基于社会资本理论的网络舆情信息传播效果研究

杨永清,孙 凯,张媛媛

(山东工商学院 管理科学与工程学院,山东 烟台 264005)

当前,社交媒体已成为民众接收和发布信息的新兴渠道[1]。大量用户针对某一话题发表意见,并通过社交媒体实现信息传播和扩散,极易形成网络舆情事件。参与用户的认证类别、粉丝数、发布微博数等特征有着显著差异,这反映其网络社会资本多寡[2],直接影响在舆情中信息的传播效果。高社会资本用户所发布的信息能被更多的公众接收到,具有较大的传播效果。当网络舆情事件发生时,高社会资本用户往往扮演“信息引导者”的角色,在舆情中表达自己的观点,从而推动舆情的发展。因此,厘清网络舆情中信息发布者的哪些社会资本属性会影响其信息传播效果,对于舆情的引导和治理具有重要意义。

现有研究已经探讨了网络舆情的传播机理,但是尚未从信息发布者的社会资本角度对其传播效果进行深入探究。因此,笔者旨在研究以下问题:①信息发布者的社会资本如何影响网络舆情信息传播效果;②舆情的不同阶段下社会资本对信息传播效果会产生哪些不同的影响。

1 研究综述

1.1 信息传播效果

信息传播效果是指发布者的信息经媒介传至受众,信息在传播过程所形成的整体影响力[3]。关于信息传播效果的度量,研究者的方法也不尽相同,现有研究多以转发数或评论数作为衡量信息传播效果的客观评价指标[4]。然而,一些学者认为信息传播效果应该包括不同维度的指标。张伦等[5]使用结构性扩散度来反映信息传播效果,能够更好地反映信息传播的结构性特征。李桂云等[6]使用传播广度和传播深度来度量信息安全事件的知识传播效果。

信息传播效果会受到传播过程中很多因素的影响,已有研究主要从信息的传播主体和传播内容探究影响信息传播效果的因素。对于传播主体的研究主要涉及发布者的权威性和可信度,包括粉丝数、认证状况、活跃度等[7]。基于传播内容的研究主要涉及信息的内容丰富度,包括话题数、@数等对于微博转发的影响[8]。

1.2 社会资本与信息行为

社会资本被定义为嵌入在社会关系网络中的资源,它通过关系的建立和维持而存在[9]。由 NAHAPIET等[10]提出的三维度社会资本理论认为社会资本包括结构维、关系维和认知维3个维度。在社交媒体网络中,结构资本反映了网络中个体之间的结构和联系特征;认知资本是网络中个体间形成共同的视角、诠释和理解的资源[11];关系资本指的是网络中个体互动的性质,包括信任、社区认同等[12]。既有研究采用社会资本理论从不同视角解释用户信息行为。ZHANG等[13]从社区成员分享知识的动机出发,证实了社会资本对信息分享行为的积极影响。王雪[14]发现在微信朋友圈中不同社会连接强度下社会资本对用户信息转发行为的影响不同。

现有研究虽然对信息传播效果或社会资本与信息行为进行了分析,但仍然存在以下不足:①大多数研究只聚焦于某一类信息,如政务微博、辟谣微博等,鲜有结合具体的舆情事件探究社会资本对信息传播效果的影响;②已有文献没有探究信息发布者的社会资本在舆情不同阶段对信息传播的影响;③当前研究多以转发数来衡量信息传播效果,然而这只能反映传播广度,对传播深度与传播广度影响的异同鲜有探讨。

2 研究模型与假设

2.1 研究模型

基于社会资本理论将网络舆情信息传播效果(传播广度、深度)作为被解释变量;将信息发布者的社会资本作为解释变量,并以舆情生命周期作为调节变量;将文本长度和是否有链接作为控制变量,构建基于社会资本的网络舆情信息传播效果模型,如图1 所示。

图1 基于社会资本的网络舆情信息传播效果模型

2.2 研究假设

2.2.1 信息发布者的社会资本与信息传播效果

结构性社会资本强调社会关系的数量,指用户所处社交网络的规模,通常用社会交互联结来衡量[15]。在社交媒体平台,用户的粉丝数就是一种社会交互联结,反映了用户与平台其他用户的联系程度。FANG等[16]使用Twitter用户的粉丝数对结构性社会资本进行量化。在文献[4]中,冯小东等提出粉丝数多的政务微博拥有更强的传播效果。同样,在网络舆情中信息发布者的粉丝数较多,说明其具有较强的结构性社会资本,其所发布的微博信息会被更多的用户接收到,信息传播的广度和深度也更高。由此提出以下假设:

