信息圈層化及其形成機(jī)制:基于ERGM的分析

?晏齊宏     2025-01-24 17:14:41

· 核心提示 ·

以復(fù)雜網(wǎng)絡(luò)為視角,將信息圈層化操作化為用戶信息共同關(guān)注網(wǎng)絡(luò),通過日志法收集用戶信息接觸數(shù)據(jù),采用指數(shù)隨機(jī)圖模型(ERGM)分析圈層化的形成機(jī)制。研究發(fā)現(xiàn),用戶信息共同關(guān)注網(wǎng)絡(luò)密度較低,呈現(xiàn)圈層化趨勢。用戶屬性(包括人口特征、媒介使用偏好)、既有社交關(guān)系和信息關(guān)注網(wǎng)絡(luò)的自組織結(jié)構(gòu)影響信息圈層化,其中網(wǎng)絡(luò)自組織結(jié)構(gòu)的影響遠(yuǎn)遠(yuǎn)大于其他要素,節(jié)點(diǎn)的點(diǎn)度中心性、聚集系數(shù)正向影響信息圈層化,但中介中心性負(fù)向影響信息圈層化。用戶社交關(guān)系數(shù)量、社交關(guān)系強(qiáng)度的影響因信息關(guān)注網(wǎng)絡(luò)中的自組織結(jié)構(gòu)而弱化,進(jìn)而并不影響信息圈層化,線上社交媒體使用不會促進(jìn)信息圈層化。此外,算法推薦平臺使用偏好、算法政治信息偏好不會導(dǎo)致信息圈層化。

· 內(nèi)容精選 ·

一、問題提出

智能媒體語境下,以算法推薦為代表的新技術(shù)對信息環(huán)境的影響引發(fā)各界擔(dān)憂,最具代表性的是信息繭房效應(yīng)、信息圈層化,而這兩者之間也有聯(lián)系。信息繭房較多關(guān)注個體內(nèi)部信息的同質(zhì)化現(xiàn)象。從個體來看,在個人內(nèi)部信息同質(zhì)化基礎(chǔ)上,那些具有共同特征及信息偏好的個體更可能接觸到同樣的信息。如果不同群體都陷入同質(zhì)化回音室,群體內(nèi)部在興趣、身份認(rèn)同、政治立場等因素的驅(qū)使下會形成多個交流相對緊密的圈層,群體之間可能相互隔離,由此導(dǎo)致圈層化。更進(jìn)一步,如果圈子的排斥性與防御性較強(qiáng)、與他者信息流通不暢、較少進(jìn)行互動,反過來會導(dǎo)致個人內(nèi)部信息的同質(zhì)化,更容易形成回音室,甚至導(dǎo)致意見極化。同時,在算法推薦領(lǐng)域,無論是基于(強(qiáng))社交關(guān)系的推薦,還是基于用戶協(xié)同過濾的推薦,都是根據(jù)用戶的同質(zhì)性偏好來推薦信息,使得具有共同特征的用戶群體更加聚集,且與不同特征用戶群體形成信息區(qū)隔。

遺憾的是,盡管學(xué)界對信息繭房有較多關(guān)注和研究,但是對于圈層化及其形成機(jī)制缺乏系統(tǒng)性、全面性的實(shí)證分析。圈層化是對網(wǎng)絡(luò)用戶聚集與分化模式的現(xiàn)象描述,其重要方面是圈子化。圈子是以情感、利益、興趣等維系的具有特定關(guān)系模式的人群聚合;其中,個體之間進(jìn)行較為頻繁的互動,但也存在內(nèi)部關(guān)系的不平等;同時,基于關(guān)系的社會規(guī)范約束圈子中個體的行為。國外學(xué)者大多關(guān)注政治語境下的圈層化,通過實(shí)證方法分析用戶或媒體是如何以政治意識形態(tài)為核心形成集群或者圈子的,不同意識形態(tài)群體之間是如何形成對立狀態(tài)的。除了政治偏好之外,其他用戶特征也會導(dǎo)致圈子化的形成,如媒介接觸、社交關(guān)系等。研究者認(rèn)為,網(wǎng)絡(luò)輿論圈層化有其系統(tǒng)的內(nèi)在邏輯,具體可歸納為以“社會交往圈層”等為底層支撐力的理論邏輯,以“算法”等為外部推動力的技術(shù)邏輯,和以“互動”等為內(nèi)部驅(qū)動力的運(yùn)行邏輯。

