社交網(wǎng)絡(luò)內(nèi)容生產(chǎn)中“標(biāo)準(zhǔn)偶像”現(xiàn)象與機(jī)理

徐翔

摘 要：當(dāng)前對于社交網(wǎng)絡(luò)“標(biāo)準(zhǔn)偶像”現(xiàn)象和機(jī)理的研究，仍缺乏足夠重視、專門實(shí)證探討和理論自覺。明確提出“標(biāo)準(zhǔn)偶像”的理論概念，并進(jìn)行其機(jī)理實(shí)證分析。采用潛在語義分析（LSA）對微博用戶的文本數(shù)據(jù)進(jìn)行挖掘，結(jié)合統(tǒng)計(jì)檢驗(yàn)和路徑分析考察標(biāo)準(zhǔn)偶像的作用。社交網(wǎng)絡(luò)內(nèi)容生產(chǎn)中，高粉絲數(shù)、高流量、高咖位的用戶，其個(gè)體的內(nèi)容整體不是趨向豐富性、垂直細(xì)分和特立獨(dú)行的差異化，而是趨向越來越重復(fù)、趨似和標(biāo)準(zhǔn)化。微博用戶的粉絲數(shù)越高，則其趨同于標(biāo)準(zhǔn)用戶的程度相應(yīng)越高，用戶粉絲數(shù)和內(nèi)容之間的關(guān)系越來越閉合，促進(jìn)高粉階層的異質(zhì)性不斷被削磨，同一化標(biāo)準(zhǔn)化程度不斷增加，表現(xiàn)出“標(biāo)準(zhǔn)偶像”的現(xiàn)象、效應(yīng)及其社會文化邏輯。微博中的“標(biāo)準(zhǔn)偶像”及其傳播后果，蘊(yùn)含著從“大眾偶像的勝利”到“標(biāo)準(zhǔn)偶像的勝利”、從多樣話語崛起到封閉圈層和“社會窄化”的轉(zhuǎn)向。

關(guān)鍵詞：社交網(wǎng)絡(luò);標(biāo)準(zhǔn)偶像;微博用戶;用戶相似性;潛在語義分析

中圖分類號：G206.3 文獻(xiàn)標(biāo)志碼：A 文章編號：1009-055X（2021）04-0109-14

doi：10.19366/j.cnki.1009-055X.2021.04.011

社交網(wǎng)絡(luò)的內(nèi)容生產(chǎn)與傳播中，“人人都有麥克風(fēng)”的自主性、多樣亞文化和碎片化語境，似乎和個(gè)體的同一化乃至標(biāo)準(zhǔn)化并無關(guān)系。社交網(wǎng)絡(luò)用戶生成內(nèi)容（UGC）的各種大咖①、大V②和“流量擔(dān)當(dāng)”、人氣用戶，似乎千差萬別，豐富著各種垂直領(lǐng)域和細(xì)分領(lǐng)域，形成獨(dú)樹一幟、專門化、多樣化的用戶。為了便于行文，本文將社交網(wǎng)絡(luò)具有高影響力、高粉絲數(shù)或者高人氣關(guān)注的用戶，稱為各種不同程度的“偶像”用戶。

從偶像的內(nèi)涵上，“偶像崇拜是個(gè)人對其喜好人物的社會認(rèn)同和情感依戀”[1]。新媒體語境下，“偶像的發(fā)展很大程度上仰仗于粉絲的助力支持”[2]，諸多研究也都強(qiáng)調(diào)媒體“偶像-粉絲”的緊密對應(yīng)關(guān)系[3-6]。本文基于媒介文化的語境，對于社交網(wǎng)絡(luò)“偶像用戶”的界定如下：在社交網(wǎng)絡(luò)中，具有足夠影響力、“圈粉”量、粉絲規(guī)?；蜃冯S者的用戶。由于偶像用戶的粉絲數(shù)量或追隨者規(guī)模的不同，產(chǎn)生了社交網(wǎng)絡(luò)偶像在程度上的強(qiáng)弱差異。

隨之而來的一個(gè)基本但又經(jīng)常面臨的問題是：社交網(wǎng)絡(luò)內(nèi)容生產(chǎn)中的偶像用戶，他們是多樣化的，抑或是趨同化的？針對問題，要強(qiáng)調(diào)的是一種可稱為“標(biāo)準(zhǔn)偶像”的傳播趨勢和機(jī)制：高粉絲數(shù)、高流量、高咖位的用戶，其個(gè)體的內(nèi)容整體不是趨向豐富性、垂直細(xì)分和特立獨(dú)行的差異化，而是趨向減少個(gè)體的獨(dú)特性，增強(qiáng)同一化和標(biāo)準(zhǔn)化，甚至帶來高粉階層的封閉與窄化。本文將在理論內(nèi)涵分析的基礎(chǔ)上，結(jié)合微博用戶數(shù)據(jù)和文本挖掘予以統(tǒng)計(jì)檢驗(yàn)。

一、研究回顧

現(xiàn)代大眾媒介社會，偶像的主要代表是傳媒影響下的明星、高人氣用戶、“大咖”等。中國語境下的大眾偶像具有較多的文化意義，榜樣、偶像、網(wǎng)絡(luò)紅人的生成“走過了一個(gè)政治文化驅(qū)動—商業(yè)文化驅(qū)動—草根文化驅(qū)動的歷程”[7]。隨著網(wǎng)絡(luò)媒體、自媒體的崛起，涌現(xiàn)出新的大批“網(wǎng)絡(luò)紅人”“草根偶像”和“民星偶像”。這些不同類型、主題、風(fēng)格的網(wǎng)絡(luò)媒介偶像，通常不被人們認(rèn)為具有重復(fù)、似同、單一的“標(biāo)準(zhǔn)化”特點(diǎn)。相反，他們往往被慣性地認(rèn)為具有多樣性、豐富性。例如，有學(xué)者認(rèn)為網(wǎng)絡(luò)后現(xiàn)代性的交往實(shí)踐所構(gòu)建的是“不穩(wěn)定的、多重的和分散的主體”，在網(wǎng)絡(luò)紅人的生產(chǎn)中，個(gè)體化的主體的消失正是后現(xiàn)代網(wǎng)絡(luò)傳播主體特征的體現(xiàn)[8]。尤其在網(wǎng)絡(luò)偶像多元化的“民星”時(shí)代和網(wǎng)絡(luò)紅人，有研究者提出，偶像崇拜更為多元和小眾[9]。這些觀點(diǎn)被接受程度較高，也較為流行，但多數(shù)憑借經(jīng)驗(yàn)或理論判斷，因此需要更為實(shí)際的檢驗(yàn)。社交網(wǎng)絡(luò)中的偶像用戶到底是多樣化抑或趨同化，成為本文所擬實(shí)證的主要問題之一。

對社交網(wǎng)絡(luò)中的高流量大咖、高人氣用戶或意見領(lǐng)袖的實(shí)證分析，也多數(shù)是在這種“多樣性”的框架下進(jìn)行的，或只是分析在多樣之中如何表現(xiàn)出一定程度的聚集趨勢的并存，而無法專門聚焦于偶像用戶內(nèi)容特征在深層的趨同性和同化。例如，方付建[10]將網(wǎng)絡(luò)意見領(lǐng)袖分為專家型、草根型、身份型和技術(shù)型四種類型。生奇志等[11]指出，微博意見領(lǐng)袖有明星型、精英型、政務(wù)型、專業(yè)型、公益型、宗教型等。這些研究對于社交網(wǎng)絡(luò)或微博意見領(lǐng)袖強(qiáng)調(diào)其多樣性和內(nèi)容差異性[12-13]，或者強(qiáng)調(diào)其個(gè)性化和專業(yè)化[14]。在此基礎(chǔ)上要進(jìn)一步探討的是，高影響力用戶和意見領(lǐng)袖的類型分化程度，在與其他用戶群體的橫向比較下，去判定他們是否變得更加多樣化，或不那么多樣化。這構(gòu)成本文中重要而基本的問題。

