情绪sina爱问

76国际新闻界2017.
04新浪社会新闻传播中的"情绪偏好"效应与特征研究——基于新浪社会新闻的网络挖掘与实证分析徐翔摘要基于对新浪网"社会新闻"版块2012年6月到2016年4月的58386条新闻及其网民情绪反馈的抓取采样和结构化处理,通过实证和定量手段,检验、考察了网络媒介中的"情绪偏好"及其作用特征.
在所考察的新浪网社会新闻传播样本中,存在着显著的"愤怒"偏好,其效应与特征主要有:愤怒情绪具有比其他情绪更多的数量和更高的比重;愤怒情绪居于主导情绪时,各情绪的分布具有朝向愤怒的更显著的集中性和偏倚性;新闻的情绪强度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性;新闻的传播热度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性.
媒介的"情绪偏好"有助于深化挖掘思考"沉默的螺旋"中螺旋形成的偏好性、"情绪设置"的效果和模式、情绪传播的机制和策略等理论与实践问题.
关键词网络传播、媒介情绪、情绪偏好、情绪设置作者简介徐翔,同济大学艺术与传媒学院副教授.
电邮:xuxiang@tongji.
edu.
cn.
本文为同济大学青年英才计划项目"社交网络'情绪设置'效果与模型研究"(编号0600219077)成果.

ResearchontheEffectandFeaturesofEmotionalBiasintheCommunicationofSinaSocialNews:AnWebMiningandEmpiricalAnalysisBasedonSinaSocialNewsXUXiang本期话题/大数据方法与传播学研究77国际新闻界2017.
04本文针对的问题是:媒介有没有情绪有什么样的情绪这里所指向的,不仅是媒介内容具有的情绪,而且是媒介本身可能具有的情绪.
如果说,特定的媒介具有对"时间"或"空间"之类范畴的偏向(bias)(伊尼斯,2003),那么,媒介的"情绪偏好"则意指媒介对于情绪会具有偏向性.
本研究针对网络媒介,在新浪网选取社会新闻版块中的样本,分析其中的"情绪偏好"特征及意义.
一、理论基础与相关研究基于媒介的情绪偏好,不同的媒介对于不同的情绪类型,会具有不同的扩散传播效能和程度.
或者说,特定媒介领域中一些类型的情绪比另一些类型的情绪具有更好的传播效力,从而显现出媒介的"情绪偏向".
例如,"为赋新词强说愁"而不是"强说乐"或"强说惧",是否在一定程度上显示了赋"词"这种特定的传播形式与"愁"的情绪的切近性本节对网络媒介的情绪偏好问题,从情绪构成、情AbstractBasedongrabingandstructuralcollectionof58386piecesofnewsfromJune2012toApril2016andtheiremotionalfeedbackin"socialnew"sectionofsina,byempiricalandquantativemethod,thispaperexaminedandanalysizedemotionalbiasanditsfeaturesoninternet.
Notonlycontentsinmediahaveemotion,butalsomediahaveemotion.
Inthesamplesofsocialnewsonsinainvestigated,thereisasignificant"angry"bias,anditseffectsandcharacteristicsareasfollows:first,thescaleandproportionofangerarebiggerthanotheremotions;second,thedistributionofvariousemotionsismorebiasedtoandconcentratedonangerwhenangerisdominantmood;third,thereisamorecloselypositivecorrelationbetweentheemotionalintensityandtheangerthanotheremotions;fourth,thereisamorecloselypositivecorrelationbetweenthespreadofnewsandangerthanotheremotions.
Emotionalbiasinmediaisalsohelpfultothetheoreticalandpracticalproblemssuchasbiasintheformationof"spiralofsilence",effectandpatternofemotionalsettingandthemechanismandstrategiesofemotionalcommunication.
Keywordsonlinecommunication,emotionofmedia,emotionalbias,emotionalsettingAuthorsXuXiang,associateprofessor,SchoolofArtsandcommunicationinTongjiUniversity.
Email:xuxiang@tongji.
edu.
cn.
ThispaperwassupportedbyTongjiUniversityYouthexcellenceprogram"the'emotionalsetting'effectandmodelofsocialnetwork"(No.
0600219077).
本期话题/大数据方法与传播学研究78国际新闻界2017.
04绪作用、情绪差异等方面的相关理论和实证成果加以梳理与阐述,为后文的假设与研究提供基础.
我国古代有"七情说",即喜、怒、哀、惧、爱、恶和欲.