從系統(tǒng)化的角度看,關(guān)系性、結(jié)構(gòu)性是圈層化的重要方面,復(fù)雜網(wǎng)絡(luò)分析便是重要的結(jié)構(gòu)化分析范式。復(fù)雜網(wǎng)絡(luò)中具有特定的結(jié)構(gòu),結(jié)構(gòu)會塑造行動者的行為。就此來看,圈層化的影響因素包括圈層網(wǎng)絡(luò)自身演化過程、用戶屬性特征、網(wǎng)絡(luò)外部因素(如既有社交關(guān)系)等。從統(tǒng)計(jì)推斷來看,對這幾個維度的分析不應(yīng)以傳統(tǒng)統(tǒng)計(jì)中的獨(dú)立性假設(shè)為前提,而應(yīng)該從關(guān)系性角度展開,如網(wǎng)絡(luò)自身演化過程假定某一些關(guān)系的出現(xiàn)往往會促進(jìn)其他關(guān)系的形成,這是網(wǎng)絡(luò)形成的內(nèi)驅(qū)力。針對此,指數(shù)隨機(jī)圖模型(ERGM)方法能夠分析網(wǎng)絡(luò)自組織特征對圈層化的影響,而且可以將多維因素納入模型,分析多維度因素的交互性影響?;诖?,本研究嘗試以復(fù)雜網(wǎng)絡(luò)的分析范式探究信息圈層化的形成因素,除了用戶屬性外,還包括社交關(guān)系、網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)等因素的影響,并采用ERGM對此展開分析。值得注意的是,本文的信息圈層化以信息共同關(guān)注網(wǎng)絡(luò)來測量,即兩個用戶如果關(guān)注了同一條信息,則兩個用戶構(gòu)成連邊關(guān)系;當(dāng)多個用戶均具有這種特征時,便構(gòu)成信息共同關(guān)注網(wǎng)絡(luò)。

二、文獻(xiàn)綜述

(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。

三、研究假設(shè)

(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。

四、文獻(xiàn)綜述

(一)數(shù)據(jù)收集

本研究借鑒政治討論網(wǎng)、線上人際網(wǎng)、高??蒲袌F(tuán)隊(duì)合作網(wǎng)等的數(shù)據(jù)收集方式,通過“隨機(jī)抽樣”和“提名法”的方式招募被試,并向其收集信息關(guān)注數(shù)據(jù)。首先從某高校傳播學(xué)專業(yè)低年級學(xué)生中隨機(jī)抽取20位學(xué)生作為種子被試,然后要求每名種子被試通過提名的方式邀請其他同學(xué)參與,即邀請19位普通被試(9位本校、10位外校,外校同學(xué)大多是其老家的中小學(xué)同學(xué)),最后共獲得400位被試(包含種子被試20位,普通被試380位)。因此本研究更多地代表大學(xué)生群體的信息關(guān)注網(wǎng)絡(luò)及情況。該抽樣方式一定程度上可以真實(shí)模擬基于信息關(guān)注而形成的網(wǎng)絡(luò)。主要原因如下:一是從種子被試用戶來看,本研究以隨機(jī)抽取方式獲得種子用戶(所在專業(yè)低年級學(xué)生),他們之間的相熟程度較高,較容易構(gòu)成網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。由于學(xué)生被試之間的同質(zhì)性較強(qiáng),為了提高被試之間的差異,重點(diǎn)選取了大一、大二學(xué)生,他們還未深度參與大學(xué)生活,且來自全國各地,更多地保留了原來家鄉(xiāng)的信息關(guān)注習(xí)慣,整體擁有相對多元的信息偏好。二是從網(wǎng)絡(luò)關(guān)系來看,通過種子被試提名邀請普通被試的方式,一定程度上能夠表征現(xiàn)實(shí)信息關(guān)注情況。一方面,從被試數(shù)量來看,礙于學(xué)業(yè)壓力等,本研究的種子被試主要抽取自低年級學(xué)生,其社交網(wǎng)絡(luò)規(guī)模并不是非常大,其所邀請的20位同學(xué)(即普通被試)很大程度上包括了所能遍歷的所有學(xué)生,一定程度上與其日常(學(xué)生)交往圈數(shù)量較為一致。另一方面,從被試質(zhì)量來看,愿意幫助種子被試用戶完成任務(wù)并參與數(shù)據(jù)收集的同學(xué),很多是關(guān)系較好的同學(xué),這與通常提名法中可能偏向于強(qiáng)關(guān)系的規(guī)律較為一致。同時,現(xiàn)實(shí)中信息互動基本發(fā)生在熟人之間,無論是基于同質(zhì)性的信息共同關(guān)注,還是算法推薦中基于人物協(xié)同過濾的推薦等,都力求向熟人、關(guān)系較強(qiáng)的人推薦同樣的信息,提名法所獲得的普通被試及其信息接收也符合這一現(xiàn)實(shí)信息關(guān)注情況。