就媒介文化與大眾文化而言，法蘭克福學(xué)派的學(xué)者洛文塔爾在其經(jīng)典研究中，分析和論證了刊物媒體上的偶像人物及其類型的特征與轉(zhuǎn)變，也即他們從企業(yè)家、教授、嚴(yán)肅藝術(shù)家等生產(chǎn)型的偶像，轉(zhuǎn)向娛樂、體育、休閑等領(lǐng)域的消費(fèi)型的偶像[15]。這對于偶像的“趨同化”，有著重要意義和啟發(fā)。同時(shí)，以下兩方面的現(xiàn)象仍有待繼續(xù)深入研究。首先，媒介空間中的偶像，在某一時(shí)間段，偏向于某種狹窄的類型（無論是生產(chǎn)型還是消費(fèi)型）和某種狹義上的共通特征，而非同時(shí)廣泛、均衡地包含這些多種差異的類型。無論是生產(chǎn)偶像還是消費(fèi)偶像，都可視作狹義的表現(xiàn)，它們服從于一個(gè)更大的規(guī)律和范疇——可稱之為趨于同化的“標(biāo)準(zhǔn)偶像”?；蛘哒f，問題的關(guān)鍵不僅僅在于偶像屬于何種類型，而是在于它們屬于同種類型。“標(biāo)準(zhǔn)偶像”現(xiàn)象表達(dá)的是一種“媒體復(fù)制時(shí)代”的用戶再生產(chǎn)及其偶像用戶趨同化的社會文化現(xiàn)象。其次，偶像或非偶像，并非只是“是或否”的定性區(qū)分，而包含著定量的程度區(qū)分。因而需要探討隨著“偶像”程度或?qū)蛹壍淖兓枷竦内呁卣饔謺l(fā)生怎樣的變化。結(jié)合當(dāng)今強(qiáng)勢崛起的社交網(wǎng)絡(luò)和自媒體，其所包含的問題是“非偶像”或“低程度偶像”與流量明星、圈粉人氣偶像的類型分布特征和變化規(guī)律。

部分研究注意到，內(nèi)容各異的微博用戶和意見領(lǐng)袖之中可能具有主導(dǎo)類型與傾向性。例如，曹洵等[16]的研究顯示，微博的意見群體中營銷類、娛樂類成為主流。佟力強(qiáng)[17]把新浪微博名人用戶主要分為七類，指出文化傳媒類、商業(yè)財(cái)經(jīng)類、文體明星類占的比例最大。王國華等對于微博意見領(lǐng)袖分布的調(diào)研中，人氣榜、影響力榜各自的前100名意見領(lǐng)袖中，娛樂明星占比最大且明顯超過其他任何類型[18]?？傮w上，這些分析給我們的重要啟示是多樣用戶內(nèi)容的背景下，用戶高趨同化或相似化是可能的。在此基礎(chǔ)上，仍需回應(yīng)的問題包括：一是同樣作為“主流”的用戶類型，如偏娛樂型和偏營銷型，彼此之間的差異，是否確證用戶仍然是多樣分化的，而非標(biāo)準(zhǔn)化的？二是同一種主導(dǎo)性的用戶類型內(nèi)部，不同個(gè)體在彼此之間仍然是存在差異的，他們屬于同一類型并不直接等于這些用戶具有同質(zhì)性，如何兼容差異性和標(biāo)準(zhǔn)化的關(guān)系？即使有限度地承認(rèn)存在著偏倚，也可能只是把“非均衡”分布作為和多樣性并存的一種現(xiàn)象;并不等于認(rèn)可偏倚性是一種朝向標(biāo)準(zhǔn)化和同一化的趨勢，也不等于精確分析偏倚程度和用戶影響力之間的關(guān)聯(lián)機(jī)制。本文所考慮的回應(yīng)路徑，不僅僅是考察用戶在“優(yōu)勢”類型、“主導(dǎo)”傾向上的較為粗糙的定類區(qū)分，而是將用戶之間在內(nèi)容生產(chǎn)上的差異度或相似度納入連續(xù)性的計(jì)算框架，進(jìn)而考察隨著用戶“偶像程度”的變化，用戶之間相似程度趨大，或趨小，或無顯著增減的變化趨勢。

高影響力的用戶或意見領(lǐng)袖較之低影響力用戶具有更強(qiáng)的內(nèi)容擴(kuò)散能力、擴(kuò)散效果，以及使得其他用戶和自己內(nèi)容相似化的同化作用。例如，Matsumura等[19]提出的影響力擴(kuò)散模型（Influence Diffusion Model， IDM）描述博主的內(nèi)容擴(kuò)散及其對其他用戶的影響，反映了意見領(lǐng)袖在內(nèi)容上向其他用戶的擴(kuò)散力和擴(kuò)散深度。Borge等[20]對于推特中的政治意見領(lǐng)袖，分析了他們在推特中被追隨、轉(zhuǎn)推、提及的擴(kuò)散能力。王曉光[21]指出博客用戶的關(guān)注對象常常集中在特定的核心博客上，容易陷入特定主題的交流社區(qū)。這些顯示著可能存在具有強(qiáng)同化能力的用戶，包括意見領(lǐng)袖、“核心博客”等高影響力、高內(nèi)容擴(kuò)散能力的用戶。

在大眾偶像和粉絲用戶之間的雙向交互關(guān)系下，受眾對于社交網(wǎng)絡(luò)的公共領(lǐng)域產(chǎn)生同質(zhì)化的反作用。由于媒介議程設(shè)置及其共鳴效果[22]、溢散效果[23]、網(wǎng)民共性偏好等因素，媒體和輿論的內(nèi)容存在著趨同傾向。有研究指出新聞內(nèi)容同質(zhì)化的現(xiàn)象包含多種原因。例如，大眾化的市場定位導(dǎo)致受眾定位趨同;市場導(dǎo)向作用下對新聞娛樂性的片面追求等[24]。對于內(nèi)容生產(chǎn)者的實(shí)踐能力和傳播效果生成而言，需要工具使用能力和標(biāo)題黨能力、熱點(diǎn)導(dǎo)向思維、快速借鑒能力、商業(yè)變現(xiàn)思維[25]。以爆款、流量和變現(xiàn)為導(dǎo)向的內(nèi)容生產(chǎn)，難以避免地會導(dǎo)致迎合受眾的大眾口味、同質(zhì)化信息的模式化生產(chǎn)。

