不同情緒對(duì)網(wǎng)絡(luò)群體極化影響的實(shí)證研究

龔艷萍+馬艷玲

內(nèi)容摘要：為了研究網(wǎng)絡(luò)群體中不同情緒對(duì)群體極化的影響，本文從網(wǎng)絡(luò)上已發(fā)生的群體極化現(xiàn)象出發(fā)，使用python抓取2016年8月17日到2016年10月8日期間的41496825條微博評(píng)論作為數(shù)據(jù)樣本，并通過Stanford Word Segmenter進(jìn)行文本分詞，然后使用LIWC進(jìn)行文本分析，進(jìn)而結(jié)合群體極化的測量方法，建立VAR模型。研究發(fā)現(xiàn)：負(fù)向情緒比正向情緒更容易引起網(wǎng)絡(luò)群體極化；相比于悲傷情緒和焦慮情緒，憤怒情緒更容易引起網(wǎng)絡(luò)群體極化。最后，為企業(yè)處理公關(guān)危機(jī)以及政府應(yīng)對(duì)輿論輿情等提供決策建議。

關(guān)鍵詞：情緒 網(wǎng)絡(luò)群體極化 VAR模型

互聯(lián)網(wǎng)的發(fā)展普及，促使了“群體極化”現(xiàn)象在虛擬網(wǎng)絡(luò)中出現(xiàn)，并且相較于傳統(tǒng)形式，網(wǎng)絡(luò)化的“群體極化”具有作用強(qiáng)度更大性和傳播范圍更廣性等特點(diǎn)。最近韓國部署薩德事件引起了中國人民極大的憤怒和不滿，網(wǎng)絡(luò)群體極化現(xiàn)象尤為顯著；另外，網(wǎng)絡(luò)群體極化帶來的正面影響事例也不在少數(shù)。例如順豐總裁王衛(wèi)積極回應(yīng)快遞小哥被打事件，給順豐集團(tuán)樹立了良好的企業(yè)形象；中國足球的崛起以及中國女排在里約奧運(yùn)會(huì)上摘得金牌都為廣大人民提升了民族自豪感。

“群體極化”現(xiàn)象和群體性事件、社會(huì)熱點(diǎn)、以及重大的突發(fā)事件等有著很大的關(guān)系，所以實(shí)際生活中的熱點(diǎn)事件在網(wǎng)絡(luò)的環(huán)境下形成“極化”就很容易，考慮到這種現(xiàn)象對(duì)人們生活的巨大影響，學(xué)術(shù)界也開始對(duì)此進(jìn)行專門的研究。已有研究多是從政治極化的角度考慮對(duì)輿情的影響，并且研究多集中在群體極化的影響因素以及相應(yīng)的對(duì)策上，方法大多采用實(shí)驗(yàn)法和理論論述，但是對(duì)于群體極化的測量沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)。

本文考慮采用文本量化方法，首先使用Python軟件抓取王寶強(qiáng)離婚事件相關(guān)的41496825條微博評(píng)論的文本信息，其次通過Stanford Word Segmenter（斯坦福分詞系統(tǒng)）進(jìn)行文本分詞，然后使用LIWC（語言探索與字詞計(jì)數(shù)文本分析軟件）進(jìn)行統(tǒng)計(jì)和文本分析，考慮到內(nèi)生性問題，根據(jù)所得數(shù)據(jù)通過R語言建立VAR模型，目的是探究哪些情緒更容易引起網(wǎng)絡(luò)群體極化，進(jìn)而為公司的品牌推廣、對(duì)公關(guān)危機(jī)的處理以及政府部門對(duì)輿論的把控等活動(dòng)提供理論借鑒。

研究假設(shè)