本調(diào)研于2022年10—11月展開,借鑒以往新聞受眾重復(fù)研究,采用日志調(diào)查的方法展開。具體過程如下:被試通過主觀報(bào)告的方式將自己完整閱讀/觀看、點(diǎn)贊、收藏、評論、轉(zhuǎn)發(fā)、搜索、與他人討論的信息截圖并錄入excel,錄入維度包括標(biāo)題、瀏覽時間、反饋行為(如點(diǎn)贊、轉(zhuǎn)發(fā))。普通被試每隔3天將信息截圖、excel等文件提交給種子被試,每天記錄平均5條信息,調(diào)查持續(xù)進(jìn)行1個月,期間共反饋10次,每次反饋不低于15條信息。要求被試以3天為時間單位提交信息截圖等,是為了避免時間過長產(chǎn)生遺忘。被試對信息的追蹤記錄并未包括所有關(guān)注的信息,他們只需記錄那些重點(diǎn)關(guān)注、轉(zhuǎn)發(fā)、點(diǎn)贊、評論、收藏的信息,這能將與個人最相關(guān)、對個人影響最大的信息凸顯出來。同時,這些反饋行為會觸發(fā)算法機(jī)制,符合當(dāng)下算法普遍滲入傳播領(lǐng)域這一真實(shí)環(huán)境。由于個別被試在調(diào)查過程中退出,最終有種子被試和普通被試共381位完成全部調(diào)查。對關(guān)注信息整理后,共獲得56 579條有效信息。

(二)網(wǎng)絡(luò)建構(gòu)

對于信息圈層化的測量,本研究借鑒測量受眾碎片化的受眾重復(fù)度指標(biāo)展開。從現(xiàn)象層面看,用戶群體內(nèi)信息高度相似,各個群體之間信息高度異質(zhì),就會形成圈層。對該現(xiàn)象的捕捉和測量,首先需要界定群體,即共同關(guān)注特定信息而形成的用戶群體。如果兩個用戶關(guān)注了同一條信息,那么這兩個用戶形成信息關(guān)注對,多個用戶因共同信息關(guān)注會形成網(wǎng)絡(luò),即信息共同關(guān)注網(wǎng)絡(luò)。如果該網(wǎng)絡(luò)整體密度較低,中心性較高,則大量信息被少量用戶所共同關(guān)注,也表明少量用戶聯(lián)系較為緊密,更可能形成圈子,并與其他未聯(lián)系的用戶相區(qū)隔,很可能導(dǎo)致圈層化。如果網(wǎng)絡(luò)整體密度較高,中心性較低,則大量信息被多數(shù)用戶所共同關(guān)注,也表明用戶之間較為碎片化,不太可能形成圈子。

之所以如此測量信息圈層化,可以追溯到媒體選擇理論。該理論認(rèn)為,用戶的媒介選擇不僅受個體因素的影響,也受媒介結(jié)構(gòu)的影響。對媒介結(jié)構(gòu)影響機(jī)制的分析,其中一種方法是采用不同媒體的受眾重復(fù)度來測量,即同一受眾因共同關(guān)注兩個媒體而產(chǎn)生的媒介間關(guān)系,或者媒體之間存在共享受眾。這是基于這樣一個前提:既然媒體較為豐富,用戶理應(yīng)可以選擇各自偏好的媒體,但如果用戶之間仍然有共同使用的媒體,說明這是由于宏觀媒介結(jié)構(gòu)導(dǎo)致的。研究證實(shí)了宏觀媒介結(jié)構(gòu)會比個人因素更多地影響用戶的媒介選擇。該方法也被運(yùn)用于分析用戶的跨平臺接觸行為。

