徐 翔

(1.同濟大學(xué) 藝術(shù)與傳媒學(xué)院，上海 201804；2.同濟大學(xué) 德國研究中心，上海 201804)

大眾傳播中的“議程設(shè)置”功能和效果，其最核心的內(nèi)涵如科亨所指出：新聞媒介在告訴人們怎么想這一方面可能并不成功，但是在告訴人們想什么的方面則異常成功[1]。本文明確針對和集中分析網(wǎng)絡(luò)傳播中“情緒設(shè)置”的傳播現(xiàn)象與效應(yīng)：即使媒介在影響人們怎么想、怎么說方面也許不成功，但至少在影響人們以怎樣的情緒想、以怎樣的情緒說方面，卻可能具有足夠的作用與效果。筆者曾在2018年發(fā)表的研究成果中明確提出“情緒設(shè)置”的理論命題，及其從“議程設(shè)置”到“情緒設(shè)置”的進路訴求[2]。然而，關(guān)于“情緒設(shè)置”的理論和實證考察，仍然有待深入。從較大規(guī)模的實證數(shù)據(jù)檢驗“情緒設(shè)置”的效應(yīng)以及分析其中的具體作用，目前都仍顯不足，這也是本文的主要研究內(nèi)容之一。

結(jié)合“情緒設(shè)置”的理論思考和研究視點，筆者針對網(wǎng)絡(luò)媒介和網(wǎng)絡(luò)社會的傳播實踐，明確和集中提出“情緒對應(yīng)”的效應(yīng)與問題。其核心內(nèi)涵是從傳播的內(nèi)容或“議程”層面轉(zhuǎn)向關(guān)注情緒或者內(nèi)容的情緒“形式”層面：傳播中基于傳者-受眾的社會信息流動，媒介不僅如“議程設(shè)置”所指出的那樣雖然不能影響人們怎么想，但可以影響人們想什么，同樣也有可能雖然不能影響人們怎么想，但可以影響人們以什么樣的情緒想，或者，雖然不能影響人們怎么說，但可以影響人們以什么樣的情緒說。也即，在網(wǎng)絡(luò)的傳者內(nèi)容與其受眾反饋的內(nèi)容之間存在著微觀意義上的對應(yīng)性。其中，傳者發(fā)布的帖子等內(nèi)容，盡管面向不同的受眾、也會引起受眾各種不同立場和觀點的反饋，但是這些差異多樣的反饋內(nèi)容，卻在情緒導(dǎo)向上顯現(xiàn)出和傳者發(fā)布的內(nèi)容較為相似的情緒類型的同質(zhì)性和對應(yīng)性。本研究的核心假設(shè)為：受眾接收到的源信息的情緒類型，與他們作出的反饋信息的情緒類型之間存在著相近性甚至相同性，而且，這種“源信息內(nèi)容-反饋信息內(nèi)容”之間的情緒同質(zhì)性和對應(yīng)性，有較強的傳播效應(yīng)。本研究基于《今日頭條》網(wǎng)站543 753條帖子及其5 068 536條評論的樣本分析顯示，這種“情緒對應(yīng)”效應(yīng)不僅是一種強效果，而且還在部分程度上體現(xiàn)出很強的、高度可預(yù)測的作用關(guān)系。

媒介社會傳播中存在著有力的情緒感染、閾下“情緒啟動”“情緒一致性”和“動機性加工”等效應(yīng)。Nadler[3]、Hine[4]等人的研究指出，虛擬或?qū)嶋H群體中的人們通過文字信息會產(chǎn)生情緒感染效應(yīng)。Bae等對Twitter知名用戶及其受眾的研究中，證實知名用戶的情感表達能影響到轉(zhuǎn)發(fā)、評論或提及這些知名用戶博文的受眾和用戶的情感[5]。就社交網(wǎng)絡(luò)的同質(zhì)性(homophily)而言，人們傾向于和那些與自己相似的人建立聯(lián)系[6]。Fowler通過社會網(wǎng)絡(luò)分析方法分析了大型社會網(wǎng)絡(luò)中，如果周圍充滿快樂/幸福(happiness)的人，則人們更可能變得快樂[7]。在線社交網(wǎng)絡(luò)中用戶的幸福感具有網(wǎng)絡(luò)同質(zhì)性，即幸福的人更喜歡關(guān)注幸福的人，不幸福的人更趨向于關(guān)注不幸福的人[8]。Bliss等通過近4 000萬的Twitter數(shù)據(jù)，證實了幸福感在網(wǎng)絡(luò)傳播中具有同質(zhì)性[9]。情緒啟動是深入到閾下知覺層面的心理機制[10]，在網(wǎng)絡(luò)等媒介的傳播中，這種情緒啟動效應(yīng)得到證實[11]。情緒的“一致性加工”使得個體處于某種情緒狀態(tài)時，會有選擇地利用與該情緒狀態(tài)相一致的信息。例如，心情愉快的人傾向于回憶快樂的或喜劇性的事物[12]。論壇、網(wǎng)絡(luò)聊天對話、微博、新聞討論組等不同類型的在線交流中，用戶之間傾向于彼此表達相同的情感[13]。

