基于社会网络分析的健康微博大V对话空间建构研究.docx

?

?

基于社会网络分析的健康微博大V对话空间建构研究

?

?

佘惠灵

摘?要?文章以新浪微博平台上健康类微博大V间的关注与被关注关系为研究对象，运用社会网络分析法探索健康类微博大V的对话路径结构。研究发现：健康类微博大V对话的空间具有中心化和多圈子的特征，呈现出以业缘为核心，以社会资本、影响力、所属机构、所属类型等多种因素相交织的差序格局。

关键词?健康传播;社会网络分析;对话空间

1?研究缘起

近年来，在社交媒体的话语空间中，健康传播的话语结构得到了重新整合。比如今年新冠肺炎防疫的信息传播中，医生、专家、医院、媒体等都成为了接收与发送信息的传播主体，以“自媒体+专业机构”的组合在健康信息传播中发挥着越来越重要的作用，他们之间的网络关系也反映了对话路径结构。社会网络分析法作为一个新的研究范式，适合于探索网络平台中的信息传播，认识其中的关系数据和关系网络，寻找起重要作用的关键影响者，从传播主体的角度去解决健康传播中存在的一些问题。本文关注的问题包括：微博健康类大V构成的网络密度如何？哪些大V在其中是关键影响者？自媒体和专业机构在网络中是否有不同的中心地位？两者之间是否形成了不同的团体或派系？

2?研究设计

2.1?数据来源

微博平台上的大V有红V、黄V和蓝V三种认证。在健康类博主中，红V、黄V通常包括医生、专家等传播主体，蓝V通常包括媒体、医院、企业、政府部门等传播主体。

在微博搜索栏中以“健康”为关键词进行检索，共获取472名微博用户信息。利用python对这些用户的微博名和粉丝数等信息进行爬取，从粉丝数、活跃度、内容相关度三个方面进行筛选。剔除了活跃度不高及与健康传播不相关的用户后，最终确定了164个样本。

2.2?数据收集

本研究主要收集健康类微博大V间的关注与被关注关系，利用python对传播节点间的关注关系进行爬取，在此基础之上形成164×164的二值有向关系矩阵。矩阵中的行与列为具体的传播节点，若两者存在关注关系，则记为1，若不存在关注关系，则记为0。

2.3?数据处理

本研究运用社会网络分析法软件Ucinet6导入关系矩阵，对各项网络指标进行测量，包括网络密度、中心度、凝聚子群，获得相关数据，对微博大V对话路径结构进行分析。

3?数据结果

3.1?密度分析

网络密度描述了网络中节点之间的整体关联程度。利用Ucinet6对微博大V的社会网络结构密度进行测量，可知该社会网整体网络密度为0.0753。在现实生活中，若网络密度0.05，则说明各节点之间总体关联程度较高，互动密切。由此可知，在健康信息的传播中，各大V之间关系较为紧密，体现了较强的传播联动性。

3.2?中心性分析

1）直接的对话网络：点度中心性。在本研究中，点度中心度衡量的是微博大V关注与被关注的程度，关注关系为点入度，被关注关系为点出度。由于被关注关系体现了对其他点的影响力及输出消息，因此将点出度中心性作为主要指标进行分析。此外，为了方便从自媒体与专业机构的角度进行进一步思考，又对大V的性质进行了划分。生命时报、新浪爱问医生、每日医学资讯、爱问医生科普、医学界网站等微博大V的点度中心性较高，在健康传播的直接对话网络中影响力较大。

2）对话通道的控制：中间中心性。在本研究中，通过研究关注与被关注关系，探索健康传播网络中对话通道的关键影响者，他们通过将信息向不同群体进行传播，从而打通健康信息的传播通道。健康传播关系网中，中间中心性指标出现了较为明显的断层现象。生命时报和新浪爱问医生的中间中心性超过了2500，且两者都是机构类大V。而接下来的每日医学资讯、营养师顾中一、爱问医生科普和健康界网站的中间中心性指标在1000～1200。从整体数据上看，仍然有48个微博大V的中间中心性指标为0，占总数的29.27%。

3）对话网络传播速度：接近中心性。机构类大V在接近中心性的指标中都较为靠前，说明无论是接收还是发送信息，机构在对话网络中有着较快的传播速度。具体来看，对于入接近中心性，各微博大V都能较快接收其他传播节点传递的信息，仅有少数如辣妈日报、健康生活驿站、南京林业大学青春健康教育处于对话网络的边缘位置;对于出接近中心性，“薄荷健康官方微博”（10.896）和“医学故事”（0.617）间出现了较为明显的断层现象，传播距离超过“医学故事”的共有49个微博大V，且基本集中在自媒体中，这些大V发送的信息较难传递到其他大V之中。

3.3?凝聚子群分析

本研究通过利用Ucinet中的Concor分析来探究健康类微博大V对话网络中的小团体现象。通过对数据进行处理，得出7个小团体：

团体1中包含了绝大多数自媒体中的关键影响者，体现了自媒体之间结为了较为稳固的联盟。此外，“新浪爱问医生”“丁香医生”这两个中心度较高的机构大V也包含在这一团体中