在具體操作中,通過共同關(guān)注同一條信息,便可建立用戶之間的關(guān)系,構(gòu)成信息共同關(guān)注網(wǎng)絡(luò)。由于該網(wǎng)絡(luò)的被試起初是從傳播學(xué)專業(yè)學(xué)生中基于特定關(guān)系招募的,他們因共同關(guān)注信息而形成信息網(wǎng)絡(luò),符合網(wǎng)絡(luò)邊界確定中的行動者特征、關(guān)系特征和活動特征,因此該網(wǎng)絡(luò)是由381位被試建立的無向網(wǎng)絡(luò)。

(三)自變量測量

(1)人口特征。

在正式調(diào)查之前,收集被試的人口信息,包括性別、年級、專業(yè)、學(xué)校、地域等。

(2)社交關(guān)系。

①社交關(guān)系網(wǎng)絡(luò)。采用對個體社會網(wǎng)絡(luò)的評測維度展開,具體包括網(wǎng)絡(luò)規(guī)模(社交關(guān)系數(shù)量)、網(wǎng)絡(luò)關(guān)系強(qiáng)度和網(wǎng)絡(luò)異質(zhì)性(社交關(guān)系異質(zhì)性)。

社交關(guān)系數(shù)量:針對特定被試,相熟程度>=2的被試數(shù)量反映的是網(wǎng)絡(luò)規(guī)?;蜿P(guān)系數(shù)量。統(tǒng)計(jì)發(fā)現(xiàn),所有被試網(wǎng)絡(luò)規(guī)模的平均值約為10。

社交關(guān)系強(qiáng)度:在日志調(diào)查結(jié)束后,詢問被試之一與其他被試(380位)的相熟程度如何。1表示不認(rèn)識;2表示不太熟;3表示比較熟;4表示非常熟。數(shù)值越大,表示關(guān)系越強(qiáng)。以任意兩個用戶為節(jié)點(diǎn),他們之間的熟悉程度為邊關(guān)系,建構(gòu)關(guān)系強(qiáng)度網(wǎng)絡(luò)。社交關(guān)系強(qiáng)度以關(guān)系矩陣的方式納入模型。

社交關(guān)系異質(zhì)性:通過質(zhì)異指數(shù)IQV(index of qualitative variation)來計(jì)算,IQV指觀察到的變異量和可能存在的最大變異之間的比值,計(jì)算公式如下:

其中,k為類別總數(shù),如性別、年齡、受教育程度等;n為樣本數(shù),在本研究中即為社交網(wǎng)絡(luò)規(guī)模;fi為i類的發(fā)生頻數(shù)。本研究依據(jù)該公式分別計(jì)算每位被試社交網(wǎng)絡(luò)中其他被試的性別、年級、專業(yè)、學(xué)校所在地、戶籍所在地的異質(zhì)性指數(shù)。

②社交媒體使用偏好。以往研究發(fā)現(xiàn),算法推薦系統(tǒng)可能更多地根據(jù)弱社交關(guān)系而非強(qiáng)社交關(guān)系推薦;此處的社交媒體僅僅指基于社交關(guān)系而使用的媒體,為了消除算法推薦的混合效應(yīng),此處重點(diǎn)關(guān)注基于強(qiáng)社交關(guān)系的社交媒體使用,即以強(qiáng)互動關(guān)系為基礎(chǔ),且具有明顯互動機(jī)制(如關(guān)注好友,@、轉(zhuǎn)發(fā)等功能設(shè)置)的媒介或平臺,包括微信群、微信朋友圈、微博、抖音、微信視頻號、QQ學(xué)習(xí)群聊、QQ、豆瓣等。如果被試用戶關(guān)注的信息有大于或等于50%的來自社交媒體(社交媒體累積占比較大),則為社交媒體偏好用戶。

(3)技術(shù)支撐(算法推薦)。

①算法推薦平臺使用偏好。算法推薦平臺指主要以算法進(jìn)行信息分發(fā)的媒體平臺,如B站、抖音、微信視頻號、小紅書、今日頭條、快手等。如果被試用戶關(guān)注的信息主要來自算法推薦平臺(算法推薦平臺累積占比較大),則為算法推薦平臺偏好用戶。

②政治或娛樂信息偏好。測量被試用戶所關(guān)注信息中政治類或娛樂類信息的偏好程度,具體通過對標(biāo)題進(jìn)行編碼歸類,如政治、娛樂、其他等;兩位編碼員的一致性系數(shù)為0.94。如果被試用戶關(guān)注的政治信息占比大于娛樂信息,則為政治偏好用戶,反之為娛樂偏好用戶。

