徐翔　夏敏

摘 要：微博中的意見領(lǐng)袖不僅是意見、認(rèn)知和信息的擴(kuò)散節(jié)點(diǎn)，也扮演著社會(huì)“情感領(lǐng)袖”的角色，并體現(xiàn)出鮮明的情感偏向特征，尤其是特定類型的情感傳導(dǎo)。基于對(duì)新浪微博用戶（N=38 985）及其每人1 000條帖子的采樣，對(duì)情感和用戶類型進(jìn)行實(shí)證分析。研究結(jié)果認(rèn)為：粉絲數(shù)越多的微博用戶其“情感化”偏向顯著增強(qiáng)，而非情感化、無(wú)情感的內(nèi)容顯著減少，意見領(lǐng)袖不是冷靜、客觀、無(wú)情感的信息中介，而體現(xiàn)出“后真相”社會(huì)情感策動(dòng)源的特征;微博意見領(lǐng)袖存在特定的情感類型偏向，不是任一種類的情感的加強(qiáng)都與意見領(lǐng)袖地位提升有關(guān)，它只偏倚于特定類型;微博情感領(lǐng)袖存在特定的用戶類型偏向，進(jìn)行k-means方式聚類后發(fā)現(xiàn)，粉絲量越多、影響力層級(jí)越高的用戶中，“怒懟型”的比例較高，而其他類型則相對(duì)較低。

關(guān)鍵詞：情感領(lǐng)袖;意見領(lǐng)袖;情感偏向;情感傳播;后真相

中圖分類號(hào)：G206.3 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-8268（2021）06-0157-13

作為互聯(lián)網(wǎng)社情民意的寫照，網(wǎng)絡(luò)信息表達(dá)反映了公眾的理性討論和情感訴求。自2016年“后真相”一詞入選《牛津詞典》年度詞匯，情感表達(dá)遂成為“后真相”時(shí)代媒介信息內(nèi)容的重要特征。在“后真相”時(shí)代強(qiáng)調(diào)訴諸情感、抑制“真相”的傳播理路下，真相和事實(shí)如何被情感抑制，意見傳播和“意見氣候”被什么樣的情感放大、塑造或?qū)?，是有待挖掘的?shí)證性問(wèn)題，而不僅僅是對(duì)情感可能在抑制真相這一現(xiàn)象表達(dá)某種簡(jiǎn)單的憂慮。喻國(guó)明曾指出，“中國(guó)網(wǎng)民易情緒化主要源于網(wǎng)絡(luò)意見領(lǐng)袖的易情緒化”[1]。在此背景下，社交網(wǎng)絡(luò)中具有一定話語(yǔ)影響力的意見領(lǐng)袖，表達(dá)中除了在內(nèi)容上引導(dǎo)受眾的認(rèn)知外，是否也存在特定的“情感偏向”，從而影響輿論環(huán)境、媒介“情感氣候”和“傳播的偏向呢”？

就意見領(lǐng)袖的情感畫像而言，微博高影響力用戶是需要“為賦新詞強(qiáng)說(shuō)愁”亦或容易“憤怒出詩(shī)人”“漫卷詩(shī)書喜欲狂”？這些不同類型意見領(lǐng)袖的形成和分布，是隨機(jī)和散亂的偶然現(xiàn)象呢？還是潛藏著某種媒介規(guī)律的必然現(xiàn)象？

正如《傳播的偏向》一書認(rèn)為，媒介有其時(shí)間或空間的偏向性，那么媒介中的意見領(lǐng)袖有無(wú)情感的偏向性呢？簡(jiǎn)言之，微博意見領(lǐng)袖在其所處的特定媒介中，是否只傳導(dǎo)特定種類的情感（或“非情感”），而對(duì)其他類的情感傳導(dǎo)則采取抑制手段？

從現(xiàn)實(shí)情境而言，雖然“后真相”催生著情感化的傳播，但下述問(wèn)題應(yīng)明確：其一，“后真相”作為一個(gè)理論概念，

是否能提煉微博內(nèi)容、微博用戶的情感化傳播邏輯，并在實(shí)證上予以支撐;其二，即使微博中存在情感化的傳播現(xiàn)象，是否等同于應(yīng)然和必然地情感化;其三，對(duì)于“意見領(lǐng)袖”而言，如果他們重視意見的傳播、認(rèn)知的傳達(dá)，那么他們和“情感領(lǐng)袖”之間又是怎樣的關(guān)系;其四，社交媒體是催生各種情感類型的意見領(lǐng)袖，還是只生長(zhǎng)特定類型和偏向的意見領(lǐng)袖？

本研究聚焦于微博意見領(lǐng)袖的信息表達(dá)，明確意見領(lǐng)袖作為“情感領(lǐng)袖”的理論內(nèi)涵與分析架構(gòu)，并實(shí)證檢驗(yàn)、分析微博意見領(lǐng)袖的情感偏向和情感特征：微博意見領(lǐng)袖的判斷、認(rèn)知和態(tài)度等在信息傳播過(guò)程中是否存在情感化偏向？如果有，情感類型的分布具有怎樣的偏好與結(jié)構(gòu)？從“情感領(lǐng)袖”的理論概念來(lái)看，它關(guān)切的不是意見領(lǐng)袖傳遞的內(nèi)容及效果，而是以什么樣的情感形式進(jìn)行表達(dá)和傳遞。

一、研究回顧與問(wèn)題分析

拉扎斯菲爾德在提出“意見領(lǐng)袖”這一概念時(shí)指出，意見領(lǐng)袖的影響力是非正式的，其形成于日常的社會(huì)互動(dòng)之中，并在信息傳播及受眾的信息反饋中確立。圍繞意見領(lǐng)袖的相關(guān)研究顯示，話語(yǔ)權(quán)利、輿論引導(dǎo)力及在群體傳播中的作用機(jī)制等內(nèi)容是關(guān)注的焦點(diǎn)。此外，因互聯(lián)網(wǎng)環(huán)境下的信息表達(dá)和情感傳播密不可分，故很多研究成果也關(guān)注到了網(wǎng)絡(luò)意見領(lǐng)袖的情感化表達(dá)。

研究者們認(rèn)為，相比理智內(nèi)斂的情感，網(wǎng)絡(luò)意見領(lǐng)袖往往具有感性且強(qiáng)烈的情感傾向，情感表達(dá)鮮明的用戶也更容易被認(rèn)為是意見領(lǐng)袖。蔡騏等[2]指出，感性的情感宣泄已成為當(dāng)下網(wǎng)絡(luò)意見領(lǐng)袖話語(yǔ)表達(dá)的一大趨勢(shì)，隨著網(wǎng)絡(luò)意見領(lǐng)袖跨界言說(shuō)的泛化，專業(yè)性的缺失只能通過(guò)情感力量的跟進(jìn)加以掩飾和彌補(bǔ)。郭小安[3]指出，相較于西方社會(huì)“依法抗?fàn)帯薄耙览砜範(fàn)帯保袊?guó)的社會(huì)網(wǎng)絡(luò)抗?fàn)幫ǔ１憩F(xiàn)為“依勢(shì)抗?fàn)帯?，換句話說(shuō)，誰(shuí)能在網(wǎng)絡(luò)上制造出情感爆點(diǎn)，誰(shuí)就獲得了話語(yǔ)的主導(dǎo)權(quán)。王志英等[4]在研究信息安全突發(fā)事件時(shí)提出了情感領(lǐng)袖的群際效應(yīng)，認(rèn)為網(wǎng)絡(luò)中存在以情感為主要導(dǎo)向的關(guān)鍵用戶，他們情感表達(dá)強(qiáng)烈，具有影響臨近節(jié)點(diǎn)情感表達(dá)和傳播趨勢(shì)的能力，情感領(lǐng)袖集群是集群情感產(chǎn)生的重要來(lái)源。吳江等[5]發(fā)現(xiàn)在醫(yī)療輿情事件熱議期， 情緒激進(jìn)、傾向于感性的情感宣泄的無(wú)認(rèn)證用戶更容易成為意見領(lǐng)袖。以上研究雖然表明了網(wǎng)絡(luò)意見領(lǐng)袖易于情感化的趨向，但沒(méi)有重視意見領(lǐng)袖作為情緒設(shè)置者的情感特征和作用，“情感領(lǐng)袖”現(xiàn)象有待學(xué)者們的進(jìn)一步關(guān)注和深入探討。