群體極化（group polarization）本來是社會(huì)心理學(xué)提出來的概念，是指有相同觀點(diǎn)傾向的人在經(jīng)過群體之間的討論之后，對(duì)于原來的觀點(diǎn)更加固守的同時(shí)變得更加極端的社會(huì)現(xiàn)象。而網(wǎng)絡(luò)群體極化（Network Group polarization）是從群體極化的概念發(fā)展起來的。最早由美國芝加哥大學(xué)教授凱斯·桑斯坦提出，他認(rèn)為“群體極化一定會(huì)發(fā)生在網(wǎng)絡(luò)之中。因?yàn)閷?duì)于很多人來說，網(wǎng)絡(luò)就是一個(gè)承載極端主義的沃土，由于志趣相同的人們可以在網(wǎng)絡(luò)之中無障礙、高頻率的進(jìn)行交流溝通，很難聽到跟自己觀點(diǎn)不同的意見。這樣頻繁的在這種場合之中，就會(huì)使得他們相信別人的觀點(diǎn)。各種原來無既定想法的人，因?yàn)樗麄兯姴煌?，最后?huì)各自走向極端，造成分裂的結(jié)果，或者鑄成大錯(cuò)并帶來混亂?！?/p>

正向情緒與網(wǎng)絡(luò)群體極化。根據(jù)傳統(tǒng)的情緒理論，情緒可以按照“效價(jià)-喚醒度”劃分為正效價(jià)情緒和負(fù)效價(jià)情緒。正向情緒（positive emotion）也就是積極情緒或者是有著正效價(jià)的情緒。Turner （2009）在他的心理互動(dòng)分析的情感理論中提出，積極情感可能促進(jìn)參與互動(dòng)的人使用同樣的情感語言?；?dòng)嵌套于相互的社團(tuán)之中，從而在互動(dòng)過程中提高期望被滿足的可能性，即互動(dòng)交流和正向情緒之間存在著密切的關(guān)聯(lián)。由此可見，正向情緒能夠促使網(wǎng)絡(luò)群體成員之間進(jìn)行頻繁的交流與互動(dòng)，從而更容易產(chǎn)生從眾行為，進(jìn)而引發(fā)網(wǎng)絡(luò)群體極化，因此本文提出假設(shè)：

H1：在網(wǎng)絡(luò)群體中，正向情緒占比越大，越容易引起網(wǎng)絡(luò)群體極化。

負(fù)向情緒與網(wǎng)絡(luò)群體極化。和帶來愉快感受的正向情緒相比，負(fù)向情緒一般會(huì)帶來一種不愉快的感受。Fredrickson（2003， 2005）的“拓展-塑造理論”（broaden and build theory）認(rèn)為，憤怒一般會(huì)導(dǎo)致攻擊性行為，恐懼一般會(huì)使得個(gè)體產(chǎn)生逃跑行為，而厭惡一般會(huì)使得個(gè)體產(chǎn)生一種驅(qū)逐性行為等等。如果個(gè)體處在負(fù)向情緒狀態(tài)的時(shí)候，他的思維就會(huì)發(fā)生變化，變得越來越狹窄，同時(shí)思維專注在使負(fù)向情緒發(fā)生的情境或事件之中，然后變得緊張且警惕，從而加速肢體的血液流動(dòng)，隨時(shí)準(zhǔn)備“逃離或者是斗爭”（Fredrickson.，1998， 2001， 2003， 2005），所以容易出現(xiàn)極端的行為或是態(tài)度。因此，本文假設(shè)：

H2：在網(wǎng)絡(luò)群體中，負(fù)向情緒占比越大，越容易引起網(wǎng)絡(luò)群體極化。

情緒信息等價(jià)模型指出，相比于正向情緒的全局性加工模式，負(fù)向情緒更多導(dǎo)致的是局部的加工模式。而且情緒的負(fù)性偏向觀點(diǎn)指出，個(gè)體對(duì)所處環(huán)境下的負(fù)性情緒信息是有著非一般的敏感性的，被稱為情緒的負(fù)性偏向現(xiàn)象。即，相比于中性的與正性的，個(gè)體會(huì)優(yōu)先對(duì)負(fù)性的刺激產(chǎn)生一種認(rèn)知加工（Delplanque & Silvert.，2005；Huang & Luo.，2006；Yuan et al.，2007）。因?yàn)樨?fù)向情緒被喚醒的時(shí)間比正向情緒短，也可以說，在一樣的情境下，負(fù)向情緒首先會(huì)被激活。由此我們可以假設(shè)：

