（一）信息圈層化的影響因素

已有針對圈層化影響因素的研究，主要關(guān)注人口特征、社交關(guān)系、技術(shù)支撐（算法推薦）等，他們獨(dú)立或交互作用影響圈層化。

從人口特征來看，以往實(shí)證研究大多探討政治信息語境下的圈層化，尤其是選舉語境下選民信息接收，以及觀點(diǎn)表達(dá)的圈層化。該圈層化是建立在用戶既有政治黨派和意識形態(tài)基礎(chǔ)之上的，圈子圍繞不同黨派而建立。Conover等首次嘗試將同質(zhì)性與政治取向聯(lián)系起來，通過抽樣調(diào)查發(fā)現(xiàn)，Twitter用戶傾向于轉(zhuǎn)發(fā)那些具有相同政治派別用戶的帖子，從而形成政治高度隔離網(wǎng)絡(luò)，這是圈層化的一種表現(xiàn)形態(tài)。有研究者分析2009年德國選舉期間政黨之間的對話發(fā)現(xiàn)，政治推特往往根據(jù)共同的政治派別而被隔離。隨后也有研究者將樣本擴(kuò)大到整體用戶網(wǎng)絡(luò)來觀察政治同質(zhì)化以及黨派之間的區(qū)隔化現(xiàn)象。

從社交關(guān)系來看，依托用戶的政治傾向，以社交及互動文化為特征的社交網(wǎng)絡(luò)也容易形成信息圈層化。在政治語境下，針對Facebook的分析發(fā)現(xiàn)，用戶擁有更多與自己政治傾向相似的朋友，其信息獲取依賴于朋友網(wǎng)絡(luò)中分享的信息，這也會導(dǎo)致用戶更可能接收與朋友類似的政治信息、符合既定意識的信息。但也有研究發(fā)現(xiàn)，F(xiàn)acebook中顯示的大部分信息不是由親密朋友共享的，而是由偶爾交流的熟人共享的。這些研究考察的均是圍繞個體用戶的個體網(wǎng)絡(luò)及其互動效果。

從技術(shù)支撐來看，在智能媒體語境下，圈層化與以算法為代表的技術(shù)架構(gòu)有關(guān)。算法技術(shù)可能導(dǎo)致個體信息同質(zhì)化，不同用戶或者群體有特定偏好，由此不同用戶或者群體之間容易形成以自我為中心的圈子。但研究也發(fā)現(xiàn)，整體上用戶接收的內(nèi)容會越來越相似，并逐步趨近于一個整體，個性化也會使人們的信息接收與他人更相似。國內(nèi)學(xué)者分析發(fā)現(xiàn)，隨著用戶信息繭房程度的加深，越是同質(zhì)性強(qiáng)的個體，其構(gòu)成的繭房與他人的趨同性更強(qiáng)。同時，用戶繭房度越高，越會趨同于某種公共“繭房”或社會性的中心信息。由此，在個人繭房的基礎(chǔ)上，算法技術(shù)具有塑造群體之間圈層化以及群體之間趨同性的多種可能性。

可以發(fā)現(xiàn)，對于信息圈層化影響因素的實(shí)證分析，國外學(xué)者大多從政治語境入手，探討具有政治傾向的用戶及其媒介接觸等如何導(dǎo)致信息圈層化，這在人口特征、社會關(guān)系方面更為明顯。針對社交關(guān)系的分析則基于個體網(wǎng)絡(luò)展開。針對算法推薦的研究單純從技術(shù)角度出發(fā)，并沒有結(jié)合更為基礎(chǔ)性的用戶特征、社交關(guān)系等展開。從系統(tǒng)論的角度來看，網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)很大程度上也會影響圈子的形成，而且用戶特征、技術(shù)特征、社交關(guān)系、網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)是綜合作用后產(chǎn)生效果的，但我們對其運(yùn)作機(jī)制知之甚少。

（二）信息圈層化的測量方法

圈層化是建立在圈子基礎(chǔ)之上的，研究者通過多種方法對其進(jìn)行測量。依據(jù)用戶與信息環(huán)境的關(guān)系，測量維度包括用戶的信息接收（輸入）、信息發(fā)布（輸出）、信息互動等方面。

