信源、信息內(nèi)容、情緒特征對微博轉(zhuǎn)發(fā)的影響探究

廖琳 黃濤

摘 要：[目的/意義]基于微博轉(zhuǎn)發(fā)與信息傳播的話題一直以來備受關(guān)注。之前的研究雖然對影響微博轉(zhuǎn)發(fā)的因素進行了多種嘗試，但多數(shù)只關(guān)注微博是否轉(zhuǎn)發(fā)而很少考慮到轉(zhuǎn)發(fā)數(shù)量，也很少探究影響特征之間的相互作用。因此需要進一步的研究來彌補上述缺陷。[方法/過程]本研究以新浪微博為研究對象，將ELM模型和情緒認知理論結(jié)合，分別以“是否轉(zhuǎn)發(fā)”和“轉(zhuǎn)發(fā)數(shù)”為因變量建立邏輯回歸模型和負二項式回歸模型，探究了信源特征、信息內(nèi)容特征和情緒特征對于微博轉(zhuǎn)發(fā)的不同影響。[結(jié)果/結(jié)論]部分信源特征和信息內(nèi)容特征能顯著增加微博被轉(zhuǎn)發(fā)的可能性和轉(zhuǎn)發(fā)數(shù)，并且粉絲數(shù)與被轉(zhuǎn)發(fā)可能性和轉(zhuǎn)發(fā)數(shù)之間呈倒U型關(guān)系;不同極性的情緒對微博轉(zhuǎn)發(fā)的影響具有不對稱性;此外，高影響力用戶與普通用戶相比，其他信源特征、情緒特征和信息文本特征對其微博轉(zhuǎn)發(fā)的影響更小。本文創(chuàng)新之處在于結(jié)合ELM理論與情緒認知理論探究微博轉(zhuǎn)發(fā)的影響因素，同時在模型中納入了粉絲數(shù)的二次項，所得結(jié)論具有一定的理論貢獻和實踐啟示。

關(guān)鍵詞：信源;信息內(nèi)容;情緒特征;微博轉(zhuǎn)發(fā);ELM模型;情緒認知理論;負二項式回歸

DOI：10.3969/j.issn.1008-0821.2020.09.005

〔中圖分類號〕G202 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）09-0042-11

Research on the Influence of Source，Information Content and

Emotional Characteristics on Weibo Reposting

Liao Lin Huang Tao

（Guanghua School of Management，Peking University，Beijing 100871，China）

Abstract：[Purpose/Significance]The topic of reposting and information dissemination based on Weibo has attracted much attention.Although previous studies have made various attempts on the factors affecting Weibo reposting，most of them only focus on whether Weibo reposting and rarely consider the number of reposts，and rarely explore the interaction between influencing features.Therefore，further research is needed to make up for these research gaps.[Method/Process]This study used Sina Weibo as the research object，combines ELM model and emotional cognitive theory，and established logistic regression model and negative binomial regression model with“repost”and“repost number”as dependent variables respectively to explore the different effects of source characteristics，information content characteristics and emotional characteristics on Weibo reposting.[Result/Conclusion]Some source characteristics and information content characteristics can significantly increase the probability and number of reposts of Weibo，and the number of followers has an inverted U-shaped relationship with the possibility of reposting and reposting;The influence of different polar emotions on Weibo repost were asymmetric;In addition，compared with ordinary users，the influence of other source characteristics，emotional characteristics，and information content characteristics on the repost of Weibo was smaller for high-impact users.The innovation of this paper was to combine ELM theory and emotional cognitive theory to explore the influencing factors of Weibo Reposting，and to include the square term of the number of fans in the model.The conclusions had certain theoretical contributions and practical implications.

Key words：information source;information content;emotional characteristics;Weibo reposting;ELM model;emotional cognitive theory;negative binomial regression model

社交平臺對于用戶傳播信息而言是一個理想的平臺。微博平臺（例如Twitter、新浪微博等）允許用戶通過短信息來分享信息。當信息的接受者認為信息是有趣并且值得與其他人分享時，可以選擇將信息轉(zhuǎn)達給自己的粉絲，這種行為稱為“轉(zhuǎn)發(fā)”?？傮w而言，“轉(zhuǎn)發(fā)”作為信息傳播簡單又有效的機制，與原始信息的特定價值有關(guān)。除了分享信息，用戶也可能通過轉(zhuǎn)發(fā)來娛樂某一類特定觀眾、評論某人的觀點或者公開表示同意某人（Boyd D等）。然而，大家很少知道特定的信息如何和為何能比其他信息傳播范圍更廣。之前的相關(guān)研究主要集中在對于給定用戶的轉(zhuǎn)發(fā)預測和社交網(wǎng)絡結(jié)構(gòu)對轉(zhuǎn)發(fā)的影響上。主要的研究結(jié)論為一個有活躍粉絲在社交網(wǎng)絡中被廣泛連接的用戶更容易被轉(zhuǎn)發(fā)。在該設(shè)定下微博的內(nèi)容常常被忽略或被簡略到一些很簡單的特征?；诰W(wǎng)絡的分析可以解釋誰更容易寫出有趣的信息，但不能解釋這個社區(qū)對什么感興趣。