H3：在網(wǎng)絡(luò)群體中，相比于正向情緒，負(fù)向情緒更容易引起網(wǎng)絡(luò)群體極化。

憤怒、悲傷、焦慮與網(wǎng)絡(luò)群體極化。結(jié)合Fleur J.M. Laros和Jan Benedict E.M.Steenkamp 于2005年提出的消費(fèi)者情緒模型以及Ekman（1992）提出的最基本的消極情緒分類，本文主要研究憤怒、悲傷以及焦慮這三種負(fù)向情緒對(duì)網(wǎng)絡(luò)群體極化的影響。Lemer&Keltner（2001）的以“亞洲疾病問題”作為實(shí)驗(yàn)情境的關(guān)于風(fēng)險(xiǎn)決策的實(shí)驗(yàn)發(fā)現(xiàn)，如果被試是帶有憤怒情緒的，那么他更可能采用高風(fēng)險(xiǎn)的決策。Raghunathan等的研究表明，如果是在賭博情境中，與焦慮情緒的個(gè)體相比，悲傷情緒更愿意進(jìn)行獲益和風(fēng)險(xiǎn)都比較高的賭博游戲。雖然對(duì)于焦慮情緒的研究很多，但是很少有學(xué)者研究焦慮情緒與群體極化之間的關(guān)系。Raghunathan研究了被試在賭博中的冒險(xiǎn)行為，結(jié)果表明悲傷情緒與中性情緒、焦慮情緒的被試不同，對(duì)于贏利和風(fēng)險(xiǎn)游戲有著低偏好。上述分析表明，焦慮情緒更傾向于風(fēng)險(xiǎn)規(guī)避行為，而悲傷會(huì)導(dǎo)致更多的尋求行為出現(xiàn)。和憤怒相比，悲傷和更低的喚醒狀態(tài)有關(guān)（Zhu & Thagard.，2002），而憤怒有著更高的冒險(xiǎn)性，憤怒更容易引起網(wǎng)絡(luò)群體極化。因此本文假設(shè)：endprint

H4：在網(wǎng)絡(luò)群體中，與悲傷情緒、焦慮情緒相比，憤怒情緒更容易引起網(wǎng)絡(luò)群體極化。

數(shù)據(jù)分析與假設(shè)檢驗(yàn)

（一）數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)選取。本研究選取“王寶強(qiáng)離婚事件”中王寶強(qiáng)發(fā)表的離婚聲明一條新浪微博的評(píng)論為研究對(duì)象。使用python工具，抓取此微博評(píng)論的文本信息，時(shí)間是從2016年8月17日到2016年10月8日，一共抓取了41496825條評(píng)論，包括ID、評(píng)論時(shí)間及評(píng)論內(nèi)容。

數(shù)據(jù)處理。本文數(shù)據(jù)處理參照Kelly Hewett et al.于2016年發(fā)表在Journal of Marketing上的關(guān)于品牌回聲效應(yīng)文章當(dāng)中數(shù)據(jù)處理方式。首先對(duì)已經(jīng)抓取的文本數(shù)據(jù)使用斯坦福大學(xué)分詞系統(tǒng)（Stanford Word Segmenter）進(jìn)行斷詞，然后導(dǎo)入以SC-LIWC（偵測率達(dá)82.94%）為詞典的LIWC（語言探索與字詞計(jì)數(shù)文本分析軟件）進(jìn)行分析。

變量選擇。網(wǎng)絡(luò)群體極化（Network Group polarization）參照霍鳳寧（2015）測量網(wǎng)絡(luò)群體極化的方法進(jìn)行測量；正向情緒（positive）、負(fù)向情緒（negative）、憤怒情緒（anger）、悲傷情緒（sadness）以及焦慮情緒（anxiety）通過LIWC提取相應(yīng)情緒詞的占比進(jìn)行測量。

