徐 翔靳 菁

(同濟大學 藝術(shù)與傳媒學院,上海 200000)

0 引 言

社交媒體帶來信息的豐富性、便捷性的同時,也伴隨著信息的窄化和局限性等異化現(xiàn)象。Sunstein[1]提出信息繭房的概念,即人們將自身桎梏于像蠶繭一般的繭房中,獲得自身偏好的窄化信息。美國Pew研究中心[2]在2010年指出:互聯(lián)網(wǎng)的一個主要憂慮就是人們會使用新科技使自己退卻到狹窄的興趣中,而那些偶發(fā)的新聞資訊有越來越少的趨勢。英國Ofcom[3]研究表明這種焦慮在加劇。Gossart[4]認為社會化媒體中的信息繭房問題的危害仍有被低估的風險。就在學者們由于信息窄化問題而憂心忡忡時,也有部分學者認為信息視野窄化問題可能存在被夸大的風險。Flaxman等[5]認為,一方面社交媒體推薦新聞比個人訪問行為具有更強烈的意識形態(tài)隔離,另一方面并沒有充足證據(jù)表明社交媒體中的信息偶遇現(xiàn)象有所減少,社交媒體造成了更多了解相反觀點的機會,即選擇性接觸的弱化。Moler等[6]研究表明,協(xié)同過濾算法推薦系統(tǒng)產(chǎn)生了比人工編輯把關(guān)更高的多樣性。Bakshy等[7]在對1 010萬Facebook用戶的分析中發(fā)現(xiàn),很難斷定社交媒體用戶是否由于在線而看到更少或更多的黨派信息,用戶而不是算法更應該為單一意識形態(tài)并且為“活在自己的世界”負責。

筆者對典型社交媒體之一的新浪微博展開實例分析,核心問題為微博的使用者,對微博使用程度的加深,是否會伴隨其內(nèi)容、信息視野的窄化現(xiàn)象,如果有,則這種窄化如何受到使用因素的影響。在抓取新浪微博7 825個有效樣本及其數(shù)千萬條帖子的基礎上,對帖子內(nèi)容進行向量化轉(zhuǎn)換和客觀計算,對于微博用戶的信息窄化現(xiàn)象和效應進行測量及影響因素分析。

1 關(guān)于社交媒體信息窄化的回顧與分析

目前較多的文獻對于信息窄化的相關(guān)理論諸如回音室效應、過濾氣泡、意識形態(tài)隔離、群體極化、同質(zhì)化、多樣性等問題進行了驗證與梳理。有研究將信息視野的窄化與群體同質(zhì)化、觀念壁壘的構(gòu)筑相關(guān)聯(lián)。Lawrence等[8]發(fā)現(xiàn)博客鏈接中的意識形態(tài)隔離,跨黨派產(chǎn)生實質(zhì)交流的機會很少。Himeboim等[9]通過Twitter上跨意識形態(tài)的接觸程度描述10個有爭議的政治話題,結(jié)果發(fā)現(xiàn)了高度自我聯(lián)系的子群。Colleoni等[10]則通過機器學習和社會網(wǎng)絡分析相結(jié)合的方法分析了Twitter上的政治同質(zhì)性,認為社交媒體的回音室效應和公共領(lǐng)域功能同時存在。Conover等[11]使用聚類方法分析超過25萬條推特消息,表明政治信息的轉(zhuǎn)發(fā)網(wǎng)絡和評論網(wǎng)絡出現(xiàn)了隔離結(jié)構(gòu)。高度模塊化的社群圖被分隔為簇狀,這種簇狀連接被認為是同質(zhì)化甚至群體極化。Jacobson等[12]從黨派競爭和選民投票的在線討論角度測量了意見氣候中過濾氣泡的影響。他們發(fā)現(xiàn)帶有政治色彩新聞媒體的信息資源重合率比較少,這意味著社交媒體上的政治討論基于政治傾向,可能存在話語壁壘。而信息視域問題中的多樣性常常被解讀為意識形態(tài)上的交叉曝光,這種交叉曝光既包括話語層面的主題內(nèi)容的多元,甚至包括語氣(tone)極性[13]的不同,比如客觀主觀、正向負向情緒的二分。Nguyen等[14]則將內(nèi)容的多樣性表示為標簽基因,從個體差異角度通過計算兩部電影的歐氏距離對過濾氣泡程度進行量化。