大眾文化中對“標(biāo)準(zhǔn)化”的思考和批判，揭示了文化工業(yè)時(shí)代中的文化趨同化的深刻邏輯?！皹?biāo)準(zhǔn)”與“標(biāo)準(zhǔn)化”包含著局部各要素的趨同性和同一性，伴隨著人類發(fā)展的各個(gè)階段，其基礎(chǔ)內(nèi)涵涉及測量工具、生產(chǎn)模板的標(biāo)準(zhǔn)化、工業(yè)時(shí)代零部件標(biāo)準(zhǔn)化、現(xiàn)代工業(yè)中標(biāo)準(zhǔn)化的生產(chǎn)流水線等。法蘭克福學(xué)派的代表人物霍克海默等[26]提出著名的“文化工業(yè)”理論概念，指出在規(guī)?；?、商業(yè)化的文化生產(chǎn)和流通中，文化逐漸地同一化、非個(gè)性化。法蘭克福學(xué)派的另一代表人物馬爾庫塞[27]提出“單向度的人”，反思著現(xiàn)代社會中主體的重復(fù)性和單一化。文化工業(yè)批判中，大眾傳媒和文化的“流水線”生產(chǎn)出了標(biāo)準(zhǔn)化的電影和流行音樂等文化產(chǎn)品，它們看上去是很“個(gè)別的樣子”，但實(shí)際上無個(gè)性可言，產(chǎn)生一種“偽個(gè)性主義”[28]。這些對于文化工業(yè)及其“標(biāo)準(zhǔn)化”主體性[29]的批判，移植到社交媒體環(huán)境的內(nèi)容生產(chǎn)以及微博用戶的分析上同樣是具有深思意義的。尤其是表層個(gè)體性之下所潛藏的深層趨同化，在表層的“碎片化”帖子和“人人時(shí)代”[30]的多樣草根賦權(quán)中，可能忽視深層的同一性?；蛘哒f，微博社交網(wǎng)絡(luò)在內(nèi)容生產(chǎn)中的各種偶像用戶，其用戶在內(nèi)容風(fēng)格、內(nèi)容氣質(zhì)、內(nèi)容“人設(shè)”上的多樣性與個(gè)性化上潛藏著“偽個(gè)性化”和趨于同一性的“標(biāo)準(zhǔn)化”的可能，這個(gè)問題有待結(jié)合社交網(wǎng)絡(luò)語境進(jìn)行進(jìn)一步的探思。

二、問題分析與假設(shè)提出

社交網(wǎng)絡(luò)中的偶像用戶，其多樣性或趨同性有待實(shí)證的檢驗(yàn)，而不只是對理論或經(jīng)驗(yàn)的淺層判斷。高影響力用戶、偶像用戶的多樣性需要對偶像進(jìn)行比較才可顯現(xiàn)出其是否趨于多樣化抑或減少多樣化的動態(tài)過程中，需要在多樣性的表面背后尋求深層的同一性、在多樣性的靜態(tài)現(xiàn)狀之外對于趨同化趨勢的慎思。用戶在類型分布上的集中或偏倚并不等于標(biāo)準(zhǔn)化和趨同化，一種可行的推測是：如果意見領(lǐng)袖、高影響力或高人氣用戶存在向少數(shù)“用戶類型”的集中化和偏倚化，那么意見領(lǐng)袖的這種分布就不應(yīng)該是靜態(tài)的，而應(yīng)該是動態(tài)的，是隨著用戶的影響力擴(kuò)大而不斷加強(qiáng)的過程。高影響力用戶具有更強(qiáng)的內(nèi)容擴(kuò)散能力和對于其他用戶的同化能力。同時(shí)，社交網(wǎng)絡(luò)用戶的社會連接，也增強(qiáng)了高影響力、高社會連接用戶在內(nèi)容傳播中的圈層擴(kuò)散與同質(zhì)化傳遞?；诖?，進(jìn)一步探討的問題是：社交網(wǎng)絡(luò)內(nèi)容生產(chǎn)中的偶像用戶，他們隨著偶像程度的提高，是否趨于相似化和標(biāo)準(zhǔn)化，抑或趨于差異化和多樣化？

對此，可提出“標(biāo)準(zhǔn)偶像”的問題，其最為核心的內(nèi)涵：社交網(wǎng)絡(luò)中，用戶的偶像程度和用戶的標(biāo)準(zhǔn)化程度這兩者之間存在著何種的相關(guān)關(guān)系？

關(guān)于用戶“標(biāo)準(zhǔn)偶像”現(xiàn)象和問題中，關(guān)鍵概念的界定與內(nèi)涵如下。一是偶像用戶。參見前文。二是用戶的偶像程度。作為偶像用戶的強(qiáng)弱程度，結(jié)合關(guān)于偶像用戶的內(nèi)涵分析，主要選擇粉絲規(guī)模作為偶像程度的衡量指標(biāo)。三是用戶的標(biāo)準(zhǔn)化指的是用戶在內(nèi)容整體特征上趨于重復(fù)、同化和封閉的現(xiàn)象和趨勢，而非趨于多樣化、豐富性和差異性。反過來說，對社交網(wǎng)絡(luò)的流量用戶、意見領(lǐng)袖、大咖偶像的趨同化的研究是匱乏和不足的，甚至缺乏專門的理論和理論自覺。四是用戶相似程度的衡量。不是對用戶的零散帖子之間的相似度進(jìn)行衡量，而是把用戶所有帖子還原、組裝到該用戶的整體內(nèi)容特征，“以帖察人”，從而測量任意兩個(gè)用戶的相似程度。從每個(gè)用戶的整體內(nèi)容中，剝離下來的帖子“碎片”可能是差別化、非“標(biāo)準(zhǔn)”化的，但是把這些碎片組回整體，則可能顯現(xiàn)出碎片背后的統(tǒng)一性。

“標(biāo)準(zhǔn)偶像”的作用是用戶們圍繞“標(biāo)準(zhǔn)偶像”發(fā)展和自我“養(yǎng)成”，這也是用戶逐漸被同一化和標(biāo)準(zhǔn)化的過程。越是高粉絲數(shù)的用戶，就越有可能成為“標(biāo)準(zhǔn)用戶”，也可能使得媒介場域中的其他人繼續(xù)被養(yǎng)成和同化為“標(biāo)準(zhǔn)用戶”。本文以典型的社交網(wǎng)絡(luò)媒體之一新浪微博為媒介對象，引申出假設(shè)H1、假設(shè)H2、假設(shè)H3這三個(gè)具體化的觀點(diǎn)和假設(shè)。

（一）用戶粉絲數(shù)和“趨同于頂部高粉絲數(shù)用戶的程度”之間的關(guān)系

一個(gè)媒介場中的“標(biāo)準(zhǔn)用戶”和“標(biāo)準(zhǔn)偶像”究竟長成什么樣，并非只是“生產(chǎn)型”“消費(fèi)型”可以簡單描畫的，本文也不是針對標(biāo)準(zhǔn)偶像的內(nèi)容輪廓進(jìn)行用戶畫像。但是有一點(diǎn)可以確定，既然越是高粉絲數(shù)的用戶，其內(nèi)容就越是接近于或約等于“標(biāo)準(zhǔn)偶像”，而同時(shí)這些高粉絲數(shù)的用戶依然存在著各自的內(nèi)容特點(diǎn)，那么就有理由認(rèn)為：不同的高粉絲數(shù)用戶，從各自不同的面接近某種“標(biāo)準(zhǔn)偶像”，并且高人氣用戶比低人氣用戶、偶像比非偶像要更接近這種“標(biāo)的”和“標(biāo)準(zhǔn)用戶”。在我們沒有描畫最終的標(biāo)準(zhǔn)模板具體長成什么樣的情況下，可以通過離它最近的一批人，來近似地得到標(biāo)準(zhǔn)偶像的趨同特征。越是高粉絲數(shù)的用戶，越是偶像群體，越是使得其他用戶和本群體發(fā)生相似。所以，一方面，如果高粉絲用戶比低粉絲用戶更趨近“標(biāo)準(zhǔn)偶像”，那么前者就需要表現(xiàn)出比后者更趨近于微博最高人氣的那批用戶;另一方面，如果高粉絲用戶越來越趨近“標(biāo)準(zhǔn)偶像”，那么他們就應(yīng)該在增加和最高粉絲數(shù)的那批用戶的相似度的同時(shí)，也越來越減少和低粉絲用戶的相似度，也即離“標(biāo)準(zhǔn)偶像”的相反端的負(fù)極越來越遠(yuǎn)和趨異。后文的實(shí)證部分，我們用前者減后者的差值來綜合地反映某個(gè)用戶“趨頂離底”、趨近于“偶像模板群”的程度。

