不同情緒對網絡群體極化影響的實證研究

龔艷萍+馬艷玲

內容摘要：為了研究網絡群體中不同情緒對群體極化的影響，本文從網絡上已發生的群體極化現象出發，使用python抓取2016年8月17日到2016年10月8日期間的41496825條微博評論作為數據樣本，并通過Stanford Word Segmenter進行文本分詞，然后使用LIWC進行文本分析，進而結合群體極化的測量方法，建立VAR模型。研究發現：負向情緒比正向情緒更容易引起網絡群體極化；相比于悲傷情緒和焦慮情緒，憤怒情緒更容易引起網絡群體極化。最后，為企業處理公關危機以及政府應對輿論輿情等提供決策建議。

關鍵詞：情緒 網絡群體極化 VAR模型

互聯網的發展普及，促使了“群體極化”現象在虛擬網絡中出現，并且相較于傳統形式，網絡化的“群體極化”具有作用強度更大性和傳播范圍更廣性等特點。最近韓國部署薩德事件引起了中國人民極大的憤怒和不滿，網絡群體極化現象尤為顯著；另外，網絡群體極化帶來的正面影響事例也不在少數。例如順豐總裁王衛積極回應快遞小哥被打事件，給順豐集團樹立了良好的企業形象；中國足球的崛起以及中國女排在里約奧運會上摘得金牌都為廣大人民提升了民族自豪感。

“群體極化”現象和群體性事件、社會熱點、以及重大的突發事件等有著很大的關系，所以實際生活中的熱點事件在網絡的環境下形成“極化”就很容易，考慮到這種現象對人們生活的巨大影響，學術界也開始對此進行專門的研究。已有研究多是從政治極化的角度考慮對輿情的影響，并且研究多集中在群體極化的影響因素以及相應的對策上，方法大多采用實驗法和理論論述，但是對于群體極化的測量沒有一個統一的標準。

本文考慮采用文本量化方法，首先使用Python軟件抓取王寶強離婚事件相關的41496825條微博評論的文本信息，其次通過Stanford Word Segmenter（斯坦福分詞系統）進行文本分詞，然后使用LIWC（語言探索與字詞計數文本分析軟件）進行統計和文本分析，考慮到內生性問題，根據所得數據通過R語言建立VAR模型，目的是探究哪些情緒更容易引起網絡群體極化，進而為公司的品牌推廣、對公關危機的處理以及政府部門對輿論的把控等活動提供理論借鑒。

研究假設

群體極化（group polarization）本來是社會心理學提出來的概念，是指有相同觀點傾向的人在經過群體之間的討論之后，對于原來的觀點更加固守的同時變得更加極端的社會現象。而網絡群體極化（Network Group polarization）是從群體極化的概念發展起來的。最早由美國芝加哥大學教授凱斯·桑斯坦提出，他認為“群體極化一定會發生在網絡之中。因為對于很多人來說，網絡就是一個承載極端主義的沃土，由于志趣相同的人們可以在網絡之中無障礙、高頻率的進行交流溝通，很難聽到跟自己觀點不同的意見。這樣頻繁的在這種場合之中，就會使得他們相信別人的觀點。各種原來無既定想法的人，因為他們所見不同，最后會各自走向極端，造成分裂的結果，或者鑄成大錯并帶來混亂。”

正向情緒與網絡群體極化。根據傳統的情緒理論，情緒可以按照“效價-喚醒度”劃分為正效價情緒和負效價情緒。正向情緒（positive emotion）也就是積極情緒或者是有著正效價的情緒。Turner （2009）在他的心理互動分析的情感理論中提出，積極情感可能促進參與互動的人使用同樣的情感語言。互動嵌套于相互的社團之中，從而在互動過程中提高期望被滿足的可能性，即互動交流和正向情緒之間存在著密切的關聯。由此可見，正向情緒能夠促使網絡群體成員之間進行頻繁的交流與互動，從而更容易產生從眾行為，進而引發網絡群體極化，因此本文提出假設：

H1：在網絡群體中，正向情緒占比越大，越容易引起網絡群體極化。

負向情緒與網絡群體極化。和帶來愉快感受的正向情緒相比，負向情緒一般會帶來一種不愉快的感受。Fredrickson（2003， 2005）的“拓展-塑造理論”（broaden and build theory）認為，憤怒一般會導致攻擊性行為，恐懼一般會使得個體產生逃跑行為，而厭惡一般會使得個體產生一種驅逐性行為等等。如果個體處在負向情緒狀態的時候，他的思維就會發生變化，變得越來越狹窄，同時思維專注在使負向情緒發生的情境或事件之中，然后變得緊張且警惕，從而加速肢體的血液流動，隨時準備“逃離或者是斗爭”（Fredrickson.，1998， 2001， 2003， 2005），所以容易出現極端的行為或是態度。因此，本文假設：