從之前的研究可以看出，影響轉(zhuǎn)發(fā)行為的因素可以歸結(jié)為以下兩方面：一是用戶的特征，如用戶的興趣，賬號年限和社會影響;二是微博的文本特征，如URL和話題引用、問題符號的使用等等。例如，Cha M等通過深度對比社交網(wǎng)絡中3個影響力指標：入度（即粉絲數(shù)）、轉(zhuǎn)發(fā)和提及，來分析Twitter用戶的影響力。研究發(fā)現(xiàn)，有大量粉絲代表了用戶的受歡迎程度，不一定代表高的轉(zhuǎn)發(fā)和提及，而轉(zhuǎn)發(fā)是由內(nèi)容的價值驅(qū)動的，擁有高轉(zhuǎn)發(fā)率的用戶多為內(nèi)容生成機構(gòu)、商人和新聞網(wǎng)站。Suh B等基于7 400萬條Twitter微博的文本內(nèi)容和網(wǎng)絡結(jié)構(gòu)，建立了轉(zhuǎn)發(fā)預測模型，識別了幾個能顯著影響轉(zhuǎn)發(fā)可能性的因素，包括顯示URL、加入話題、粉絲數(shù)量和用戶賬戶的使用年限。

除了發(fā)布信息，微博還經(jīng)常用于傳遞微博發(fā)布者心情狀態(tài)、對于某一話題的判斷和進行情感交流（Bollen J等）。近年來，開始有研究者注意到情緒或感情維度對社交媒體用戶交互和信息傳播的潛在影響，并探究了情緒對于微博轉(zhuǎn)發(fā)的作用。之前的主要研究結(jié)論表明，信息的情緒維度（包括積極情緒和消極情緒）能促進更多的注意、反饋和參與（Huffaker D）。Naveed N等基于微博的內(nèi)容構(gòu)造了一個轉(zhuǎn)發(fā)可能性的預測模型，模型中所包含的微博文本特征包括引用用戶名、URL、話題、問題符號、情緒等等。研究發(fā)現(xiàn)，當一條微博是關(guān)于普遍的大眾話題而不是狹隘的個人話題，并且包含話題、用戶名、URL、消極情緒和積極情緒時更容易被轉(zhuǎn)發(fā)。Kanavos A等使用數(shù)據(jù)挖掘技術(shù)，基于Ekman情緒模型和Twitter用戶的行為特征，建立了預測轉(zhuǎn)發(fā)深度和寬度的預測模型，探究信息以轉(zhuǎn)發(fā)為形式在網(wǎng)絡中傳播的影響因素。同時作者發(fā)現(xiàn)，與積極情緒或中性情緒的信息相比，包含消極情緒的信息更容易被轉(zhuǎn)發(fā)。Stieglitz S等關(guān)注在政治討論或者政治決策過程中，微博的情緒或感情維度對于信息在網(wǎng)絡中傳播的潛在影響。研究表明，包含能反應情緒的單詞的微博更容易被轉(zhuǎn)發(fā)，更具體而言，微博中計算得出的積極情緒和消極情緒都能使微博更容易在網(wǎng)絡中傳播。Kim J等使用Twitter中的政治交流和相關(guān)的情緒表達，探究了情緒在信息傳播過程中的作用，比較了用戶回復和轉(zhuǎn)發(fā)行為所涉及的情緒變量的不同。結(jié)果表明，信息中情緒表達的程度能反應回復的數(shù)量和轉(zhuǎn)發(fā)率，其中回復數(shù)和轉(zhuǎn)發(fā)數(shù)與消極情緒單詞的數(shù)量正相關(guān)，與積極情緒單詞的數(shù)量負相關(guān)。Hoang T A等考慮了情緒和社區(qū)成員的共同影響，使用話題建模來獲得有關(guān)情緒和分享的更準確的描述。研究發(fā)現(xiàn)，對于有轉(zhuǎn)發(fā)的用戶而言，情緒化的微博比中性情緒的微博更容易被轉(zhuǎn)發(fā)，并且?guī)в邢麡O情緒的微博比積極情緒的微博更容易被轉(zhuǎn)發(fā)。