本研究以網(wǎng)絡(luò)傳播為分析對象，基于這些研究基礎(chǔ)而明確分析的核心假設(shè)為：受眾接收到的信息的情緒，與他們作出的反饋的情緒之間，存在著相似性甚至相同性，而且這種“來源-反饋”之間的情緒同質(zhì)性有比較強的傳播效應(yīng)。更進一步來說：源信息具有什么樣的情緒類型，則受眾對該源信息作出的反饋會體現(xiàn)出對于源信息的情緒類型的更多偏向；受眾作出的反饋信息具有什么樣的情緒類型更多地受到與該反饋信息的情緒類型相同的源信息的影響；在源信息和反饋信息的情緒類型之間，體現(xiàn)出這種相同類型的情緒作用和情緒特征。在此基礎(chǔ)上，形成本文所集中論述的“情緒設(shè)置”現(xiàn)象與效應(yīng)：媒介傳播空間中的情緒，某種意義上是可以“設(shè)置”的。

對于網(wǎng)絡(luò)傳播中的情緒對應(yīng)性設(shè)置的效應(yīng)，其問題聚焦和思考具有下述學(xué)理出發(fā)點和現(xiàn)實語境的需要。

其一，網(wǎng)絡(luò)傳播中的傳-受內(nèi)容，是存在情緒散雜性、網(wǎng)民在內(nèi)容生產(chǎn)和意義生成方面的自主性及去中心性，還是存在著某種程度上的客觀情緒傳導(dǎo)規(guī)律和對稱機制？在社會傳播情境中，信息源及其所引起的反饋都帶有傳者、受眾各自的情緒，受到他們在發(fā)送信息、反饋信息過程中不同的主體心境、社會態(tài)度、社會立場、認知背景等多種因素的復(fù)雜影響，因而其情緒似乎并不一定帶有一致性。一些研究指出，傳受過程間表現(xiàn)出情緒的“偏轉(zhuǎn)”、社會“反向情緒”以及網(wǎng)絡(luò)表達中的情緒宣泄、媒介暴力等現(xiàn)象，不僅不會出現(xiàn)傳者的信息源和受眾的信息反饋之間的一致性，反而出現(xiàn)社會情緒傳播不可控、片面性、偏向性和難以預(yù)知性等問題。這些現(xiàn)象似乎并不支持“情緒設(shè)置”的觀點假設(shè)。

其二，在“情緒設(shè)置”的強度上，我們不可否認傳受之間的情緒關(guān)聯(lián)性，但這種關(guān)聯(lián)的程度如何，則缺乏實證的分析。如果僅僅只是具有較弱的關(guān)聯(lián)，那么我們無法從學(xué)理上對其明確提煉。對此，本研究通過對實際的大量網(wǎng)絡(luò)傳受樣本的考察，明確分析得出：我們需要注重網(wǎng)絡(luò)中傳者源內(nèi)容和受眾反饋內(nèi)容在情緒上的關(guān)聯(lián)，兩者之間存在著高度的對應(yīng)性和很強的可預(yù)測性。盡管在個體層面的微觀關(guān)系或“一對一”層面存在著差異化的反饋，但是將視角提升到中觀乃至整體層面，則鮮明地顯現(xiàn)出源內(nèi)容和反饋內(nèi)容的情緒類型對應(yīng)性：雖然一種內(nèi)容的源信息可能引起各種反饋，但最可能觸發(fā)的仍是與它相同情緒類型的反饋，這不僅是理論上的猜測或者是“弱效果”“適度效果”，而且是實證研究可以呈現(xiàn)和證實的、鮮明的對應(yīng)關(guān)系和“強效果”。

其三，對于媒介傳播中的效果，一些“強效果”理論主要從信息的內(nèi)容層面加以研究，而對于從“信息的內(nèi)容”向“信息的形式”的視角延展則尚顯缺乏。在這里，我們對于信息的考察，從它表達的內(nèi)容轉(zhuǎn)向表達這種內(nèi)容的“情緒”形式。一種內(nèi)容或意義可以通過不同的情緒形式加以表達，網(wǎng)絡(luò)傳播學(xué)的研究充分注重了“議程”“擬態(tài)環(huán)境”“意見氣候”、新聞“框架”等內(nèi)容和意義的效果層面，但在這些內(nèi)容和意義之后的形式及其關(guān)系和效果層面，卻更值得深入挖掘。例如，經(jīng)典的“議程設(shè)置”理論主要關(guān)注傳播內(nèi)容對于受眾的影響，包括議題對象、屬性議程設(shè)置等。盡管議程設(shè)置和情感、情緒等因素相關(guān)聯(lián)，但總體來看，議程設(shè)置理論對于其中的情緒傳播和情緒擴散維度缺乏足夠的重視度。對于“情緒設(shè)置”效應(yīng)的核心而言，它不關(guān)注受眾可能關(guān)注什么“議程”，而是關(guān)注受眾可能以什么樣的情緒“關(guān)注”。

一、研究框架與研究假設(shè)

本文以重要的網(wǎng)絡(luò)媒體《今日頭條》為實證分析對象，考察其中的情緒特征與“情緒對應(yīng)”的現(xiàn)象及效應(yīng)。更具體而言，基于抓取到的《今日頭條》的數(shù)百萬條評論和帖子的量化數(shù)據(jù)，試圖分析與檢驗的假設(shè)是：帖子的情緒與該帖子中評論的情緒，具有在“傳-受”環(huán)節(jié)、“源帖子-帖子評論”作用鏈條上相同情緒的強對應(yīng)性。