網(wǎng)絡中的同質(zhì)性、用戶選擇性、內(nèi)容推薦和協(xié)同過濾、回音室效應等傳播現(xiàn)象和機制的研究,為用戶信息窄化的形成機理提供了有益參考。社交網(wǎng)絡的用戶存在著同質(zhì)性的關(guān)系[15]。研究者采用LDA(Latent Dirichlet Allocation)方法描述用戶興趣,提出了支持Twitter中同質(zhì)性存在的證據(jù)。用戶避免接觸異質(zhì)性的個人,在同質(zhì)性的接觸的過程中使自己已有的觀點不斷強化。同質(zhì)性網(wǎng)絡中會帶來某些信息傳播速度加快[16]。研究發(fā)現(xiàn),用戶屬性之間的趨同性與信息擴散之間存在相互作用[17]。Twitter用戶間主題興趣越相似則信息越容易在兩個用戶間擴散[18]。

隨著數(shù)字和社交媒體的興起,人們的信息環(huán)境通過社交網(wǎng)絡的構(gòu)建而進一步個性化。Gripsrud等[19]提出,社交網(wǎng)絡的興起、信息的碎片化和移動端的私人化,或許正逐步導致個人信息獲取的窄化。選擇性曝光不僅會使人們曝光于和預先態(tài)度相一致的信息,也使人們從政治中逃避和轉(zhuǎn)向于娛樂信息[20]。結(jié)合用戶個體特征層面,研究者從信息傳播者個人特質(zhì)、情境特征和用戶的話題參與度、確定性偏好[21]、用戶防御動機[22]、信息語境[23]、用戶與話題的相似度等角度,探討了其對網(wǎng)絡用戶信息窄化、信息過濾和信息局限性之間的作用關(guān)聯(lián)。Bessi[24]對facebook中數(shù)萬用戶和超過300萬條評論的分析認為,傳播者人格特質(zhì)和特定性格特征影響他們在facebook回音室中的參與。社交媒體中的話題在擴散上具有偏向性,這可能會作用于受眾的內(nèi)容偏向及其結(jié)構(gòu)。用戶在社交網(wǎng)絡中的受眾規(guī)模和他們關(guān)注主題的多樣性之間存在著關(guān)聯(lián)。

2 研究設計與研究方法

2.1 關(guān)于信息窄化的操作化界定與計算

為研究微博討論中的信息窄化效應,首先需對信息窄化的內(nèi)涵進行界定。本研究界定了在兩個層面上的信息窄化:隨著用戶在微博使用中卷入程度的加深,首先,用戶發(fā)布內(nèi)容的自我相似度提高,在和自己先前發(fā)布內(nèi)容進行比較的用戶維度上,其發(fā)布的重復內(nèi)容增多,自我差異化的程度降低;其次,用戶發(fā)布內(nèi)容的信息豐富度和類別均衡度降低,信息本身的類別分布和主題分布上,從更廣泛地涉及到多種類型而轉(zhuǎn)向更為偏移于少數(shù)局部類型。

需說明的是,本研究的對象是用戶所發(fā)布、生產(chǎn)的內(nèi)容,而不是其接收、閱讀的內(nèi)容。原因其一是用戶所言、所說,與其所閱讀、所關(guān)注的內(nèi)容一樣,也反映用戶在信息、內(nèi)容的寬窄與視野幅度;越是信息窄化的用戶,其信息世界所言、所述同樣也局限在相對狹窄的范圍;其二是統(tǒng)一采用內(nèi)容生產(chǎn)作為尺度,這些對象的采集更為便利和客觀,不像用戶所感、用戶關(guān)注范圍那樣存在著一定程度的模糊性、或難以充分獲得性,可使用統(tǒng)一的標準對這些明確可見的發(fā)布內(nèi)容進行測量,提高測量的客觀性與效度。

為描述信息動態(tài)分布情況,本研究將各個用戶所抽的3 000條帖子,按發(fā)布時間順序排序后,分為發(fā)布時間新和舊的兩半,則單個用戶的這兩半帖子各有1 500條。劃分兩個時間切片,是因為(后半-前半)的結(jié)果,可以有效地體現(xiàn)用戶在一段時間內(nèi)的自我差值,計算簡潔清晰。同時這些差值進行配對樣本t檢驗,具有統(tǒng)計學意義。