（二）模型的建立、估計(jì)及結(jié)果分析

1.單位根檢驗(yàn)。變量的平穩(wěn)性決定了模型估計(jì)的可靠性，所以變量為平穩(wěn)的時(shí)間序列可以直接構(gòu)建無約束的VAR模型。所以，我們首先對(duì)時(shí)間序列進(jìn)行單位根檢驗(yàn)以檢查其平穩(wěn)性。由表1結(jié)果可見，群體極化因子、正向情緒、負(fù)向情緒、憤怒、悲傷、焦慮相應(yīng)占比的原序列均通過了ADF單位根檢驗(yàn)，為平穩(wěn)序列。

為了檢驗(yàn)假設(shè)H1-H3，需要建立以群體極化、正向情緒、負(fù)向情緒為變量的模型。首先在R語言中對(duì)最優(yōu)的滯后階數(shù)進(jìn)行判斷，得出各項(xiàng)標(biāo)準(zhǔn)皆選擇p=1為最優(yōu)的滯后階數(shù)，因此我們建立VAR（1）模型。接下來通過vars包中的VAR函數(shù)建立所需模型，具體如下：

Polarization= 0.541689916 Polarization.l1 + 0.003572697 posemo.l1 + 0.084698681 negemo.l1 +const

分析上述結(jié)果可以得到以下結(jié)論：群體極化的滯后項(xiàng)對(duì)其本身有著重要的促進(jìn)作用，即群體極化具有時(shí)間傳導(dǎo)性，如果前一天的極化影響較大，則后一天有較大可能性產(chǎn)生與前一天同樣大的極化影響；正向情緒與負(fù)向情緒均對(duì)極化影響具有促進(jìn)作用，并且負(fù)向情緒的影響更顯著，這一點(diǎn)我們?cè)诮酉聛淼拿}沖響應(yīng)函數(shù)中可以更直觀看到。

2.脈沖響應(yīng)函數(shù)分析。脈沖響應(yīng)函數(shù)是用來檢驗(yàn)內(nèi)生變量之間動(dòng)態(tài)相互關(guān)系的，或者說在一個(gè)單位的干擾或沖擊的影響下，由于VAR模型中不要求擾動(dòng)之間的相互獨(dú)立，從而產(chǎn)生在整個(gè)穩(wěn)定的系統(tǒng)之內(nèi)進(jìn)行傳遞而帶來對(duì)該變量及其它變量的影響。為了驗(yàn)證假設(shè)H1-H3，分別考慮正向情緒、負(fù)向情緒一個(gè)標(biāo)準(zhǔn)差信息下的脈沖對(duì)群體極化的動(dòng)態(tài)影響（見圖 1）。

總的來看，在 30 期（以天為單位）的反應(yīng)期內(nèi)，一個(gè)單位正向情緒和負(fù)向情緒的沖擊分別對(duì)網(wǎng)絡(luò)群體極化的影響均是正的，因而可以證明假設(shè)H1和H2。具體來看，正向情緒和負(fù)向情緒的沖擊影響使極化影響均在第3期左右達(dá)到最大，并且負(fù)向情緒所導(dǎo)致的變動(dòng)幅度明顯大于正向情緒（從而驗(yàn)證了H3），群體極化在達(dá)到最高點(diǎn)后均緩慢下降，在沖擊后的14期后基本趨于原水平，說明極化影響在受到情緒異常變動(dòng)后需要較長時(shí)間才能消除影響。

同樣地，為了驗(yàn)證假設(shè)H4，針對(duì)群體極化、焦慮、憤怒和悲傷建立VAR模型（在選擇滯后階數(shù)的過程中，HQ、SC判斷標(biāo)準(zhǔn)得到的結(jié)果為p=1，而AIC準(zhǔn)則結(jié)果為p=6，考慮到模型的簡潔性我們只考慮VAR（1）模型），相應(yīng)的脈沖響應(yīng)函數(shù)見圖2所示。

從圖2中可以得到以下結(jié)論：群體極化一個(gè)單位的沖擊會(huì)對(duì)其自身之后的值產(chǎn)生相當(dāng)大的正向影響，但影響減小速度很快；焦慮、憤怒、悲傷均會(huì)對(duì)群體極化產(chǎn)生正的影響，并且極化影響均在第2天或者第3天達(dá)到最大，其中憤怒產(chǎn)生的影響最大（從而驗(yàn)證了假設(shè)H4）；三種情緒沖擊產(chǎn)生的影響大概在第10期趨近于0。