由此，提出假設(shè)H1：越是高粉絲數(shù)的微博用戶，他和微博中粉絲數(shù)最高的n個(gè)偶像用戶，具有越大的相似度;兩者具有線性正相關(guān)。

（二） 用戶粉絲數(shù)和“與同粉絲數(shù)層級用戶的相似度”之間的關(guān)系

如果用戶特征類型是在不同的圈粉層級隨機(jī)分布的，那么和某個(gè)用戶相似的其他n個(gè)用戶，就有可能散落在微博中各個(gè)不同的粉絲數(shù)層級;由此得到的結(jié)論就會是每個(gè)用戶的這些相似用戶的平均粉絲數(shù)，不存在顯著差異。但是，結(jié)合假設(shè)H1，如果越高粉絲數(shù)的用戶，就越是重復(fù)、類同的用戶，那么可以得到：第一，中、低粉絲數(shù)用戶的n個(gè)內(nèi)容最相似用戶（代稱Glow），其粉絲數(shù)的分布會比高粉用戶的相對分散，從而其Glow的粉絲數(shù)平均值相對會分布得更缺乏規(guī)律性，會更接近全體用戶粉絲數(shù)的平均值（只是接近，而不是等于）。第二，對于高粉絲數(shù)用戶，其內(nèi)容最相似用戶會由于“標(biāo)準(zhǔn)偶像”的效應(yīng)而更接近于自己的粉絲數(shù)，從而高粉絲數(shù)用戶的n個(gè)最相似用戶（代稱Ghigh）的粉絲數(shù)平均值會比Glow的更高，更為超出平均值而正向地靠近、相關(guān)于高粉用戶自身的粉絲數(shù)。第三，越是高粉絲數(shù)用戶，由于“標(biāo)準(zhǔn)偶像”作用，他的n個(gè)內(nèi)容相似用戶接近于自己的粉絲數(shù)的可能性越高。

由標(biāo)準(zhǔn)偶像進(jìn)行的更為合理的闡釋是：對于任意一個(gè)用戶Ux，與Ux具有最高內(nèi)容相似度的n個(gè)用戶Gx，盡管依然存在著粉絲數(shù)分布不夠確定的問題，但是若Ux的粉絲數(shù)越低，則Gx的平均粉絲數(shù)Fg就越接近于總體用戶粉絲數(shù)的平均水平;而若Ux的粉絲數(shù)Fx越高，則Gx的平均粉絲數(shù)Fg就越接近Ux的粉絲數(shù)，也就是Fg相應(yīng)地越高。從而，會表現(xiàn)出Fx和Fg的正相關(guān)性?？傮w來看，越接近高程度“模板”和“標(biāo)準(zhǔn)偶像”的用戶，他的n個(gè)最為相似用戶（n≥1）的平均粉絲規(guī)模越大，雖然我們不否認(rèn)相反情況的存在，但后者不是規(guī)律，也不會具有統(tǒng)計(jì)顯著性。

由此，提出假設(shè)H2：越是高粉絲數(shù)的用戶，與該用戶整體內(nèi)容相似程度最高的n個(gè)用戶的平均粉絲數(shù)越大;兩者具有線性正相關(guān)。

（三） 用戶粉絲數(shù)和“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)?！敝g的關(guān)系

低粉絲數(shù)用戶雖然也會有和粉絲數(shù)同層級用戶的內(nèi)容相似度，但是這個(gè)相似度比較低;而高粉絲數(shù)用戶和粉絲數(shù)同層級用戶的相似度較高;并且這種內(nèi)容相似度和該用戶的粉絲數(shù)成正相關(guān)。以往對于這個(gè)問題容易產(chǎn)生誤解：認(rèn)為低粉絲數(shù)的“大眾”“群氓”可能是蕓蕓眾生般的高相似化;而相反，高粉絲數(shù)的內(nèi)容精英和意見領(lǐng)袖，由于其標(biāo)桿性、引領(lǐng)性或面向垂直領(lǐng)域、細(xì)分受眾的專門性，才可能是更為差異化的。但是，根據(jù)標(biāo)準(zhǔn)偶像的假設(shè)就意味著：越是低粉絲用戶，由于非標(biāo)準(zhǔn)化的異質(zhì)性較多，所以相互之間相似度較低;越是高粉絲用戶就越是消磨自己的異質(zhì)性和“個(gè)性”，呈現(xiàn)文化批判理論中的“偽個(gè)性化”。而標(biāo)準(zhǔn)化的程度越多，異質(zhì)性和獨(dú)特化的個(gè)性內(nèi)容被消磨越多，也就越相似。

由此，提出假設(shè)H3：越是高粉絲數(shù)的用戶，他和處于同一粉絲數(shù)階層的n個(gè)用戶的內(nèi)容相似度越高;兩者具有線性正相關(guān)。

（四）假設(shè)H1、假設(shè)H2、假設(shè)H3的內(nèi)在關(guān)系

假設(shè)H1、假設(shè)H2、假設(shè)H3分別由用戶粉絲數(shù)及其與標(biāo)準(zhǔn)偶像之間的關(guān)系得出。其中，用戶粉絲數(shù)和“趨同于頂部高粉絲數(shù)用戶的程度”之間的正向關(guān)系，對應(yīng)于假設(shè)H1。用戶在趨同于頂部高粉絲數(shù)用戶的程度越來越高的同時(shí)，其與同粉絲數(shù)層級用戶的相似度（對應(yīng)于假設(shè)H2）、與自己內(nèi)容最為相似用戶的平均粉絲規(guī)模（對應(yīng)于假設(shè)H3）也越來越高。三個(gè)假設(shè)的關(guān)系結(jié)構(gòu)如圖1所示。

三、研究方案與研究設(shè)計(jì)

（一）樣本選取和數(shù)據(jù)預(yù)處理

樣本選取自新浪微博，這是中國具有代表性的社交媒體和自媒體平臺，活躍用戶數(shù)量超4億個(gè)，用戶分布于社會、經(jīng)濟(jì)、文化、娛樂、體育、科學(xué)等廣泛的領(lǐng)域。抓取新浪微博87739個(gè)用戶的歷史所發(fā)帖子，每人按發(fā)布時(shí)間順序抓取最多4500條，初始獲取帖子樣本131770017條。全部用戶只選取時(shí)間段2017年1月1日到2018年12月31日的兩年間的帖子，以統(tǒng)一橫向比較的口徑。為了穩(wěn)健和較為充分地反映個(gè)體的內(nèi)容特征，對于這兩年間的帖子，每個(gè)用戶一律隨機(jī)選取1500條;不足1500條的用戶不納入考察范圍。最后得到有效樣本用戶12478個(gè)。