從用戶的信息接收/輸入來看，如果用戶接收的信息具有同質(zhì)化特征，同類型用戶之間很可能形成圈子，以區(qū)隔于那些并未接收類似信息的用戶?；诖耍槍θ踊?，我們可直接測量用戶所接收信息的同質(zhì)性、用戶所接觸媒體或信息的極性、信息共同接觸網(wǎng)絡(luò)等。例如，研究者通過用戶共同購買來確定用戶之間的同質(zhì)性。研究采用雙盲實(shí)驗(yàn)方法展開分析，實(shí)驗(yàn)組是算法推薦信息，對照組是非算法推薦信息，對兩組進(jìn)行實(shí)驗(yàn)前后的相似網(wǎng)絡(luò)分析，用戶是網(wǎng)絡(luò)的節(jié)點(diǎn)，用戶共同購買作為連接節(jié)點(diǎn)的邊關(guān)系。該方法考慮了動態(tài)關(guān)系，對本研究有所啟示。

從用戶的信息發(fā)布（輸出）來看，通過信息發(fā)布或觀點(diǎn)輸出可以反映群體區(qū)隔，最具代表性的是對用戶發(fā)布推文、帖子、評論等進(jìn)行的分析。Jacobson等通過分析兩個黨派媒體 Facebook 頁面上用戶評論的黨派歸屬，確認(rèn)黨派區(qū)隔的存在，進(jìn)而判斷對立群體之間的分化程度。也有研究以用戶表達(dá)觀點(diǎn)（支持、反對、中立）的相似性來測量用戶之間的異質(zhì)性，即用戶是否都支持、反對特定人物或事件，如果觀點(diǎn)不一致，則不太可能構(gòu)成圈層化。研究大多基于評論的同質(zhì)化程度或異質(zhì)化程度來判斷圈層化，聚焦于文本層面，缺乏對關(guān)系結(jié)構(gòu)的關(guān)注。

從用戶的互動關(guān)系來看，圈層化中的圈子是以用戶關(guān)系為基礎(chǔ)的，用戶互動關(guān)系大多通過轉(zhuǎn)發(fā)、提及、鏈接等獲得。如果互動程度較低，則說明存在區(qū)隔。例如，Conover 等研究了Twitter上的政治討論和意識形態(tài)同質(zhì)性發(fā)現(xiàn)，具有不同政治意識形態(tài)的群體往往會彼此分離，該研究中的群體關(guān)系是通過用戶之間的轉(zhuǎn)發(fā)關(guān)系、提及關(guān)系來測量的。Feller 等基于提及關(guān)系展開研究，他們關(guān)注的是聯(lián)邦議院選舉中提到德國政黨的用戶。有研究通過評估兩個黨派媒體的Facebook賬號中用戶討論所嵌入的超鏈接情況發(fā)現(xiàn)，用戶聚焦于一小部分新聞鏈接，討論因政治取向而被隔離。

以上幾種測量圈層化的方法反映了個體內(nèi)部信息同質(zhì)化以及個體/群體之間信息的區(qū)隔化。從用戶信息輸入維度、信息輸出維度進(jìn)行的測量，以靜態(tài)信息的類型來表征圈層化，并未考慮用戶之間的動態(tài)互動行為，特別是未深度分析用戶基于信息而形成的結(jié)構(gòu)化關(guān)系。同時，從用戶信息互動維度進(jìn)行的測量存在兩個問題：一是強(qiáng)互動（如轉(zhuǎn)發(fā)、提及、鏈接等）用戶在所有網(wǎng)民中占比并不大，應(yīng)該考察最為基本的、低成本投入行為，如信息關(guān)注，當(dāng)多個用戶共同關(guān)注同樣的信息時，就會形成信息共同關(guān)注網(wǎng)絡(luò)。二是互動網(wǎng)絡(luò)的分析，大多以個體中心網(wǎng)展開，對多個個體網(wǎng)交互作用而塑造的整體網(wǎng)及其形成機(jī)制缺乏深入、系統(tǒng)的分析。

有鑒于此，本研究嘗試依托整體網(wǎng)并通過用戶的共同信息關(guān)注來測量信息圈層化，這是一種更為系統(tǒng)性的、更為結(jié)構(gòu)化的分析范式，同時，本研究也深入分析了人口特征、社交關(guān)系、技術(shù)支撐（算法推薦）、網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)等對圈層化的綜合性影響。

（一）人口特征對圈層化的影響

同質(zhì)性理論認(rèn)為，具有相同人口特征的用戶，更可能具有類似的信息關(guān)注，不同特征用戶之間有所區(qū)隔，進(jìn)而導(dǎo)致群體之間的圈層化。

第一，從人口特征來看，具有相同性別、教育經(jīng)歷、職業(yè)、宗教信仰的人，在態(tài)度、行為、觀念等方面具有相似性。與人口特征相似的關(guān)系相比，跨性別或跨種族的關(guān)系更容易消失。同時，教育、職業(yè)等也是個體之間具有類似性的重要方面。人們更傾向于向與自己教育水平相當(dāng)?shù)娜藘A訴，并且隨著與他人差異的增加，越來越不可能形成聯(lián)系。有研究發(fā)現(xiàn)，白領(lǐng)和藍(lán)領(lǐng)職業(yè)群體之間存在顯著區(qū)別。