2.1.1 內(nèi)容之間的自我相似度、自我重復度提高

如回音室效應定義,較為封閉的系統(tǒng)中信息重復傳播會使人們的觀念不斷放大,人們由此對那些反復傳播的觀念越來越深信不疑。這表明相似或重復的內(nèi)容出現(xiàn)比率的提升意味著人們信息視野的窄化,個體發(fā)布內(nèi)容越來越不關(guān)心外界的聲音,而越來越轉(zhuǎn)向內(nèi)向型生長。因此,將內(nèi)容的自我相似度、重復度視為測量窄化的維度之一。用主題相似度和語義相似度,描述自我重復度的提升與信息視野的窄化。

M1語義相似度(基于word2vec詞嵌入方法的計算)

詞向量(詞嵌入)通過無監(jiān)督訓練方式將文本數(shù)據(jù)轉(zhuǎn)化為低維實數(shù)向量,將語義、語法信息經(jīng)過語言模型訓練,投射到若干維的向量空間中。其結(jié)果不受文本的特征稀疏和知識庫更新速度的制約,讓意義相關(guān)或相似的詞語在距離上更接近[25]。Word2vec是一種經(jīng)典而重要的詞向量/詞嵌入方法,基于簡單的MLP(Muti-Layer Perception)神經(jīng)網(wǎng)絡,訓練速度快,效果也較理想。本研究運用Word2vec神經(jīng)網(wǎng)絡語言模型[26-27]計算每句的詞向量,然后對帖子中每個詞向量,等權(quán)平均后得到句子向量。需要說明的是,由于現(xiàn)有的中文語料庫對于社交媒體文本訓練的針對性較弱,自行訓練采用26 GByte的中文語料庫進行word2vec的詞向量訓練,內(nèi)容來源包括媒體新聞庫、網(wǎng)絡論壇帖子、經(jīng)典名著文本等。

一些研究表明,與使用遞歸或卷積的更為復雜的模型相比,基于簡單詞嵌入的架構(gòu)表現(xiàn)出更好的性能[28-29]。Shen等[30]的研究直接將簡單詞向量模型(SWEM:Simple Word Embedding base Model)與現(xiàn)有的遞歸和卷積網(wǎng)絡進行了比較,結(jié)果表明,在大多數(shù)情況下,SWEM表現(xiàn)出更高的性能。

在得到所有帖子句向量在300維空間中的分布后,基于余弦相似度和類平均法的衡量方式,采用

的方法計算前一半或后一半的i條帖子內(nèi)部的總體相似度、自我雷同情況,與前文相同,該值S值越大,表明總體上帖子相互的相似、相近度越高。對每個用戶的帖子,根據(jù)S得到其在前后兩半時間中的差值S′。該差值S′越大,表明新一半內(nèi)容的自我相似度、自我重復度比舊一半的更高,也即更趨于窄化。

2.1.2 信息、內(nèi)容在類別分布上的豐富度降低

從內(nèi)容維度出發(fā)評價用戶發(fā)布信息的豐富度、多元度,文本蘊含的信息越豐富,涵蓋語義越廣泛,越說明用戶并沒有陷入信息窄化情況中。反之如果信息豐富度下降,也可以一定程度上說明信息視野的窄化。

M2類別豐富度(基于k-means聚類和香農(nóng)熵的計算)

在對文本進行句向量處理后,利用k-means聚類方法識別帖子所屬的內(nèi)容類別。k-means算法是一種典型而常用的無監(jiān)督聚類算法,具有算法思想簡單、收斂速度快、局部搜索能力強等特點。通過k-means對文本分類的方法,已經(jīng)廣泛應用于新聞自動分類、熱點詞匯挖掘等領(lǐng)域。還有學者強調(diào)應用于文本聚類的基于詞性和詞共現(xiàn)的特征選擇方法[31]。

將所有的23 475 000條樣本帖子根據(jù)其word2vec的向量,基于k-means方法聚為150類,從而計算得到每個用戶在150類內(nèi)容上的分布概率,然后通過香農(nóng)熵計算每條帖子蘊含的信息豐富度,計算方法為

通過新一半減舊一半的香農(nóng)熵的差值,反映用戶在內(nèi)容的類別豐富度的變化態(tài)勢。這個差值越大,則表明新一半內(nèi)容較舊一半內(nèi)容的分布均衡程度越高;反之亦然。