H2：在網絡群體中，負向情緒占比越大，越容易引起網絡群體極化。

情緒信息等價模型指出，相比于正向情緒的全局性加工模式，負向情緒更多導致的是局部的加工模式。而且情緒的負性偏向觀點指出，個體對所處環境下的負性情緒信息是有著非一般的敏感性的，被稱為情緒的負性偏向現象。即，相比于中性的與正性的，個體會優先對負性的刺激產生一種認知加工（Delplanque & Silvert.，2005；Huang & Luo.，2006；Yuan et al.，2007）。因為負向情緒被喚醒的時間比正向情緒短，也可以說，在一樣的情境下，負向情緒首先會被激活。由此我們可以假設：

H3：在網絡群體中，相比于正向情緒，負向情緒更容易引起網絡群體極化。

憤怒、悲傷、焦慮與網絡群體極化。結合Fleur J.M. Laros和Jan Benedict E.M.Steenkamp 于2005年提出的消費者情緒模型以及Ekman（1992）提出的最基本的消極情緒分類，本文主要研究憤怒、悲傷以及焦慮這三種負向情緒對網絡群體極化的影響。Lemer&Keltner（2001）的以“亞洲疾病問題”作為實驗情境的關于風險決策的實驗發現，如果被試是帶有憤怒情緒的，那么他更可能采用高風險的決策。Raghunathan等的研究表明，如果是在賭博情境中，與焦慮情緒的個體相比，悲傷情緒更愿意進行獲益和風險都比較高的賭博游戲。雖然對于焦慮情緒的研究很多，但是很少有學者研究焦慮情緒與群體極化之間的關系。Raghunathan研究了被試在賭博中的冒險行為，結果表明悲傷情緒與中性情緒、焦慮情緒的被試不同，對于贏利和風險游戲有著低偏好。上述分析表明，焦慮情緒更傾向于風險規避行為，而悲傷會導致更多的尋求行為出現。和憤怒相比，悲傷和更低的喚醒狀態有關（Zhu & Thagard.，2002），而憤怒有著更高的冒險性，憤怒更容易引起網絡群體極化。因此本文假設：endprint

H4：在網絡群體中，與悲傷情緒、焦慮情緒相比，憤怒情緒更容易引起網絡群體極化。

數據分析與假設檢驗

（一）數據準備

數據選取。本研究選取“王寶強離婚事件”中王寶強發表的離婚聲明一條新浪微博的評論為研究對象。使用python工具，抓取此微博評論的文本信息，時間是從2016年8月17日到2016年10月8日，一共抓取了41496825條評論，包括ID、評論時間及評論內容。

數據處理。本文數據處理參照Kelly Hewett et al.于2016年發表在Journal of Marketing上的關于品牌回聲效應文章當中數據處理方式。首先對已經抓取的文本數據使用斯坦福大學分詞系統（Stanford Word Segmenter）進行斷詞，然后導入以SC-LIWC（偵測率達82.94%）為詞典的LIWC（語言探索與字詞計數文本分析軟件）進行分析。

變量選擇。網絡群體極化（Network Group polarization）參照霍鳳寧（2015）測量網絡群體極化的方法進行測量；正向情緒（positive）、負向情緒（negative）、憤怒情緒（anger）、悲傷情緒（sadness）以及焦慮情緒（anxiety）通過LIWC提取相應情緒詞的占比進行測量。

（二）模型的建立、估計及結果分析

1.單位根檢驗。變量的平穩性決定了模型估計的可靠性，所以變量為平穩的時間序列可以直接構建無約束的VAR模型。所以，我們首先對時間序列進行單位根檢驗以檢查其平穩性。由表1結果可見，群體極化因子、正向情緒、負向情緒、憤怒、悲傷、焦慮相應占比的原序列均通過了ADF單位根檢驗，為平穩序列。

為了檢驗假設H1-H3，需要建立以群體極化、正向情緒、負向情緒為變量的模型。首先在R語言中對最優的滯后階數進行判斷，得出各項標準皆選擇p=1為最優的滯后階數，因此我們建立VAR（1）模型。接下來通過vars包中的VAR函數建立所需模型，具體如下：

Polarization= 0.541689916 Polarization.l1 + 0.003572697 posemo.l1 + 0.084698681 negemo.l1 +const