有學(xué)者提出“情緒設(shè)置”效果論，強(qiáng)調(diào)媒介傳播不僅如“議程設(shè)置”理論所述能在一定程度上決定人們想什么，也能影響人們以怎樣的情緒想、以怎樣的情緒說(shuō)[6]。作為社交網(wǎng)絡(luò)的關(guān)鍵用戶，意見領(lǐng)袖的情感影響力呈現(xiàn)出“情緒設(shè)置”的效果。高萍等[7]研究發(fā)現(xiàn)，在中美貿(mào)易摩擦期間，《人民日?qǐng)?bào)》借助“中央廚房”全媒體中心，通過(guò)“報(bào)網(wǎng)端微”一體化平臺(tái)，采用營(yíng)造情緒環(huán)境、多角度敘述達(dá)到情緒感染、及時(shí)提供情緒發(fā)泄渠道、引導(dǎo)正向情緒極化等手段，對(duì)公眾進(jìn)行情緒引導(dǎo)，實(shí)現(xiàn)議程設(shè)置到情緒設(shè)置的變化。王朝陽(yáng)等[8]在研究梨視頻社會(huì)板塊的短視頻傳播時(shí)發(fā)現(xiàn)，新聞短視頻生產(chǎn)者傾向于負(fù)面情緒的設(shè)置，這種偏好易導(dǎo)致傳播過(guò)程正面情緒向負(fù)面情緒、中性情緒向正面或負(fù)面情緒的異化。白淑英等[9]提出在微博公共事件中，情感動(dòng)員者通常采用悲情、同情、戲謔等情感表達(dá)引發(fā)大量關(guān)注，達(dá)到社會(huì)動(dòng)員和引導(dǎo)輿論的目的。概言之，社交媒體中關(guān)鍵用戶的情感力量在網(wǎng)絡(luò)輿情演化中發(fā)揮著重要的引導(dǎo)作用，情感作為一個(gè)關(guān)鍵因素，得以在表達(dá)和傳播中擴(kuò)散甚至重構(gòu)。值得注意的是，并不是所有類型的情感都會(huì)讓意見領(lǐng)袖進(jìn)行有效表征，或是成為意見領(lǐng)袖和社會(huì)媒介環(huán)境的有效表征。那么，這些意見領(lǐng)袖是如何傳導(dǎo)特定情感“偏向”的呢？

以新浪微博為考察對(duì)象的研究中，有學(xué)者將用戶的情感傾向納入對(duì)微博意見領(lǐng)袖及其影響力的調(diào)察中。劉叢等[10]認(rèn)為，微博黃V用戶在某些公共事件中傾向于通過(guò)個(gè)人影響力來(lái)表達(dá)不滿和伸張正義，常使用“質(zhì)疑”來(lái)表達(dá)情緒;同時(shí)他們對(duì)微博情緒強(qiáng)度進(jìn)一步研究后發(fā)現(xiàn)，影響力高的用戶微博情緒越強(qiáng)烈，微博被轉(zhuǎn)發(fā)和評(píng)論的數(shù)量也越高。周楊等[11]在對(duì)微博用戶公共情緒偏好的研究中發(fā)現(xiàn)，用戶整體的負(fù)面情緒程度比較大，其中信息獲取型用戶的情緒偏好呈多樣性，活躍型用戶中度負(fù)面情緒占比較高，而名人型用戶作為意見領(lǐng)袖的發(fā)源地，其輕度負(fù)面情緒占比過(guò)半。何躍等[12]發(fā)現(xiàn)在微博“非法疫苗”事件中，微博總體用戶的情感以消極為主，其中新聞媒體類和政府類意見領(lǐng)袖網(wǎng)的情感以中性為主，明星與大V類、企業(yè)與企業(yè)家類和普通網(wǎng)民類意見領(lǐng)袖網(wǎng)的情感則以消極為主。何躍等進(jìn)一步從“傳者受者”之間的情感關(guān)聯(lián)得出，意見領(lǐng)袖網(wǎng)的情感會(huì)對(duì)普通用戶產(chǎn)生影響，點(diǎn)度中心度較大、網(wǎng)絡(luò)凝聚力較大的意見領(lǐng)袖網(wǎng)對(duì)普通用戶的消極情感影響最大?？傊笆鲅芯空J(rèn)為，有無(wú)情感、有什么樣的情感在微博意見領(lǐng)袖信息表達(dá)中的傳播和分布，是具有差異性和負(fù)面偏向性的，這也是本文關(guān)注意見領(lǐng)袖情感特征的研究基礎(chǔ)。用戶雖然注重情感爆點(diǎn)和感性宣泄，但是不同情感對(duì)于用戶意見領(lǐng)袖的程度、效果是有差別和“偏向”的，這一點(diǎn)還有待后續(xù)詳實(shí)的實(shí)證分析。

對(duì)包括微博在內(nèi)的網(wǎng)絡(luò)社會(huì)情感的類型劃分上，學(xué)者們建立了多元分類體系。如Bollen等[13]對(duì)2008年8月1日到12月20日期間Twitter中每天不同情緒的變化量進(jìn)行了分析，對(duì)“情緒狀態(tài)量表”（POMS）擴(kuò)展后，提取了緊張、沮喪、憤怒、活力、疲勞、困擾等六類情緒。王朝陽(yáng)等[8]結(jié)合情緒分類七分法、普拉特切克情緒分類法以及Izard提出的差異情緒量表（DES），將短視頻內(nèi)容情緒分為正面、中性、負(fù)面三個(gè)大類，其中正面情緒為感動(dòng)、贊揚(yáng)、搞笑、快樂(lè)、新奇，負(fù)面情緒為憤怒、悲傷、震驚、無(wú)奈，中性情緒為中立。Duan等[14]對(duì)網(wǎng)絡(luò)新聞評(píng)論進(jìn)行了樂(lè)觀、悲傷、憤怒、驚訝四元情感分類。李勇等[15]針對(duì)“成都女司機(jī)被打”事件，將微博用戶情感分為愉快、驚奇、悲傷、憤怒、厭惡和懼怕六類。周楊等[11]依據(jù)負(fù)面程度強(qiáng)弱把微博用戶公共情緒分為重度負(fù)面情緒、中度負(fù)面情緒、輕度負(fù)面情緒和正面情緒，并在此基礎(chǔ)上，進(jìn)一步將重度負(fù)面情緒分為憤怒和譴責(zé)，中度負(fù)面情緒分為悲哀和害怕，輕度負(fù)面情緒分為嘲諷和理性，正面情緒則用樂(lè)觀替代。樊博等[16]根據(jù)微博基本社會(huì)情緒測(cè)量詞庫(kù)，歸納了霧霾影響下的五種基本社會(huì)情緒，即快樂(lè)、悲傷、厭惡、憤怒和恐懼。2013年召開的CCF第二屆自然語(yǔ)言處理與中文計(jì)算會(huì)議將中文微博情緒劃分為喜好、高興、悲傷、厭惡、憤怒、恐懼、驚訝等七類?？傮w來(lái)說(shuō)，上述研究對(duì)不同類型的網(wǎng)絡(luò)內(nèi)容、微博事件情境中的情感進(jìn)行了區(qū)分，但分類略顯粗糙，沒(méi)有在更為細(xì)化的情感粒度分類框架內(nèi)還原對(duì)大眾細(xì)微情感變化的描述。