之前的研究雖然對探究影響微博轉(zhuǎn)發(fā)的因素進行了多種嘗試，但主要還存在以下不足。首先，大部分研究只探究了用戶特征、文本特征或情感特征對微博轉(zhuǎn)發(fā)的獨立影響，而很少探究特征之間的相互作用。實際上，情緒對于信息傳播的作用可能會因為所發(fā)布的內(nèi)容特征、發(fā)布者的用戶特征的不同而產(chǎn)生差異。例如，Hansen L K等使用樸素貝葉斯分類模型來分類出Twitter中的新聞，并且發(fā)現(xiàn)在新聞樣本中，與經(jīng)典的新聞傳播模型一致，帶有消極情緒的微博更能促進轉(zhuǎn)發(fā)。而在非新聞分類中，帶有積極情緒的微博更能促進傳播。此外，微博用戶的不同特征對于微博轉(zhuǎn)發(fā)也存在相互影響。于晶認為，對于影響力較小的用戶，影響力與粉絲數(shù)量間無明顯相關(guān)性，而影響力較大的用戶影響力與粉絲數(shù)量有較為明顯的正相關(guān)關(guān)系。其次，現(xiàn)有對于微博轉(zhuǎn)發(fā)的研究大部分使用邏輯回歸模型，將微博是否轉(zhuǎn)發(fā)作為二分類因變量，而缺少了對于微博轉(zhuǎn)發(fā)數(shù)量的信息。為了彌補上述研究不足，本文創(chuàng)新性地將ELM理論與情緒認知理論相結(jié)合，構(gòu)建了較為完整的微博轉(zhuǎn)發(fā)影響因素框架，即信源特征、信息內(nèi)容特征和情緒特征，同時考慮了這些特征的交叉影響，以進一步發(fā)現(xiàn)影響微博轉(zhuǎn)發(fā)的因素和規(guī)律。此外，考慮到微博轉(zhuǎn)發(fā)數(shù)量而不是是否轉(zhuǎn)發(fā)更能刻畫和衡量用戶的影響力，本文分別以“是否轉(zhuǎn)發(fā)”和“轉(zhuǎn)發(fā)數(shù)”為因變量建立了邏輯回歸模型和負二項式回歸模型，旨在更準確地刻畫和衡量不同特征對微博轉(zhuǎn)發(fā)的影響。

1 理論基礎(chǔ)

微博內(nèi)容作為信息的一種形式，微博轉(zhuǎn)發(fā)即為信息傳播的過程，受到申農(nóng)信息論中信源（微博發(fā)布者）、信宿（微博接受者）、信息（微博內(nèi)容）和信道（微博平臺）四要素的影響（Petty R E等）。微博傳播過程是用戶對于博文信息進行加工處理的過程，Petty R E等提出的精細加工可能性模型Elaboration Likelihood Model（簡稱ELM模型）可以很好地對該過程進行解釋。

在ELM模型中，信宿通過兩條信息加工路徑來改變對信源信息的態(tài)度和行為：中心路徑（Central Route）和邊緣路徑（Peripheral Route）（Petty R E等）。其中，中心路徑指信宿通過對問題相關(guān)的真實信息特質(zhì)進行高度努力程度的思考從而改變態(tài)度的過程。信息特質(zhì)主要與信息質(zhì)量相關(guān)，如信息內(nèi)容的質(zhì)量與信息內(nèi)容的新穎性。邊緣路徑指通過對于問題相關(guān)的外圍線索，進行低努力的思考而改變態(tài)度的過程，主要與信源特征有關(guān)，如信源的可信度和權(quán)威性等。因此，信宿對于信息的傳播意愿主要基于對信息效用的認可，而信息有用性是由信息內(nèi)容的信息質(zhì)量和信源特征的信譽度共同決定（Sussman S W等）。研究表明，投入認知成本通過中心路徑來改變態(tài)度和行為有更高的反說服抵制（Weick K），而通過邊緣路徑形成的態(tài)度和行為是相對短暫的，但在人們?nèi)狈r間、經(jīng)驗或精力等特定情況下，邊緣路徑往往對于人們態(tài)度行為的改變有重要影響（Cialdini R B等）。