用戶的偶像程度指標(biāo)的選取方面，結(jié)合偶像用戶的內(nèi)涵，選擇具有很高認(rèn)可度和代表性的粉絲數(shù)反映用戶作為高人氣偶像用戶的程度。雖然微博偶像有很多種來源和方式，但是在當(dāng)今注重“圈粉”“流量明星”“飯圈”的時(shí)代，粉絲數(shù)的多少可以作為反映用戶作為各種類型的偶像用戶的程度，如娛樂圈的高粉明星、企業(yè)界大V或文化科普的高流量大咖等。張玉晨等[31]把粉絲規(guī)模作為區(qū)分大V與中V的唯一依據(jù)。實(shí)際操作中，采取對數(shù)轉(zhuǎn)換后的形式，式（1）中x為用戶粉絲數(shù)的原始數(shù)值。

（二）基于潛在語義分析的用戶內(nèi)容特征提取及其向量表達(dá)

把單個(gè)樣本用戶的各條帖子，無順序地拼接為一個(gè)長文本，然后通過向量空間模型（VSM）得到每個(gè)用戶的詞頻矩陣。詞頻矩陣的獲取過程采取sklearn模塊，關(guān)鍵部分的參數(shù)如下：最低詞頻數(shù)（min_df）=50，最大文檔頻率（max_df）=0.3，n元詞范圍（ngram_range）=（1，1），也即只采用一元詞。得到的詞頻矩陣有128082個(gè)不同的詞，將各詞的頻數(shù)轉(zhuǎn)換為該詞在該用戶所有詞總數(shù)中占的比例（也即L1的規(guī)范化），最終形成12478行×128082列的矩陣X。

對于潛在語義分析模型轉(zhuǎn)換得到的詞頻矩陣，采取潛在語義分析（latent semantic analysis， LSA）進(jìn)行降維和內(nèi)容特征提取[32]。其中，對于用戶-詞項(xiàng)的矩陣X，進(jìn)行奇異值分解。潛在語義分析對X進(jìn)行階段奇異值分解，保留前k個(gè)最大的奇異值，通過降維后的k個(gè)潛在語義主題以表示原有的全部信息。經(jīng)過潛在語義分析降維，把矩陣X降到12478行×500列，保留信息的解釋比（explained_variance_ratio_）為0.903，從而充分保留了原用戶的內(nèi)容特征。此外，如圖2所示，橫軸為潛在語義分析保留的特征維數(shù)，縱軸為該維數(shù)對應(yīng)的解釋比;當(dāng)維數(shù)在500維時(shí)，解釋比處于一個(gè)“肘拐點(diǎn)”，其后盡管也可再增加維數(shù)，但對于表示用戶特征的解釋比增長已大幅放緩。

（三）用戶的內(nèi)容相似度計(jì)算

本文對于用戶相似度的計(jì)算，如無特別的說明，則一律指用戶在內(nèi)容整體特征上的相似度。

每個(gè)用戶根據(jù)其內(nèi)容，提取500維的向量之后，采用余弦相似度，進(jìn)行用戶之間的相似度計(jì)算。任意兩個(gè)用戶Um和Un之間的余弦相似度計(jì)算方法為：把兩個(gè)用戶Um、Un的內(nèi)容分別轉(zhuǎn)換得到兩個(gè)向量A、B，則A、B的余弦相似度即兩個(gè)向量A、B之間夾角θ的余弦cos（θ），該值范圍在[-1，1]，cos（θ）值越大表明這兩個(gè)用戶之間內(nèi)容越相似。

在式（2）的基礎(chǔ)上進(jìn)行擴(kuò)展，從1對1的用戶相似度，擴(kuò)展到n對n的兩組用戶（每組中用戶數(shù)量n≥1）之間的相似度。也即任意一組用戶G1（包含n1個(gè)用戶）和另一組用戶G2（包含n2個(gè)用戶）的內(nèi)容相似度，表示為：

式（3）在式（2）的基礎(chǔ)上，采用“類平均法”（或稱“簇平均法”，average group linkage）衡量兩組對象間的平均距離、平均相似度。其中G1或G2都可以有且僅有一個(gè)用戶，這種情況下也即：式（2）中所計(jì)算的個(gè)體與個(gè)體之間的兩兩相似度R（Ux1，Ux2），成為本公式中n1和n2分別為1時(shí)的特例。

式（3）變形后的形式是計(jì)算任一層組用戶（G1，其中用戶個(gè)數(shù)n1≥2）內(nèi)部的彼此平均相似度。該式在本文中，用于對各用戶層級內(nèi)部平均相似度的計(jì)算。這和式（3）的唯一差別之處就是不計(jì)算用戶和他自身的內(nèi)容相似度。具體形式為：

四、實(shí)證檢驗(yàn)與分析

對最終的12478個(gè)用戶樣本進(jìn)行分析。其中，根據(jù)式（1）得到每個(gè)用戶的粉絲數(shù)xi，并把這12478個(gè)值依次組成用戶粉絲數(shù)序列（代稱list_0）=[x1，x2，x3，…，x12478]。假設(shè)H1、假設(shè)H2、假設(shè)H3的檢驗(yàn)中所涉及的變量F1、F2、F3，其用戶順序皆與用戶粉絲數(shù)序列中的一致。

（一）假設(shè)H1的轉(zhuǎn)換及檢驗(yàn)

采用“趨頂去底”的差值，作為反映用戶趨向模板偶像的綜合程度，也即：相似于頂部最高粉絲數(shù)的用戶群的程度-相似于底部最低粉絲數(shù)的用戶群的程度（該變量簡稱F1）。這個(gè)差值越大，即該用戶“趨中心-離邊緣”的程度越高。如果某個(gè)用戶為Gx，粉絲數(shù)最高的n個(gè)用戶為集合Gn_max，粉絲數(shù)最低的n個(gè)用戶為集合Gn_min。根據(jù)式（3），用戶“趨頂離底”的差值為：H（Gx，Gn_max）-H（Gx，Gn_min）

N分別從[1，201，401，601，…，6401]等差數(shù)列依次取值的情況下，用戶粉絲數(shù)和用戶趨頂離底程度之間，皮爾遜相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)全部為顯著的正相關(guān)，p值全部<0.001;皮爾遜相關(guān)系數(shù)絕大多數(shù)都在0.4以上，如圖3所示。

當(dāng)參照群體規(guī)模N取值較小時(shí)，如只取N=1個(gè)，則由于頂部、底部的參照人數(shù)過少，他們對“頂部”標(biāo)準(zhǔn)偶像的用戶特征反映的綜合程度較低，從而增大了相關(guān)系數(shù)的不穩(wěn)定性。但即使如此，假設(shè)H1依然是顯著的，皮爾遜相關(guān)系數(shù)（N=12478）依然大于0.25。而當(dāng)N取值稍大，對“標(biāo)準(zhǔn)偶像”反映得更為全面，例如當(dāng)N為201時(shí)，假設(shè)H2的皮爾遜相關(guān)系數(shù)增加到了0.36，斯皮爾曼相關(guān)系數(shù)增加到了0.39。此后無論N如何取值，相關(guān)系數(shù)一直維持穩(wěn)定。

因此，假設(shè)H1得到檢驗(yàn)。用戶的粉絲數(shù)越高，其趨向于粉絲數(shù)最高的頂部偶像模板的程度越深。

（二）假設(shè)H2的轉(zhuǎn)換及檢驗(yàn)

對于任一用戶Gx， 從全體用戶中逐個(gè)計(jì)算每個(gè)用戶和Gx的余弦相似度，根據(jù)式（2），從中選出余弦相似度最高的n個(gè)用戶作為Gsim。其中，如果Gsim包含Gx，則預(yù)先剔除掉該元素。Gx與Gsim的平均相似度，采用式（3）計(jì)算，為H（Gx，Gsim）。