情緒(emotion)是由許多關(guān)鍵成分所組成的復(fù)雜心理現(xiàn)象。Izard在對34名科學(xué)家的調(diào)研中提煉出情緒的構(gòu)成：神經(jīng)回路、反應(yīng)系統(tǒng)以及一種激發(fā)和綜合了認知及行為的感受狀態(tài)[14]。Ekman指出人類共通的7種基本情緒，并得到較多的認可：快樂、悲傷、憤怒、厭惡、驚訝、恐懼、蔑視[15]。Plutchik把人類情緒分為8種基本類型: 恐懼、氣憤、歡樂、悲傷、接納、厭惡、期望、驚訝[16]。OCC模型把情緒分為22類[17]。有研究者將博客文本的情緒標(biāo)注為：高興、喜愛、厭惡、悲傷、焦慮、驚奇、生氣、期待等8個類別[18]。較有影響力的PAD情緒模型從“愉悅度、喚醒度、支配度” (pleasure, arousal, dominance,PAD)三維度對情緒的內(nèi)涵與構(gòu)成進行理論模型分析[19]。情緒和情感存在一定的差異，但也經(jīng)常存在混用的狀況，其共性成分較多。筆者對于情緒概念的使用是為了行文的統(tǒng)一，更注重的是情緒和情感的共性，也即將它們作為主體對于外界信息、刺激產(chǎn)生的一種感情反應(yīng)。

本研究中的情緒分類，主要使用了如下體系。其一是借鑒徐琳宏、林鴻飛、趙晶所闡述的情感類別體系，該分類體系在Ekman的6大類情感分類體系的基礎(chǔ)上構(gòu)建，將情緒分為8大類，包括樂、好、怒、哀、懼、惡、驚、無情感[20]。本研究采用以上8種情緒分類方式，在表述上加以適當(dāng)?shù)慕y(tǒng)一，將“無情感”轉(zhuǎn)換名稱為“無情緒”。其二是在該8大類體系基礎(chǔ)上做進一步的小類細分，徐琳宏等人將其劃分為23個小類。本研究針對《今日頭條》的實際特點和帖子、評論分析過程中的實際訴求，將其擴展到35個小類，具體如表1所示。

需說明的是，上述模型使用的表述是情感模型，而本文采取的表述則是情緒。就概念本身而言，情緒和情感存在一定的差異，但也存在混合使用狀況。例如K·T·斯托曼認為：“在論述情緒的文獻中出現(xiàn)了大量的術(shù)語，它們沒有確切的定義，用法也不盡一致。例如，‘情緒’一詞就是一例。另外一些聯(lián)系密切但又表示得很不明確的詞有：‘情感’、‘感情’和‘情緒性’。這種不嚴(yán)謹(jǐn)?shù)默F(xiàn)象也表現(xiàn)在有關(guān)具體情緒的術(shù)語中，如嫉妒、懼怕、愛、憤怒，尤其是焦慮?！盵21]本研究在對上述情感類型模型的借鑒利用中，并沒有理由表明這些模型只是針對情感而并非針對情緒。而且，本文對于情緒和情感的使用，主要是為了行文的統(tǒng)一，更注重情緒和情感的共性，也即它們作為主體對于外界信息、刺激產(chǎn)生的一種感情反應(yīng)。因此，吸收借鑒上述情感分類模型并無應(yīng)用上的障礙。

表1 本文所采用的情緒分類方法

本研究針對《今日頭條》中的帖子及其評論，提出的基本假設(shè)如下：

假設(shè)1(H1)：將情緒分為樂、好、怒、哀、懼、惡、驚、無情緒8大類，則同類型的帖子標(biāo)題情緒和帖子評論情緒之間，存在著同質(zhì)性的強對應(yīng)關(guān)系。

假設(shè)2(H2)：將情緒分為35小類，則同類型的帖子標(biāo)題情緒和帖子評論情緒之間，存在著同質(zhì)性的強對應(yīng)關(guān)系。

這里所謂的強對應(yīng)關(guān)系，指的是：(1)某種情緒的帖子會更多地促發(fā)相同情緒的評論；某種情緒的評論會更多地由相同情緒的帖子所促發(fā)；(2)相同情緒的帖子和評論具有更多的對應(yīng)的共線性。對上述子假設(shè)中的對應(yīng)關(guān)系，在將每一條帖子標(biāo)題和評論都標(biāo)注為某種情緒類型的基礎(chǔ)上，具體的論證路徑主要從三個不同方面進行：其一，將帖子標(biāo)題按情緒的不同分為若干類，考察每一類標(biāo)題中評論的情緒分布的絕對比重和相對比重，及其內(nèi)在的關(guān)聯(lián)性和對應(yīng)性；其二，將帖子評論按情緒的不同分為若干類，考察每一類評論所附屬的標(biāo)題的情緒分布的絕對比重和相對比重，及其內(nèi)在的關(guān)聯(lián)性和對應(yīng)性；其三，從統(tǒng)計方法的“對應(yīng)分析”，對標(biāo)題情緒和評論情緒中每一類情緒之間的距離和關(guān)聯(lián)程度，進行計算和呈現(xiàn)。

