社交媒体中用户评论如何影响报道传播效果——基于MAIN模型的交互线索
一 引言
互联网的快速发展以及社交媒体平台的崛起,极大地促进了传播者与用户之间的互动,也进一步推动了用户的新闻参与。以微博为例的社交媒体一对多式传播,以及点赞、评论、转发等功能极大地促进了传者与受者之间的互动,甚至进一步改变了新闻生产的结构。曾庆香等学者认为,人们在浏览完新闻后,会自然而然地继续翻阅下方的评论,甚至为评论点赞或是在评论区中回复他人评论。这种短评论与新闻内容本体一起构成了受众对一则新闻的阅读和理解过程。这与MAIN模型(Modality- Agency-Interactivity-Navigability)中提到的“要使信息被视为交互式信息,它不仅必须取决于来自交互伙伴的前一条消息,而且还必须取决于它之前的消息。”大体一致。
在社交媒体中用户评论能够成为交互线索,通过影响受众对新闻的阅读和理解过程从而影响新闻报道的传播效果吗?到目前为止,在线评论对新闻报道的影响仍然存在一定争议。有的学者认为评论中的不文明现象会对报道效果产生影响,而另一些学者则认为不文明评论并不会影响报道效果。这些不一致的研究结论一方面不利于学者对其进行深入研究,另一方面对于社交媒体平台而言也会影响其对于评论区的管理和功能完善。因此,本文试图先采取元分析(Meta-Analysis)方法,对已有的用户评论对报道传播效果影响的实证研究进行定量统计分析,系统评价相关因素的影响效果;再提取出确定能够影响传播效果的因素放在中国社交媒体平台——微博中进行实证研究,从传播效果的三个层面——认知、情感、行为来整体考察用户评论对传播效果的影响。
二、文献回顾
(一)MAIN模型
MAIN模型是由宾夕法尼亚州立大学媒介效果研究实验室对各种数字媒体进行了十年的研究后,确定了四种显著影响心理效果的线索——模态(Modality)、代理(Agency)、交互性(Interactivity)以及导航性(Navigability)。这些线索或多或少都存在于大多数数字媒体中,并且能够提供相关的启发式方法。MAIN模型主要关注数字媒体可能影响可信度判断的技术方面。因此,其起点是技术的可供性,这意味着媒介拥有促进某种行动的特定能力。
在MAIN模型中,模态(Modality)是四种线索中最具结构性,也是界面上最明显的。例如文本模态、听觉模态、试听模态等。而每种单独的模态都可以通过其单独存在来提示特定的启发式,也可以通过模态的组合来提示。目前的社交媒体平台大多都是由不同模态组合构成的。代理(Agency)在一定程度上则等同于“来源”。Sundar和Nass的研究结果显示,所有来源中最受喜爱的是“其他用户”。也就是当其他用户被归为消息来源时,研究参与者更喜欢这些信息并且认为它们的质量高于新闻编辑或者是自己作为来源。这些结果也可能是由于潮流启发式的运作。这与T. Franklin Waddel的研究结果一致,Franklin认为,用户评论可能激发“潮流启发式”的心理机制来影响报道的可信度,即“如果其他人对这篇文章进行了积极的评价,那么我也应该这样做。”
而交互性(Interactivity)则更能够体现用户评论在传播效果影响中的作用。Carrie Heeter提出,交互性进一步表明,媒体对用户的需求做出反应,并且它能够考虑到交互过程中用户输入的变化。而交互性的真正价值在于它让用户能够充当信息来源,而不仅仅是信息的接收者。导航性(Navigability)是指界面上的一些导航标识,例如菜单栏,搜索框,外部链接等等。在社交媒体平台上,评论区就在文章下方的选项卡中。研究显示,这样的选项卡或者下拉列表都可能提示“选择启发式”。因此,利用选择启发式的最佳方法是仅在积极因素超过消极因素时才触发它。在T. Franklin Waddel的研究中也有提到,正面的评论将会导致更高的可信度以及问题重要性的感知。
(二)用户评论对报道传播效果影响的分歧