對相關(guān)系數(shù)的分析顯示，在N分別取1，2，3，…，500時(shí)，由于N的取值都不大，所有在這些條件下，用戶粉絲數(shù)和“該用戶最為相似的n個(gè)用戶的平均粉絲數(shù)”（該變量簡稱F2）之間，相關(guān)系數(shù)的p值全部小于0.001，也即線性正相關(guān)是全部成立的。皮爾遜相關(guān)系數(shù)大多數(shù)在0.5以上;其中當(dāng)N小于32時(shí)，則多數(shù)在0.65以上，如圖4所示。

如圖5所示，隨著相似用戶數(shù)量n的增大，即使最終增加到約為全體用戶的情況下，相關(guān)系數(shù)依然顯著。但是超過一定的閾值后，為600左右時(shí)，則相關(guān)系數(shù)出現(xiàn)了下跌的拐點(diǎn)。其中，皮爾遜相關(guān)系數(shù)在N為601時(shí)尚有0.49，之后則逐漸下跌速度較快;斯皮爾曼相關(guān)系數(shù)也有類似情況，如圖5所示。

總體而言，假設(shè)H2得到了檢驗(yàn)。并且結(jié)果顯示，當(dāng)最相似用戶個(gè)數(shù)n控制在一定的閾值范圍內(nèi)，則相似度可以保持在足夠高位，所以正相關(guān)更為緊密和穩(wěn)定。

（三）假設(shè)H3的轉(zhuǎn)換及檢驗(yàn)

對于任一用戶Gx，首先從全體用戶中選出和Gx在粉絲數(shù)上最為接近，且不包括Gx自身的n個(gè)用戶作為Gnear。Gx與Gnear的平均相似度，采用式（3）計(jì)算，為：H（Gx，Gnear）。逐個(gè)用戶計(jì)算H（Gx，Gnear）后，記為變量F3?？疾煊脩舴劢z數(shù)序列和其順序?qū)?yīng)的變量F3之間，其皮爾遜相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)是否顯著。

圖6的結(jié)果中，分別考察N的取值范圍從1，101，201，…，到3001（等差為100個(gè)）的情況。相關(guān)系數(shù)全部顯著（p值全部<0.001），而且在閾值范圍內(nèi)有高度的正相關(guān)性。其中，皮爾遜相關(guān)系數(shù)在同層級用戶個(gè)數(shù)N取值為100時(shí)，已達(dá)到0.57的相關(guān)程度。此后，當(dāng)N在2001的范圍之內(nèi)時(shí)，皮爾遜正相關(guān)系數(shù)一直維持在0.55以上的較高位。直到N取值過大時(shí)（本文中為N超過2100的范圍），由于Gnear的范圍過大導(dǎo)致它和Gx在“同粉絲數(shù)”方面太多松散、差異太大，才減少了正相關(guān)系數(shù)。但即使如此，也依然維持在0.2以上的水平，說明這種“同粉絲數(shù)”帶來的用戶相似度的影響作用存在。

統(tǒng)計(jì)檢驗(yàn)的結(jié)果顯示，假設(shè)H3是成立的。并且當(dāng)N取值不要過寬泛，并在一定的閾值范圍內(nèi)，則這種用戶的相似和同化封閉就更為穩(wěn)定、更有規(guī)律性和可預(yù)測性。

五、微博“標(biāo)準(zhǔn)偶像”作用的統(tǒng)一性及其結(jié)構(gòu)

假設(shè)H1、假設(shè)H2、假設(shè)H3涉及的三種不同路向，有著內(nèi)在的有機(jī)聯(lián)系和共同的“標(biāo)準(zhǔn)偶像”化驅(qū)動作用力，因而是同步和一致的，而不是相互獨(dú)立或相互對立的。統(tǒng)計(jì)檢驗(yàn)也支持這種較強(qiáng)的同步性。假設(shè)H1、假設(shè)H2、假設(shè)H3分別涉及用戶粉絲數(shù)和三個(gè)變量（F1、F2、F3）各自的相關(guān)性，因此對這四個(gè)變量，通過克朗巴赫系數(shù)（Cronbachs Alpha）來考察它們內(nèi)部的一致性和同步性。

變量一：用戶“趨頂離底”的程度（F1），選取粉絲數(shù)的頂部用戶、底部用戶各500個(gè)。變量二：用戶的n個(gè)內(nèi)容最相似用戶的平均粉絲數(shù)（F2），選取N為30。變量三：用戶與n個(gè)粉絲數(shù)最接近用戶的內(nèi)容相似度（F3），選取N為500。上述所選擇的參數(shù)，都具有相關(guān)系數(shù)的穩(wěn)定性與較佳的性能。變量四：采取經(jīng)式（1）轉(zhuǎn)換后的用戶粉絲數(shù)序列結(jié)果。

對每個(gè)指標(biāo)，全部采用blom公式并轉(zhuǎn)為正態(tài)分布值，然后計(jì)算克朗巴赫系數(shù)。標(biāo)準(zhǔn)化的克朗巴赫系數(shù)為0.769，顯現(xiàn)出四個(gè)變量內(nèi)部較為理想的一致性。其中，刪除任何一個(gè)指標(biāo)，都會造成剩下的三個(gè)指標(biāo)間的克朗巴赫系數(shù)的下降。計(jì)算結(jié)果見表1。

在上述四個(gè)變量之間的內(nèi)在一致性的基礎(chǔ)上，繼續(xù)通過“路徑分析”，考察其內(nèi)在的作用關(guān)系和結(jié)構(gòu)。路徑分析的工具采用AMOS 21.0。由于這四個(gè)變量已進(jìn)行了正態(tài)化的轉(zhuǎn)換，因此直接讀入AMOS進(jìn)行分析，采取常用的最大似然法（maximum likelihood）計(jì)算。

路徑分析的結(jié)構(gòu)與圖1相同。

（1）用戶粉絲數(shù)分別對“趨同于頂部高粉絲數(shù)用戶的程度”“與同粉絲數(shù)層級用戶的相似度”“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)模”這三個(gè)變量，都具有正向作用。

（2）用戶“趨同于頂部高粉絲數(shù)用戶的程度”，分別對“與同粉絲數(shù)層級用戶的相似度”“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)?！边@兩個(gè)變量都具有正向作用。它是塑造“標(biāo)準(zhǔn)偶像”使其他用戶朝向標(biāo)準(zhǔn)模板發(fā)生標(biāo)準(zhǔn)化的關(guān)鍵“鑰匙”。因此，把它作為路徑分析中的關(guān)鍵樞紐加以檢驗(yàn)。

（3）“與同粉絲數(shù)層級用戶的相似度”“與自己內(nèi)容最為相似用戶的平均粉絲規(guī)?！边@兩個(gè)變量存在著共通性。它們指：越是高粉絲數(shù)用戶，和相近粉絲數(shù)用戶的內(nèi)容相似度越高;越是高粉絲數(shù)用戶，和具有相似內(nèi)容用戶的粉絲數(shù)相近度越高。一正一反，互為補(bǔ)充，因此，不是在這兩者間建立單向的路徑，而是在他們的殘差項(xiàng)e1、e2、e3之間建立起雙向的關(guān)聯(lián)。

據(jù)此建立“標(biāo)準(zhǔn)偶像”的路徑分析及其標(biāo)準(zhǔn)化的回歸系數(shù)，如圖7所示。其中回歸系數(shù)全部顯著，因素之間的作用在此模型下是成立的;并且這種結(jié)構(gòu)作用下，整體的關(guān)系模型具有高擬合優(yōu)度。