二、研究過程與研究方法

研究的對象是《今日頭條》網(wǎng)站中的帖子及其評論。研究者自行編寫網(wǎng)絡(luò)爬蟲代碼對帖子的標(biāo)題和評論進行抓取，起止時間是2017年1月1日至3月31日。抓取的方法為：先從《今日頭條》全部各個版面抓取到數(shù)千名發(fā)布者的賬戶url，再對這些賬戶的歷史發(fā)帖進行抓取，這些歷史發(fā)帖都按時間順序先后排列，越近發(fā)布的帖子越在頁面的上端。在每位賬戶的網(wǎng)絡(luò)爬蟲中設(shè)置對其“瀑布流”的Ajax動態(tài)頁面下拉700次。由于《今日頭條》網(wǎng)站中設(shè)置的每次下拉頁面可增加20條帖子，初始帖子為30條，在程序不出現(xiàn)bug的情況下，對每個發(fā)布者可采集其最新發(fā)布的14 030條帖子。而對評論抓取的是一條帖子的首頁呈現(xiàn)的最多前15條的熱門評論。抓取的其他字段還包括帖子的url鏈接網(wǎng)址、帖子的發(fā)布時間、帖子的閱讀數(shù)、評論數(shù)、發(fā)布者、評論的發(fā)布者、評論所屬的帖子的url鏈接網(wǎng)址、評論的回復(fù)數(shù)、評論的點贊數(shù)等。本研究中，對帖子及其評論根據(jù)帖子的url網(wǎng)址，在SQL Server數(shù)據(jù)庫中進行一對多的映射關(guān)聯(lián)。抓取結(jié)果包括所屬的帖子標(biāo)題不為空的5 733 585條評論，這些評論分屬于537 972條不同的帖子，帖子發(fā)布時間在2015年10月1日和2017年3月31日之間。進行數(shù)據(jù)清洗和刪除無效數(shù)據(jù)后，剩下評論共5 068 536條，它們分屬于543 753條不同的帖子。最后，用于分析的數(shù)據(jù)中，每一行分別是一條評論和它所屬帖子的標(biāo)題，以及評論、標(biāo)題的情緒類型標(biāo)記；在評論和帖子之間，具有多對一的映射關(guān)系，由于一條標(biāo)題可能對應(yīng)多條評論，因此同一條標(biāo)題可能在多行中出現(xiàn)和用于分析。

由于帖子評論區(qū)首頁的熱門評論數(shù)量不同，每條帖子所抓取到的以及清洗后得到的評論數(shù)從0條、1條到15條不等，具有一定的隨機性，但這并不影響本研究的結(jié)論。這些實際采集成功的評論仍然具有近似的隨機性、對整體面貌的樣本代表性，可以代表帖子的評論的整體特點。同時，各帖子之間的評論樣本數(shù)差別并不多，對于數(shù)百萬條以上級別的評論樣本規(guī)模而言，這個差值只是一個非常小的數(shù)，不會對某些帖子有過大影響。如果帖子及其評論之間的情緒關(guān)系只是隨機的，那么某類情緒的帖子所擁有的評論中，其情緒也應(yīng)是無規(guī)律的、隨機的。即使某一部分的帖子樣本所采用的評論數(shù)量略微多于其他一部分帖子樣本，這對某類情緒的總體特征也并無實質(zhì)性的影響，隨機性依然會表現(xiàn)出隨機性，而對應(yīng)性依然會表現(xiàn)出對應(yīng)性。尤其在把所有同等級的帖子作為一個整體進行量化分析的條件下，某條帖子的評論群的不完整性更是被同等級帖子群的評論樣本所形成的整體性大大稀釋，可以作為分析的依據(jù)。

對于文本的情緒分類，采用機器學(xué)習(xí)的自動化方法，主要使用Python編程語言和scikit-learn模塊進行。首先，對文本進行中文分詞，采用的是Jieba分詞工具，這也是應(yīng)用較為廣泛的中文分詞工具之一。其次，對分好詞的文件，在篩選掉少數(shù)過濾詞的基礎(chǔ)上，構(gòu)建詞頻-逆文檔頻率(TF-IDF)矩陣，使詞語的重要性隨著它出現(xiàn)的總次數(shù)成正比增加，同時隨著它在不同的帖子(或評論)中出現(xiàn)的次數(shù)成反比減少。也就是說，一些雖然出現(xiàn)頻次很多、但實際在多數(shù)文本中都會出現(xiàn)的詞，其重要性并不高，例如“但是”“的”“了”等一些缺乏實際信息量的詞。研究中，通過scikit-learn模塊自行設(shè)定參數(shù)，設(shè)置進入TF-IDF矩陣的詞最小的詞頻為2，最大的idf為0.2(也即最多只在20%的文檔中出現(xiàn)，從而避免一些雖然高頻出現(xiàn)但實則缺乏信息量的詞)；分析的詞對象包括1-gram詞和2-gram詞。在此基礎(chǔ)上，得到6 662 773個關(guān)鍵詞。