結(jié)合上述內(nèi)涵,基于對用戶所發(fā)布的內(nèi)容的計算與考察,基本假設及其子假設如下:

H:用戶隨著微博使用程度的增加,存在著信息窄化的現(xiàn)象與趨勢;

H1:用戶隨著微博使用程度的增加,用戶內(nèi)容的自我相似度提高;

H1.1:用戶對于微博的使用程度,與其發(fā)布內(nèi)容在語義上的自我相似度(基于word2vec句向量的計算),呈顯著的正相關(guān)關(guān)系;

H2:用戶隨著微博使用程度的增加,用戶的內(nèi)容豐富度降低;

H2.1:用戶對于微博的使用程度,與其發(fā)布內(nèi)容在語義上的主題均衡度(基于word2vec句向量的聚類),呈顯著的負相關(guān)關(guān)系。

2.2 用戶使用程度

用戶所卷入社交網(wǎng)絡的程度不同,與其發(fā)布帖子的文本特質(zhì)變化可能存在某種關(guān)聯(lián),因此筆者需要將用戶進行分層,探究不同用戶群體的社交網(wǎng)絡使用程度。按照卷入不同,可以分成使用度、活躍度、影響度3個層面。

一是用戶對微博的接受、跟進的歷史情況和卷入程度,用用戶在微博的注冊時長表示。二是用戶在微博這個媒介空間中有充分的使用頻率、活躍性以及在此媒體中的實際使用行為。用以下微博平臺自身的官方指標進行衡量:1)用戶的微博賬戶等級;2)用戶的微博賬戶經(jīng)驗值;3)用戶的關(guān)注者數(shù)量。三是還需要考量用戶的使用效果。本處采取用戶的最為直觀可見的指標之一—— 粉絲數(shù)進行衡量。這也體現(xiàn)用戶的影響力。微博空間中高度的卷入、對其他用戶有吸引力的內(nèi)容、有效的社交網(wǎng)絡行為、活躍的投入等使用因素,都與其可能獲得的粉絲數(shù)、影響力之間存在著關(guān)聯(lián)。

上述3個層面,是分別遞進的層面,最先的媒介接觸和媒介卷入(注冊時長)→媒介使用的活性(微博賬戶等級、微博賬戶經(jīng)驗值、關(guān)注者數(shù)等)→媒介使用的實際效果和使用影響(粉絲數(shù))。選這3個方面的維度及其可操作性的指標,也具有較好經(jīng)驗直觀性、非黑箱化的易理解性。

2.3 樣本選擇和抓取

首先,課題組運用開源網(wǎng)頁文本抓取工具“八爪魚”,以及自行用python和selenium編寫的動態(tài)網(wǎng)頁抓取程序,抓取了10 037位用戶及其發(fā)布的34 892 987條微博帖子,以及這個用戶的個體指標,包括用戶的注冊日期、微博賬戶官方經(jīng)驗值、微博賬戶等級、關(guān)注其他賬號數(shù)量、粉絲數(shù)量等原始數(shù)據(jù)。數(shù)據(jù)抓取完畢的時間是2018年11月,經(jīng)過一年對大規(guī)模數(shù)據(jù)的清洗、分析和反復論證得到研究結(jié)果。采用python編程語言,對抓取到的內(nèi)容、數(shù)據(jù)進行文本清洗、預處理。由于每個用戶抓取到的帖子數(shù)量不一致,統(tǒng)一對每個用戶隨機選取3 000條帖子。最后剩下的發(fā)微博數(shù)大于或等于3 000的用戶數(shù)量為7 825個。

對用戶指標的連續(xù)性數(shù)值進行分箱化,增強結(jié)果的宏觀穩(wěn)定性。集中于對微博用戶的分層,將樣本按照不同指標分成30個層級。按照指標值的大小序號,分為同等用戶數(shù)量的30個層級,每個層級的默認用戶數(shù)為int(7 825/30);部分指標不足以分30層,則保留合并相同的值到同一層。

這種對用戶的分層分析,對用戶群從定序尺度進行分析,而非定距或定比尺度,規(guī)避不同指標量綱的不統(tǒng)一、差異過大等問題,并增強結(jié)果的穩(wěn)定性。其外,定序尺度的分層級有助于對用戶樣本進行相等人數(shù)規(guī)模的分層,從而避免人數(shù)過多或過少的層之間的不均衡,使不同層次之間的比較標準更為統(tǒng)一。同時也增強社交網(wǎng)絡用戶在更大尺度上的整體效應和結(jié)構(gòu),尋求更為宏觀尺度的結(jié)果,減少個體的過大隨機噪音和擾動。