選擇多種評價(jià)標(biāo)準(zhǔn)，對本模型的擬合優(yōu)度進(jìn)行考察。包括近似誤差均方根（RMSEA）、均方根殘差（RMR）、卡方與自由度比值（χ2/df）等重要指標(biāo)在內(nèi)的大部分?jǐn)M合指標(biāo)的匹配程度優(yōu)良?！皹?biāo)準(zhǔn)偶像”路徑分析的擬合判斷如表2所示。

整體而言，本模型具有高擬合度。路徑分析的結(jié)果雖然不排斥其他更優(yōu)的整體關(guān)系模型，但從變量的關(guān)系路徑的檢驗(yàn)角度支持了假設(shè)H1、假設(shè)H2、假設(shè)H3的結(jié)果，顯現(xiàn)了用戶隨著粉絲數(shù)越來越高而趨于“標(biāo)準(zhǔn)偶像”化的過程中所發(fā)生的現(xiàn)象和效應(yīng)。

六、由個(gè)體到宏觀：微博“標(biāo)準(zhǔn)偶像”作用的社會現(xiàn)象

假設(shè)H1、假設(shè)H2、假設(shè)H3是對用戶的個(gè)體分析，而這些個(gè)體現(xiàn)象則蘊(yùn)含著微博偶像用戶標(biāo)準(zhǔn)化的社會現(xiàn)象和具有宏觀性的演變態(tài)勢。

把本文的12478個(gè)用戶按照粉絲數(shù)進(jìn)行從低到高的“等人數(shù)”分層（設(shè)每層人數(shù)都為m），并采用式（4）計(jì)算每層內(nèi)m個(gè)用戶的層內(nèi)平均相似度。則檢驗(yàn)結(jié)果鮮明地顯示：用戶層級越高，層內(nèi)部的彼此平均相似度越高，兩者符合顯著的線性正相關(guān)。我們分別在2人、3人、4人……500人的不同的分層規(guī)模下，進(jìn)行了相關(guān)系數(shù)的檢驗(yàn)，結(jié)果見圖8;其中無論按照何種分層規(guī)模，其皮爾遜相關(guān)系數(shù)與斯皮爾曼相關(guān)系數(shù)的p值全部小于0.001，因此p值變化未在圖8中標(biāo)出。在各種分層規(guī)模下，正相關(guān)系數(shù)多數(shù)在0.8乃至0.9以上。以皮爾遜相關(guān)系數(shù)為例，分層規(guī)模僅為2人時(shí)，相關(guān)系數(shù)為0.29;而當(dāng)分層規(guī)模增長到20人時(shí)，相關(guān)系數(shù)迅速增長到0.81;此后保持在0.8以上的高相關(guān)系數(shù)。

隨著微博用戶“社會層級”或“咖位”的提高，層級內(nèi)用戶的平均群聚系數(shù)（average clustering coefficient）[33]變得越來越大。平均群聚系數(shù)是在社會網(wǎng)絡(luò)分析（SNA）中用于衡量某個(gè)群內(nèi)離散、分裂程度的指標(biāo)，在本文中，用于度量層內(nèi)的用戶傾向于圍繞某種共同中心而相似、趨同的緊密程度。先結(jié)合式（2）的計(jì)算形成層內(nèi)所有用戶兩兩之間的n×n的余弦相似度矩陣，然后對各層的余弦相似度矩陣采用networkx中的average_clustering（）函數(shù)，計(jì)算該層用戶的平均群聚系數(shù)。把用戶按照粉絲數(shù)從低到高地等頻“分箱化”為若干層級，我們分別在3、4、5、……100人的不同的分層規(guī)模下進(jìn)行了相關(guān)系數(shù)的檢驗(yàn)，結(jié)果顯示見圖9：無論做何種規(guī)模的分層，每層內(nèi)各用戶粉絲數(shù)平均值形成該層“質(zhì)心”，則層質(zhì)心和層平均群聚系數(shù)之間，相關(guān)系數(shù)均為顯著的正相關(guān)。

為了更為直觀地顯示上述“偶像層級”的層內(nèi)用戶相似程度越來越高的趨勢，將12478個(gè)樣本按照粉絲數(shù)的高低，等人數(shù)地切分為100層、200層、300層，如圖10所示。

七、結(jié) 語

本文明確提出“標(biāo)準(zhǔn)偶像”的理論概念，以其來描述社交網(wǎng)絡(luò)用戶所存在的結(jié)構(gòu)化的趨同現(xiàn)象與態(tài)勢，并結(jié)合新浪微博的用戶數(shù)據(jù)進(jìn)行了實(shí)證分析。這種“標(biāo)準(zhǔn)偶像”的現(xiàn)象在強(qiáng)調(diào)社交網(wǎng)絡(luò)用戶多樣性與偶像用戶分化的背景下，得到的重視不足，一些較為流行的理論觀點(diǎn)也往往與之相悖。由于“標(biāo)準(zhǔn)偶像”以及假設(shè)H1、假設(shè)H2、假設(shè)H3，用戶隨著粉絲數(shù)的增大而越來越加強(qiáng)重復(fù)化、似同化、標(biāo)準(zhǔn)化;尤其是在假設(shè)H3的情境下，粉絲數(shù)相同的一群用戶間，他們的相似程度隨著粉絲數(shù)的增大而增大。當(dāng)我們用社會分層的角度來審視微博空間，則越是高粉絲數(shù)的階層，其內(nèi)部越來越增強(qiáng)同質(zhì)性、封閉性，減少層組內(nèi)的個(gè)體異質(zhì)性。盡管我們經(jīng)常強(qiáng)調(diào)網(wǎng)絡(luò)社會的“壁壘”形成“巴爾干化”[34]摘 要：巴爾干化指網(wǎng)絡(luò)社會由于各種社會壁壘形成人群之間的分化、差異與隔離。但意外的是，網(wǎng)絡(luò)本身越來越朝向“標(biāo)準(zhǔn)偶像”“標(biāo)準(zhǔn)用戶”發(fā)生趨同，整體化地陷入“巴爾干化”而非一個(gè)個(gè)“巴爾干化”之后的“孤島”，而這種“社會窄化”是以往重視不足的方面?！皹?biāo)準(zhǔn)偶像”的傳播現(xiàn)象和效應(yīng)，意味著微博中偶像階層的封閉性和“社會繭房”，而非用戶的多樣性抑或偶像用戶在各自的垂直領(lǐng)域、分化范圍的異質(zhì)性。

在“標(biāo)準(zhǔn)偶像”的作用下，微博用戶形成“標(biāo)準(zhǔn)化中心-異質(zhì)化邊緣”的總體格局：越是高粉絲數(shù)的用戶內(nèi)容就越相似，形成社會中的標(biāo)準(zhǔn)化、模板化、去個(gè)性化的“主流”和“中心”區(qū)域;而越是低粉絲數(shù)的用戶越是處于邊緣化，相互之間越分散、內(nèi)容相似度越低;原本可能被認(rèn)為“無個(gè)性”、蕓蕓眾生的大眾用戶，反而是遠(yuǎn)離標(biāo)準(zhǔn)化的主流中心的、更為保留內(nèi)容獨(dú)特性的個(gè)體。

