不同情绪对网络群体极化影响实证研究.docVIP

不同情绪对网络群体极化影响的实证研究 　　内容摘要：为了研究网络群体中不同情绪对群体?O化的影响，本文从网络上已发生的群体极化现象出发，使用python抓取2016年8月17日到2016年10月8日期间微博评论作为数据样本，并通过Stanford Word Segmenter进行文本分词，然后使用LIWC进行文本分析，进而结合群体极化的测量方法，建立VAR模型。研究发现：负向情绪比正向情绪更容易引起网络群体极化；相比于悲伤情绪和焦虑情绪，愤怒情绪更容易引起网络群体极化。最后，为企业处理公关危机以及政府应对舆论舆情等提供决策建议。 　　关键词：情绪 网络群体极化 VAR模型 　　互联网的发展普及，促使了“群体极化”现象在虚拟网络中出现，并且相较于传统形式，网络化的“群体极化”具有作用强度更大性和传播范围更广性等特点。最近韩国部署萨德事件引起了中国人民极大的愤怒和不满，网络群体极化现象尤为显著；另外，网络群体极化带来的正面影响事例也不在少数。例如顺丰总裁王卫积极回应快递小哥被打事件，给顺丰集团树立了良好的企业形象；中国足球的崛起以及中国女排在里约奥运会上摘得金牌都为广大人民提升了民族自豪感。 　　“群体极化”现象和群体性事件、社会热点、以及重大的突发事件等有着很大的关系，所以实际生活中的热点事件在网络的环境下形成“极化”就很容易，考虑到这种现象对人们生活的巨大影响，学术界也开始对此进行专门的研究。已有研究多是从政治极化的角度考虑对舆情的影响，并且研究多集中在群体极化的影响因素以及相应的对策上，方法大多采用实验法和理论论述，但是对于群体极化的测量没有一个统一的标准。 　　本文考虑采用文本量化方法，首先使用Python软件抓取王宝强离婚事件相关微博评论的文本信息，其次通过Stanford Word Segmenter（斯坦福分词系统）进行文本分词，然后使用LIWC（语言探索与字词计数文本分析软件）进行统计和文本分析，考虑到内生性问题，根据所得数据通过R语言建立VAR模型，目的是探究哪些情绪更容易引起网络群体极化，进而为公司的品牌推广、对公关危机的处理以及政府部门对舆论的把控等活动提供理论借鉴。 　　研究假设 　　群体极化（group polarization）本来是社会心理学提出来的概念，是指有相同观点倾向的人在经过群体之间的讨论之后，对于原来的观点更加固守的同时变得更加极端的社会现象。而网络群体极化（Network Group polarization）是从群体极化的概念发展起来的。最早由美国芝加哥大学教授凯斯?桑斯坦提出，他认为“群体极化一定会发生在网络之中。因为对于很多人来说，网络就是一个承载极端主义的沃土，由于志趣相同的人们可以在网络之中无障碍、高频率的进行交流沟通，很难听到跟自己观点不同的意见。这样频繁的在这种场合之中，就会使得他们相信别人的观点。各种原来无既定想法的人，因为他们所见不同，最后会各自走向极端，造成分裂的结果，或者铸成大错并带来混乱。” 　　正向情绪与网络群体极化。根据传统的情绪理论，情绪可以按照“效价-唤醒度”划分为正效价情绪和负效价情绪。正向情绪（positive emotion）也就是积极情绪或者是有着正效价的情绪。Turner （2009）在他的心理互动分析的情感理论中提出，积极情感可能促进参与互动的人使用同样的情感语言。互动嵌套于相互的社团之中，从而在互动过程中提高期望被满足的可能性，即互动交流和正向情绪之间存在着密切的关联。由此可见，正向情绪能够促使网络群体成员之间进行频繁的交流与互动，从而更容易产生从众行为，进而引发网络群体极化，因此本文提出假设： 　　H1：在网络群体中，正向情绪占比越大，越容易引起网络群体极化。 　　负向情绪与网络群体极化。和带来愉快感受的正向情绪相比，负向情绪一般会带来一种不愉快的感受。Fredrickson（2003， 2005）的“拓展-塑造理论”（broaden and build theory）认为，愤怒一般会导致攻击性行为，恐惧一般会使得个体产生逃跑行为，而厌恶一般会使得个体产生一种驱逐性行为等等。如果个体处在负向情绪状态的时候，他的思维就会发生变化，变得越来越狭窄，同时思维专注在使负向情绪发生的情境或事件之中，然后变得紧张且警惕，从而加速肢体的血液流动，随时准备“逃离或者是斗争”（Fredrickson.，1998， 2001， 2003， 2005），所以容易出现极端的行为或是态度。因此，本文假设： 　　H2：在网络群体中，负向情绪占比越大，越容易引起网络群体极化。 　　情绪信息等价模型指出，相比于正向情绪的全局性加工模式，负向情绪更多导致的是局部的加工模式。而且情绪的负性偏向观点指出，个体对所处