總體看來(lái)，情感作為微博意見領(lǐng)袖的一個(gè)獨(dú)立特征，雖然逐漸被提及，但“情感領(lǐng)袖”的理論架構(gòu)和實(shí)證分析遠(yuǎn)未受到充分重視。在已有研究中，網(wǎng)絡(luò)意見領(lǐng)袖的情感偏向問(wèn)題既未被充分比較，也未被放置在同一框架內(nèi)進(jìn)行審視，故有必要進(jìn)一步考察細(xì)化類型上的差異，以及在有限的情感偏向條件下對(duì)于情感領(lǐng)袖的用戶畫像及用戶類型的演變分析。總之，目前對(duì)微博“情感領(lǐng)袖”及其特征的考察，明確的理論內(nèi)涵剖析不足，且缺乏規(guī)模以上樣本的定量研究和實(shí)證檢驗(yàn)。

媒介內(nèi)容的情感化不等同于用戶的情感化，更不等同于意見領(lǐng)袖的情感化;意見領(lǐng)袖呈現(xiàn)出的“情感化”，也不等同于其由此而獲得設(shè)置情緒議程的功能，更不等同于其必須且客觀上會(huì)成為情感領(lǐng)袖。后真相傳播語(yǔ)境中的情感受到高度重視，但不等于說(shuō)所有類型的情感都有助于用戶影響力的提升。為此，本研究在傳播學(xué)范疇內(nèi)首先明確“情感領(lǐng)袖”這一理論向度的重要性，描繪微博意見領(lǐng)袖的情感畫像及路徑，其次探討微博意見領(lǐng)袖的地位、程度與情感類型、結(jié)構(gòu)、分布特征之間的勾連。

二、研究目標(biāo)與方法

選擇新浪微博作為樣本，緣于其是我國(guó)重要且典型的網(wǎng)絡(luò)社交平臺(tái)和輿情發(fā)酵池。相關(guān)統(tǒng)計(jì)數(shù)據(jù)顯示，截至2021年6月底，新浪微博月活躍用戶達(dá)到5.66億，同比凈增4 300萬(wàn)用戶，其中移動(dòng)端占比94%;日活躍用戶達(dá)2.46億，同比凈增1 600萬(wàn)，創(chuàng)4個(gè)季度新高[17]。新浪微博用戶中既有各類“大V”，也有形形色色的“草根”，對(duì)其意見領(lǐng)袖的分析具有較強(qiáng)的代表性和普適性;新浪微博板塊設(shè)置有財(cái)經(jīng)、體育、軍事、科技、娛樂(lè)、社會(huì)等欄目，內(nèi)容豐富。

（一）核心概念與測(cè)量指標(biāo)界定

1.微博“意見領(lǐng)袖”的界定與測(cè)度

微博意見領(lǐng)袖的概念是基于拉扎斯菲爾德所提出的“意見領(lǐng)袖”，特指在人際傳播網(wǎng)絡(luò)中經(jīng)常為他人提供信息、意見、評(píng)論，并對(duì)他人施加影響的“活躍分子”[18]。在微博傳播場(chǎng)域中，微博意見領(lǐng)袖表現(xiàn)出泛眾化、圈群化、顯性化的傳播特征[19]，不僅能影響大眾的觀念形成和網(wǎng)民情感的演變[20]，還能成為影響網(wǎng)絡(luò)輿論的核心力量[21]，因而比傳統(tǒng)意見領(lǐng)袖更具影響力和引導(dǎo)力。

學(xué)界對(duì)微博意見領(lǐng)袖界定方式之一是劃定影響力“臨界值”，對(duì)用戶做“是/不是”意見領(lǐng)袖的定類區(qū)分，將是/否高于臨界值視為判定標(biāo)準(zhǔn)，該界定方式在已有研究中有采用，如劉志明等[22]從用戶影響力和活躍度兩個(gè)維度確立微博用戶的領(lǐng)袖值，并取每個(gè)主題領(lǐng)袖值排名前0.1%的用戶作為該主題的意見領(lǐng)袖。王平等[23]結(jié)合微博粉絲數(shù)及帖子認(rèn)同值，將“溫州動(dòng)車事故”這一事件中微博轉(zhuǎn)發(fā)量大于2 000次、評(píng)論數(shù)超過(guò)200條的微博用戶作為意見領(lǐng)袖進(jìn)行分析。雖然如此，但本研究如運(yùn)用該界定方式將面臨以下困難：（1）臨界值怎么劃分？（2）高于臨界值的用戶又存在影響力高低之分，而低于臨界值的也有此種情況，那么，較弱的和較強(qiáng)的意見領(lǐng)袖在情感特征上到底有何差異？取臨界值方法則容易忽略這些差別;同理，對(duì)于“非意見領(lǐng)袖”用戶，他們的影響力低到何種程度也是值得探討的問(wèn)題，因此，考察其情感特征的連續(xù)性量化分布也是有意義的。

因此，本文結(jié)合自身的研究目的，最終選擇對(duì)意見領(lǐng)袖進(jìn)行程度上的連續(xù)性區(qū)分。該區(qū)分主要著眼于意見領(lǐng)袖的強(qiáng)弱程度，它可以是0（即完全無(wú)影響力，完全不是意見領(lǐng)袖），也可以是大于0的連續(xù)性數(shù)值。將“大V”到“中V”再到“草根”等代表不同影響力程度的用戶均納入考察范圍，對(duì)各類情感的分布比例進(jìn)行縱向比較。

基于上述對(duì)微博意見領(lǐng)袖連續(xù)性影響力的劃分，本研究之所以使用“粉絲數(shù)”來(lái)衡量，在一些類似研究中也可追溯。李彪[24]曾指出，粉絲越多的微博ID，粉絲增長(zhǎng)的速度越快，社會(huì)話語(yǔ)權(quán)也就越大，微博話語(yǔ)權(quán)力結(jié)構(gòu)的集權(quán)化和等級(jí)化趨勢(shì)將進(jìn)一步加劇。王平等[23]指出，當(dāng)粉絲數(shù)達(dá)到一定量級(jí)，成為微博意見領(lǐng)袖的可能性會(huì)隨著粉絲數(shù)的增加而增加。白貴等[25]通過(guò)實(shí)證研究表明，微博意見領(lǐng)袖粉絲數(shù)與微博影響力呈顯著性正相關(guān)?？傊?，雖然研究者們對(duì)微博意見領(lǐng)袖沒(méi)有統(tǒng)一的識(shí)別指標(biāo)，但可以達(dá)成共識(shí)的是，粉絲量越多意味著意見領(lǐng)袖的影響力輻射范圍越廣。另外，由于本研究考察的是意見領(lǐng)袖的程度和情感分布程度間的線性相關(guān)性，粉絲數(shù)可以在較大程度上反映意見領(lǐng)袖的分量，故將粉絲數(shù)作為區(qū)分微博用戶意見領(lǐng)袖強(qiáng)弱程度的指標(biāo)不影響相關(guān)性的考察，且具有一定效度。

2.情感

人們常把短暫而強(qiáng)烈的具有情景性的感情反應(yīng)看作是情緒，如恐懼、憤怒、愉快等;而情感不只表達(dá)用戶的情緒，還基于情緒體驗(yàn)形成穩(wěn)定持久的感情反應(yīng)，如喜歡、討厭等。微博用戶的情感特指公眾對(duì)某些話題或事物表現(xiàn)出的體驗(yàn)或評(píng)價(jià)，它可以通過(guò)情感詞、標(biāo)點(diǎn)符號(hào)和冗長(zhǎng)文等文本交流方式進(jìn)行表達(dá)和接受[26]，因此用戶發(fā)布的帖子可以視作其情感表達(dá)的載體。