分析上述結果可以得到以下結論：群體極化的滯后項對其本身有著重要的促進作用，即群體極化具有時間傳導性，如果前一天的極化影響較大，則后一天有較大可能性產生與前一天同樣大的極化影響；正向情緒與負向情緒均對極化影響具有促進作用，并且負向情緒的影響更顯著，這一點我們在接下來的脈沖響應函數中可以更直觀看到。

2.脈沖響應函數分析。脈沖響應函數是用來檢驗內生變量之間動態相互關系的，或者說在一個單位的干擾或沖擊的影響下，由于VAR模型中不要求擾動之間的相互獨立，從而產生在整個穩定的系統之內進行傳遞而帶來對該變量及其它變量的影響。為了驗證假設H1-H3，分別考慮正向情緒、負向情緒一個標準差信息下的脈沖對群體極化的動態影響（見圖 1）。

總的來看，在 30 期（以天為單位）的反應期內，一個單位正向情緒和負向情緒的沖擊分別對網絡群體極化的影響均是正的，因而可以證明假設H1和H2。具體來看，正向情緒和負向情緒的沖擊影響使極化影響均在第3期左右達到最大，并且負向情緒所導致的變動幅度明顯大于正向情緒（從而驗證了H3），群體極化在達到最高點后均緩慢下降，在沖擊后的14期后基本趨于原水平，說明極化影響在受到情緒異常變動后需要較長時間才能消除影響。

同樣地，為了驗證假設H4，針對群體極化、焦慮、憤怒和悲傷建立VAR模型（在選擇滯后階數的過程中，HQ、SC判斷標準得到的結果為p=1，而AIC準則結果為p=6，考慮到模型的簡潔性我們只考慮VAR（1）模型），相應的脈沖響應函數見圖2所示。

從圖2中可以得到以下結論：群體極化一個單位的沖擊會對其自身之后的值產生相當大的正向影響，但影響減小速度很快；焦慮、憤怒、悲傷均會對群體極化產生正的影響，并且極化影響均在第2天或者第3天達到最大，其中憤怒產生的影響最大（從而驗證了假設H4）；三種情緒沖擊產生的影響大概在第10期趨近于0。

結論與研究意義

之前對群體極化的研究主要是通過線下問卷調查或者是實驗法來進行研究，而本文主要研究的是網絡中的群體極化，考慮到內生性的問題，我們使用自向量回歸模型來分析不同的情緒對網絡群體極化的影響。本文的主要結論有兩點：正向情緒和負向情緒都會正向影響網絡群體極化，但是與正向情緒相比，負向情緒占比越大，越容易引起網絡群體極化；與悲傷情緒、焦慮情緒相比，憤怒情緒占比越大，越容易引起網絡群體極化。

根據實證結論，對企業正確處理公關危機以及政府正確處理輿論輿情提供決策建議：對于政府而言，當發生威脅社會國家安全等事件時候，政府應盡快采取措施平息群眾對事件的憤怒等情緒，避免網絡群體極化的形成，從而避免導致的負面影響，政府對媒體應該起到應有的監管作用，與媒體方面加強溝通，及時察覺民眾的憤怒等負向情緒，并設法引導平復。對于企業而言，民眾對企業行為所產生的正面或者負面看法都很容易產生極化影響，所以當企業察覺公關危機但是還沒有形成網絡群體極化的時候，就應該率先采取行動，撫平民眾的憤怒等情緒，對于正向情緒積極引導，避免負向情緒導致的網絡群體極化，變危機為轉機，提升企業形象。

參考文獻：

1.霍鳳寧.網絡群體極化的判定、測量與干預策略研究[J].電子政務，2015（10）

2.程曉煜.基于VAR模型的貿易增長與跨境電子商務關系實證研究[J].商業經濟研究，2016（12）

3.辛文娟，賴涵.群體極化視域下網絡輿情的演化機制研究——以微博網民討論“浙江溫嶺殺醫案”為例[J].情報雜志，2015（2）

4.鐘毅平，范偉，蔡榮華，譚千保，肖麗輝，占友龍，羅西，秦敏輝.正性情緒誘導下的自我參照加工：來自ERPs的證據[J].心理學報，2014（3）

5.陳啟強.基于情緒知識的微博網絡營銷策略分析[J].商業經濟研究，2016（8）

6.Kelly Hewett， William Rand， Roland T. Rust， & Harald J. van Heerde.Brand Buzz in the Echoverse[J].Journal of Marketing，2016（5）

7.Talarico，J. M.，Berntsen， D.， Rubin， D， C.Positive emotions enhance recall of peripheral details[J].Cognition and Emotion， 2009（23）

8.Tagar M R，Fedrico C M，Halperin E.The positive effect of negative emotions in protracted conflict：The case of anger[J].Journal of Experimental Social Psychology，2011，47（1）endprint