第二，地域環(huán)境是塑造同質(zhì)性的天然土壤。Verbrugge分析發(fā)現(xiàn)，居住環(huán)境的穩(wěn)定性能夠預(yù)測友誼的形成，其影響程度與性別、國籍或宗教一樣強(qiáng)烈。與地理位置較近的人接觸，更可能形成關(guān)系。Kwak等通過分析美國用戶發(fā)現(xiàn)，同質(zhì)性關(guān)系更可能存在于地理位置非常接近的人當(dāng)中。同時，地理位置帶來的同質(zhì)性不會因新技術(shù)而完全消失。研究發(fā)現(xiàn)，宏觀文化（如語言和地理）相似性比超鏈接和信息體裁相似性更能預(yù)測受眾的共同媒介接觸。也就是說，語言和地理特征相似的人，更可能建立信息關(guān)系。用戶的新媒體使用及媒體資源也受地理位置的限制，地理位置會進(jìn)一步影響個體的社會感知與身份認(rèn)同，以及相應(yīng)的社會行動。

由此，提出研究假設(shè)H1：

H1a：具有相同人口特征（性別、教育）的用戶，更可能呈現(xiàn)信息關(guān)注的圈層化。

H1b：處于同一地區(qū)的用戶，更可能呈現(xiàn)信息關(guān)注的圈層化。

（二）社交關(guān)系對圈層化的影響

社交關(guān)系的形成包括兩個途徑，即線下社交網(wǎng)絡(luò)和線上社交媒體使用。社交網(wǎng)絡(luò)是人們選擇信息的重要參考，用戶基于線上社交媒體的信息傳遞形成新的群體關(guān)系，也通過高強(qiáng)度聯(lián)系強(qiáng)化原有群體關(guān)系。

第一，個體網(wǎng)絡(luò)主要包括網(wǎng)絡(luò)規(guī)模、網(wǎng)絡(luò)關(guān)系類型、網(wǎng)絡(luò)性質(zhì)，這會影響信息圈層化。一是從網(wǎng)絡(luò)規(guī)模來看，朋友數(shù)量越多，越可能接觸到不同類型的朋友，信息接收會更加多元化。在對算法推薦的分析中可發(fā)現(xiàn)，社群成員和朋友越少，越可能導(dǎo)致信息同質(zhì)化，所以，網(wǎng)絡(luò)規(guī)模負(fù)向影響信息圈層化。二是從關(guān)系強(qiáng)度類型來看，關(guān)系越強(qiáng)的用戶之間更可能產(chǎn)生相互影響，進(jìn)而進(jìn)行信息分享，具有更類似的信息接觸。研究發(fā)現(xiàn)，封閉性的熟人社交型平臺（如微信、人人網(wǎng)）使得信息接收更加同質(zhì)化；相比之下，微博等陌生人“公共討論型”媒介使得信息接收更加多元化。在關(guān)系內(nèi)部，相比于身邊的熟人，意見領(lǐng)袖等弱關(guān)系對用戶的信息接觸影響更大，正因?yàn)槿绱?，微博算法推薦更傾向依據(jù)那些與用戶呈現(xiàn)“弱社交”關(guān)系的“大V”及其興趣方向來判斷用戶興趣。由此，具有較強(qiáng)社會關(guān)系的用戶，更可能接收同質(zhì)信息，不同群體之間則更加區(qū)隔化。三是從網(wǎng)絡(luò)性質(zhì)來看，傾向于與相似的他人建立聯(lián)系塑造了人們的信息環(huán)境。即便在算法非常強(qiáng)大的語境下，人們選擇與同質(zhì)性他人成為朋友，基于朋友關(guān)系而進(jìn)行信息接觸的可能性非常高，甚至高于基于算法推薦的信息接收。當(dāng)人們通過社交關(guān)系獲取信息時，更可能導(dǎo)致群體內(nèi)部較高程度的同質(zhì)化，群體之間較低程度的信息公共性。相反，如果個體社會網(wǎng)絡(luò)的異質(zhì)性較強(qiáng)，更不可能形成集群，以及基于此的圈層。