(4)網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)。

①點(diǎn)度中心性。采用社會網(wǎng)絡(luò)分析方法測得每位被試的點(diǎn)度中心性。

②中介中心性。采用社會網(wǎng)絡(luò)分析方法測得每位被試的中介中心性。

③聚集系數(shù)。采用社會網(wǎng)絡(luò)分析方法測得每位被試的聚集系數(shù)。

(四)分析方法:指數(shù)隨機(jī)圖模型

本研究中的信息共同關(guān)注網(wǎng)絡(luò)是后來生成的信息網(wǎng)絡(luò),采用指數(shù)隨機(jī)圖模型分析其形成機(jī)制。指數(shù)隨機(jī)圖模型(ERGM)是專門針對關(guān)系數(shù)據(jù)的統(tǒng)計(jì)分析方法,可以用于理解一個觀測網(wǎng)絡(luò)的形成是源于網(wǎng)絡(luò)成員某種屬性特征還是源于網(wǎng)絡(luò)形成過程中的關(guān)系模型。具體通過R語言的工具包實(shí)現(xiàn)。

根據(jù)本研究的問題,在分析中構(gòu)建六個模型:模型1是基準(zhǔn)模型,即只有邊關(guān)系作為自變量。模型2是在模型1的基礎(chǔ)上引入自變量節(jié)點(diǎn)屬性,即用戶的人口特征(如性別、年級、專業(yè)、學(xué)校所在地、戶籍所在地);模型3是在模型2基礎(chǔ)上加入自變量社交關(guān)系數(shù)據(jù);模型4是在模型3基礎(chǔ)上加入自變量平臺偏好、信息偏好;模型5是關(guān)于網(wǎng)絡(luò)自組織變量,包括用戶節(jié)點(diǎn)在個體網(wǎng)中的點(diǎn)度中心性、中介中心性、聚集系數(shù);模型6是綜合模型。

值得注意的是,本研究采用了差異化同質(zhì)性的分析方法,對人口特征同質(zhì)性對信息圈層化的影響進(jìn)行分析。例如,性別的差異化同質(zhì)性分析按照男性和女性分別來計(jì)算。如果男性同質(zhì)性正向影響共同關(guān)注網(wǎng)絡(luò),則說明男性之間具有共同關(guān)注,關(guān)系較為緊密。但這一特征并不一定存在于女性群體中,女性同質(zhì)性很可能并不影響或者負(fù)向影響信息共同關(guān)注網(wǎng)絡(luò),具體需要另行計(jì)算。

五、數(shù)據(jù)分析結(jié)果

(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。

六、結(jié)論與討論

圈層化是一個復(fù)雜網(wǎng)絡(luò),用戶所嵌入的群體結(jié)構(gòu)很大程度上會塑造其行為?;诖?,本研究嘗試以復(fù)雜網(wǎng)絡(luò)為理論基礎(chǔ),采用隨機(jī)抽樣、提名的方式招募被試,以日志法收集被試用戶信息關(guān)注數(shù)據(jù),通過自我建構(gòu)的共同信息關(guān)注網(wǎng)絡(luò)這一整體網(wǎng)來衡量信息圈層化,并運(yùn)用指數(shù)隨機(jī)圖模型分析屬性特征、社交關(guān)系、技術(shù)支撐(算法推薦),以及網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)等對圈層化的影響。

研究發(fā)現(xiàn),用戶共同信息關(guān)注網(wǎng)絡(luò)的整體密度較低,用戶因共同關(guān)注信息而形成的關(guān)系較弱。同時,節(jié)點(diǎn)中心性較高(如度數(shù)中心性、接近中心性),但中介中心性較低,一定程度上呈現(xiàn)了信息圈層化。

研究還分析了信息圈層化的影響因素。數(shù)據(jù)顯示,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)等交互作用,共同影響信息圈層化。其中,網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)的影響最大,而且其很大程度上會削弱其他變量作用的發(fā)揮。這啟示我們要從圈層化內(nèi)部結(jié)構(gòu)和外部用戶屬性、個體社交關(guān)系等角度展開對信息圈層化的討論。