Ekman[27]指出人類共通的六種基本情緒有快樂(lè)、悲傷、憤怒、厭惡、驚訝和恐懼。Plutchik[28]把人類情緒分為八種類型：恐懼、氣憤、歡樂(lè)、悲傷、接納、厭惡、期望和驚訝。徐琳宏等[29]在Ekman的六類情感分類體系基礎(chǔ)上構(gòu)建了樂(lè)、好、怒、哀、懼、惡、驚、無(wú)情感在內(nèi)的八個(gè)大類，并進(jìn)一步將其細(xì)分為二十三個(gè)小類。劉叢等[10]設(shè)計(jì)了認(rèn)可、恐懼、質(zhì)疑、擔(dān)憂、反對(duì)、憤怒、悲哀、驚奇及無(wú)明顯情緒等九類情緒量表。

帖子情感的識(shí)別和分類是本研究的關(guān)鍵步驟，通過(guò)對(duì)已有研究的綜合審視，再結(jié)合微博帖子的特點(diǎn)和研究訴求，最終使用了十八大類（包含三十八個(gè)具體的小微類）情感分類體系。對(duì)于占比過(guò)小或構(gòu)成較為復(fù)雜的情感要素，將其統(tǒng)歸為“其他”類，以保證研究結(jié)果的信度和效度。

具體劃分和采用的十八類情感如下：（1）怒：憤怒、不滿;（2）惡：憎惡、輕蔑、貶責(zé)、妒忌;（3）煩：煩悶;（4）懼：恐懼、驚駭、慌;（5）悲：悲傷、失望、遺憾;（6）哀：內(nèi)疚、無(wú)奈;（7）疑：疑惑、懷疑、質(zhì)疑;（8）思：思念;（9）安：安心;（10）認(rèn)可：尊敬、相信、接受;（11）驚：驚奇;（12）樂(lè)：輕松、快樂(lè)、驚喜、振奮、驕傲;（13）喜：喜愛、贊揚(yáng);（14）盼：期望、羨慕;（15）憐：同情;（16）感動(dòng);（17）無(wú)情感;（18）其他：羞、悔。

需補(bǔ)充說(shuō)明的是，就概念本身而言，情感和情緒雖存在一定差異，但也有混用的情況。K·T·斯托曼認(rèn)為：“在論述情緒的文獻(xiàn)中出現(xiàn)了大量的術(shù)語(yǔ)，它們沒(méi)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(yǔ)中，如嫉妒、懼怕、愛、憤怒，尤其是焦慮?！盵30]本研究對(duì)于情感和情緒的使用基于兩者的共性，即它們作為主體對(duì)于外界信息和刺激而產(chǎn)生的一種感情反應(yīng)，因此，借鑒和擴(kuò)展上述情感、情緒分類模型并無(wú)實(shí)際上的困難。另外，本研究使用的分類方法，既要對(duì)情感進(jìn)行簡(jiǎn)單而略顯粗粒度的“積極/中性/消極”或“正/負(fù)”等極性劃分，又需識(shí)別出諸如怒、喜、懼、驚等具體的情感類型。

（二）研究問(wèn)題與研究思路

基于文獻(xiàn)分析和對(duì)核心概念的界定，對(duì)微博意見領(lǐng)袖體現(xiàn)出的“情感化”偏向、情感類型偏向以及基于情感畫像的用戶類型偏向，特提出以下三個(gè)相關(guān)聯(lián)的問(wèn)題：

Q1：微博意見領(lǐng)袖的“情感化”偏向：意見領(lǐng)袖程度越高，是否其“情感化”程度越高？“非情感化”程度越低？這種關(guān)聯(lián)的顯著性和程度有多強(qiáng)？

Q2：微博意見領(lǐng)袖的情感類型偏向：作為意見領(lǐng)袖程度越高的用戶，哪種類型的情感占比越大（或越小/變化不明顯）？這種變化的顯著性和關(guān)聯(lián)程度有多強(qiáng)？

Q3：微博意見領(lǐng)袖的用戶類型偏向：把微博用戶作為復(fù)雜、多樣的情感組合，根據(jù)不同的情感組合分別歸為特定“情感基因組”，對(duì)于這些特定的用戶類型而言，意見領(lǐng)袖程度越高，哪種類型的用戶占比越大（或越小/變化不明顯）？這種變化的顯著性和關(guān)聯(lián)度有多強(qiáng)？

在對(duì)上述問(wèn)題進(jìn)行定量研究和實(shí)證檢驗(yàn)前，需對(duì)其中的一些變量進(jìn)行操作性定義。首先，我們用“粉絲數(shù)”來(lái)表示微博用戶的地位和影響力社會(huì)層級(jí)。雖然不同用戶的影響力等級(jí)差異不能完全由粉絲數(shù)的多寡來(lái)衡量，但已有的微博意見領(lǐng)袖影響力研究表明，粉絲數(shù)越高，該用戶在微博中的關(guān)注度、影響度也越高。其次，用“微博中不同情感出現(xiàn)的比重”來(lái)表示某種情感被表達(dá)的程度，比重越高表明該情感被表達(dá)的程度也越高。最后，根據(jù)情感分布比例對(duì)所有用戶進(jìn)行聚類分析，得出不同類型用戶的情感特征。如果微博意見領(lǐng)袖所體現(xiàn)的上述特征成立，則意味著粉絲數(shù)越高的用戶，情感化比例將顯示出顯著增加趨勢(shì)，特定情感類型和特定用戶類型的占比將顯示出顯著增加或減少趨勢(shì)，表明粉絲數(shù)與這三者間存在統(tǒng)計(jì)學(xué)意義上的線性相關(guān)性。

綜合以上研究目標(biāo)，本文的研究思路如圖1所示。

三、研究設(shè)計(jì)與實(shí)施

首先，抓取新浪微博大量樣本帖及其微博所屬用戶資料等個(gè)人信息，并對(duì)其清洗和處理;其次，對(duì)帖子所屬內(nèi)容進(jìn)行情感類型的判定和分類;再次，計(jì)算各類情感比例，對(duì)用戶進(jìn)行聚類分析;最后，對(duì)每個(gè)用戶的特征及對(duì)應(yīng)情感分布進(jìn)行總結(jié)，通過(guò)SPSS驗(yàn)證粉絲數(shù)變量與測(cè)量指標(biāo)間是否存在顯著關(guān)系，以考察意見領(lǐng)袖的情感特征。

（一）數(shù)據(jù)采集與清洗

在數(shù)據(jù)抓取上，采用python編程語(yǔ)言從新浪微博各個(gè)板塊抓取數(shù)萬(wàn)名用戶的賬號(hào)URL，對(duì)這些賬號(hào)的歷史發(fā)帖進(jìn)行采集，采集時(shí)間段為2019年10月至12月。抓取的其他字段還包括微博的URL鏈接網(wǎng)址、微博發(fā)布者的粉絲數(shù)和關(guān)注數(shù)、發(fā)微博總數(shù)、發(fā)布時(shí)間等，接著對(duì)抓取到的數(shù)據(jù)進(jìn)行必要的清洗與整理。為防止發(fā)微博數(shù)對(duì)某類情感的總體特征產(chǎn)生實(shí)質(zhì)性影響，每個(gè)用戶從所抓到的帖子中隨機(jī)抽取1 000條微博參與最終情感及其分布統(tǒng)計(jì)。在最終抓取到的42 887個(gè)微博用戶中，為確保意見領(lǐng)袖情感的相關(guān)檢驗(yàn)具備有效性，特剔除粉絲數(shù)等個(gè)人信息缺失的樣本，最終剩余有效數(shù)據(jù)包括38 985個(gè)用戶及每個(gè)用戶發(fā)布的1 000條帖子。樣本用戶未做任何首尾最高或最低粉絲數(shù)等極端用戶的刪除篩選，以保持樣本的全面性。

38 985個(gè)微博用戶粉絲數(shù)分布情況如圖2所示（單位：萬(wàn)人）。由圖2可知，他們分布較廣，遍及微博大V、中V和草根用戶，故能反映不同的意見領(lǐng)袖程度，具有一定代表性，因此可作為本研究的樣本用戶。