第二，線上互動關(guān)系反過來也會促進(jìn)和強(qiáng)化既有社會關(guān)系，具有代表性的是社交媒體使用。社交媒體是用戶獲取信息或觀點(diǎn)的重要渠道，但其也可能導(dǎo)致公共領(lǐng)域的分裂，形成人口與行為特征同質(zhì)化的關(guān)系網(wǎng)絡(luò)和缺少互動關(guān)系的圈層。較多研究也發(fā)現(xiàn)社交媒體使用可能增加信息多樣性。一方面，社交媒體使用時長越長、使用頻率越高，會增加網(wǎng)絡(luò)的異質(zhì)性，帶來更多樣化的信息體驗(yàn)，不會導(dǎo)致信息圈層化。另一方面，人們并不總是與同質(zhì)性個體進(jìn)行互動。同時，無論線上互動關(guān)系在多大程度上影響圈層化，其影響程度都不及線下社會關(guān)系，因?yàn)榫€上互動關(guān)系是建立在原有線下社會關(guān)系基礎(chǔ)之上的。研究發(fā)現(xiàn)，線下社交網(wǎng)絡(luò)中的同質(zhì)化個體，很可能會造成信息隔離。

由此，提出研究假設(shè)H2：

H2a：既有社交關(guān)系網(wǎng)絡(luò)中的關(guān)系強(qiáng)度、個體同質(zhì)性正向影響信息關(guān)注的圈層化，但關(guān)系數(shù)量或規(guī)模、關(guān)系異質(zhì)性負(fù)向影響信息關(guān)注的圈層化。

H2b：基于社交關(guān)系的社交媒體使用偏好負(fù)向影響信息關(guān)注的圈層化。

（三）技術(shù)支撐（算法推薦）對圈層化的影響

自算法推薦運(yùn)用于信息傳播領(lǐng)域，學(xué)界擔(dān)心個性化算法推薦會導(dǎo)致個體接收信息的同質(zhì)化，以及不同個體或群體之間信息結(jié)構(gòu)的區(qū)隔化。

第一，在信息傳播領(lǐng)域，算法推薦的初衷是解決信息超載問題。從個體層面來看，算法推薦導(dǎo)致個體內(nèi)部的信息同質(zhì)。就個體來看，每個人在自己的信息繭房中，可能導(dǎo)致具有相同特征的個體形成群體，不同群體之間更加區(qū)隔和對立。當(dāng)然，信息繭房效應(yīng)的形成也是用戶與算法系統(tǒng)互動的結(jié)果，算法推薦助推了用戶的一致性選擇接觸行為、削弱了對抗性接觸行為。但研究也發(fā)現(xiàn)，在特定情況下算法推薦的影響要超過用戶偏好。例如，Beam分析發(fā)現(xiàn)，算法系統(tǒng)驅(qū)動的個性化推送增加了政治選擇性接觸，而用戶驅(qū)動的推薦降低了政治選擇性接觸，選擇性接觸會進(jìn)一步導(dǎo)致信息圈層化。

第二，就算法推薦來看，不同程度信息偏好以及不同主題信息導(dǎo)致的信息同質(zhì)性有差異。就信息偏好程度來看，信息繭房效應(yīng)因內(nèi)容偏好程度加深而不斷增強(qiáng)。更重要的是，算法推薦導(dǎo)致的信息同質(zhì)化也因信息主題類型不同而有所不同。研究發(fā)現(xiàn)，在算法語境下，算法系統(tǒng)對用戶一般興趣的推斷并不是來自強(qiáng)關(guān)系，但在人文藝術(shù)、娛樂明星、時尚美妝等好友感興趣的信息類型中，算法推斷主要是基于強(qiáng)關(guān)系作出的。由此，對這些娛樂休閑類信息的關(guān)注，可能圍繞關(guān)系群體而形成信息圈層。相比于娛樂類軟新聞，繭房效應(yīng)在政治新聞上較不明顯，這主要是因?yàn)椋瑖?yán)肅性政治信息具有較高的閱讀難度和認(rèn)知負(fù)擔(dān)，多數(shù)用戶會閱讀其他信息以調(diào)節(jié)心理狀態(tài)，再加上關(guān)注政治信息的用戶，通常具有較高的文化水平，更可能不受算法限制，他們會關(guān)注更多其他信息。