H1a信息发布者的粉丝数正向影响信息传播广度。

H1b信息发布者的粉丝数正向影响信息传播深度。

文献[10]中,关系性社会资本是通过从互动关系中获得的资源,涉及信任、互惠等,但信任是关系性社会资本核心的要素[17]。在微博平台,用户可以通过完善个人信息来提高自身的可信度。王志英等[18]发现传播者的身份信息完善度能正向影响知识传播效果。用户的历史微博数可以反映其活跃度的高低,而活跃度能够正向影响被信任度。张婷等[19]发现用户的被信任程度随活跃度的增高而增高。在网络舆情中信息发布者信息完善度和微博数越高,就可以积累更多关系性社会资本,从而其所发布的微博信息传播效果越好。由此提出以下假设:

H2a信息发布者的微博数正向影响信息传播广度。

H2b信息发布者的微博数正向影响信息传播深度。

H3a信息发布者的信息完善度正向影响信息传播广度。

H3b信息发布者的信息完善度正向影响信息传播深度。

文献[12]认为认知性社会资本是指为不同个体提供表达与解释的资源,可通过用户专业水平来体现,主要描述用户在专业领域的技能、知识、专业话语等。在微博平台,会员认证在为用户提供了更多专属特权的同时,也赋予此类身份更高的可信度、专业性和吸引力[20], 从而对微博传播具有促进作用。穆圣坤等[21]提出微博针对VIP级别越高的会员,会有更多特权,其微博更易扩散,转发量也会更多。同样,获得会员资格的微博用户所发布的微博表现出更高的专业度和吸引力,体现出其具有较强的认知性社会资本,从而信息传播的广度和深度也更高。由此提出以下假设:

H4a信息发布者的会员资格正向影响信息传播广度。

H4b信息发布者的会员资格正向影响信息传播深度。

2.2.2 舆情生命周期的调节作用

网络舆情的传播具有生命周期特征,信息发布时间对于舆情的传播具有很大影响[22]。随着舆情发展阶段的变化,不同用户的传播效果也发生动态变化[23]。王林等[24]发现不同类型的信息发布者在舆情的时间维度上的影响力是不同的。在舆情传播的不同时间阶段,不同社会资本的信息发布者对舆情中信息传播的影响能力也是不同的。由此提出以下假设:

H5a发布日期负向调节信息发布者的粉丝数与信息传播广度的关系。

H5b发布日期负向调节信息发布者的粉丝数与信息传播深度的关系。

H6a发布日期负向调节信息发布者的微博数与信息传播广度的关系。

H6b发布日期负向调节信息发布者的微博数与信息传播深度的关系。

H7a发布日期负向调节信息发布者的信息完善度与信息传播广度的关系。

H7b发布日期负向调节信息发布者的信息完善度与信息传播深度的关系。

H8a发布日期负向调节信息发布者的会员资格与信息传播广度的关系。

H8b发布日期负向调节信息发布者的会员资格与信息传播深度的关系。

3 研究设计

3.1 数据来源

2022年3月15日,央视3·15晚会报道,湖南插旗菜业生产的“老坛酸菜”制品,其实是收购并且加工的“土坑酸菜”,此事件在网络上迅速引起了广泛的讨论。笔者所使用数据由微热点研究院提供,微热点研究院是新浪微博旗下设立的科创平台,主要围绕全媒体大数据与人工智能开展研究。提供的数据包括该舆情事件2022年3月15日至2022年4月5日全部微博数据,其中原创微博67 062条,转发微博115 938条。

3.2 变量说明

为探究信息发布者社会资本对网络舆情信息传播效果的影响,笔者使用转发关系构建网络舆情信息传播级联,传播广度和传播深度来反映信息传播效果,并构建了模型变量与测度指标,具体如表1所示。

表1 模型变量与定义

3.3 模型构建

考虑因变量为离散非负整数的计数变量,且

方差远大于均值,因此选用负二项回归模型。分别构建网络舆情信息传播广度模型和传播深度模型,如式(1)和式(2)所示。

breadth=α0+α1followers+α2weibonum+

α3introduction+α4ismember+α5day+α6length+

α7url+α8followers×day+α9weibonum×day+

α10introduction×day+α11ismember×day+ε1

(1)

depth=β0+β1followers+β2weibonum+

β3introduction+β4ismember+β5day+β6length+

β7url+β8followers×day+β9weibonum×day+

β10introduction×day+β11ismember×day+ε2

(2)

式中:breadth为传播广度;depth为传播深度;followers为粉丝数;weibonum为微博数;introduction为信息完善度;ismember为会员资格;day为发布日期;length为文本长度;url为是否有链接;α0和β0为截距项;α1～α7和β1～β7为相应变量的估计参数;α8～α11和β8～β11为交互项的估计参数;ε1和ε2为随机误差项。