以往学者对于用户评论对报道传播效果的影响主要是从新闻网站和社交媒体两个平台出发,其中社交媒体囊括了Twitter、Facebook、YouTube、Blog、Weibo(Microblog)等多种平台。
一些学者认为,评论语气的文明程度对其他用户感知新闻质量产生了显著影响。例如Luwei Rose Luqiu指出,不文明评论对新闻报道的质量感知有显著影响,且接触不文明评论的参与者对新闻报道的质量评估明显低于接触文明评论的参与者。但Rui Shi的研究则发现,评论的文明或不文明语气并不会影响对新闻报道的质量感知。而Porismita Borah的研究结果则表明,不文明评论能够产生影响,但与Luwei Rose Luqiu结果相反的是——评论中的不文明行为反而会导致更高的参与意愿及在线参与。这样的分歧也存在于其他因素的讨论中。Rui Shi等学者认为,正面评论比负面评论导致了更高的质量感知。对于这一问题也有完全相反的研究结果。例如Christian von Sikorski的研究则发现,暴露于负面评论的参与者有着更高的质量感知。而Naab等学者将评论中的支持与批评也纳入到效价的范畴中,他们认为,评论的支持/批评对新闻文章的可信度感知有显著影响,呈现支持性评论(正面评论)比呈现批评性评论(负面评论)能够使读者感知到更高的可信度,从而提高了新闻文章的传播效果。
另外,还有一些学者从评论的匿名性、党派性和评论中存在的分歧情况等因素出发进行了传播效果的实证研究,但这些研究同样也存在结论不一致的情况,因此本文提出以下三个问题:
RQ1:在线评论中能够影响新闻报道传播效果的因素有哪些?
RQ2:在构成影响的条件下,这些因素是促进还是削弱了传播效果?
RQ3:在构成影响的条件下,这些因素是通过何种途径(认知、情感、行为)来影响传播效果的?
三 研究方法
(一)元分析
元分析又称荟萃分析,是一种基于定量研究结果进行再分析的统计方法。它是基于预先规定的数学标准分配给每个研究不同的权重,然后对研究结果进行综合[12]。该方法特别适用于研究结果不一致的问题,通过对已有的统计结果进行更加精确的定量分析,从而解决研究结果不一致的问题,提高研究的可信度。
1.文献检索与筛选
基于对前期文献的探索性分析,在文献检索时需要将关键词进行泛化,通过人工检索标题及摘要进行文献筛选,因此确定检索词为:在线评论、评论、新闻、网站、社交媒体、社交平台,对应的英文关键词为:online comments、comments(review)、news、website、social media、social platform。其中社交媒体包括微博(Weibo/microblog)、微信(WeChat)、博客(Blog)、Twitter、Facebook、YouTube等众多平台。
中文检索使用万方数据库和CNKI知网数据库,用“评论”“在线评论”与“新闻”以及“网站”“社交媒体”“社交平台”“微博”“微信”“博客”相结合,进行主题检索。英文检索使用Web of Science、JSTOR、Wiley作为文献源,另外使用Google Scholar作为辅助文献源,采用与中文检索对应的检索方式进行检索。第一步:关键词检索,通过阅读标题及摘要,筛选与主题相关的文献,初次筛选得到中文文献1篇,英文文献352篇。第二步:通过对全文的粗略阅读,对文献做进一步筛选,筛选标准为:(1)研究问题必须涉及传播效果的三个方面中的某一项,即认知、情感和行为;(2)研究必须是评论对新闻报道的影响效果,排除研究新闻报道对评论影响的文章;(3)研究必须是评论对新闻的影响,排除对个人帖子不涉及新闻报道的影响研究;(4)研究必须为中英文文章;(5)研究必须为实证研究,排除理论研究、综述性研究等文献。经过筛选,得到了满足上述条件的77篇文献,再通过这77篇文献进行“滚雪球”检索,又获得了21篇之前遗漏的文章。因此总共获得98篇文献进入第三步:研究数据必须完整,即报告了样本数量以及相关系数或者可以转换为相关系数的统计量(t值、d值、η2等)。经过文献筛选,最终得到可以进行元分析的文献共26篇。