結(jié)論與研究意義

之前對(duì)群體極化的研究主要是通過線下問卷調(diào)查或者是實(shí)驗(yàn)法來進(jìn)行研究，而本文主要研究的是網(wǎng)絡(luò)中的群體極化，考慮到內(nèi)生性的問題，我們使用自向量回歸模型來分析不同的情緒對(duì)網(wǎng)絡(luò)群體極化的影響。本文的主要結(jié)論有兩點(diǎn)：正向情緒和負(fù)向情緒都會(huì)正向影響網(wǎng)絡(luò)群體極化，但是與正向情緒相比，負(fù)向情緒占比越大，越容易引起網(wǎng)絡(luò)群體極化；與悲傷情緒、焦慮情緒相比，憤怒情緒占比越大，越容易引起網(wǎng)絡(luò)群體極化。

根據(jù)實(shí)證結(jié)論，對(duì)企業(yè)正確處理公關(guān)危機(jī)以及政府正確處理輿論輿情提供決策建議：對(duì)于政府而言，當(dāng)發(fā)生威脅社會(huì)國家安全等事件時(shí)候，政府應(yīng)盡快采取措施平息群眾對(duì)事件的憤怒等情緒，避免網(wǎng)絡(luò)群體極化的形成，從而避免導(dǎo)致的負(fù)面影響，政府對(duì)媒體應(yīng)該起到應(yīng)有的監(jiān)管作用，與媒體方面加強(qiáng)溝通，及時(shí)察覺民眾的憤怒等負(fù)向情緒，并設(shè)法引導(dǎo)平復(fù)。對(duì)于企業(yè)而言，民眾對(duì)企業(yè)行為所產(chǎn)生的正面或者負(fù)面看法都很容易產(chǎn)生極化影響，所以當(dāng)企業(yè)察覺公關(guān)危機(jī)但是還沒有形成網(wǎng)絡(luò)群體極化的時(shí)候，就應(yīng)該率先采取行動(dòng)，撫平民眾的憤怒等情緒，對(duì)于正向情緒積極引導(dǎo)，避免負(fù)向情緒導(dǎo)致的網(wǎng)絡(luò)群體極化，變危機(jī)為轉(zhuǎn)機(jī)，提升企業(yè)形象。

參考文獻(xiàn)：

1.霍鳳寧.網(wǎng)絡(luò)群體極化的判定、測量與干預(yù)策略研究[J].電子政務(wù)，2015（10）

2.程曉煜.基于VAR模型的貿(mào)易增長與跨境電子商務(wù)關(guān)系實(shí)證研究[J].商業(yè)經(jīng)濟(jì)研究，2016（12）

3.辛文娟，賴涵.群體極化視域下網(wǎng)絡(luò)輿情的演化機(jī)制研究——以微博網(wǎng)民討論“浙江溫嶺殺醫(yī)案”為例[J].情報(bào)雜志，2015（2）

4.鐘毅平，范偉，蔡榮華，譚千保，肖麗輝，占友龍，羅西，秦敏輝.正性情緒誘導(dǎo)下的自我參照加工：來自ERPs的證據(jù)[J].心理學(xué)報(bào)，2014（3）

5.陳啟強(qiáng).基于情緒知識(shí)的微博網(wǎng)絡(luò)營銷策略分析[J].商業(yè)經(jīng)濟(jì)研究，2016（8）

6.Kelly Hewett， William Rand， Roland T. Rust， & Harald J. van Heerde.Brand Buzz in the Echoverse[J].Journal of Marketing，2016（5）

7.Talarico，J. M.，Berntsen， D.， Rubin， D， C.Positive emotions enhance recall of peripheral details[J].Cognition and Emotion， 2009（23）

8.Tagar M R，F(xiàn)edrico C M，Halperin E.The positive effect of negative emotions in protracted conflict：The case of anger[J].Journal of Experimental Social Psychology，2011，47（1）endprint