（二）情感分類

在情感類型判定上，本研究依據(jù)文字內(nèi)容進(jìn)行。由于樣本量達(dá)幾千萬(wàn)條，人工分類不便，故使用python語(yǔ)言和scikit-learn模塊，采用線性支持向量機(jī)（support vector machine，SVM）結(jié)合人工樣本的機(jī)器學(xué)習(xí)方法。

基于SVM的情感分類，主要根據(jù)訓(xùn)練集數(shù)據(jù)，通過(guò)SVM算法將模型參數(shù)學(xué)習(xí)到最優(yōu)，然后利用訓(xùn)練好的模型對(duì)測(cè)試集的情感特征進(jìn)行預(yù)測(cè)。

本研究通過(guò)整合基礎(chǔ)情感詞典，收集社交媒體中的標(biāo)題、評(píng)論等構(gòu)建情感詞匯本體，最終自行人工編碼和分類共44 432條帖子作為機(jī)器學(xué)習(xí)樣本。微博文本形式多元且變化不斷，雖然無(wú)法詳盡，但大多微博短文本可通過(guò)關(guān)鍵詞、關(guān)鍵符號(hào)及其組合進(jìn)行較為準(zhǔn)確的分類。本文人工構(gòu)建的訓(xùn)練樣本還針對(duì)社交媒體的語(yǔ)言特點(diǎn)，較為全面地囊括了微博文本所包含的語(yǔ)義信息，提高了結(jié)果的準(zhǔn)確性，并將誤差控制在可接受范圍。

具體判定過(guò)程如下：首先，采用Jieba分詞工具對(duì)文本進(jìn)行中文分析。其次，通過(guò)scikit-learn模塊構(gòu)建TF-IDF（詞頻-逆文檔頻率）矩陣，該矩陣兼顧了文本在某特征詞上的頻數(shù)，以及該特征詞在其他文本中的出現(xiàn)頻次。分析的特征詞對(duì)象包括1-gram詞和2-gram詞。最后，基于TF-IDF矩陣，采用SVM方法以人工標(biāo)注樣本作為機(jī)器學(xué)習(xí)樣本，對(duì)每條文本進(jìn)行情感類型判斷。其中最核心的SVM判別過(guò)程，基于scikit-learn的svm.LinearSVC模塊編寫代碼完成。

情感判定包括由課題組團(tuán)隊(duì)針對(duì)社交媒體用戶的文本特點(diǎn)、UGC偏重于日常語(yǔ)言和口語(yǔ)化的內(nèi)容風(fēng)格，自行人工編碼和分類的44 432條帖子樣本。通過(guò)對(duì)樣本進(jìn)行“五折法”的學(xué)習(xí)和判別，結(jié)果顯示：平均準(zhǔn)確率為0.816 4、平均精確率為0.971 7、平均召回率為0.826 4、平均F1值為0.884 7。由于

本研究中的情感劃分粒度較細(xì)，高于常見的“正面負(fù)面中性”三分法，故加大了判定難度。在傳播學(xué)內(nèi)容分析研究中，一般認(rèn)為編碼員之間的信度至少應(yīng)該在0.70以上，才能保證結(jié)論的可信度[31]，總體而言，本文現(xiàn)有的分類誤差在通?？山邮艿姆秶鷥?nèi)。

（三）測(cè)量指標(biāo)計(jì)算和處理

當(dāng)情感文本處理完畢后，應(yīng)對(duì)每個(gè)用戶1 000條微博中各類情感出現(xiàn)的頻次和比重進(jìn)行統(tǒng)計(jì)，基于每個(gè)用戶的情感分布結(jié)構(gòu)，通過(guò)k-means算法對(duì)其聚類。將獲取的初始質(zhì)心更迭次數(shù)（n_init）和最大迭代次數(shù)（max_iter）均設(shè)定為100次，依次進(jìn)行3～30種聚類類型試驗(yàn)，主要參考輪廓系數(shù)（silhouette_score）輪廓系數(shù)：定義為s=（b-a）/[max（a，b）]，其中a是樣本與它同類別中其他樣本的平均距離，b是樣本與它距離最近的不同類別中樣本的平均距離。對(duì)于一個(gè)樣本集合而言，它的輪廓系數(shù)是所有樣本輪廓系數(shù)的平均值。取值范圍＼[-1，1＼]，值越大，聚類效果越好。、簇內(nèi)誤差平方和（SSE）簇內(nèi)誤差平方和：表示樣本到最近的聚類中心的距離總和，當(dāng)k-means算法訓(xùn)練完成后，可通過(guò)使用inertia屬性獲取簇內(nèi)的誤方差。、CH指標(biāo)（calinski-haraba index）CH指標(biāo)：由各點(diǎn)與類中心的距離平方和與各類中心點(diǎn)與數(shù)據(jù)集中心點(diǎn)距離平方和的比值得到，值越大，聚類效果越好。等，評(píng)估結(jié)果詳見圖3所示。

結(jié)合誤差指標(biāo)和“肘方法”綜合來(lái)看，圖3顯示當(dāng)聚類數(shù)k為4時(shí)，輪廓系數(shù)最優(yōu);曲線的下降幅度隨k值的增加出現(xiàn)了拐點(diǎn)，表明指標(biāo)綜合值最優(yōu)、聚類效果越好。因此，結(jié)合對(duì)意見領(lǐng)袖情感畫像的刻畫需求，最終將所有用戶自動(dòng)聚為四類（見圖4）。

在SPSS數(shù)據(jù)分析中，將個(gè)體樣本轉(zhuǎn)換為層級(jí)樣本，目的是通過(guò)對(duì)意見領(lǐng)袖的“分層”減少噪音和隨機(jī)擾動(dòng)，保留樣本差異性的同時(shí)提高分布規(guī)律的鮮明度。將粉絲數(shù)按大小劃分為人數(shù)等同的100層，并用層級(jí)數(shù)表示粉絲數(shù)原值，粉絲數(shù)越多，層級(jí)數(shù)越大，用戶級(jí)別也就越高。這種等頻“分箱化”操作法在數(shù)據(jù)預(yù)處理中是一種常用方法，每層人數(shù)等頻既有助于統(tǒng)一口徑和穩(wěn)定計(jì)算結(jié)果，又便于不同層級(jí)之間的比較。

四、實(shí)證檢驗(yàn)與數(shù)據(jù)分析

將等頻切分后的100個(gè)層級(jí)的用戶樣本，按照前文所屬的情感分類體系把情感小類劃歸為怒、惡、煩、懼、悲、哀、疑、認(rèn)可、思、安、驚、樂(lè)、喜、盼、憐、感動(dòng)、其他類以及無(wú)情感十八大類。通過(guò)SPSS分析其中各情感的比重、分布狀況以及與其他變量間的關(guān)聯(lián)度，以考察微博意見領(lǐng)袖具備哪些情感特征。

（一）微博意見領(lǐng)袖“情感化”偏向分析

由分布比例來(lái)看，經(jīng)由SPSS對(duì)所有情感大類的描述統(tǒng)計(jì)，在100個(gè)層級(jí)樣本中，無(wú)情感占比從8.5%到14.1%不等，平均值僅為10.5%，遠(yuǎn)小于其他十七種“情感化”類型的占比之和。也就是說(shuō)，即便是最高層級(jí)的微博意見領(lǐng)袖，其情感分布中的特定情感被表達(dá)的程度也遠(yuǎn)大于完全理性中立的部分。

對(duì)粉絲數(shù)層級(jí)和無(wú)情感占比進(jìn)行Spearman相關(guān)系數(shù)及顯著性檢驗(yàn)，結(jié)果顯示，無(wú)情感比例與粉絲數(shù)層級(jí)的Spearman相關(guān)系數(shù)為-0.476，p值為0.000，呈現(xiàn)顯著的負(fù)相關(guān)性。這表明粉絲數(shù)越多的用戶，其無(wú)情感內(nèi)容顯著減少。也就是說(shuō)，粉絲數(shù)越多的用戶，“非情感化”的程度顯著降低，“情感化”的程度顯著增強(qiáng)。微博意見領(lǐng)袖不一定是客觀理性和事實(shí)傳達(dá)的“意見中介”，而是鮮明地表現(xiàn)出不斷加強(qiáng)傳達(dá)感性的“情感介質(zhì)”。