2.文献编码与数据处理
对筛选后的文献根据文献基本信息进行编码,编码信息包括作者名、发表年份、研究平台、样本量以及影响因素。文献编码信息见表1。另外对文献中出现的影响因素进行归纳整理,将同义的变量进行合并编码,得到评论效价、片面性、评论语气、一致性、评论分歧、党派立场、匿名性以及表达方式8个变量。但由于片面性、党派立场、匿名性和表达方式均只有一篇文献进行了研究,不符合元分析的标准,因此将这4个变量去除。最终纳入元分析研究的4个变量为评论效价、评论语气、一致性和评论分歧。变量具体编码及定义如表2所示。
由于文献中所报告的数据形式不一致,需要将其转换为皮尔逊相关系数r值。数据转换均在R语言中进行,通过psychmeta包进行转换。
表1 文献编码(作者自制)
序号 | 作者 | 发表年份 | 研究平台 | 样本数 | 影响因素 |
1 | Stephan Winter | 2015 | 79 | 评论效价 | |
2 | Sherice Gearhart | 2020 | 670 | 片面性 | |
3 | Ji won Kim | 2020 | 416 | 评论语气、一致性 | |
4 | T. Franklin waddell | 2018 | 230 | 评论效价 | |
5 | Stephan Lewandowsky | 2019 | Blog | 393 | 一致性 |
6 | Joseph B. Walther | 2010 | YouTube | 152 | 评论效价 |
7 | Stephan Winter | 2018 | 210 | 评论效价 | |
8 | Molly M. Greenwood | 2015 | 189 | 评论分歧 | |
9 | Carmen D. Stavrositu | 2015 | Blog | 181 | 评论效价 |
10 | Mi Rosie Jahng,2018 | 2018 | Blog | 84 | 评论分歧 |
11 | Gi Woong Yun | 2016 | Blog | 92 | 一致性 |
12 | Qin Gao | 2015 | 60 | 评论效价 | |
13 | Luwei Rose Luqiu | 2019 | 957 | 评论语气 | |
14 | Sara K. Yeo | 2017 | Web | 2297 | 评论语气 |
15 | Rui Shi | 2014 | YouTube | 592 | 评论效价、评论语气 |
16 | J. Brian Houston | 2015 | Web | 227 | 党派立场 |
17 | Porismita Borah | 2012 | Blog | 241 | 评论语气 |
18 | Sai Wang | 2020 | Web | 229 | 匿名性 |
19 | Eun-Ju Lee | 2010 | Web | 252 | 一致性 |
20 | Marco Dohle | 2017 | Web | 208 | 评论效价 |
21 | Christian von Sikorski | 2016 | Web | 115 | 评论效价 |
22 | Kjerstin Thorson | 2010 | Web | 770 | 评论语气、一致性 |
23 | Dominique Heinbach | 2018 | Web | 181 | 评论效价 |
24 | Wen Zhang | 2019 | 243 | 表达方式 | |
25 | Hue Trong Duong | 2019 | Web | 391 | 评论分歧 |
26 | Teresa K. Naab | 2020 | Web | 226 | 评论效价 |
表2 影响因素编码定义表(作者自制)
变量 | 定义 |
评论效价 | 评论的情感趋势,表明评论者正面或负面的态度(1=正面,0=负面) |