隨后，基于TF-IDF矩陣，對每條文本(包括帖子和評論)，采用支持向量機(supoort vector machine,SVM)的方法以及人工標(biāo)注樣本作為機器學(xué)習(xí)的原材料，進行情緒類型的判別。這其中，包括對5 352條樣本進行的35種情緒類別標(biāo)注。SVM的判別由研究者在scikit-learn模塊的基礎(chǔ)上，自行編寫程序代碼完成。所有文本分析最為核心的SVM判別過程，基于scikit-learn的svm.LinearSVC模塊編寫代碼完成?；赟VM的機器學(xué)習(xí)，對5 352條樣本進行機器的重新判斷，結(jié)果顯示，對已學(xué)習(xí)過的帖子的情緒類型的重新預(yù)測一致率為98.5%，具有良好的效果。又在機器所作出情緒類型的5 068 536條評論和543 753條帖子標(biāo)題中，隨機抽取了500條(350條評論和150條帖子標(biāo)題)進行人工復(fù)查。對500條機器判斷結(jié)果的復(fù)查中，情緒類型與人工判斷的一致率為86.2%。由于大量的評論、標(biāo)題屬于短文本，只有幾個字到幾句話不等，其情緒判斷存有難度，即使完全由人工判斷也會存在誤差率。此外，內(nèi)容分析法中80%是通常的最低一致性標(biāo)準(zhǔn)，就此而言，本研究中的一致率在可接受范圍內(nèi)。

對假設(shè)的檢驗方法，還運用了“對應(yīng)分析”?！皩?yīng)分析”適用于有多個類別的定類變量，可以揭示同一個變量以及不同變量各個類別之間的差異和關(guān)聯(lián)度，通過變量之間的距離反映其對應(yīng)性的“親疏遠近”。本研究通過多元統(tǒng)計中的“對應(yīng)分析”方法，來考察信息來源中不同類型的情緒、信息反饋中不同類型的情緒之間的距離親疏和對應(yīng)關(guān)系，并通過SPSS軟件生成的對應(yīng)分析結(jié)果圖對其加以直觀和可視化的呈現(xiàn)。

三、對假設(shè)1的檢驗與分析

假設(shè)1：將情緒分為樂、好、怒、哀、懼、惡、驚、無情緒8大類，則同類型的帖子標(biāo)題情緒和帖子評論情緒之間，存在著同質(zhì)性的強對應(yīng)關(guān)系。

把前文所述的情緒類型劃歸為哀、好、惡、樂、驚、懼、怒，另外再加上“無情緒”類型，共8個大類，考察帖子和評論的情緒之間的關(guān)系。

(一)從標(biāo)題情緒到評論情緒的概率矩陣分析

1.從標(biāo)題情緒促發(fā)的評論情緒的絕對比重分布

對帖子標(biāo)題的每一種情緒，考察該種標(biāo)題情緒的帖子所屬的評論中各類情緒的分布比例?；蛘哒f，將情緒劃分為8個大類，考察每一類情緒的標(biāo)題，其對應(yīng)的評論中，不同情緒類型的評論各占有多少比重。經(jīng)由SPSS軟件的交叉分析得到表2。其中NULL是指缺失值，后文皆同。

表2 從標(biāo)題情緒促發(fā)的評論情緒的絕對比重分布 %

表2清楚地顯示出，每一列最大的值(文中用加粗字體標(biāo)出的單元格)，恰好都是在表格中的對角線的位置，也即行序=列序的單元格。實際上這里表示的是，促發(fā)某種評論情緒占比最多的標(biāo)題情緒，恰好是與評論情緒相同的標(biāo)題。例如，情緒為“哀”的標(biāo)題，促發(fā)的評論的情緒中“哀”的占比為7.1%；而情緒為“樂”的標(biāo)題，促發(fā)的評論的情緒中“哀”的占比僅為3.1%，大大小于“哀”的標(biāo)題中所促發(fā)的“哀”的評論所占比。最能促發(fā)某種評論情緒的標(biāo)題情緒如表3所示。

表3 最能促發(fā)某種評論情緒的標(biāo)題情緒

2.從標(biāo)題情緒促發(fā)的評論情緒的相對比重分布

我們要看到，表3只是反映了總體分布的影響，具體到每種帖子是有差異的。舉例而言，情緒為“驚”的帖子，盡管它們的評論中，47.5%是“好”的情緒，只有1.8%是“驚”的情緒，但是考慮到“好”本來在各種情緒的帖子中就是占比很高的評論情緒(高達全部評論的48.8%，它比“驚”的帖子所對應(yīng)的“好”的47.5%的比重要高)，而“驚”則是原本在全部各種帖子中占比很低的評論情緒(只有0.7%，它低于“驚”的帖子所對應(yīng)的“驚”的1.8%的比重)。也即，我們可以看到，就“驚”的帖子而言，它的評論中有一部分，按總體分布比例本來屬于“好”等其他情緒的，現(xiàn)在卻向“驚”的評論情緒發(fā)生了轉(zhuǎn)移。換言之，“驚”的帖子所對應(yīng)的評論情緒中，“驚”的相對比例大于“好”；盡管“好”的絕對比例更高，但相對比例則更鮮明地刻畫出了評論中情緒反饋的分布特征。實際上，對于情緒為“驚”的帖子而言，它所促發(fā)的評論情緒中，“驚”的評論所占的相對比重大于“好”的評論。甚至可以看到，對于“驚”的帖子而言，它的評論中“驚”是相對比例或者說增長的差值是最大的，而哀、好、樂、怒等評論相對總體的平均比例都出現(xiàn)了下降，也即相對比例是負的，這些減少的評論比重都向“驚”等增長的評論比重發(fā)生了等額的遷移。