（二）微博意見領(lǐng)袖情感類型偏向分析

由各情感數(shù)據(jù)點(diǎn)的分布可知，隨著粉絲數(shù)層級(jí)的增加，怒、惡、煩、懼、悲、哀、疑、認(rèn)可等情感的比例呈現(xiàn)增加趨勢(shì)，樂(lè)、喜、盼等情感的比例呈現(xiàn)減少趨勢(shì)，兩者間均存在較為明顯的線性關(guān)系。在具體的相關(guān)性檢驗(yàn)中，Spearman相關(guān)系數(shù)及其顯著性結(jié)果如表1所示。

表1顯示，怒、惡、煩、懼、悲、哀、疑、認(rèn)可、思、安、驚、憐、感動(dòng)這十三種情感的比例和粉絲數(shù)層級(jí)均在0.01水平（雙尾）上具有顯著的正相關(guān)性，其他情感比例與粉絲數(shù)層級(jí)之間也呈現(xiàn)正相關(guān)，p值為0.03。這表明粉絲數(shù)越多的用戶，這些情感類別的比例也越高。在所有的情感大類中，怒、惡、煩、懼、悲、哀和疑七種消極情感的比重均在增加，說(shuō)明意見領(lǐng)袖地位越高，對(duì)消極情感的表達(dá)程度也越高，也即這種負(fù)面情感化的情感偏好在意見領(lǐng)袖群體中比較凸顯。而樂(lè)、喜、盼三種積極情感所占比重與粉絲數(shù)層級(jí)均在0.01水平（雙尾）上具有顯著的負(fù)相關(guān)性。Spearman相關(guān)系數(shù)分別為-0.307、-0.682和-0.842，說(shuō)明隨著用戶粉絲數(shù)的增加，正面情感呈現(xiàn)明顯減少趨勢(shì)。由此可知，微博意見領(lǐng)袖的情感化表達(dá)并非平穩(wěn)均勻地分布在這十七大類情感中，而是在特定情感上有顯著的偏向和差異。

（三）微博意見領(lǐng)袖用戶類型偏向分析

考慮到某些情感在帖子中本身就是占比很高的情感類型，這種絕對(duì)分布比例不能完全體現(xiàn)用戶的情感特征和不同用戶類型之間的差異，故我們將四類用戶在各情感大類上平均分布的絕對(duì)比例轉(zhuǎn)換為相對(duì)比例。為方便描述，設(shè)Xij是第i種用戶類型中第j種情感的帖子所占比例，Xj是第j種情感的帖子在全部帖子中所占的比例，那么，第i種用戶類型中第j種情感的帖子所占相對(duì)比例則為：Yij=Xij - Xj。例如對(duì)于B類用戶而言，其“惡”的帖子所占的比例原始值為8.5%，看起來(lái)很高，實(shí)際上，由于所有用戶的“惡”帖子占比均為13.5%，相對(duì)而言，B類用戶的“惡”屬于偏低型，比值為-5%。這說(shuō)明相對(duì)比例可以較客觀反映用戶的情感偏向，轉(zhuǎn)化后的相對(duì)比例結(jié)果見表2所示。

過(guò)濾掉各情感絕對(duì)分布的影響后，相對(duì)比例結(jié)果顯示：A類用戶各情感分布比例差異小且均勻，沒(méi)有出現(xiàn)特別突出的某種情感的增或減的情況;B類用戶“喜”（18.0%）的相對(duì)比例最高，且與“惡”（-5.0%）等消極情感分布比例的差距較大;C類用戶相對(duì)比例最高的是無(wú)情感（13.7%），且與喜（-8.4%）、惡（-2.3%）等極性鮮明的情感類型表現(xiàn)出較大的分布差距;D類用戶“惡”（7.4%）的相對(duì)比例最高，與“喜”（-11.7%）等積極情感分布比例的差距較大?？梢?，B、C、D幾類用戶分別以喜、無(wú)情感和惡作為主要的情感代表。將這四種情感特征看作用戶“情感基因組”的“質(zhì)心”向量，進(jìn)而可將這四類人概括為平均型、喜聞樂(lè)見型、佛系無(wú)情感型和怒懟型。他們的情感分布畫像如圖5所示。

需補(bǔ)充說(shuō)明的是，本研究之所以選擇聚為四類，除上述量化的誤差分析之外，也是因?yàn)樵诎辞笆霾襟E嘗試較多的聚類數(shù)后，用戶的“情感基因”類型顯現(xiàn)出重復(fù)、交叉等現(xiàn)象，如強(qiáng)怒懟型和弱怒懟型的共存，強(qiáng)喜聞樂(lè)見型和弱喜聞樂(lè)見型的并現(xiàn)，最終通過(guò)人工定性比較，得出不同情感組合的特定“情感基因組”的用戶類型最為核心精簡(jiǎn)的即上述四類，這與聚類的輪廓系數(shù)、CH指標(biāo)等也是吻合的。

在SPSS分析中，根據(jù)上述四類用戶分布情況，生成粉絲數(shù)層級(jí)和用戶比例間的交叉表。限于版面，本文僅羅列級(jí)別最低的10層和級(jí)別最高的10層，結(jié)果如表3所示。表3中，每一行代表該層級(jí)中四類用戶所占比例，每一列代表該類用戶在100層級(jí)上的分布比例。另外，每一行的百分比之和為1，如有不為1的，緣于四舍五入帶來(lái)的偏差，可忽略不計(jì)。

對(duì)用戶根據(jù)粉絲量劃分的層級(jí)及層級(jí)中各類用戶比例進(jìn)行Spearman相關(guān)系數(shù)及顯著性檢驗(yàn)，檢驗(yàn)結(jié)果見表4所示。

由表4可知，粉絲數(shù)層級(jí)與四類用戶在該層級(jí)上的分布比例均在0.01水平（雙尾）上存在顯著的相關(guān)性，其中，D類的分布比例與粉絲數(shù)層級(jí)呈正相關(guān)性，其余三類均為負(fù)相關(guān)性。這表明隨著微博意見領(lǐng)袖影響力層級(jí)的提升，怒懟型用戶的比例顯著增加，而平均型、喜聞樂(lè)見型和佛系無(wú)情感型則顯著減少，說(shuō)明意見領(lǐng)袖在情感畫像上偏向于特定的用戶類型。

綜合表3和表4可知：（1）從絕對(duì)數(shù)量來(lái)看，特點(diǎn)不突出的平均型（A類）占比最大，他們是微博中的“蕓蕓眾生”，在低粉絲量用戶中最普遍;（2）以表達(dá)“喜”為特點(diǎn)的B類用戶，在低粉絲量用戶中占三成以上，但在高粉絲量的用戶中迅速減少;（3）以“無(wú)情感”為特點(diǎn)的“佛系”用戶（C類）占比較低，他們是微博中具有鮮明特色的一類用戶，在不同粉絲數(shù)層級(jí)上的分布比例波動(dòng)不大，與用戶的粉絲量層級(jí)的增長(zhǎng)呈弱負(fù)相關(guān)性;（4）以“惡”為主要特點(diǎn)的“怒懟型”用戶（D類），在低粉絲量用戶中占比不高，但在中、高粉絲量用戶中增長(zhǎng)顯著，有三成多，體現(xiàn)了微博意見領(lǐng)袖的“怒懟型”發(fā)展偏向。這也表明，微博負(fù)面意見氣候、負(fù)面情感氣候的形成，只與少部分中、高“意見領(lǐng)袖”的突出偏向有關(guān)。