已有研究基于ELM模型探究微博傳播領(lǐng)域信息內(nèi)容和信源特征對于信息接收和再傳播意愿的影響。其中，基于信息內(nèi)容的研究主要涉及符號和內(nèi)容分類。微博信息中的話題標注“#”和提及他人“@”對于微博轉(zhuǎn)發(fā)有顯著的正向影響（Suh B等），而原創(chuàng)微博體現(xiàn)了用戶經(jīng)營微博的主動性，更容易形成強勢影響力（唐佳等）。對于信源特征的研究主要涉及信源的權(quán)威性和可信度，包括信源的粉絲數(shù)、認證狀況、活躍度等（熊濤等）。

ELM模型是將用戶的行為歸結(jié)為理性思考和對比的結(jié)果，認為人的認知和意向決定著用戶的行為。然而，Blei D M等的研究發(fā)現(xiàn)，在社會、政治、文化和經(jīng)濟領(lǐng)域的事件的確對于Twitter中呈現(xiàn)的大眾情緒有立即和顯著的影響。他們的研究還表明，大規(guī)模的網(wǎng)絡情緒分析能給有關(guān)社會和經(jīng)濟指標的預測模型提供情緒趨勢。因此，在信宿對于信息的加工過程中引入情緒維度是十分必要的。情緒認知理論認為，個體從外界獲取的信息進入知覺系統(tǒng)后，一方面會受到感知和知覺系統(tǒng)的編譯;另一方面該信息會引發(fā)個體的情緒反應，進而引發(fā)一系列的行為傾向（彭桐等）。在微博等社交媒體環(huán)境中，當信源發(fā)布信息時，信宿會對接受到的信息進行認知加工而產(chǎn)生行為意向，信息所引發(fā)的用戶情緒也會導致用戶的行為，即信宿在微博中閱讀信息時情緒和認知都會對信息加工方式產(chǎn)生影響（Berger J等）。

基于上述理論基礎(chǔ)，本文將情緒認知理論與ELM模型相結(jié)合，提出了結(jié)合信源特征、信息內(nèi)容和情緒特征三方面的微博轉(zhuǎn)發(fā)影響因素模型，如圖1所示。

2 實證研究

2.1 樣本選擇

新浪微博（以下簡稱微博）是目前中國最大的微博客服務類社交網(wǎng)站。據(jù)新浪發(fā)布的統(tǒng)計數(shù)據(jù)，截至2018年6月，全國微博用戶數(shù)達3.37億，平均每天發(fā)布數(shù)量高達1.2億?；邶嫶蟮臄?shù)據(jù)量，微博信息可以比較準確和實時地反映出社會整體的心理和行為的變化。因此，本研究選取新浪微博作為社交媒體平臺代表開展研究工作，并探究了信源特征、信息內(nèi)容特征、情緒特征與微博轉(zhuǎn)發(fā)之間的關(guān)系。本文選取2019年10月23日微博話題榜前30個話題作為研究對象，話題集包括“權(quán)志龍將退伍”“釜山行2殺青”等娛樂話題，和“無錫高架坍塌”“世界精神衛(wèi)生日”等社會話題。接著利用微博API對每個話題隨機抓取了大約1 000條微博，最后形成了35 720條微博樣本的數(shù)據(jù)集。

2.2 變量與描述性統(tǒng)計

對于收集到的35 720條微博利用ROST CM（Shen Y等）軟件的情感分析模塊進行分析。ROST CM計算出每條微博的情緒值，并將情緒劃分為7個種類：高度積極情緒（情緒值>20）、中度積極情緒（10<情緒值<20）、一般積極情緒（0<情緒值<10）、中性情緒（情緒值=0）、一般消極情緒（-10<情緒值<0）、中度消極情緒（-20<情緒值<-10）、高度消極情緒（情緒值<-20）。選取每個情緒值的絕對值作為該條微博的情緒強度變量，若情緒值大于0，則變量是否為積極情緒記為1，否則記為0。此外，將情緒絕對值大于20的情緒記為極端情緒，若情緒絕對值大于20，則變量是否為極端情緒記為1，否則記為0。在信息內(nèi)容特征方面，選取是否提及（即@其他用戶）和是否為原創(chuàng)微博兩個變量來衡量。最后，我們收集了每條微博發(fā)布者的用戶特征作為信源特征，包括是否認證、關(guān)注人數(shù)、粉絲數(shù)和活躍度（以所發(fā)布的微博總數(shù)來衡量）。同時，選擇是否轉(zhuǎn)發(fā)和轉(zhuǎn)發(fā)數(shù)作為被解釋變量。各類變量總結(jié)如下。

