的實證研究——以“溫州動車事故”為例[J].現(xiàn)代傳播（中國傳媒大學學報），2012（3）：82-88.

[24]李彪.微博意見領(lǐng)袖群體“肖像素描”——以40個微博事件中的意見領(lǐng)袖為例[J].新聞記者，2012（9）：19-25.

[25]白貴，王秋菊.微博意見領(lǐng)袖影響力與其構(gòu)成要素間的關(guān)系[J].河北學刊，2013（2）：171-174.

[26]HANCOCK J T， LANDRIGAN C， SILVER C. Expressing emotion in text-based communication[C]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York， United States： Association for Computing Machinery，2007：929-932.

[27]保羅·艾克曼.情緒的解析[M].楊旭，譯.海口：南海出版公司，2008：16-22.

[28]PLUTCHIK R. KELLERMAN H. Emotion： theory， research， and experience-theories of emotion[M]. New York： Academic Press，1980：15-21.

[29]徐琳宏，林鴻飛，趙晶.情感語料庫的構(gòu)建和分析[J].中文信息學報，2008（1）：118.

[30]K·T·斯托曼.情緒心理學[M].張燕云，譯.沈陽：遼寧人民出版社，1986：10.

[31]余紅.新聞內(nèi)容分析的信度和效度[J].華中科技大學學報（社會科學版），2004（4）：107-110.

[32]劉易斯·科塞.社會沖突的功能[M].孫立平，譯.北京：華夏出版社，1989：24-33.

From “Opinion Leaders” to “Emotional Leaders”： Research

on the Emotional Characteristics of Micro-blog Opinion Leaders

XU Xiang， XIA Min

（College of Arts and Media， Tongji University， Shanghai 201804， China）

Abstract：Opinion leaders on micro-blog are not only the diffusion nodes of opinions， cognition and information， but also the social “emotional leaders”， which clearly reflects their emotional bias， especially the transmission of specific types of emotions. However， there is still a lack of empirical research on micro-blog emotional leaders and their characteristics. Based on the 38 985 users and 1 000 posts per user belonging to Sina micro-blog， SVM and k-means clustering are used for the empirical analysis. First of all， among users who have more followers， the emotional contents increase significantly， while the non-emotional contents significantly decrease. Opinion leaders are not calm， objective and non-emotional information mediators， but the social emotional driving source in the context of post-truth. Secondly， opinion leaders have a bias towards specific emotional types. The promotion of opinion leaders’ status is not related to the strengthening of any emotion， but certain types of emotions. Thirdly， opinion leaders have a bias towards specific user types. By k-means method， the users can be clustered into four emotional categories： anger dominated， joy dominated， non-emotional dominated and emotional homogenized. As the influence level of opinion leaders increases， those who are anger dominated increase significantly and those of the other three types decrease significantly. The feature analysis of micro-blog “emotional leader” is helpful to the theoretical and practical problems such as public opinion guidance， “emotional setting” and emotional regulation in the post-truth society.

Keywords：emotional leaders; opinion leaders; emotional bias; emotional communication; post-truth

（編輯：李春英）

收稿日期：2020-12-16 修訂日期：2021-09-27

基金項目：國家自然科學基金青年項目：社交網(wǎng)絡互動中用戶“信息窄化”機理分析：基于微博的數(shù)據(jù)挖掘（71804126）

作者簡介：徐 翔（1983-），男，江西上饒人，博士，教授，同濟大學中國特色社會主義理論研究中心特約研究員，藝術(shù)與傳媒學院副院長，全媒體研究院大數(shù)據(jù)與計算傳播研究中心負責人，主要從事網(wǎng)絡傳播與社交媒體研究;夏 敏（1997-），女，安徽廬江人，碩士研究生，主要從事網(wǎng)絡傳播與社交媒體研究。

3459500589267