用于分析和分層的指標如表1所示。各用戶層級的分布廣泛和覆蓋均衡,所抽取得到的用戶及其分層分析,具有良好的覆蓋面和代表性。微博賬戶等級、經(jīng)驗值指標下,層級不滿30層是由于某一層內(nèi)差異化的數(shù)量過少,此情況下,數(shù)值相同的樣本盡管數(shù)量可能比其他一些層多,但依然分到同一層,所以會調(diào)整、減少分層數(shù)量。

表1 微博樣本用戶分析的各指標Tab.1 Indicators in users analysis in Sina Weibo samples

3 分析結(jié)果

從前文所闡述信息窄化的內(nèi)涵及其界定方法出發(fā),圍繞自我相似度和信息豐富度兩個層面進行,集中于H1、H2及其各自的子假設。

為描述動態(tài)維度的信息視域變化,采用的方法是將帖子按照用戶發(fā)布內(nèi)容的時間順序分為前后兩半,經(jīng)過將較新一半的發(fā)布內(nèi)容計算結(jié)果減去較舊一半發(fā)布內(nèi)容的計算結(jié)果,得到的差值是否顯著大于0將被視作較新和較舊結(jié)果產(chǎn)生明顯變化的重要分野。需要說明的是,統(tǒng)一較新和較舊的數(shù)據(jù)量口徑都設置為1 500條,同一用戶同樣數(shù)據(jù)量在發(fā)布內(nèi)容在縱向時間上的比較排除了其他干擾,更具有可比性與科學性。

3.1 信息自我相似度的動態(tài)測量結(jié)果及其與用戶使用層級的相關(guān)性

本部分是對H1的檢驗。

語義相似度與用戶使用層級的關(guān)聯(lián)。首先,計算用戶帖子的語義相似度,并繼而計算得到新舊一半帖子的差值。在對Word2vec_CBOW句向量結(jié)果按照貼子發(fā)布時間分布后,從較新減去較舊的差值表現(xiàn)看,用戶隨著使用層級的增加,自我相似度的上升趨勢甚至更加明顯(見圖1)。

圖1 用戶新舊文本內(nèi)部相似度的差值與其微博使用指標Fig.1 The difference between the individual similarity of the user's new and old text and its Weibo usage indicator

將這種趨勢進行統(tǒng)計學的相關(guān)性檢驗,語義相似度與用戶對社交網(wǎng)絡的使用程度產(chǎn)生了更加強烈的關(guān)聯(lián)(見表2)。用戶活躍程度與自我語義相似度的關(guān)聯(lián)甚至達0.91,產(chǎn)生了較為強烈的線性擬合結(jié)果。說明用戶在社交網(wǎng)絡中的使用程度與所發(fā)布信息的自我相似度之間,的確存在顯著乃至較強的線性正相關(guān)。

表2 用戶新舊文本內(nèi)部相似度的差值與其微博使用指標的相關(guān)分析(word2vec)Tab.2 Correlation analysis of the difference between the individual similarity of users'old and new texts and their Weibo usage indicators(word2vec)

3.2 信息豐富度的動態(tài)測量結(jié)果及其與用戶使用層級的相關(guān)性

本部分是對H2的檢驗。

類別豐富度與用戶使用層級的關(guān)聯(lián)。對信息豐富度的檢測,使用較新發(fā)布內(nèi)容與較舊發(fā)布內(nèi)容差值比較的方法,發(fā)現(xiàn)通過k-means聚類結(jié)果得到的類別豐富度差值中,位于0以上的結(jié)果多在圖2中的子圖左側(cè)即用戶使用層級的前半段,這種情況下表示新發(fā)布內(nèi)容類別比舊的內(nèi)容更加豐富、更為廣泛和均衡。但隨著用戶使用層級的增加,逐漸出現(xiàn)和增多0以下的結(jié)果,即新發(fā)布的信息豐富度、廣泛和均衡程度不如較舊的帖子。圖2描述了用戶層級增加與新舊兩半計算結(jié)果差值變化曲線之間的關(guān)系;新的信息其豐富度不如舊發(fā)布內(nèi)容的豐富度的情況,多存在于社交媒體使用層級較深的用戶之中。