"情绪是多成分组成、多维量结构、多水平整合,并为有机体生存适应和人际交往而同认知交互作用的心理活动过程和心理动机力量.
"(孟昭兰,2005)Plutchik提出,人类情绪的类型分为八种基本类型:恐惧、气愤、欢乐、悲伤、接纳、厌恶、期望、惊讶(Plutchik&Kellerman,1980).
保罗·艾克曼指出人类共通的六种基本情绪:快乐、悲伤、愤怒、厌恶、惊讶和恐惧(艾克曼,2008).
Bollen等人对2008年8月1日到12月20日之间Twitter中每天不同情绪的变化量进行了分析,他们将"情绪状态量表"(ProfileofMoodStates,POMS)进行扩展,最终将提取的情绪归为6种类别:紧张(tension)、沮丧(depression)、愤怒(anger)、活力(vigor)、疲劳(fatigue)、困扰(confusion)(Bollen,Pepe,&Mao,2009:2365-2370).
在比较普遍的情感挖掘中,通常将情绪分为正面、负面和积极、消极等极性.
例如Izard提出了差异情绪量表(DES),按照情绪态度倾向性将情绪分为正面、中性、负面三大类,并将负面情绪依引发原因分为内在因素、外在因素和情景因素三个类别,建立了十个情绪指标.
正面情绪包括了高兴、快乐;中性情绪为惊讶;内部因素造成的负面情绪为生气、厌恶、鄙视,外部因素造成的负面情绪为罪恶、含羞,情景因素造成的负面情绪为害怕、悲伤(Izard,1984:17-37).
Mehrabian提出PAD三维情感模型,将人类的情感投影到由P(Pleasure-displeasure)、A(Arousal-nonarousal)和D(Dominance-submissiveness)组成的三维空间中(Mehrabian,1996:261-292).
心理学家林传鼎将情绪划分为:安静、喜悦、恨怒、悲痛、哀怜、忧愁、忿急、烦闷、恐惧、惊骇、恭敬、抚爱、憎恶、贪欲、嫉妒、骄慢、惭愧和耻辱.
2013年,CCF第二届自然语言处理与中文计算会议将情绪划分为喜好、高兴、悲伤、厌恶、愤怒、恐惧、惊讶七类.
(一)情绪构成:网络媒介的情绪特征网络媒介中,不同的情绪有着不同的传播比重、力度方面的差异.
其中,"社会怨恨"、愤怒等负面情绪和非理性情绪在网络媒介中,表现出普遍的显著性.
例如《2011中国网络舆情指数年度报告》显示,自媒体上各领域的负面事件平均占总话题数的八成以上,微博和天涯论坛,负面事件分别占据了75.
6%和95.
8%.
中国社科院发布的《2011年中国社会心态研究报告》中指出,群体性怨恨已经成为当前典型的社会心态和民众情绪基础,群体性事件不仅频繁发生,而且呈现出非阶级性本期话题/大数据方法与传播学研究79国际新闻界2017.
04和无直接利益参与的特性.
"负面情绪比正面情绪更容易得到传播.
从传统媒体到新媒介,无不以负面信息为传播导向.
尤其是新媒介,从著名论坛到门户网站再到微博,网络空间充斥着责斥、不满等负面情绪.
"(隋岩,李燕,2012:10-15)在网络新媒体负面化的情绪特征中,一些研究者将其归结为网民"媒介素养不高"(陈飞鲸,2013:88-89);或是归因于受众对负面信息的敏感,使得负面信息更易于获得传播并走向极端(许莹,2013:174-176);或是归因于社会矛盾积累、社会转型期的特殊背景等因素.
特别是"社会怨恨"等情绪,确实较易被归结到这些社会背景的原因.
这些解释当然是无可厚非的,但是,在这些探讨中,媒介本身的形式与情绪形式之间的关联性,或者说媒介传播形式本身对于怨恨等情绪的偏向性,往往处于被忽视的状态.
强调媒介的情绪偏好,有助于反思:对媒介非理性情绪不能将其简单归结于或过度倚赖于网民素质不齐、媒介环境低俗、社会矛盾积累等解释因素,而要充分重视媒介渠道本身对于特定情绪的震荡放大、加速扩散、深化传播等作用.
(二)情绪作用:情绪传播的媒介效果与扩散效能不同的研究显示,情绪传播与媒介渠道是有关联的,情绪的类型、程度关系到其传播的效力.