由此，提出研究假設(shè)H3：

H3a：偏向于使用算法推薦平臺（如抖音）的用戶，更可能呈現(xiàn)信息關(guān)注的圈層化。

H3b：相比于具有娛樂信息偏好的用戶，具有政治信息偏好的用戶，更不可能呈現(xiàn)信息關(guān)注的圈層化。

（四）網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)對圈層化的影響

網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)對圈層化的影響反映在網(wǎng)絡(luò)自組織效應(yīng)方面。圈層是復(fù)雜網(wǎng)絡(luò)，其節(jié)點(diǎn)間的關(guān)系由網(wǎng)絡(luò)自我組織演化而成，即某一些關(guān)系的出現(xiàn)往往會促進(jìn)其他關(guān)系的形成，通過不斷累積逐漸形成有序的網(wǎng)絡(luò)結(jié)構(gòu)。該過程的運(yùn)行純粹依賴于網(wǎng)絡(luò)關(guān)系的內(nèi)在運(yùn)作和變化，也就是內(nèi)生效應(yīng)。從內(nèi)生角度來看，網(wǎng)絡(luò)連邊的生成受到擇優(yōu)連接機(jī)制、中介效應(yīng)、傳遞性機(jī)制的影響。

第一，擇優(yōu)連接是復(fù)雜網(wǎng)絡(luò)的一種常見動力學(xué)機(jī)制，即擁有聯(lián)系越多的節(jié)點(diǎn)，越容易與其他節(jié)點(diǎn)相連。擇優(yōu)連接效應(yīng)在多種類型的網(wǎng)絡(luò)形成中均得到證實(shí)。這一機(jī)制也可能存在于信息圈層化中。在網(wǎng)絡(luò)分析中，通常用點(diǎn)度中心性來測量擇優(yōu)連接效應(yīng)。點(diǎn)度中心性越高的用戶可能是意見領(lǐng)袖或者焦點(diǎn)用戶，這些信息富有者更容易與其他用戶共同關(guān)注很多信息，相比之下，信息貧乏者不太容易與其他用戶形成共同關(guān)注，從而表現(xiàn)出擇優(yōu)連接。

第二，中介效應(yīng)指關(guān)系的聯(lián)通程度，其具有控制其他關(guān)系形成的作用。中介效應(yīng)一般通過中介中心性來衡量，關(guān)注的是處于中介位置的節(jié)點(diǎn)是否處于其他節(jié)點(diǎn)間的最短路徑之上。一般來講，處于中介位置的用戶節(jié)點(diǎn)，連接著不同信息片區(qū)的用戶，對其他兩個相鄰節(jié)點(diǎn)的連接具有“搭橋”和限制作用。在信息圈層化網(wǎng)絡(luò)中，不同信息片區(qū)的用戶通過中介用戶而產(chǎn)生連接關(guān)系，使不同信息片區(qū)用戶的連接更為緊密，不太可能形成信息區(qū)隔。

第三，傳遞性機(jī)制通常被理解為“朋友的朋友傾向于建立新的朋友關(guān)系”，即關(guān)系是可以傳遞的。在網(wǎng)絡(luò)結(jié)構(gòu)中，聚集系數(shù)可以用來反映傳遞性機(jī)制，一般通過網(wǎng)絡(luò)中三元組的數(shù)量來衡量節(jié)點(diǎn)聚集成團(tuán)的程度。三元組節(jié)點(diǎn)之間彼此建立關(guān)系的結(jié)構(gòu)稱為“三元閉包”，具有三元閉包形成潛力的用戶之間存在內(nèi)在的信息關(guān)聯(lián)性，更可能建立起信息共享連接，進(jìn)而形成圈子。

由此，提出研究假設(shè)H4：

H4a：用戶節(jié)點(diǎn)的點(diǎn)度中心性越大，與其他用戶產(chǎn)生共同信息關(guān)注關(guān)系的可能性越大，更多可能呈現(xiàn)信息關(guān)注的圈層化。

H4b：用戶節(jié)點(diǎn)的中介中心性越大，會將不同信息片區(qū)相連接，更少可能呈現(xiàn)信息關(guān)注的圈層化。

H4c：用戶節(jié)點(diǎn)的聚集系數(shù)越大，使得相鄰用戶產(chǎn)生共同信息關(guān)注關(guān)系的可能性越大，更多可能呈現(xiàn)信息關(guān)注的圈層化。

（一）用戶共同關(guān)注網(wǎng)絡(luò)的基本情況

共同關(guān)注網(wǎng)絡(luò)是無向網(wǎng)絡(luò)（見圖1），運(yùn)用R語言對該整體網(wǎng)絡(luò)進(jìn)行分析，包括網(wǎng)絡(luò)全局情況、網(wǎng)絡(luò)節(jié)點(diǎn)重要性、網(wǎng)絡(luò)社區(qū)等方面。

（1）網(wǎng)絡(luò)全局情況。

從網(wǎng)絡(luò)規(guī)模來看，該網(wǎng)絡(luò)有380個節(jié)點(diǎn)（即用戶），共19 538條邊。節(jié)點(diǎn)平均度為103.153。在380個節(jié)點(diǎn)中，度數(shù)最大值為230，最小值為3。