因此，我們對于帖子及其評論情緒的各種交互比例，進一步轉(zhuǎn)換為相對比重，也即：設(shè)Xij是第i種情緒的帖子中，其第j種情緒的評論所占的比重，Xj是第j種情緒的評論在全部評論中所占的比重，那么

Yij=Xij-Xj

(1)

(1)式中：Yij指的是第i種情緒的帖子中，第j種情緒的評論所占的相對比重。后文所涉及的“相對比重”，其原理都與此處的界定相同。

將表3轉(zhuǎn)化為相對比重表(見表4)，也即用每個單元格的值(不含“合計”行)，減去其所在列的所有樣本平均值(也即減去該表的“合計”行所在的同一列的單元格)。需補充說明的是，表4中每一行相對比重的和應(yīng)都為0。由于四舍五入的原因，實際的和計算出來的結(jié)果并不為0，但這并不影響本文的分析結(jié)果。后文的其他相對比重表，如出現(xiàn)行之和不為0的情況，也與本處所說明的四舍五入帶來偏差的原因相同。

表4 從標(biāo)題情緒促發(fā)的評論情緒的相對比重分布 %

根據(jù)該相對比重表，每一種帖子情緒，它所對應(yīng)的相對比重最高的評論情緒分別如表5所示。

表5 某種情緒的標(biāo)題最能促發(fā)的評論的情緒

可以清楚地看到，每一行最大的值(文中用加粗字體標(biāo)出的單元格)，恰好都是在表格中的對角線的位置，也即列序=行序的單元格。這里呈現(xiàn)出完全相等的對應(yīng)關(guān)系和“情緒設(shè)置”客觀效應(yīng)。每一種作為情緒源的帖子標(biāo)題所引起的評論情緒中，相對比重(每一行中最大值)最高的都是和情緒源相同的情緒。也即，如果在過濾掉總體中各情緒的絕對分布的影響之后，只剩下相對比重，那么某種情緒的標(biāo)題最能促發(fā)的是和自己情緒相同的評論。這顯著地體現(xiàn)出帖子和評論的情緒對應(yīng)關(guān)系。

(二)從評論情緒回溯標(biāo)題情緒的概率矩陣分析

1.從評論情緒回溯的標(biāo)題情緒的絕對比重分布

將情緒劃分為8大類之后，考察每一種情緒的評論分別是由怎樣情緒的帖子標(biāo)題所引起的；或者說，在將評論的情緒劃分為8類之后，考察每一類情緒的評論，其一一對應(yīng)所屬的標(biāo)題中，不同情緒類型的標(biāo)題出現(xiàn)頻次各占有多少比重，得到表6。

表6 從評論情緒回溯的標(biāo)題情緒的絕對比重分布 %

表6清楚地顯示出，每一列最大的值(文中用加粗字體標(biāo)出的單元格)，恰好都是在表格中的對角線的位置，也即行序=列序的單元格。實際上這里表示的是，被某種情緒的標(biāo)題促發(fā)的占比最多的評論情緒，恰好都是與該標(biāo)題情緒相同的評論。例如，情緒為“哀”的評論，促發(fā)該種評論的標(biāo)題中“哀”的占比為10.6%；而情緒為“樂”的評論，促發(fā)該種評論的標(biāo)題中“哀”的占比僅為5.0%，大大小于“哀”的評論中被“哀”的標(biāo)題促發(fā)的所占比。最能被某類特定標(biāo)題情緒所促發(fā)的評論情緒如表7所示。

表7 被某種情緒的標(biāo)題促發(fā)的占比最多的評論情緒

2.從評論情緒回溯的標(biāo)題情緒的相對比重分布

排除過濾掉絕對比重的影響，考察評論情緒對應(yīng)的標(biāo)題情緒的相對比重，得到表8所示的相對比重。

表8 從評論情緒回溯的標(biāo)題情緒的相對比重分布 %

可以清楚地看到，每一行最大的值(文中用加粗字體標(biāo)出的單元格)，恰好都是在表格中的對角線的位置，也即列序=行序的單元格。實際上這里表示的是，每種情緒的評論，其所屬的帖子標(biāo)題中，相對比重最高的都是和評論相同的情緒。也即，在過濾掉總體各情緒的絕對分布的影響之后，只剩下相對比重，某種特定情緒的評論最能被和自己情緒相同的標(biāo)題所促發(fā)。這里也可以顯著地體現(xiàn)出評論與帖子的情緒對應(yīng)關(guān)系(見表9)。

表9 最能促發(fā)某種評論情緒的標(biāo)題情緒

(三)標(biāo)題情緒和評論情緒的對應(yīng)分析

在SPSS中對帖子標(biāo)題及其評論的情緒關(guān)聯(lián)進行配對分析，也即每條評論的情緒對應(yīng)的帖子是什么情緒，得到8種情緒的距離的對應(yīng)關(guān)系如圖1所示。圖1中帖子的情緒和評論的情緒呈現(xiàn)出相同情緒之間的對應(yīng)關(guān)系。標(biāo)題和評論的相同情緒，在圖1中的距離都很鄰近。