或者说,有无情绪、有什么样的情绪,其在媒介中的传播和分布,是具有差异性和不均衡性的.
Stieglitz和Dang-Xuan研究了Twitter中与德国两次选举相关的64431条发帖转发量,结果显示包含有情感信息的发帖比没有包含情感信息的发帖会获得更多的转发量(Stieglitz&Dang-Xuan,2012:3500-3509).
Pfitzner等研究了Twitter中表达情感的情况对后续转发效果的影响,发现情绪分歧(emotionaldivergence)确实对微博的转发产生了影响,进而影响信息的传播,情绪分歧高的微博被转发的机会就多(Pfitzner,Garas,&Schweitzer,2012:543-546).
Nelson-Field等研究了视频的情绪唤醒与Facebook中被分享之间的关系,结果显示具备高的情绪唤醒程度的视频更易被分享,能够高度唤醒积极情绪的视频比能高度唤醒消极情绪的视频更易被分享(Nelson-Field&Newstead,2011).
Fowler和Christakis分析了社会网络中的情绪感染及其扩散效力,他们通过社会网络分析方法研究大型社会网络中幸福(happiness)的动态扩散,发现快乐的距离是3度分隔;如果人们周围充满快乐的人,那么将来更可能变得快乐(Fowler&Christakis,2008,337(a2338):1-9).
赖胜强、唐雪梅"通过对实验数据的分析,情绪化谣言组的受众比无情绪化谣言组的受众具有更高的信息转发意愿,从而证实了情绪化谣言对谣言受众的转发行为具有更大影响"(赖胜强,唐雪梅,2016:116-121).
本期话题/大数据方法与传播学研究80国际新闻界2017.
04这些研究的启示是,情绪不只是媒介中被动的、被封装的对象,而是具有主动性的形式.
情绪的类型和情绪特征,关系到它在媒介中的传播速度和力度.
探讨媒介传播形式与特定的情绪形式之间的关联性,也就有其现实的基础与意义.
(三)情绪差异:不同情绪的传播影响与受众作用在对情绪进行细化的类型划分的基础上,一些学者研究了不同情绪具有的不同传播效果和作用.
Berger和Milkman对发表在《纽约时报》上2008年8月30日到11月30日间的6956篇文章被分享的程度结合其内容的情感进行分析,结果显示积极(positive)内容如敬畏(awe)更容易被分享,同时像表达生气(anger)和焦虑(anxiety)等负面(negetive)情感的内容被分享的可能性也较大,而悲伤内容则会减少被分享的可能,作者进一步分析了内容分享与这些情感的唤起程度之间的关联,认为高唤起(higharousal)的情感内容更容易被分享(Berger&Milkman,2010:1-53).
Hansen等对berger和milkman的研究结果进行了继续的探讨,通过广义线性模型研究了twitter中情感对转发的影响及其复杂的关联,在随机样本中,对于社会消息来说,积极情感能促进其转发;而对于新闻内容来说,消极情感能促进转发;hansen等将其称为"对朋友们要说好听的话,对公众要提供坏消息('ifyouwanttobecited:Sweettalkyourfriendsorservebadnewstothepublic')"(Hansen,Arvidsson,Nielsen,Colleoni,&Etter,2011:34-43).
Wu等对Twitter上信息的内容与信息的衰减速度的关系进行了研究,结果显示迅速消退的信息中明显地包含了更多的消极情绪、行为,而长久存在的信息包含更多的积极情绪、休闲和生活方面的词汇(Wu,Tan,&Kleinberg,2011:646-649).
Zhao等人对新浪微博的研究中,将情绪细分为愤怒、喜悦、低落、厌恶四种,发现愤怒情绪更容易在社交网络中得到传播,低落情绪则不容易得到传播(Zhao,Dong,Wu,&Xu,2012:1528-1531).
刘丛、谢耘耕等人在微博传播的研究中将情绪分为9类,分别为认可、恐惧、质疑、担忧、反对、愤怒、悲哀、惊奇及无明显情绪的信息陈述,并得出,普通用户相较于蓝v用户和黄v用户,其愤怒和质疑情绪具有最主要的比例;并且"微博负面情绪越强烈,其被评论转发的数量越多,而微博正面情绪强烈程度与其被转发、评论的数量无相关性.
微博正面及负面情绪间的比较说明,负面情绪强度相对于正面情绪强度与其被评论、转发的次数有着更紧密的联系,这也可以推断出负面情绪更容易在微博平台上广泛传播".