從網(wǎng)絡(luò)結(jié)構(gòu)連通性來看，網(wǎng)絡(luò)整體密度為0.271，網(wǎng)絡(luò)較為松散；網(wǎng)絡(luò)聚集系數(shù)為0.546，網(wǎng)絡(luò)直徑為4，平均路徑長度為1.763，表明該網(wǎng)絡(luò)在局部形成更多聚類，從而形成一定程度的圈層化。

（2）網(wǎng)絡(luò)節(jié)點(diǎn)重要性。

從節(jié)點(diǎn)重要性來看，所有節(jié)點(diǎn)度數(shù)中心度的均值為0.544，接近中心性均值為0.574，中介中心性均值為0.002，特征向量中心性均值為0.043，PageRank均值為0.003。

（3）網(wǎng)絡(luò)社區(qū)。

派系分析發(fā)現(xiàn)，最大的派系有20個；這些派系中節(jié)點(diǎn)數(shù)量為45個。各子群中，包括3—4個用戶的子群有651個，2—3個用戶的子群有226個。這說明有幾百個成員確立了穩(wěn)定的互惠關(guān)系，他們接觸同樣的信息。

k-核分析發(fā)現(xiàn)，coreness較大的節(jié)點(diǎn)有137個，是重要節(jié)點(diǎn)。coreness較小的節(jié)點(diǎn)有3個，是較不重要的節(jié)點(diǎn)。

整體來看，該網(wǎng)絡(luò)中密度較低，度數(shù)中心性和接近中心性較高，大量信息被少量用戶所關(guān)注，也表明少量用戶聯(lián)系較為緊密，多數(shù)用戶聯(lián)系較為松散，信息重復(fù)率較低，用戶之間的共同信息關(guān)注程度較低。同時，網(wǎng)絡(luò)中介中心性較低，說明較多節(jié)點(diǎn)不太參與同其他節(jié)點(diǎn)的聯(lián)系，網(wǎng)絡(luò)存在一定的斷裂或區(qū)隔。而且，網(wǎng)絡(luò)中派系和社區(qū)較多，呈現(xiàn)一定的圈子化特征。網(wǎng)絡(luò)具有中心節(jié)點(diǎn)，越往外圍，節(jié)點(diǎn)大小和連線的密度越小、越分散。

（二）信息圈層化的影響因素

采用R語言的statnet工具包進(jìn)行ERGM分析，對六個模型進(jìn)行參數(shù)估計(jì)，估計(jì)方法為馬爾科夫鏈蒙特卡羅最大似然法（即MCMC MLE）。通過AIC和BIC來判斷模型擬合效果，指標(biāo)值越小，表明模型效果越好。

統(tǒng)計(jì)分析發(fā)現(xiàn)（見表1），在所有模型中，網(wǎng)絡(luò)自組織的影響最大（AIC/BIC均較小），表明內(nèi)生因素對信息共同關(guān)注網(wǎng)絡(luò)或圈層化的影響更大，相比之下，用戶節(jié)點(diǎn)屬性、用戶社交網(wǎng)絡(luò)特征（社交關(guān)系數(shù)量、關(guān)系異質(zhì)性）、網(wǎng)絡(luò)協(xié)變量（社交關(guān)系強(qiáng)度網(wǎng)絡(luò)）對圈層化的影響較小。也就是說，網(wǎng)絡(luò)自身的結(jié)構(gòu)特性是圈層化形成的重要動力。更進(jìn)一步，就用戶節(jié)點(diǎn)屬性和個體網(wǎng)特征來看，從基準(zhǔn)模型到人口特征模型、社交關(guān)系模型、再到算法推薦模型，AIC/BIC值越來越小，說明影響因素中，人口特征更具基礎(chǔ)性，其次是社交關(guān)系，再次是算法推薦。整體來看，綜合模型的擬合效果最好，說明用戶屬性因素、社交關(guān)系特征、網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)因素是相互作用、相互影響的，進(jìn)而塑造了圈層化。下文主要根據(jù)綜合模型的參數(shù)結(jié)果分析圈層化的形成機(jī)制。

數(shù)據(jù)顯示，就基準(zhǔn)模型來看，邊數(shù)統(tǒng)計(jì)項(xiàng)的系數(shù)是負(fù)值（-4.288），說明網(wǎng)絡(luò)的密度在50%以下都是稀疏網(wǎng)絡(luò)。在50%以下網(wǎng)絡(luò)中一條邊形成的概率與用戶信息共同關(guān)注網(wǎng)絡(luò)的密度是一致的，為0.271。