整體來看,信息圈層化的形成機(jī)制包括三類:一是選擇性圈層化,即個體層面具有共同人口特征的用戶更容易聚集,與其他人口特征群體隔離,從而形成圈層化。社交關(guān)系異質(zhì)性也會導(dǎo)致無法形成共同信息關(guān)注以及圈層化。二是誘發(fā)性圈層化,即圈層的內(nèi)生組織結(jié)構(gòu)對信息聚類和區(qū)隔的影響,而且初始社交關(guān)系網(wǎng)絡(luò)中關(guān)系數(shù)量、關(guān)系強(qiáng)度的效應(yīng)也會被內(nèi)生結(jié)構(gòu)所替代。三是發(fā)展性圈層化,即社交媒體使用、算法推薦偏好、政治信息偏好等對信息圈層化的影響是基于整體信息環(huán)境的,這些媒介或信息使用偏好或多或少擴(kuò)大了信息接觸等,使得信息圈層化較難形成。

(一)選擇性圈層化

本研究將人口特征以兩個維度納入模型:一是后發(fā)信息關(guān)注網(wǎng)絡(luò)中個體之間的同質(zhì)性,考察是否同質(zhì)性群體更可能形成圈層化。數(shù)據(jù)顯示,男性之間、女性之間、高年級學(xué)生之間、同專業(yè)學(xué)生之間、同地區(qū)(包括學(xué)校所在地、戶籍所在地)學(xué)生之間越可能具有更多的共同關(guān)注,從而更可能導(dǎo)致圈層化。這里是將某個體與其他所有被試進(jìn)行同質(zhì)性比較。二是在初始社交關(guān)系網(wǎng)絡(luò)分析中,以人口特征來表征社交關(guān)系的異質(zhì)性,從同質(zhì)性的另一面考察社交關(guān)系中異質(zhì)性關(guān)系是否會影響圈層化。研究發(fā)現(xiàn),不同性別之間、不同戶籍所在地之間更不可能有共同信息關(guān)注,更不可能形成圈層化,但是專業(yè)異質(zhì)性、學(xué)校所在地異質(zhì)性的影響并不顯著,而年級異質(zhì)性甚至正向影響圈層化,不同年級學(xué)生也可能形成圈子。不同于同質(zhì)性群體分析中將所有被試(除自己之外的其他380位被試)作為比較基數(shù),異質(zhì)性關(guān)系僅僅將與自己認(rèn)識的人(個人網(wǎng)絡(luò)規(guī)模)作為比較基數(shù)。結(jié)合兩者可以說明,在人口因素中,先天因素(如性別、戶籍所在地)的影響更具基礎(chǔ)性,更可能導(dǎo)致信息圈層化;而后天因素(如專業(yè)、年級、學(xué)校所在地)不太可能導(dǎo)致圈層化,反映了基于教育而進(jìn)行的信息關(guān)注可以跨越不同類別,形成共同關(guān)注。

(二)誘發(fā)性圈層化

在研究中,網(wǎng)絡(luò)自身結(jié)構(gòu)對共同信息關(guān)注網(wǎng)絡(luò)的影響超過用戶屬性的影響,說明了采用網(wǎng)絡(luò)結(jié)構(gòu)分析方法(即ERGM)分析網(wǎng)絡(luò)形成這一范式的合理性和有效性。

研究重點(diǎn)關(guān)注三個網(wǎng)絡(luò)構(gòu)局,包括點(diǎn)入度、中介結(jié)構(gòu)、三元閉包結(jié)構(gòu),具體通過點(diǎn)度中心性、中介中心性、聚類系數(shù)來測量。其中,點(diǎn)度中心性反映的是擇優(yōu)連接機(jī)制,形成了“富者越富”的現(xiàn)象。中介中心性反映的是,如果用戶處于最短路徑上,則能夠?qū)⒉煌畔⑵瑓^(qū)的用戶連接起來,不太可能形成區(qū)隔和圈層化。聚集系數(shù)通過三元組的數(shù)量來衡量網(wǎng)絡(luò)中節(jié)點(diǎn)聚集成團(tuán)的程度,具有三元閉包結(jié)構(gòu)的用戶之間存在內(nèi)在的信息傾向性,更可能形成圈層化。

更進(jìn)一步來說,這些網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu)要素削弱甚至替代其他變量來影響信息圈層化,具有代表性的是既有社交關(guān)系網(wǎng)絡(luò)。社交關(guān)系網(wǎng)絡(luò)(關(guān)系數(shù)量、關(guān)系異質(zhì)性)是作為初始網(wǎng)絡(luò)、現(xiàn)實(shí)網(wǎng)絡(luò)存在的,當(dāng)納入網(wǎng)絡(luò)自組織結(jié)構(gòu)后,這些變量基本上都不顯著了,很可能是因?yàn)楹蟀l(fā)信息網(wǎng)絡(luò)中的組織結(jié)構(gòu)更具基礎(chǔ)性。盡管后發(fā)信息網(wǎng)絡(luò)是建立在社交關(guān)系網(wǎng)絡(luò)之上的,但其遠(yuǎn)遠(yuǎn)超越了社交網(wǎng)絡(luò)。