圖1 基于多元統(tǒng)計的標(biāo)題情緒和評論情緒的“對應(yīng)分析”結(jié)果圖

四、對假設(shè)2的檢驗與分析

假設(shè)2：將情緒分為35小類，則同類型的帖子標(biāo)題情緒和帖子評論情緒之間，存在著同質(zhì)性的強對應(yīng)關(guān)系。

根據(jù)對每條帖子的標(biāo)題及其評論的情緒判別，在將其劃分為34種細化情緒類型之后，再加上“無情緒”構(gòu)成35種劃分方式?？疾烀糠N情緒在標(biāo)題和評論之間的關(guān)聯(lián)性和對應(yīng)性。

(一)從標(biāo)題情緒到評論情緒的概率矩陣分析

1.從標(biāo)題情緒促發(fā)的評論情緒的絕對比重分布

考察每一種情緒的帖子標(biāo)題，它們分別帶來怎樣的情緒評論?；蛘哒f，將情緒劃分為35類，考察每一類情緒的標(biāo)題，其對應(yīng)的評論中，不同情緒類型的評論各占有多少比重。通過SPSS交叉分析得到的概率矩陣表，局部如表10所示。(完整表為35行*35列，限于版面，本文只截取該圖的前19行*前19列予以展示)。

表10所代表的完整表(35行*35列)中，行與列中的情緒都按相同的次序排列。35列中，有33列中的最大值(文中用加粗字體標(biāo)出的單元格)恰好都是在表格中的對角線的位置，也即行序=列序的單元格，實際上這表示的是：促發(fā)某種評論情緒占比最多的標(biāo)題情緒，恰好與評論情緒相同。只有兩列中的最大值不在對角線的位置，它們是：“驚奇”的標(biāo)題情緒對應(yīng)的“輕松”的評論情緒所占比重，“哀痛”的標(biāo)題情緒對應(yīng)的“同情”的評論情緒所占比重。

表10 從標(biāo)題情緒促發(fā)的評論情緒的絕對比重分布 %

2.從標(biāo)題情緒促發(fā)的評論情緒的相對比重分布

將表10從絕對比重表轉(zhuǎn)換為相對比重表(限于篇幅，本表略)，也即將表10中每個單元格的值減去該列所有樣本的平均值。分析作為來源情緒的每一種帖子標(biāo)題，其所帶來的評論情緒中相對比重最前三位的情緒。居于前三位的結(jié)果情緒如表11所示。

由表11可以看出：

(1)作為來源的帖子標(biāo)題情緒，產(chǎn)生的評論情緒中，相對比重居于第一位的，幾乎都是和來源情緒相同的情緒。在包括無情緒在內(nèi)的35種細化類型的情緒中，只有8種來源情緒居于第一位的結(jié)果情緒，不同于其來源情緒的類型(表11中用粗黑體單元格標(biāo)出)。即使在剩下的8種不同于來源情緒的第一位結(jié)果情緒中，它們也都和來源情緒具有比較高的接近度，這8種作為來源的情緒及它產(chǎn)生的第一位結(jié)果情緒按組依次如下：哀痛→悲傷；妒忌→喜愛；感動→喜愛；驚駭→無情緒；驚喜→喜愛；輕松→相信；同情→贊揚；遺憾→不滿。

(2)對于35種情緒而言，由來源情緒產(chǎn)生的前三位結(jié)果情緒中，有34種都包含著與來源情緒相同的情緒。只有一種來源情緒，其前三位的結(jié)果不包含與來源情緒相同的情緒，這個比例非常低，還不到2.86%。這顯示了來源情緒和結(jié)果情緒之間的高度關(guān)聯(lián)性。

表11 從標(biāo)題情緒促發(fā)的評論情緒的相對比重中前三位情緒類型

(二)從評論情緒回溯標(biāo)題情緒的概率矩陣分析

1.從評論情緒回溯的標(biāo)題情緒的絕對比重分布

將情緒劃分為35類之后，考察每一種情緒的評論分別由怎樣的情緒的帖子標(biāo)題所引起?；蛘哒f，在將評論的情緒劃分為35類之后，考察每一類情緒的評論，其一一對應(yīng)所屬的標(biāo)題中，不同情緒類型的標(biāo)題出現(xiàn)頻次各占有多少比重。通過SPSS交叉分析得到的概率圖，局部如表12所示(完整表為35行*35列，限于版面，本文只截取該圖的前19行*前19列予以展示)。

表12所代表的完整表(35行*35列)中，行與列中的情緒都按相同的次序排列。35列中，有34列中的最大值(文中用加粗字體標(biāo)出的單元格)恰好都是在表格中的對角線的位置，也即行序=列序的單元格。實際上這里表示的是，被某種情緒標(biāo)題促發(fā)的占比最多的評論情緒，恰好與該標(biāo)題情緒相同。只有1列中的最大值不在對角線的位置，它是“驚喜”的評論情緒對應(yīng)的“贊揚”的標(biāo)題情緒所占的比重(由于版面所限，表12只展示了其中的19種情緒，本處的“贊揚”情緒論在第19列之后，未能顯示在本表中)。