就人口特征來看，男性的性別同質(zhì)性和女性的性別同質(zhì)性均顯著正向影響信息共同關(guān)注網(wǎng)絡(luò)（p<0.001），這說明了男性之間可能關(guān)注共同信息，女性之間也可能關(guān)注共同信息，從而形成基于男性的信息圈層和基于女性的信息圈層。高年級同質(zhì)性顯著正向影響信息圈層化（p<0.01），相比之下，除大二年級外，低年級同質(zhì)性對信息圈層化的影響基本不顯著（p>0.05）。高年級的被試，特別是研究生，已經(jīng)深度融入校園生活，且迫于學(xué)習(xí)壓力，信息關(guān)注不太多元，同時，由于年齡較大、心智更成熟，會更關(guān)注公共話題等，也更可能與他人形成共同關(guān)注，更可能形成圈層化。專業(yè)同質(zhì)性顯著正向影響信息共同關(guān)注網(wǎng)絡(luò)（p<0.001）。就讀于同一專業(yè)的被試，更可能關(guān)注同一信息，從而導(dǎo)致信息圈層化。所在地同質(zhì)性顯著正向影響信息圈層化（p<0.001），處于同一地區(qū)的被試，包括學(xué)校所在地、戶籍所在地，更可能關(guān)注同一信息，從而導(dǎo)致信息圈層化。假設(shè)H1b得到證實(shí)，H1a得到部分證實(shí)。

就社交關(guān)系來看，社交關(guān)系網(wǎng)絡(luò)中的關(guān)系數(shù)量、關(guān)系強(qiáng)度并不顯著影響信息共同關(guān)注網(wǎng)絡(luò)（p>0.05）。針對關(guān)系異質(zhì)性，年級異質(zhì)性正向顯著影響信息圈層化（p<0.05），性別、戶籍所在地異質(zhì)性負(fù)向顯著影響信息圈層化（p<0.05）。這說明如果社交圈子中有其他年級的朋友，也會有共同信息關(guān)注；但如果社交圈子中有其他性別、地區(qū)的朋友，基本不會有共同信息關(guān)注。這反映了性別、地區(qū)區(qū)隔對于信息接收格局的影響更為深刻，相比之下，被試共同接收的信息可以跨年級存在。整體來看，社交關(guān)系網(wǎng)絡(luò)對圈層化的影響并不大，這與一般認(rèn)為的社交關(guān)系會導(dǎo)致信息圈層化的認(rèn)識有所偏差。這也說明了研究通過種子被試邀請好友的方式收集信息的有效性，強(qiáng)關(guān)系并未影響到圈層化的存在狀態(tài)。相比之下，社交媒體使用顯著負(fù)向影響信息共同關(guān)注網(wǎng)絡(luò)（p<0.001），那些偏好使用社交媒體的被試，不可能關(guān)注同樣的信息，更不可能導(dǎo)致圈層化。本研究中的社交媒體指基于強(qiáng)關(guān)系或者熟人關(guān)系而建構(gòu)的媒體平臺，如微信朋友圈、QQ等，數(shù)據(jù)結(jié)果說明了即便是在線強(qiáng)關(guān)系，也不可能促進(jìn)信息共同關(guān)注，反而可能獲取更多信息，不會導(dǎo)致圈層化。研究假設(shè)H2b得到證實(shí)，H2a得到部分證實(shí)。

就技術(shù)支撐（算法推薦）來看，算法推薦平臺使用偏好顯著負(fù)向影響圈層化（p<0.001）。那些偏好使用算法推薦平臺的被試，相互之間更不可能關(guān)注同樣的信息，從而不會導(dǎo)致圈層化。導(dǎo)致這個結(jié)果可能有兩個原因：一是算法推薦使得他們各自陷于自己的繭房，成為一個個獨(dú)立的個體性存在，更不可能形成集群及基于此的圈層化。二是算法推薦的確會使得群體之間具有更多相同的信息關(guān)注，但由于學(xué)生被試的關(guān)注信息整體不太多元，信息環(huán)境較為同質(zhì)，所以，信息集群之間區(qū)隔的可能性較小。同時，政治信息關(guān)注偏好顯著負(fù)向影響圈層化（p<0.001）。相比于有娛樂偏好的被試，有政治偏好的被試更不可能關(guān)注同樣的信息，也更不可能導(dǎo)致圈層化。偏好關(guān)注政治信息的被試，他們有更強(qiáng)的信息獲取能力，信息接收較為多元，再加上整體政治信息環(huán)境的同質(zhì)化，所以更不可能形成區(qū)隔。而娛樂信息更可能因?yàn)樯缃魂P(guān)系而推薦，更可能形成圈層化。研究假設(shè)H3b得到證實(shí)，H3a并未得到證實(shí)。