评论语气 | 评论语气是否文明(1=文明,0=不文明) |
一致性 | 评论与文章所表达意思的同意程度(1=一致,0=不一致) |
评论分歧 | 评论中是否有不同意见(1=有分歧,0=无分歧) |
3.数据分析
将R语言中转换出的影响因素相关系数r值以及各因素所属研究的样本量输入CMA3.0软件作为效应值,再转换为Fisher’s Z值后对结果进行元分析。
(1)异质性检验
元分析中需要对研究数据进行异质性检验,从而进行元分析模型的选择。如果异质性检验结果不显著,即采用固定效果模型进行分析。反之,异质性检验结果显著,则采用随机模型进行分析。Higgins指出,I2的高低划分暂定标准为:I2统计量为25%则表示较低的异质性,50%表示中度的异质性,75%则为较高的异质性。[1]异质性检验结果如表3所示,各个效应量间均呈现出异质性,因此本研究采用随机模型进行分析。
表3 异质性检验结果(作者自制)
异质性(Q检验) | |||||
变量 | 研究数K | 样本量N | P值 | Q值 | I2 |
评论效价 | 11 | 2234 | 0.000 | 162.048 | 93.829 |
评论语气 | 6 | 3273 | 0.000 | 42.349 | 88.193 |
一致性 | 5 | 1923 | 0.016 | 12.166 | 67.122 |
评论分歧 | 3 | 664 | 0.000 | 22.817 | 91.235 |
(2)发表偏倚检验
发表偏倚是指那些报告相对高的效应量的研究比那些报告低效应的研究更容易发表,从而产生发表偏倚。本研究采用了Egger回归截距测试,最终结果显示4个变量的的p值均大于0.05,即存在发表偏倚的可能性较低(见表4)。但是4个变量的漏斗图都显示出一定的发表偏见,因此研究采用了Trim and Fill修剪填补法,对漏斗图进行了一定的修正。
表4 发表偏倚结果(作者自制)
Egger检验 | |||||
95%置信区间 | |||||
变量 | 研究数K | 下限 | 上限 | T | P |
评论效价 | 11 | -7.261 | 12.079 | 0.564 | 0.587 |
评论语气 | 6 | -13.077 | 4.015 | 1.472 | 0.215 |
一致性 | 5 | -7.251 | 10.493 | 0.581 | 0.602 |
评论分歧 | 3 | -48.003 | 67.374 | 1.851 | 0.315 |
(3)效应值分析
效应值分析是研究在线评论中各变量对新闻报道传播效果的影响相关性。本研究的效应值分析结果如表5所示。结果显示,通过显著性检验(p<0.05)的变量只有评论效价。根据Cohen提出的划分标准,当r值大于0.5时,相关系数则为高度显著的;当r值大于0.3时,相关系数则为一般显著;当r值大于0.1时,相关系数则具有低显著性;而当r值小于0.1时则认为基本无相关关系。因此在本研究中,评论效价(r=0.193)与新闻报道传播效果的影响为弱相关。
表5 效应值分析结果(作者自制)
95%置信区间 | 双尾检验 | ||||||
变量 | 研究数K | 样本量N | r值 | 下限 | 上限 | Z | P |
评论效价 | 11 | 2234 | 0.193 | 0.022 | 0.353 | 2.203 | 0.028 |
评论语气 | 6 | 3273 | -0.014 | -0.099 | 0.071 | -0.322 | 0.748 |
一致性 | 5 | 1923 | 0.069 | -0.051 | 0.153 | 1.609 | 0.108 |
评论分歧 | 3 | 664 | -0.051 | -0.325 | 0.231 | -0.349 | 0.727 |
(4)调节变量分析