為了對各變量有初步和直觀的了解，首先對核心變量進行描述性統(tǒng)計分析。轉(zhuǎn)發(fā)數(shù)、粉絲數(shù)、活躍度和情緒強度變量的頻率分布直方圖如圖2～5所示。

從頻率分布直方圖可以看出，有大約2/3的微博處于沒有被轉(zhuǎn)發(fā)狀態(tài)，被轉(zhuǎn)發(fā)的微博中轉(zhuǎn)發(fā)數(shù)也集中在500轉(zhuǎn)發(fā)量以下，只有極少數(shù)轉(zhuǎn)發(fā)數(shù)超過了500，說明選取的樣本中大部分微博屬于零轉(zhuǎn)發(fā)或低頻轉(zhuǎn)發(fā)。粉絲數(shù)的分布則可以分為3類：一類是小于500的低粉絲用戶;一類是大于10萬粉絲的高粉絲用戶;最后一類是位于兩者之間的中端粉絲用戶?；钴S度的分布較為均勻，說明樣本中各用戶發(fā)布的微博數(shù)沒有明顯的規(guī)律。按照ROST CM對于情緒強度的分類，絕對值小于10的情緒值為一般情緒，位于10～20之間的情緒值為中度情緒，大于20的情緒值為高度情緒。從情緒強度的頻率分布直方圖可以看出，微博用戶所發(fā)布的情緒大部分集中在一般情緒和高度情緒，中度情緒的微博數(shù)量較少。

2.3 ROC曲線分析

ROC曲線是根據(jù)一系列不同的二分類方式（分界值或閾值），以假陽性率為橫坐標，以真陽性率為縱坐標繪制而成的曲線，是一種檢驗二分類有效性的指標（涂福泉等）。ROC曲線被廣泛應用于評價二分類方法有效性的研究中，例如Yao W等利用ROC曲線評價了醫(yī)學診斷指標的有效性和診斷價值。AUC是ROC曲線分析中最重要的指標，其定義為ROC曲線下的面積。通常采用AUC可以代表評價分類的精確性，AUC越大，代表分類越精確。因此，可以運用ROC曲線和AUC指標分析各解釋變量對微博是否轉(zhuǎn)發(fā)的預測有效性。

從ROC曲線圖和AUC值可以看出，每個變量的AUC值都大于0.5，說明每個變量都對微博是否轉(zhuǎn)發(fā)有一定預測價值。此外，信源特征（是否認證、粉絲數(shù)、關(guān)注數(shù)、活躍度）對于微博是否轉(zhuǎn)發(fā)的預測準確率最高，說明其對于微博是否轉(zhuǎn)發(fā)的預測最有效。情感特征（情感強度、是否為積極情緒、是否為極端情緒）對于微博是否轉(zhuǎn)發(fā)的預測有效性次之，而信息內(nèi)容特征（是否提及他人、是否為極端情緒）對于微博是否轉(zhuǎn)發(fā)的預測有效性最低。

2.4 邏輯回歸分析

接下來對“是否轉(zhuǎn)發(fā)”和“轉(zhuǎn)發(fā)數(shù)”這兩個被解釋變量和解釋變量分別進行二值選擇模型和計數(shù)模型的回歸分析。其中，二值選擇模型選擇邏輯回歸模型，最基礎(chǔ)的模型如模型（1）所示。為了探究粉絲數(shù)和活躍度的增長率與是否轉(zhuǎn)發(fā)概率的增長率之間的關(guān)系，將這兩個變量的二次項引入模型構(gòu)成模型（2）。接著為了區(qū)分積極情緒和消極情緒對于微博是否轉(zhuǎn)發(fā)和轉(zhuǎn)發(fā)數(shù)的不同影響，模型引入了情緒強度和是否為積極情緒的乘積項。若該條微博為積極情緒，則該項為情緒強度值。若該條微博為消極情緒，則該項值為零。引入乘積后的模型如模型（3）所示。此外，為了考察信源特征、情緒特征和信息內(nèi)容特征的相互關(guān)系，在進一步的模型中加入了不同特征之間的交叉項，構(gòu)成模型（4）。各模型的回歸結(jié)果如表3所示。