除了社交關(guān)系數(shù)量、社交關(guān)系異質(zhì)性外,社交關(guān)系強(qiáng)度是以網(wǎng)絡(luò)協(xié)變量的形式納入模型的。以任意兩個用戶為節(jié)點(diǎn),他們之間的熟悉程度為邊關(guān)系,建構(gòu)關(guān)系強(qiáng)度網(wǎng)絡(luò)。當(dāng)納入網(wǎng)絡(luò)自組織結(jié)構(gòu)后,其影響也不顯著了,說明了初始社交關(guān)系強(qiáng)度基本不影響信息共同關(guān)注。也就是說,信息共同關(guān)注會基于初始社交網(wǎng)絡(luò)(如網(wǎng)絡(luò)異質(zhì)性)來展開,但并不會因?yàn)殛P(guān)系強(qiáng)弱而有共同關(guān)注。弱關(guān)系也有可能形成共同信息關(guān)注,而強(qiáng)關(guān)系并不一定會形成共同關(guān)注。所以在圈層化的分析中,要對有無關(guān)系、關(guān)系強(qiáng)弱的影響進(jìn)行更為細(xì)致的分析。

此外,網(wǎng)絡(luò)自組織結(jié)構(gòu)對不同類型用戶的影響或許有差異。以往針對消費(fèi)咨詢網(wǎng)絡(luò)的分析發(fā)現(xiàn),對于發(fā)表評論對關(guān)系構(gòu)建的影響,意見領(lǐng)袖要強(qiáng)于非意見領(lǐng)袖,而網(wǎng)絡(luò)結(jié)構(gòu)對關(guān)系構(gòu)建的影響,非意見領(lǐng)袖要強(qiáng)于意見領(lǐng)袖。由此,在信息共同關(guān)注語境下,可以推測那些處于網(wǎng)絡(luò)非中心或者邊緣的群體,他們之所以能夠有共同信息關(guān)注,很重要的一點(diǎn)在于網(wǎng)絡(luò)內(nèi)生結(jié)構(gòu),而非自身屬性。而之所以與那些具有中心地位的個人(如意見領(lǐng)袖、信息達(dá)人)形成關(guān)系,并不是因?yàn)槠渚W(wǎng)絡(luò)內(nèi)生結(jié)構(gòu),而是因?yàn)樗麄兊膫€人屬性,如信息質(zhì)量、個人魅力等。由此,對普通人來說,通過網(wǎng)絡(luò)結(jié)構(gòu)獲得資源的方式更為可取,在中心勢較低的網(wǎng)絡(luò)中,個人更可能通過網(wǎng)絡(luò)結(jié)構(gòu)獲得資源。這與本研究的發(fā)現(xiàn)也有趨同之處:在本研究中,整體網(wǎng)絡(luò)密度較低,網(wǎng)絡(luò)較為分散,出現(xiàn)了一定的圈層化,但并未形成特別主導(dǎo)型的結(jié)構(gòu)中心,個體在此網(wǎng)絡(luò)中更可能依托內(nèi)生結(jié)構(gòu)來形成信息關(guān)注關(guān)系。

(三)發(fā)展性圈層化

除了網(wǎng)絡(luò)內(nèi)生組織、人口特征等因素外,傳播學(xué)始終關(guān)注的媒介使用也影響著信息圈層化的形成。例如,社交媒體使用偏好、算法推薦平臺使用偏好、算法政治信息偏好等,并不太會導(dǎo)致信息圈層化,與媒介使用或多或少會擴(kuò)大信息來源有關(guān),也與整體信息環(huán)境有關(guān)。

研究發(fā)現(xiàn),在線社交媒體使用偏好顯著負(fù)向影響圈層化,而社交關(guān)系網(wǎng)絡(luò)(如關(guān)系數(shù)量、關(guān)系強(qiáng)度、專業(yè)異質(zhì)性、學(xué)校所在地異質(zhì)性)的影響不顯著,說明了線上關(guān)系比線下關(guān)系更可能影響信息共同關(guān)注,新媒體使用會打破既有的(同質(zhì)型)社交關(guān)系,進(jìn)而獲取更多元信息,更不可能塑造圈層化。