根据前文对影响因素变量的分析,首先确定了评论效价是对新闻报道效果具有影响的,且存在异质性。因此本研究选择将平台作为调节变量进行分析。最终结果显示组间Q=90.600,p<0.05,研究结果表明平台能够显著调节评论效价与新闻报道传播效果之间的关系。具体调节变量分析结果如表6所示。
表6 调节变量分析结果(作者自制)
95%置信区间 | |||||||
自变量 | 调节变量 | 研究数K | r值 | 下限 | 上限 | Q | I2 |
评论效价 | 2 | -0.272 | -0.376 | -0.161 | 28.748 | 96.522 | |
Web | 4 | 0.213 | 0.142 | 0.281 | 38.619 | 92.232 | |
Youtube | 2 | 0.177 | 0.107 | 0.246 | 4.081 | 75.496 | |
Blog | 1 | 0.200 | 0.056 | 0.336 | —— | —— | |
1 | 0.245 | 0.119 | 0.363 | —— | —— | ||
1 | 0.717 | 0.566 | 0.281 | —— | —— |
4.结果讨论
本研究基于以往的研究再次对其结果进行定量分析,得出了一个总体性结论,即研究发现从以往研究提取出的评论效价、片面性、评论语气、一致性、评论分歧、党派立场、匿名性和表达方式的8个因素中,只有评论效价与新闻报道传播效果呈现低强度的正相关(r=0.193),并且受到调节变量平台的显著影响。
(二)实验法
在元分析结果的基础上,再通过实验法在中国代表性社交媒体平台——微博上通过同一则刺激材料在同一平台上进行实证研究,考察“评论效价”这一影响因素是通过传播效果的哪一层面或哪几个层面来达到最终传播效果影响的。
1.研究对象
本实验共招募了200名实验对象,其中20名预实验对象。实验对象均在新浪微博上进行招募,确保其为微博使用者。除去20名预实验对象,其余180名实验对象随机分为3个实验组:实验组一(不阅读评论)60人,实验组二(阅读正面评论)60人,实验组三(阅读负面评论)60人。被试者在参与实验之前被告知该研究与微博相关,但不知晓研究真实目的。被试者会先通过链接浏览相关新闻报道以及评论(不阅读评论的实验组除外),浏览结束后完成问卷填写。
2.刺激材料
本着刺激材料需立场中立,且相关新闻要素清晰以及评论立场清晰可辨的原则。本实验选取了一则ID名为“中新经纬”的账号在新浪微博上真实发布的新闻报道【一级致癌物槟榔长期热销,#专家建议槟榔按照烟草监管方式监管#】。
评论方面,从原帖的937条评论中,逐条阅读评论,剔除仅表情符号和与内容无关的评论,将剩下的评论按照正面评论与负面评论进行分类。为保证实验对象对评论的浏览质量,最终正面评论、负面评论各选取了15条放置实验界面中。
3.实验设计
为保证真实浏览环境,本研究设计了一个微博模拟界面,被试者会首先浏览此模拟链接,该模拟界面100%还原了新闻材料所属主体的账号和头像,以及新闻内容。评论用户的头像和昵称则随机生成,评论内容为选取的15条符合正面评论(负面评论)相关要求的评论,其余设置均与微博APP无异。浏览完成后被试者将被要求填写一份调查问卷。
本研究的调查问卷共涉及传播效果三个层面的考察,在认知上,选取了“记忆度”和“可信度”作为测量要素;在情感上,选取了“情感态度改变”作为测量要素;在行为意愿上,选择“点赞”“评论”“转发”作为测量要素。
记忆度的测量即测试被试者对于原报道中提出的几项监管方式记忆如何,可信度是通过5级里克特量表让被试者对原文可信度进行评分,情感态度改变则是在浏览微博界面前后分别通过问卷记录被试者对原文中提到的槟榔和烟草的态度,来测量被试态度有无改变;最后行为则是通过被试者是否有点赞、评论、转发意愿来测量。
4.结果分析
所有数据均在R语言中进行分析,分析结果如表7所示。
表7 实验分析结果(作者自制)
测量维度 | 测量结果 |
记忆度 | χ²=2.7841,df=4,p=0.5946 |
可信度 | χ²=89.129,df=4,p<0.001 |