從表3可以看出，信源特征中，用戶認證、粉絲數(shù)和活躍度對微博轉(zhuǎn)發(fā)可能性有顯著正向影響，關(guān)注數(shù)對微博轉(zhuǎn)發(fā)可能性的影響不顯著。情緒特征中的情緒強度、極端情緒和信息內(nèi)容特征中的提及他人、原創(chuàng)微博都對微博轉(zhuǎn)發(fā)可能性有顯著正向影響。加入粉絲數(shù)和活躍度的二次項后發(fā)現(xiàn)，粉絲數(shù)的二次項為負，說明粉絲數(shù)與微博轉(zhuǎn)發(fā)可能性之間存在倒U型關(guān)系，并且頂點在粉絲數(shù)約等于5 000萬處取得，說明當粉絲數(shù)達到5 000萬時，粉絲數(shù)對微博是否被轉(zhuǎn)發(fā)的影響達到飽和。考慮到粉絲數(shù)在5 000萬以上的數(shù)據(jù)只占極少數(shù)，可以認為總體上粉絲數(shù)的增加會帶來轉(zhuǎn)發(fā)可能性的增加，但二者的斜率在不斷減小。模型（3）加入情緒強度與積極情緒的乘積后，情緒強度的系數(shù)符號變?yōu)樨摂?shù)，而乘積項的系數(shù)符號為正，且乘積項系數(shù)大于情緒強度項系數(shù)的絕對值，說明積極情緒強度越強，微博越可能被轉(zhuǎn)發(fā)，而消極情緒情緒越強，微博的轉(zhuǎn)發(fā)可能性越低。在模型（4）中，用戶認證、粉絲數(shù)與各變量的交叉項為負（粉絲數(shù)與是否提及的交叉項除外），說明用戶認證和粉絲數(shù)在大多數(shù)情況下會削減各變量對轉(zhuǎn)發(fā)可能性的影響。

2.5 負二項式回歸分析

微博轉(zhuǎn)發(fā)數(shù)為計數(shù)數(shù)據(jù)，且方差大于均值，因此在計數(shù)模型中不采用受方差等于均值約束的泊松分布，而使用負二項分布。各模型的構(gòu)建邏輯同邏輯回歸模型，結(jié)果如表4所示。

從表4可以看出，在以轉(zhuǎn)發(fā)數(shù)為因變量的負二項式回歸模型中，各變量與轉(zhuǎn)發(fā)數(shù)之間的關(guān)系和各變量與轉(zhuǎn)發(fā)可能性之間的關(guān)系大致相同。雖然基礎(chǔ)模型中情緒強度對轉(zhuǎn)發(fā)數(shù)有顯著負向影響，但加入情緒強度與積極情緒的乘積項后，情緒強度項為負，而乘積項為正，且乘積項系數(shù)的大于情緒強度項系數(shù)的絕對值。因此可以認為，積極情緒強度越強，轉(zhuǎn)發(fā)數(shù)越高有顯著正向影響而消極情緒強度對轉(zhuǎn)發(fā)數(shù)有顯著負向影響。

3 結(jié)論與討論

從以上兩種模型的回歸結(jié)論來看，我們主要可以得到以下幾個結(jié)論。

1）被解釋變量不同的兩種模型具有各自的優(yōu)勢。以“是否轉(zhuǎn)發(fā)”為因變量的邏輯回歸模型中，AIC和HQC的值低很多，說明邏輯回歸模型中解釋變量對于被解釋變量的解釋力度更強，模型有更強的擬合度。然而，從各變量的顯著性水平可以看出，以“轉(zhuǎn)發(fā)數(shù)”作為因變量的負二項式回歸模型中，各解釋變量的顯著性水平更高，能更加充分地解釋被解釋變量。產(chǎn)生這些差異的原因可能是以“轉(zhuǎn)發(fā)數(shù)”作為計數(shù)變量的模型包含了轉(zhuǎn)發(fā)的具體數(shù)值，比以“是否轉(zhuǎn)發(fā)”作為二值變量的模型有更大的信息量，雖然模型的擬合度更差，但相對而言與解釋變量之間的關(guān)系估計更加準確。