就網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)來看，點(diǎn)度中心性的擬合結(jié)果為顯著正相關(guān)（p<0.001），說明在節(jié)點(diǎn)其他因素?cái)?shù)值相同的情況下，被試用戶點(diǎn)度中心性越大，越有可能與其他用戶形成共同關(guān)注關(guān)系。這一結(jié)果印證了復(fù)雜網(wǎng)絡(luò)中的擇優(yōu)連接機(jī)制。用戶中介中心性的擬合結(jié)果為顯著負(fù)相關(guān)（p<0.001），且該值較大，這說明在節(jié)點(diǎn)其他因素?cái)?shù)值相同的情況下，用戶中介中心性越大，越有可能將其他片區(qū)用戶連接起來，而不會出現(xiàn)信息群體之間的區(qū)隔，不太可能出現(xiàn)信息圈層化。聚集系數(shù)的擬合結(jié)果顯示為顯著正相關(guān)（p<0.001），說明在節(jié)點(diǎn)其他因素?cái)?shù)值相同的情況下，聚集系數(shù)越大，擁有一個共同鄰點(diǎn)的兩個節(jié)點(diǎn)直接相連的可能性更大，越有可能與其他用戶凝聚成團(tuán)，形成圈層化關(guān)系。假設(shè)H4a、H4b、H4c均得到證實(shí)。

更進(jìn)一步，對比綜合模型和其他模型可以發(fā)現(xiàn)，當(dāng)加入網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)變量之后，男性、大一學(xué)生、大二學(xué)生、社交關(guān)系數(shù)量、社交關(guān)系強(qiáng)度、社交關(guān)系異質(zhì)性（專業(yè)異質(zhì)性、學(xué)校所在地異質(zhì)性、戶籍所在地異質(zhì)性）、社交媒體使用、政治信息偏好對信息圈層化的影響有所變化，這說明通過ERGM分析能夠揭示出信息圈層化中存在的內(nèi)生結(jié)構(gòu)在整體網(wǎng)絡(luò)形成過程中的作用。

用戶屬性特征、社交關(guān)系模型下顯著的統(tǒng)計(jì)項(xiàng)在綜合模型中不再顯著，如大一學(xué)生、社交關(guān)系數(shù)量、社交關(guān)系強(qiáng)度、社交關(guān)系異質(zhì)性（專業(yè)異質(zhì)性、學(xué)校所在地異質(zhì)性）。網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)的加入，導(dǎo)致這些變量的作用被減弱或替代。主要是因?yàn)椋笠粚W(xué)生信息接觸面較為狹窄，更可能跟風(fēng)、追隨大多數(shù)人，其共同關(guān)注關(guān)系的形成很大程度上與整體網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)。從社交關(guān)系來看，對比模型3和模型6可發(fā)現(xiàn)，加入網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)后，既有社交關(guān)系的影響變得不顯著了，說明網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)對信息關(guān)注網(wǎng)絡(luò)的影響遠(yuǎn)遠(yuǎn)超過了初始社交關(guān)系網(wǎng)絡(luò)。

用戶屬性特征模型下顯著的統(tǒng)計(jì)項(xiàng)在綜合模型中仍然顯著，但是影響方向發(fā)生改變，如男性、大二學(xué)生、戶籍所在地異質(zhì)性、社交媒體使用偏好、政治信息偏好的影響方向有所改變。這說明原先模型下看似顯著且正向/負(fù)向的推斷，由于受獨(dú)立性假設(shè)的限制，可能并不準(zhǔn)確，甚至在整體網(wǎng)絡(luò)下可能出現(xiàn)相反的結(jié)論。男性、大二學(xué)生的影響由負(fù)向轉(zhuǎn)變?yōu)檎颍艽蟪潭壬弦驗(yàn)槿丝谔卣魇亲罨A(chǔ)的，它本身就可以驅(qū)動網(wǎng)絡(luò)結(jié)構(gòu)的內(nèi)在運(yùn)行，其與網(wǎng)絡(luò)內(nèi)在結(jié)構(gòu)交互作用，最終促進(jìn)信息圈層化。戶籍所在地異質(zhì)性、社交媒體使用偏好、政治信息偏好的影響由正向轉(zhuǎn)變?yōu)樨?fù)向，這可能是被試整體的戶籍分布不均導(dǎo)致的，社交媒體使用偏好、信息類型偏好是被試用戶的后天媒介接觸行為，其與網(wǎng)絡(luò)結(jié)構(gòu)交互作用并發(fā)生化學(xué)反應(yīng)，從而導(dǎo)致方向的變化。