4 研究结果

4.1 描述性统计与多重共线性分析

笔者使用Stata软件对相关数据进行统计、整理和分析。模型各变量的描述性统计与多重共线性分析如表2所示。为了消除变量量纲对数据分析结果的影响,使得变量具有可比性,研究对连续变量进行标准化处理。为排除多重共线性的干扰,使用方差膨胀系数(variance inflation fcator,VIF)检验变量间的多重共线性。结果表明所有变量的VIF值远小于10,表明不存在多重共线性。

表2 描述性统计与多重共线性分析

4.2 回归结果分析

4.2.1 传播广度模型

传播广度模型的回归结果如表3所示。在模型1中仅加入了控制变量,模型2增加了自变量和调节变量,模型3加入调节变量与自变量的交互项。由模型1的结果可知,控制变量均显著正向影响信息传播广度。由模型2的结果可知,所有自变量均显著正向影响信息传播广度,假设H1a、H2a、H3a、H4a得到验证。粉丝数、微博数、信息完善度和会员资格显著正向影响信息传播广度,表明信息发布者的社会资本越高,所发布信息越容易被更多用户接收并传播。

表3 传播广度模型的回归结果

将发布日期与各自变量做交互项,以验证舆情生命周期对信息发布者的社会资本与信息传播广度的调节作用,回归结果见模型3。其中,发布日期与粉丝数、微博数的交互项显著,假设H5a和H6a得到验证。而发布日期与信息完善度、会员资格的交互项不显著,拒绝假设H7a和H8a。

舆情生命周期对网络社会资本与传播广度的调节作用,如图2所示。相对于舆情后期,在舆情前期用户的粉丝数和历史微博数等网络社会资本对信息传播广度的影响更加明显,体现出高影响力用户对舆情爆发的引导作用。

图2 舆情生命周期对网络社会资本与传播广度的调节效应

4.2.2 传播深度模型

传播深度模型的回归结果如表4所示。由回归结果可知,粉丝数、微博数、信息完善度、会员资格均显著正向影响信息传播深度,即假设H1b、H2b、H3b、H4b得到验证。信息发布者的社会资本越高,其所发布信息能够被深层次传播。在交互项中,发布日期对粉丝数和信息完善度与传播深度的调节作用显著,假设H5b和H7b得到检验。发布日期对微博数、会员资格的与传播深度的调节作用不显著,拒绝假设H6b和H8b。

表4 传播深度模型的回归结果

舆情生命周期对网络社会资本与传播深度的调节作用,如图3所示。当舆情随着时间演化,粉丝数、信息完善度与传播深度之间的关系斜率减小,说明舆情生命周期减弱了其对网络舆情信息传播深度的正向影响。

图3 舆情生命周期对网络社会资本与传播深度的调节效应

5 结论

(1)舆情事件中信息发布者的网络社会资本会显著影响传播效果,同时舆情生命周期对网络社会资本与传播效果的关系起到调节作用。主要表现在:结构资本的粉丝数、关系资本的微博数和信息完善度、认知资本的会员资格均正向影响信息传播效果,即信息发布者所拥有的社会资本越多,在网络舆情中能够形成更大的影响力,从而促进信息的传播。舆情生命周期显著负向调节结构资本的粉丝数、关系资本的微博数与信息传播广度的关系;舆情周期显著负向调节粉丝数、信息完善度与传播广度的关系,这表明舆情生命周期对于低社会资本的用户能够产生更强的影响,低社会资本用户在舆情后期会缩小与高社会资本用户在信息传播力上的差距。

(2)基于社会资本理论构建了网络舆情信息传播效果的研究模型,采用社交平台中的客观数据揭示了信息发布者的社会资本与网络舆情信息传播效果的作用机理,并证实了舆情生命周期在信息发布者的社会资本与信息传播效果之间的调节作用,表明社会资本对信息传播效果的影响在时间维度上的差异性。

(3)对舆情管理部门而言,可以根据网络社会资本对社交平台用户进行差异化分类和标记,一方面对高社会资本进行重点监测,所发布内容应加强审核,以免其发布的负面或有害信息被广泛传播,进而引发舆情,另一方面根据不同用户确定最佳的舆情干预时间点。在舆情早期重点关注高社会资本用户,而在后期需要针对内容加强对低社会资本用户的审核,实现更有效地疏导舆情。

(4)在未来的研究中将对不同种类的舆情事件进行对比分析,同时增加更多能够反映用户社会资本的变量,以增强研究结果的普适性。