2）用戶認證、粉絲數(shù)、活躍度、提及他人、原創(chuàng)微博能提高微博被轉(zhuǎn)發(fā)的可能性和被轉(zhuǎn)發(fā)的次數(shù)。其中，信源特征用戶認證、粉絲數(shù)、活躍度都是微博用戶的個體屬性，能夠表征個體傳播影響力的特征（林?。?，說明微博內(nèi)容發(fā)布者的個體傳播影響力越強，所發(fā)布的微博越容易被轉(zhuǎn)發(fā)和傳播。提及他人和原創(chuàng)微博是微博的信息內(nèi)容特征，其與是否轉(zhuǎn)發(fā)和轉(zhuǎn)發(fā)數(shù)的顯著正向關(guān)系表明提及其他用戶和內(nèi)容原創(chuàng)的微博更容易被轉(zhuǎn)發(fā)。此外，值得注意的是，在兩個模型中，粉絲數(shù)和活躍度的二次項系數(shù)值為負，說明發(fā)布者粉絲數(shù)與微博被轉(zhuǎn)發(fā)的可能性和轉(zhuǎn)發(fā)數(shù)之間存在倒U型關(guān)系。對于粉絲數(shù)與用戶影響力和信息傳播效果的關(guān)系一直以來受到廣泛關(guān)注和爭議。一些學者認為，粉絲越多，微博轉(zhuǎn)發(fā)量越高（金曉玲等）。而Cha M等使用Spearman相關(guān)系數(shù)發(fā)現(xiàn)被轉(zhuǎn)發(fā)次數(shù)與粉絲數(shù)量之間沒有明顯的關(guān)系。還有一些學者關(guān)注在不同的情況下粉絲數(shù)對于轉(zhuǎn)發(fā)的不同影響。唐佳等將轉(zhuǎn)發(fā)水平分為零轉(zhuǎn)發(fā)、低頻轉(zhuǎn)發(fā)和高頻轉(zhuǎn)發(fā)三類，發(fā)現(xiàn)粉絲數(shù)對于轉(zhuǎn)發(fā)影響的效果顯著，但對于高級轉(zhuǎn)發(fā)其影響方向為正，對于普通轉(zhuǎn)發(fā)其影響方向為負。我們的研究結(jié)果表明，總體而言，粉絲數(shù)的增加的確能促進微博更可能和更多地被轉(zhuǎn)發(fā)，但是這種促進作用隨著粉絲數(shù)的增加而逐漸減弱，即粉絲數(shù)的進一步增加給轉(zhuǎn)發(fā)可能性和轉(zhuǎn)發(fā)數(shù)帶來的改變在逐漸減小。

3）不同極性的情緒對于微博轉(zhuǎn)發(fā)的影響具有不對稱性。積極情緒強度增加能增加轉(zhuǎn)發(fā)的可能性和轉(zhuǎn)發(fā)數(shù)，而消極情緒強度增加卻會降低轉(zhuǎn)發(fā)的可能性和轉(zhuǎn)發(fā)數(shù)。雖然這與之前得出的消極情緒比積極情緒更能促進微博轉(zhuǎn)發(fā)的一些結(jié)論相悖（Kanavos A等），卻符合Berger J等提出的積極情緒更能促進信息傳播的結(jié)論。社交媒體用戶通常以自我展示或交流身份為目的來分享內(nèi)容（Wojnicki A C等），因此積極的內(nèi)容由于對于發(fā)布者有積極作用而更可能被分享。大部分人更愿意因為分享樂觀的故事而被熟知，而不是成為分享使人生氣或焦慮的事情的人。Hansen L K等認為，更愿意分享積極內(nèi)容而不是消極內(nèi)容是人類的一種本性。因此，積極情緒與消極情緒相比，更具有傳播性。張洪等的研究通過角色—情景模擬實驗考察了信息情緒類型對用戶分享意愿的影響，也發(fā)現(xiàn)積極情緒與消極情緒相比，信息的分享意愿更高。另一個與情緒特征相關(guān)的結(jié)論為，微博中包含極端情緒能進一步促進微博轉(zhuǎn)發(fā)。之前關(guān)于極端情緒與信息傳播的研究主要集中在投資者情緒與股市收益的關(guān)系上，主要結(jié)論為投資者的極端情緒為非理性，與非極端情緒相比對市場收益有更為顯著的影響（陸江川等）。本文的研究結(jié)果表明，除了對市場收益的影響，極端情緒也比較為理性的情緒更能引起情緒共鳴，進而激發(fā)信息受眾的分享欲望，進而促進信息傳播。

4）兩個模型中用戶認證與粉絲數(shù)、活躍度、情緒強度等變量的交叉項大部分都顯著為負，說明認證用戶相比非認證用戶而言，其他信源特征、情緒特征和文本特征對其微博是否轉(zhuǎn)發(fā)和轉(zhuǎn)發(fā)數(shù)的影響較弱。加V認證的用戶是微博意見領(lǐng)袖的主要組成部分，人們在選擇信息時，對認證用戶會比對普通用戶有更強烈的信任感。此外，認證用戶的專業(yè)性和社會身份標簽也會增強大眾對于其所發(fā)表言論的可信度（王平等）。Wu S等通過大規(guī)模的分析，發(fā)現(xiàn)與同個社區(qū)中的其他用戶相比，Twitter用戶從明星、知名博主等精英用戶中采納更多的信息。因此，具有更高信任感和可信度的認證用戶相比于普通用戶而言，其發(fā)布微博的轉(zhuǎn)發(fā)可能性和轉(zhuǎn)發(fā)數(shù)受到粉絲數(shù)、活躍度、情緒強度等其他特征的影響較小。

[13]Blei D M，Ng A Y，Jordan M I.Latent Dirichlet Allocation[J].Journal of Machine Learning Research，2003，3（1）：993-1022.