五、結(jié) 語(yǔ)

基于對(duì)38 985個(gè)微博樣本的考察和實(shí)證分析表明，意見領(lǐng)袖的話語(yǔ)地位和影響力的高低，與其情感分布特征存在顯著的關(guān)聯(lián)性。一是微博意見領(lǐng)袖具有“情感化”偏向：粉絲數(shù)越多的用戶，非情感化、無(wú)情感的內(nèi)容顯著減少;意見領(lǐng)袖不是冷靜、客觀、無(wú)情感的“信息中介”，而是后真相語(yǔ)境中的社會(huì)情感“策動(dòng)源”。二是微博意見領(lǐng)袖存在特定的情感類型偏向，并非所有情感的加強(qiáng)都與意見領(lǐng)袖地位提升有關(guān)，它只偏倚于少數(shù)類型的情感。三是微博意見領(lǐng)袖存在特定的用戶類型偏向，隨著用戶影響力層級(jí)提高，怒懟型用戶顯著增加，而平均型、喜聞樂(lè)見型、佛系無(wú)情感型用戶顯著減少。

在基于微博樣本的考察中，意見領(lǐng)袖的情感特征得到了檢驗(yàn)，“情感領(lǐng)袖”的理論向度得到實(shí)證支持，對(duì)傳播學(xué)理論和實(shí)踐具有一定啟發(fā)意義。

其一，“意見領(lǐng)袖”和“情感領(lǐng)袖”具有一致性。“情感領(lǐng)袖”的提出，不只強(qiáng)調(diào)內(nèi)容導(dǎo)向下意見領(lǐng)袖的影響力，還側(cè)重其在情感甚至特定類型情感導(dǎo)向下的影響力。情感導(dǎo)向?qū)σ庖婎I(lǐng)袖的考察逐漸從認(rèn)知轉(zhuǎn)向情感。意見領(lǐng)袖和情感領(lǐng)袖可以統(tǒng)一，而且在事實(shí)上也是統(tǒng)一的。情感領(lǐng)袖現(xiàn)象的出現(xiàn)意味著網(wǎng)絡(luò)社會(huì)中的情感是“分層分化”的，意見領(lǐng)袖影響力等級(jí)和地位影響著社會(huì)情感的擴(kuò)散和分布，不同社會(huì)話語(yǔ)層級(jí)的“情感偏向”也不同。對(duì)于如何成為高粉絲量的微博意見領(lǐng)袖而言，在“訴諸真相”還是“訴諸情感”的選擇中，不僅要高度重視“訴諸情感”，還只能訴諸部分特定類型的情感，否則會(huì)事倍功半或者適得其反。而對(duì)于主流媒體與官方部門而言，微博傳播必須培養(yǎng)和鍛造自己的“情感領(lǐng)袖”，而不僅僅是意見領(lǐng)袖。

其二，正視和警惕網(wǎng)絡(luò)社會(huì)尤其是社交媒體中的民意操控。情感領(lǐng)袖是能動(dòng)者，因?yàn)樗麄冊(cè)谝庖姳磉_(dá)中不完全由事實(shí)或理性文化所主宰，而是對(duì)特定情感有側(cè)重和偏移;他們以強(qiáng)大的情感影響力加快了公眾討論中非理性因素的傳播和擴(kuò)散，使意見氣候也更多表現(xiàn)出某種情感特征。在后真相語(yǔ)境中，當(dāng)情感的膨脹遠(yuǎn)大于信息傳播的強(qiáng)度，就會(huì)阻礙公眾深入思考情感背后的客觀事實(shí)，造成受眾對(duì)真相的認(rèn)知偏差。而在這些特定情感類型主導(dǎo)下的網(wǎng)絡(luò)社會(huì)，容易生長(zhǎng)出更多的意見領(lǐng)袖，造成網(wǎng)絡(luò)民意嚴(yán)重扭曲的后果。這既是值得正視和警惕的帶有必然性的現(xiàn)象，又是需要我們?cè)谄饰銎淝楦衅蚝髴?yīng)及時(shí)采取相應(yīng)對(duì)策的媒介化社會(huì)問(wèn)題。

其三，重視并探索網(wǎng)絡(luò)社會(huì)情感調(diào)控的實(shí)踐策略。當(dāng)前的網(wǎng)絡(luò)輿情中常充斥著各種情感化的因素，致使公眾的情感調(diào)控成為網(wǎng)絡(luò)管理的一大難題。為此，一方面，要避免微博乃至社交媒體中的“負(fù)面情感化”偏向問(wèn)題，不應(yīng)單純?yōu)樵鰪?qiáng)社會(huì)情感中的積極面而成為“報(bào)喜不報(bào)憂”的“歡樂(lè)”博主，這違背微博內(nèi)容傳受規(guī)律，而應(yīng)用部分非負(fù)面情感如憐、哀、驚等代替怒、惡、疑等少數(shù)幾類最具社會(huì)沖擊力的情感，發(fā)揮“分流器”的作用。另一方面，盡管微博意見領(lǐng)袖以負(fù)面情感化為突出特征，但主流而積極的情感也是有其夾縫中的生存空間的，主流媒體和主流傳播應(yīng)加大積極“情感領(lǐng)袖”的培養(yǎng)力度，有效發(fā)揮社會(huì)輿情“有的放矢”的調(diào)節(jié)作用。

科塞的“社會(huì)安全閥”理論重點(diǎn)強(qiáng)調(diào)社會(huì)沖突作為“安全閥”機(jī)制為社會(huì)或群體成員提供排泄敵對(duì)意見的正當(dāng)渠道，從而維護(hù)社會(huì)系統(tǒng)的正常運(yùn)行[32]。對(duì)于社交媒體和意見領(lǐng)袖情感演變的內(nèi)在規(guī)律而言，可借鑒這一理論內(nèi)涵，延伸理解“社會(huì)情感緩沖帶”機(jī)制。對(duì)微博中最為負(fù)面、最容易傳導(dǎo)的高激發(fā)性情緒（如惡、怒），將其以同樣易傳導(dǎo)、易發(fā)酵但弱負(fù)面、弱破壞力的負(fù)面情感（如煩）的方式表達(dá)出來(lái)。微博中一些典型的負(fù)面情感由于其在微博用戶中的“情感偏向”，科學(xué)的應(yīng)對(duì)方式不是壓制，而是將其進(jìn)行“緩沖”和有選擇性的媒介“情緒設(shè)置”。因?yàn)槊浇榛蛟S不能決定人們?cè)趺聪?，或許不能決定人們想什么，但在很大程度上可以影響人們以怎樣的情緒想[6]。特定情感類型的有意識(shí)選擇，有助于重塑意見氣候、情感氣候的“擬態(tài)環(huán)境”，減弱最具沖擊力的公共負(fù)面情感的“情緒設(shè)置”，增大微博等社交媒體中社會(huì)情感的和諧與穩(wěn)定因素。

參考文獻(xiàn)：

[1]喻國(guó)明，李彪.輿情熱點(diǎn)中政府危機(jī)干預(yù)的特點(diǎn)及借鑒意義[J].新聞與寫作，2009（6）：57.

[2]蔡騏，曹慧丹.何種意見？何種領(lǐng)袖？——對(duì)網(wǎng)絡(luò)意見領(lǐng)袖的幾點(diǎn)思考[J].新聞?dòng)浾撸?014（8）：23.

[3]郭小安.網(wǎng)絡(luò)抗?fàn)幹兄{言的情感動(dòng)員：策略與劇目[J].國(guó)際新聞界，2013（12）：56-59.

[4]王志英，楊淼，王念新，等.信息安全突發(fā)事件情感領(lǐng)袖群際效應(yīng)研究[J].管理科學(xué)，2019（1）：18-22.

[5]吳江，趙穎慧，高嘉慧.醫(yī)療輿情事件的微博意見領(lǐng)袖識(shí)別與分析研究[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2019（4）：59.