微觀個(gè)體的“標(biāo)準(zhǔn)偶像”效應(yīng)，與宏觀的社會文化現(xiàn)象之間建立起了穩(wěn)定的橋梁，使得仍然帶有一部分波動的個(gè)體標(biāo)準(zhǔn)化效應(yīng)在中觀和宏觀的社會層級的角度，表現(xiàn)出接近于1的線性正相關(guān)。這意味著這種分層的用戶同化和用戶標(biāo)準(zhǔn)化，其趨勢表現(xiàn)得高度穩(wěn)定。圖10非常鮮明而直觀地展現(xiàn)了微博中隨偶像層級提升，近乎直線性的高度規(guī)律的“社會窄化”變化趨勢。高程度的“大咖”、流量明星、高人氣用戶相互之間，比之低程度“大咖”用戶相互之間，其內(nèi)容相似度更高、更為趨同化。盡管這不意味著高的“階層”內(nèi)部一定已經(jīng)達(dá)到了很強(qiáng)烈的、鐵板一塊的似同化程度，但是意味著這種似同程度的正向增長方向和趨勢。微博“偶像”用戶階層越來越增強(qiáng)著趨同性與社會窄化，而非增強(qiáng)開放性與異質(zhì)性。

參考文獻(xiàn)：

[1]王平，劉電芝.青少年偶像崇拜的心理探源[J].蘇州大學(xué)學(xué)報(bào)（哲學(xué)社會科學(xué)版），2010，31（5）：179-181.

[2]鄭石，張紹剛.顛覆與創(chuàng)造：新媒體環(huán)境下我國的偶像生產(chǎn)與粉絲文化[J].新聞界，2019（6）：54-59.

[3]宋雷雨.虛擬偶像粉絲參與式文化的特征與意義[J].現(xiàn)代傳播（中國傳媒大學(xué)學(xué)報(bào)），2019，41（12）：26-29.

[4]趙麗瑾，侯倩.跨媒體敘事與參與式文化生產(chǎn)：融合文化語境下偶像明星的制造機(jī)制[J].現(xiàn)代傳播（中國傳媒大學(xué)學(xué)報(bào)），2018，40（12）：99-104.

[5]羅坤瑾.新媒介使用中的偶像崇拜研究——以人氣組合TFBOYS崇拜群體為研究樣本的考察[J].西南民族大學(xué)學(xué)報(bào)（人文社科版），2020，41（2）：188-192.

[6]邢彥輝，樊雪琛.數(shù)字時(shí)代的偶像崇拜：品牌虛擬形象與受眾關(guān)系視角[J].當(dāng)代傳播，2020（5）：78-81.

[7]徐鷹，岳曉東.中國大陸青少年偶像崇拜變遷與思考[J].青海社會科學(xué)，2009，（1）：5-8.

[8]余霞.網(wǎng)絡(luò)紅人：后現(xiàn)代主義文化視野下的“草根偶像”[J].華中師范大學(xué)學(xué)報(bào)（人文社會科學(xué)版），2010（4）：105-110.

[9]陳賽金.青少年偶像崇拜文化的變遷與引導(dǎo)[J].思想理論教育，2020（9）：97-102.

[10]方付建. 論網(wǎng)絡(luò)意見領(lǐng)袖的發(fā)展走向及其引導(dǎo)策略[J]. 湖北行政學(xué)院學(xué)報(bào)， 2013（1）：31-35.

[11]生奇志，高森宇.中國微博意見領(lǐng)袖：特征、類型與發(fā)展趨勢[J].東北大學(xué)學(xué)報(bào)（社會科學(xué)版），2013，15（4）：381-385.

[12]劉果.微博意見領(lǐng)袖的角色分析與引導(dǎo)策略[J].武漢大學(xué)學(xué)報(bào)（人文科學(xué)版），2014，67（2）：115-118.

[13]曹洵，張志安.基于媒介權(quán)力結(jié)構(gòu)的微博意見領(lǐng)袖影響力研究[J].新聞界，2016（9）：43-49.

[14]王平.中國網(wǎng)絡(luò)意見領(lǐng)袖的發(fā)展歷程[M].北京：人民日報(bào)出版社，2017：73-76

[15]利奧·洛文塔爾.文學(xué)、通俗文化和社會[M].甘鋒，譯.北京：中國人民大學(xué)出版社，2011：147-179.

[16]曹洵，張志安.社交媒體意見群體的特征、變化和影響力研究[J].新聞界，2017（7）：24-30.

[17]佟力強(qiáng).中國微博發(fā)展報(bào)告（2012）[M].北京：人民出版社，2013：27-28

[18]王國華，張勇波，王雅蕾，等.微博意見領(lǐng)袖的類型特征與內(nèi)容指向研究[J].電子政務(wù)，2014（8）：69-75.

[19]MATSUMURA N， OHSAWA Y， ISHIZUKA M. Influence diffusion model in text based communication[J]. Transactions of the Japanese society for artificial intelligence， 2002，17（3）：259-267.

[20]BORGE B R， MARC E D V. Opinion leadership in parliamentary twitter networks：a matter of layers of interaction？ [J]. Journal of information technology & politics， 2017， 14（3）：1-14.

[21]王曉光.博客社區(qū)內(nèi)的非正式交流：基于網(wǎng)絡(luò)鏈接的實(shí)證分析[J].情報(bào)學(xué)報(bào)，2009（2）：248-256.

[22]NOELLENEUMANN E， MATHES R. “The event as event”and “the event as news”：the significance of “consonance” for media effects research[J]. European journal of communication， 1987， 2（4）：391-414.

[23]MATHES R， PFETSCH B. The role of the alternative press in the agenda-building process：spill-over effects and media opinion leadership[J]. European journal of communication， 1991， 6（1）：33-62.

[24]朱秀清.新聞同質(zhì)化分析[J].現(xiàn)代傳播，2005（6）：116-117.

[25]翟秀鳳.創(chuàng)意勞動抑或算法規(guī)訓(xùn)？——探析智能化傳播對網(wǎng)絡(luò)內(nèi)容生產(chǎn)者的影響[J].新聞記者，2019（10）：4-11.

[26]馬克斯·霍克海默，西奧多·阿道爾諾.啟蒙辯證法——哲學(xué)斷片[M].渠敬東，曹衛(wèi)東，譯.上海：上海人民出版社.2006：107-152.

[27]赫伯特·馬爾庫塞.單向度的人[M].劉繼，譯. 上海：上海人民出版社.2008.

[28]曾一果.批判理論、文化工業(yè)與媒體發(fā)展——從法蘭克福學(xué)派到今日批判理論[J].新聞與傳播研究， 2016（1）：26-40.

[29]阿爾都塞.哲學(xué)與政治：阿爾都塞讀本[M].陳越，編譯.長春：吉林人民出版社，2003：320-375.

[30]克萊·舍基.人人時(shí)代：無組織的組織力量[M].胡泳，沈滿琳，譯.杭州：浙江人民出版社，2015：77-110.

[31]張玉晨， 翟姍姍， 許鑫，等. 微博“中V”用戶的傳播特征及其引導(dǎo)力研究——以羅一笑事件為例[J]. 圖書情報(bào)工作， 2018， 62（11）：79-87.

[32]DUMAIS S T. Latent semantic analysis[J]. Annual review of information science and technology， 2004， 38（1）：188-230.

[33]SARAMAKI J， KIVELA M， ONNELA J P， et al. Generalizations of the clustering coefficient to weighted complex networks[J]. Physical review E， 2007， 75（2）：027105.

[34]VAN ALSTYNE M， BRYNJOLFSSON E. Could the internet balkanize science？ [J]. Science， 1996，274（5292）：1479-1480.