圖2 用戶新舊文本聚類后信息豐富度差值與其微博使用指標(word2vec與k-means聚類)Fig.2 The difference in information richness of users'new and old texts after clustering and their Weibo usage indicators

線性相關(guān)關(guān)系的統(tǒng)計檢驗顯示(見表3),Word2vec方法得到的帖子向量,經(jīng)k-means聚類后查看香農(nóng)熵值以衡量文本包含的信息豐富度,結(jié)果比較顯著地說明,隨著用戶使用的層級增加,用戶的信息發(fā)布類別熵值呈現(xiàn)比較明顯的下降趨勢,負相關(guān)系數(shù)甚至達到了-0.92,這與信息視野窄化中的豐富度降低相對應。

表3 用戶新舊文本聚類后信息豐富度差值與其微博使用指標的相關(guān)分析(word2vec與k-means聚類)Tab.3 Correlation analysis between the difference in information richness of users'new and old texts and their Weibo usage indicators after clustering(Word2vec and k-means clustering)

4 結(jié) 論

1)通過神經(jīng)網(wǎng)絡詞向量、大規(guī)模的統(tǒng)計文本挖掘、前后折半t檢驗等多種新方法的復合使用,測量和分析微博使用中的信息窄化現(xiàn)象,通過主題分布和信息類型的不同維度,對信息窄化從動態(tài)變化角度出發(fā)而測量新舊差值的配對表現(xiàn)。新方法的使用在關(guān)于社交網(wǎng)絡的信息窄化的實證分析中,有一定的新意,以及針對本問題的切實有效性。2)不是一般性地驗證微博用戶是不會發(fā)生信息窄化,而是在檢驗信息窄化存在的基礎上,明確地聚焦于社交網(wǎng)絡的媒介使用與這種窄化的關(guān)系。3)未從智能推薦和算法、社會網(wǎng)絡等常見角度探討用戶的信息窄化,而是明確分析社交網(wǎng)絡使用度、活躍度、影響度的現(xiàn)實指標所伴隨的信息窄化,而這些具體的指標有助于更為清晰而明確地掌握社交網(wǎng)絡使用和用戶信息窄化的關(guān)系及其作用程度。

H1、H2均顯著地通過了檢驗。這種窄化具有系統(tǒng)性和穩(wěn)定性的效應機制。各個子假設的分析結(jié)果一致地顯示,微博的使用日趨加深中,伴隨著用戶信息視野趨于窄化的現(xiàn)象。主要體現(xiàn)在用戶其自我相似度的增加以及信息豐富度的降低兩方面。隨著用戶使用社交網(wǎng)絡程度的增加,它與信息窄化程度的相關(guān)關(guān)系顯著,在部分指標下其斯皮爾曼相關(guān)系數(shù)達到了0.9以上。

表4 用戶信息窄化和微博使用程度的關(guān)聯(lián)性—— 以皮爾森相關(guān)系數(shù)為例Tab.4 The correlation between information narrowing and the degree of Weibo usage:taking Pearson's correlation coefficient as an example

5 結(jié) 語

筆者通過Word2vec和k-means兩種方法對社交媒體文本進行挖掘,以自我相似度和信息豐富度兩個層面刻畫信息窄化的程度,通過區(qū)分時間軸上的新舊文本,以動態(tài)維度衡量用戶生產(chǎn)內(nèi)容中的變化。結(jié)果表明上述兩個層面體現(xiàn)的信息窄化均和用戶的社交網(wǎng)絡使用度、活躍度、影響度等使用程度指標具有顯著關(guān)系。社交網(wǎng)絡帶來大量的信息汪洋,信息繭房聚焦點,多數(shù)是作為被動接受的受眾如何被局限和束縛,例如推薦算法、過濾氣泡等各種因素的作用。然而從單純的受眾層面轉(zhuǎn)向更為復雜的使用者層面,同樣也潛藏著在信息增長中的張力與悖論。將用戶的微博使用程度作為影響因素與其信息窄化程度建立聯(lián)系進行考察顯示,不僅作為被信息世界所包裹的受眾角色存在著信息繭房的風險;具有一定主動性的使用者而非單純意義上的受眾,同樣也存在著這種社交網(wǎng)絡用戶繭房化、信息窄化的現(xiàn)實態(tài)勢。