[6]徐翔.從“議程設(shè)置”到“情緒設(shè)置”：媒介傳播“情緒設(shè)置”效果與機(jī)理[J].暨南學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2018（3）：82.

[7]高萍，吳郁薇.從議程設(shè)置到情緒設(shè)置：中美貿(mào)易摩擦期間《人民日?qǐng)?bào)》的情緒引導(dǎo)[J].現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)），2019（10）：67.

[8]王朝陽(yáng)，于惠琳.新聞短視頻傳播中的情緒偏好效應(yīng)——基于梨視頻社會(huì)版塊的實(shí)證研究[J].新聞與傳播評(píng)論，2019（3）：42-55.

[9]白淑英，肖本立.新浪微博中網(wǎng)民的情感動(dòng)員[J].蘭州大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2011（5）：60-68.

[10]劉叢，謝耘耕，萬(wàn)旋傲.微博情緒與微博傳播力的關(guān)系研究——基于24起公共事件相關(guān)微博的實(shí)證分析[J].新聞與傳播研究，2015（9）：103-104.

[11]周楊，張會(huì)平.基于群體分類的微博用戶公共情緒偏好實(shí)證研究[J].情報(bào)探索，2012（11）：4-6.

[12]何躍，朱燦.基于微博的意見領(lǐng)袖網(wǎng)情感特征分析——以“非法疫苗”事件為例[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2017（9）：65-73.

[13]BOLLEN J， MAO H N， PEPE A. Modeling public mood and emotion： Twitter sentiment and socio-economic phenomena[C]. ICWSM. Menlo Park， California： The AAAI Press，2011：450-453.

[14]DUAN X， HE T， SONG L. Research on sentiment classification of Blog based on PMI-IR[C]//International Conference on Natural Language Processing & Knowledge Engineering. IEEE，2010.

[15]李勇，蔡夢(mèng)思，鄒凱，等.社交網(wǎng)絡(luò)用戶線上線下情感傳播差異及影響因素分析——以“成都女司機(jī)被打”事件為例[J].情報(bào)雜志，2016（6）：80-85.

[16]樊博，楊文婷，孫軒.霧霾影響下的公眾情緒與風(fēng)險(xiǎn)感知研究——以天津市微博用戶為分析樣本[J].東北大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2017（5）：489-496.

[17]微博二季度營(yíng)收同比增長(zhǎng)48% 用戶大漲 視頻化提速[EB/OL].（2021-08-18）[2021-09-26]. https：//finance.sina.com.cn/tech/2021-08-18/doc-ikqciyzm2230398.shtml？cref=cj.

[18]拉扎斯菲爾德，貝雷爾森，高德特.人民的選擇：選民如何在總統(tǒng)選戰(zhàn)中做決定[M].唐茜，譯.3版.北京：中國(guó)人民大學(xué)出版社，2012：23.

[19]李波.網(wǎng)絡(luò)輿情中微博意見領(lǐng)袖的培養(yǎng)和引導(dǎo)[J].新聞大學(xué)，2015（1）：145-149.

[20]王佳敏，吳鵬，沈思.突發(fā)事件中意見領(lǐng)袖對(duì)網(wǎng)民的情感影響建模研究[J].情報(bào)雜志，2018（9）：120-126.

[21]張濤甫，項(xiàng)一嵚.中國(guó)微博意見領(lǐng)袖的行動(dòng)特征——基于對(duì)其行動(dòng)空間多重不確定性的分析[J].新聞?dòng)浾撸?012（9）：14-18.

[22]劉志明，劉魯.微博網(wǎng)絡(luò)輿情中的意見領(lǐng)袖識(shí)別及分析[J].系統(tǒng)工程，2011（6）：8-16.

[23]王平，謝耘耕.突發(fā)公共事件中微博意見領(lǐng)袖的實(shí)證研究——以“溫州動(dòng)車事故”為例[J].現(xiàn)代傳播（中國(guó)傳媒大學(xué)學(xué)報(bào)），2012（3）：82-88.

[24]李彪.微博意見領(lǐng)袖群體“肖像素描”——以40個(gè)微博事件中的意見領(lǐng)袖為例[J].新聞?dòng)浾撸?012（9）：19-25.

[25]白貴，王秋菊.微博意見領(lǐng)袖影響力與其構(gòu)成要素間的關(guān)系[J].河北學(xué)刊，2013（2）：171-174.

[26]HANCOCK J T， LANDRIGAN C， SILVER C. Expressing emotion in text-based communication[C]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. New York， United States： Association for Computing Machinery，2007：929-932.

[27]保羅·艾克曼.情緒的解析[M].楊旭，譯.?？冢耗虾３霭婀?，2008：16-22.

[28]PLUTCHIK R. KELLERMAN H. Emotion： theory， research， and experience-theories of emotion[M]. New York： Academic Press，1980：15-21.

[29]徐琳宏，林鴻飛，趙晶.情感語(yǔ)料庫(kù)的構(gòu)建和分析[J].中文信息學(xué)報(bào)，2008（1）：118.

[30]K·T·斯托曼.情緒心理學(xué)[M].張燕云，譯.沈陽(yáng)：遼寧人民出版社，1986：10.

[31]余紅.新聞內(nèi)容分析的信度和效度[J].華中科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2004（4）：107-110.

[32]劉易斯·科塞.社會(huì)沖突的功能[M].孫立平，譯.北京：華夏出版社，1989：24-33.

From “Opinion Leaders” to “Emotional Leaders”： Research

on the Emotional Characteristics of Micro-blog Opinion Leaders

XU Xiang， XIA Min

（College of Arts and Media， Tongji University， Shanghai 201804， China）

Abstract：Opinion leaders on micro-blog are not only the diffusion nodes of opinions， cognition and information， but also the social “emotional leaders”， which clearly reflects their emotional bias， especially the transmission of specific types of emotions. However， there is still a lack of empirical research on micro-blog emotional leaders and their characteristics. Based on the 38 985 users and 1 000 posts per user belonging to Sina micro-blog， SVM and k-means clustering are used for the empirical analysis. First of all， among users who have more followers， the emotional contents increase significantly， while the non-emotional contents significantly decrease. Opinion leaders are not calm， objective and non-emotional information mediators， but the social emotional driving source in the context of post-truth. Secondly， opinion leaders have a bias towards specific emotional types. The promotion of opinion leaders’ status is not related to the strengthening of any emotion， but certain types of emotions. Thirdly， opinion leaders have a bias towards specific user types. By k-means method， the users can be clustered into four emotional categories： anger dominated， joy dominated， non-emotional dominated and emotional homogenized. As the influence level of opinion leaders increases， those who are anger dominated increase significantly and those of the other three types decrease significantly. The feature analysis of micro-blog “emotional leader” is helpful to the theoretical and practical problems such as public opinion guidance， “emotional setting” and emotional regulation in the post-truth society.

Keywords：emotional leaders; opinion leaders; emotional bias; emotional communication; post-truth

（編輯：李春英）

收稿日期：2020-12-16 修訂日期：2021-09-27

基金項(xiàng)目：國(guó)家自然科學(xué)基金青年項(xiàng)目：社交網(wǎng)絡(luò)互動(dòng)中用戶“信息窄化”機(jī)理分析：基于微博的數(shù)據(jù)挖掘（71804126）

作者簡(jiǎn)介：徐 翔（1983-），男，江西上饒人，博士，教授，同濟(jì)大學(xué)中國(guó)特色社會(huì)主義理論研究中心特約研究員，藝術(shù)與傳媒學(xué)院副院長(zhǎng)，全媒體研究院大數(shù)據(jù)與計(jì)算傳播研究中心負(fù)責(zé)人，主要從事網(wǎng)絡(luò)傳播與社交媒體研究;夏 敏（1997-），女，安徽廬江人，碩士研究生，主要從事網(wǎng)絡(luò)傳播與社交媒體研究。

3459500589267