2.從評論情緒回溯的標(biāo)題情緒的相對比重分布

考察每一種評論情緒所源自的帖子情緒中，相對比重最前三位的情緒。與前文對于相對比重的界定相同，本處所指的促發(fā)特定情緒的某種來源情緒的相對比重=該來源情緒在所有來源情緒中所占的比重-該來源情緒在所有帖子中占的比重。編寫VBA程序自動計算表格中每種來源情緒的相對比重，并計算每種結(jié)果情緒中促發(fā)它的相對比重居于前三位的情緒，得到的對應(yīng)結(jié)果如表13所示。

由表13可以看出：

(1)在引起作為結(jié)果的每種情緒的來源情緒中，相對比重居于第一位的，幾乎全部都是和結(jié)果情緒相同的情緒，例如喜歡情緒由喜愛情緒所促發(fā)，內(nèi)疚情緒由內(nèi)疚情緒所促發(fā)，尊敬情緒由尊敬情緒所促發(fā)。在包括無情緒在內(nèi)的35種細化類型的情緒中，只有7種結(jié)果情緒的第一位的來源情緒不同于其結(jié)果情緒的類型(表13中用粗黑體的單元格標(biāo)出)，也即結(jié)果情緒和第一位來源情緒相同的占到了28種、80%。即使在剩下的7種不同于結(jié)果情緒的第一位來源情緒中，它們也都和結(jié)果情緒高度接近，這7種作為結(jié)果的情緒及促發(fā)它的第一位來源情緒按組依次如下：哀痛←悲傷；驚駭←貶責(zé)；驚喜←贊揚；輕松←贊揚；同情←悲傷；遺憾←貶責(zé)；振奮←贊揚。

(2)對于35種情緒而言，促發(fā)結(jié)果情緒的前三位來源情緒中，必然包含著與結(jié)果情緒相同的情緒。即使對于前述的7種第一位來源情緒不同于其結(jié)果情緒的對應(yīng)組而言，也必然能在第二或第三位的來源情緒中找到與結(jié)果情緒相同的來源情緒。這顯示了結(jié)果情緒和來源情緒之間的高度關(guān)聯(lián)性。

五、結(jié) 語

本研究明確提出“情緒對應(yīng)”的現(xiàn)象效應(yīng)與理論問題，并以《今日頭條》中數(shù)百萬條的傳-受樣本作為實證對象，進行分析和量化挖掘。圍繞“情緒對應(yīng)”的核心內(nèi)涵，對情緒從不同的粒度與層級進行劃分。在這些不同的類型劃分的基礎(chǔ)上，分別從子假設(shè)加以證實或證偽?？傮w來看，以下若干子觀點通過了檢驗，僅在局部有很小的偏差：(1)促發(fā)某種評論情緒的占比最多的標(biāo)題，是與該種評論的情緒相同的標(biāo)題；(2)每一種作為情緒源的帖子標(biāo)題，它所引起的評論情緒中，相對比重最高的都是和情緒源相同的評論；(3)將標(biāo)題依據(jù)其情緒不同分為若干類，被某類情緒的標(biāo)題促發(fā)的占比最多的評論，是與該種標(biāo)題情緒相同的評論；(4)將評論依據(jù)其情緒不同分為若干類，每一類評論所屬的帖子標(biāo)題的情緒，相對比重最高的都是和該類評論情緒相同的情緒。結(jié)合樣本數(shù)據(jù)及其情緒傳-受關(guān)系、分布矩陣的考察，本文所論述的“情緒對應(yīng)”體現(xiàn)出強傳播效應(yīng)。

對于“情緒對應(yīng)”效應(yīng)的理論內(nèi)涵層面而言：不能把情緒作為在網(wǎng)絡(luò)“意見”中零散的、非系統(tǒng)化的涉及到的因素，而是要突出其本體地位，意見和情緒都是社會公共輿情的重要構(gòu)成，不能只側(cè)重于前者、而有意無意地對后者“視而不見”或缺乏足夠重視；需要在“議程設(shè)置”“沉默的螺旋”“群體極化”等與情緒傳播相關(guān)聯(lián)的領(lǐng)域中，加強對“情緒對應(yīng)”設(shè)置的專門重視和闡述，情緒不是內(nèi)容和意見的附屬，甚至是反過來對內(nèi)容和意見具有導(dǎo)向性的因素。需要加強關(guān)于網(wǎng)絡(luò)媒介傳播中“情緒設(shè)置”的“強效果論”，它不只是一種偶然性和零散的效果，而是符合媒介和網(wǎng)絡(luò)傳播規(guī)律、具有內(nèi)在傾向性的規(guī)律機理。媒介的傳播過程，可以有效影響受眾的情緒狀態(tài)，促使他們做出具有相應(yīng)情緒的接受或信息回饋，進行特定情緒的表達與言說。在“議程設(shè)置”理論中對于議程的關(guān)注，缺乏對于議程中情緒和情感譜系的足夠重視，甚至忽視了情緒直接作為“類議程”的本體可能性。在情緒傳受環(huán)節(jié)與挖掘的基礎(chǔ)上，有必要明確且集中地聚焦于“情緒對應(yīng)”的設(shè)置效果，并將之作為媒介機制和傳播研究的重要路徑之一。