[14]Bollen J，Mao H，Pepe A.Modeling Public Mood and Emotion：Twitter Sentiment and Socio-economic Phenomena[C]//Fifth International AAAI Conference on Weblogs and Social Media，2011.

[15]Boyd D，Golder S，Lotan G.Tweet，Tweet，Retweet：Conversational Aspects of Retweeting on Twitter[C]//2010 43rd Hawaii International Conference on System Sciences.IEEE，2010：1-10.

[16]Cha M，Haddadi H，Benevenuto F，et al.Measuring User Influence in Twitter：The Million Follower Fallacy[C]//fourth International AAAI Conference on Weblogs and Social Media，2010.

[17]Cialdini R B，Goldstein N J.Social Influence：Compliance and Conformity[J].Annu.Rev.Psychol.，2004，55：591-621.

[18]Hansen L K，Arvidsson A，Nielsen F ，et al.Good Friends，Bad News-affect and Virality in Twitter[M].Future Information Technology.Springer，Berlin，Heidelberg，2011：34-43.

[19]Hoang T A，Cohen W W，Lim E P，et al.Politics，Sharing and Emotion in Microblogs[C]//Proceedings of the 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining.ACM，2013：282-289.

[20]Huffaker D.Dimensions of Leadership and Social Influence in Online Communities[J].Human Communication Research，2010，36（4）：593-617.

[21]Kanavos A，Perikos I，Vikatos P，et al.Modeling Retweet Diffusion Using Emotional Content[C]//IFIP International Conference on Artificial Intelligence Applications and Innovations.Springer，Berlin，Heidelberg，2014：101-110.

[22]Kim J，Yoo J.Role of Sentiment in Message Propagation：Reply vs.Retweet Behavior in Political Communication[C]//2012 International Conference on Social Informatics.IEEE，2012：131-136.

[23]Naveed N，Gottron T，Kunegis J，et al.Bad News Travel Fast：A Content-based Analysis of Interestingness on Twitter[C]//Proceedings of the 3rd International Web Science Conference.ACM，2011：8.

[23]Petty R E，Cacioppo J T.The Elaboration Likelihood Model of Persuasion[M].Communication and Persuasion.Springer，New York，NY，1986：1-24.

[24]Petty R E，Cacioppo J T，Goldman R.Personal Involvement as a Determinant of Argument-based Persuasion[J].Journal of Personality and Social Psychology，1981，41（5）：847.

[25]Shen Y，Liu Z，Luo S，et al.Empirical Research on E-government Based on Content Mining[C]//2009 International Conference on Management of e-Commerce and e-Government.IEEE，2009：91-94.

[26]Stieglitz S，Dang-Xuan L.Political Communication and Influence Through Microblogging——An Empirical Analysis of Sentiment in Twitter Messages and Retweet Behavior[C]//2012 45th Hawaii International Conference on System Sciences.IEEE，2012：3500-3509.

[27]Suh B，Hong L，Pirolli P，et al.Want to Be Retweeted？Large Scale Analytics on Factors Impacting Retweet in Twitter Network[C]//2010 IEEE Second International Conference on Social Computing.IEEE，2010：177-184.

[28]Sussman S W，Siegal W S.Informational Influence in Organizations：An Integrated Approach to Knowledge Adoption[J].Information Systems Research，2003，14（1）：47-65.

[29]Weick K.Social Psychology[J].Psyccritiques，1977，22（5）.

[30]Wojnicki A C，Godes D.Word-of-Mouth as Self-enhancement[J].HBS Marketing Research Paper，2008，（06-01）.

[31]Wu S，Hofman J M，Mason W A，et al.Who Says What to Whom on Twitter[C]//Proceedings of the 20th International Conference on World Wide Web.ACM，2011：705-714.

[32]Yao W，Li Z，Graubard B I.Estimation of ROC Curve with Complex Survey Data[J].Statistics in Medicine，2015，34（8）：1293-1303.

（責任編輯：陳 媛）