情感态度改变 | χ²=0.04104,df=1,p=0.8359 |
点赞意愿 | χ²=1.203,df=1,p=0.2727 |
评论意愿 | χ²=0.50093,df=1,p=0.4791 |
转发意愿 | χ²=0,df=1,p=1 |
研究结果发现,在6个效果测量维度中,仅可信度的结果显著(p<0.001),其余维度结果均不显著。因此分析结果表明,评论效价是通过影响认知层面的可信度来影响整体传播效果的。
四 结果与讨论
本文首先通过对前人研究结果的元分析解决了当前用户评论对报道传播效果的影响分歧问题。确定了“评论效价”这一影响因素能够影响报道传播效果且为正向影响,即评论越正面,则报道的传播效果越好。由于还可能存在“平台”这一调节变量的影响,以及缺乏中国的本土实证研究。因此本文还通过实验法在中国社交媒体环境——微博做了进一步的实证研究。结果表明,用户评论在社交媒体环境中作为一种交互线索,是能够对报道传播效果产生影响的,这种影响主要是通过评论中的效价——表达出来正面或负面的态度来影响其他用户对可信度的感知来影响整体传播效果。
而这也与MAIN模型(如图3)的影响机制一致。从技术的可供性出发,平台提供了评论区这样一个可以交互的区域,而评论区中的内容则作为一种交互线索通过认知启发式——用户不可能对每篇报道都进行仔细评估,因此只能通过信息的外围功能来评估该则信息。而评论区则作为技术提供的外围线索,用户可以通过评论区的内容来激活在随后评估中的“心理经验法则”从而对原文本信息进行评估。又或者通过潮流启发式——根据评论区的意见选择跟随所属潮流中的意见来对信息质量进行推断,从而影响对可信度的判断。对可信度的评估最终又会体现在原信息的传播效果上。
这同时也可以解释分析结果中得出的,从认知、情感、行为这三个方面中,只有通过认知层面的可信度影响传播效果是显著的。首先记忆度是因为不可能每位用户都对这篇报道的文字内容进行了仔细评估,从问卷调查结果来看,大多数用户都全选了问卷选项中给出的所有监管方式。而情感态度更多取决于用户个人的先验态度,大多数的用户并不会因为一篇报道或者一些其他用户评论而轻易发生改变。最后在行为意愿层面,被试者都愿意点赞,而评论和转发的人数极少,这也可能是个人和原文内容情感连结不强导致的。从少数用户评论中可以看出,是因为身边的亲人朋友有抽烟或是嚼槟榔的行为,用户产生了情感连结,对自己或亲人朋友有健康担忧,才会触发评论或转发机制。因此,行为意愿更多地是取决于用户出于自身的动机与浏览其他用户的评论并无显著相关。
最后,由于本研究在效果测量维度的选取上可能缺乏科学性和系统性,所以可能导致某些维度没能被纳入考虑。以及各维度之间可能存在的交互影响在本次研究中也未能体现。在今后的研究中,需要进一步改进实验设计,考虑更多的测量维度,以及各维度之间的相互作用, 从而更准确地解释在社交媒体环境中,用户评论与传播效果之间的影响关系。
文章来源:《文化产业》 https://www.zzqklm.com/w/wy/32640.html
- 官方认定!CSSCI南大核心首批191家“青年学者友好期刊名单”
- 2023JCR影响因子正式公布!
- 国内核心期刊分级情况概览及说明!本篇适用人群:需要发南核、北核、CSCD、科核、AMI、SCD、RCCSE期刊的学者
- 我用了一个很复杂的图,帮你们解释下“23版最新北大核心目录有效期问题”。
- 重磅!CSSCI来源期刊(2023-2024版)最新期刊目录看点分析!全网首发!
- CSSCI官方早就公布了最新南核目录,有心的人已经拿到并且投入使用!附南核目录新增期刊!
- 北大核心期刊目录换届,我们应该熟知的10个知识点。
- 注意,最新期刊论文格式标准已发布,论文写作规则发生重大变化!文字版GB/T 7713.2—2022 学术论文编写规则
- 盘点那些评职称超管用的资源,1,3和5已经“绝种”了
- 职称话题| 为什么党校更认可省市级党报?是否有什么说据?还有哪些机构认可党报?