此外,算法推薦很大程度上影響信息圈層化,體現(xiàn)在平臺偏好和信息類型偏好方面。數(shù)據(jù)顯示,算法推薦平臺使用偏好顯著負(fù)向影響信息圈層化。因?yàn)樗惴ㄍ扑]會導(dǎo)致個人陷入自己的繭房,而不太可能與他人有共同信息關(guān)注,也無法形成集群,更談不上基于此的集群區(qū)隔甚至圈層化,也可能是學(xué)生的信息接觸較為單一,信息環(huán)境相對同質(zhì),因此不太容易形成信息區(qū)隔。同時,相比于娛樂信息,政治信息偏好更不可能導(dǎo)致圈層化,因?yàn)橐环矫妫涡畔⒃谡麄€信息環(huán)境中相對統(tǒng)一,用戶只要關(guān)注了,就非常有可能形成共同關(guān)注,不會產(chǎn)生區(qū)隔;另一方面,政治信息偏好者的受教育程度較高,更可能逃脫算法限制而進(jìn)行多元化信息接觸。相比之下,娛樂信息偏好者更可能圍繞社交關(guān)系推薦形成圈層。

本研究有以下幾個重要貢獻(xiàn):一是創(chuàng)新了圈層化的分析范式。研究以復(fù)雜網(wǎng)絡(luò)的整體性視角,分析了信息圈層化的影響因素。除了用戶屬性(包括媒介接觸偏好)、社交關(guān)系網(wǎng)等變量外,加入了網(wǎng)絡(luò)自組織變量。其所隱含的深層理念是,結(jié)構(gòu)會塑造其中用戶的行為,由此需要將用戶屬性所發(fā)揮的作用置于網(wǎng)絡(luò)結(jié)構(gòu)中來考察。數(shù)據(jù)結(jié)果也反映了采用這種宏觀整體視角可以更好地解釋信息圈層化的形成機(jī)制。二是為圈層化分析提供了方法層面的創(chuàng)新可能。研究綜合考慮了基于信息的用戶信息接觸,并通過共同信息關(guān)注來建構(gòu)整體用戶網(wǎng)絡(luò)。同時,對于網(wǎng)絡(luò)數(shù)據(jù)的收集,通過日志方法獲得,并將共同信息關(guān)注網(wǎng)絡(luò)的分析上升到解釋因果機(jī)制的層面。三是超脫了國外以用戶政治立場、媒介黨派意識等為中心的語境,分析了國內(nèi)信息圈層化的形成機(jī)制。此外,分析了網(wǎng)絡(luò)結(jié)構(gòu)如何影響個人的信息接觸,對該領(lǐng)域研究有所補(bǔ)充。

當(dāng)然,本研究也有不足之處。一是研究基于一定程度的熟人關(guān)系收集數(shù)據(jù),并不能代表所有大學(xué)生的情況,同時學(xué)生的信息接觸較為單一,未來可以考慮對職業(yè)群體進(jìn)行調(diào)查。二是要求被試記錄重點(diǎn)關(guān)注、轉(zhuǎn)發(fā)、點(diǎn)贊、收藏、評論的信息,但忽略了那些參與程度較低的信息,所以該網(wǎng)絡(luò)更能代表參與程度較高的信息關(guān)注網(wǎng)絡(luò)。三是本研究之所以獲取熟人關(guān)系網(wǎng)絡(luò),是為了更好地檢驗(yàn)既有社交關(guān)系對信息共同關(guān)注的影響,可能自身網(wǎng)絡(luò)結(jié)構(gòu)存在偏向,但從數(shù)據(jù)結(jié)果來看,既有社交關(guān)系并不顯著影響信息共同關(guān)注,這也在一定程度上說明研究獲取的熟人關(guān)系數(shù)據(jù)并不足以改變研究結(jié)果。

晏齊宏:北京交通大學(xué)語言與傳播學(xué)院副教授,中山大學(xué)法學(xué)博士(政治傳播方向)

摘自《湖南師范大學(xué)社會科學(xué)學(xué)報(bào)》

“湘刊·傳播研究”欄目由《華聲·傳播觀察》雜志主辦

責(zé)編:羅嘉凌

一審:黃帝子

二審:蘇露鋒

三審:黃柏禹

我要問