(刘丛,谢耘耕,万旋傲,2015:92-106).
周杨、张会平"依据负面程度强弱把情绪分为了重度负面情绪、中度负面情绪、轻度负面情绪和正面情绪.
为了更加清晰地了解情绪构成,在此基础上,本期话题/大数据方法与传播学研究81国际新闻界2017.
04把重度负面情绪分为愤怒和谴责,把中度负面情绪分为悲哀和害怕,把轻度负面情绪分为嘲讽和理性,正面情绪则用乐观替代".
(周杨,张会平,2012:4-6)在此基础上,他们就微博的情绪偏好现象和特征指出,游离型的微博用户更多地具有向愤怒、谴责等重度负面情绪的偏好.
尽管国内外的实证研究在具体结果上存有差异,但愤怒、生气等负面情绪具有更好的被评论、分享、表达等传播效果,在多数研究中体现出一致性.
二、研究设计与研究方法基于前述相关成果、研究基础以及实践考察,本文的主要问题是针对网络媒介的传播,以新浪网社会新闻版块中的帖子传播样本为研究对象,探讨其是否存在情绪偏好及其情绪偏好的效应特征.
基本假设为:网络媒介对于"愤怒"情绪的传播有其偏向性.
对于该问题,下文采取的研究方法及研究重点,并非进行理论阐述和系统的思辨研究,而是选择一个案例进行实证研究,提供实证性的支撑.
事实上,对该现象和问题的理论解释是复杂的也是多维度乃至多学科的.
例如,如何解释网络媒介"情绪偏好"现象的原因对此从媒介环境学、社会心理学、网络行为学等角度都可以对此进行丰富的阐释.
因此,本文将研究对象缩减为一个较为简单和可实际操作的问题:选取一个网站平台进行较大规模样本的抽样,实证考察和检验其中的"情绪偏好".
研究的性质主要仍是探索性的,为网络媒介的"情绪偏好"问题提供一份较为详实可靠的数据支撑和实证检验.
在网络样本的选择上,本文选择新浪网作为取样对象,研究新浪网"社会新闻"版块中的情绪偏好.
作此样本选择的可参考性如下:一是新浪网的重要性和代表性.
Alexa的全球网站排名显示,新浪网(sina.
com.
cn)常年居于全球网站前15位,在国内网站中属于最为重要的第一梯队.
例如2015年12月11日截取的alexa网站排名中,新浪网高居全球第13位,居其之前的网站仅有google、facebook、youtube、baidu、twitter、taobao等少数网络"巨无霸".
二是"社会新闻"覆盖的广泛性和代表性,这个版块更接近网民的生活百态,与财经、体育、军事、科技、娱乐等栏目相比更少专门性或专业性.
(一)研究假设本研究的假设为:H、新浪社会新闻的情绪反馈具有"愤怒"偏好.
其相关的子假设为:子假设一(H1)、新浪社会新闻中的愤怒情绪,具有比其他情绪更多的数量和本期话题/大数据方法与传播学研究82国际新闻界2017.
04更大的比重.
本H1子假设具体从以下方面论证:1.
在所有新闻的情绪总量中,愤怒情绪的得票数是否高于其他情绪;2.
每条新闻中各情绪所占的比重,愤怒情绪是否高于其他情绪;3.
愤怒情绪在各条新闻中的情绪排名,排第一位的频次是否多于排其他位序(第二到第六)的频次;4.
在各条新闻居于第一、第二位的主导情绪中,愤怒情绪是否占有主要地位.
子假设二(H2)、新浪社会新闻中愤怒情绪居于主导情绪时,具有比其他情绪更好的集中性.
该H2子假设将从以下方面论证:1.
不同情绪居于第一位的主导情绪时,新闻反馈对愤怒情绪的分布更为集中;2.
不同情绪居于第二位的主导情绪时,新闻反馈对愤怒情绪的分布更为集中.
子假设三(H3)、新闻的情绪强度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性.
该H3子假设把每条新闻的情绪得票总数作为衡量该新闻的情绪强度的指标,从以下方式展开分析:各条新闻的情绪总规模与该新闻的愤怒情绪规模之间,是否具有高于和其他情绪的正相关性.
子假设四(H4)、新闻的传播热度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性.
该H4子假设把新闻的评论条数、参与人数作为衡量一条新闻传播和扩散热度的两个指标,并从以下方面分析:1.
新闻的评论条数、参与人数是否与愤怒情绪具有较之其他情绪更高的正相关性;2.
愤怒情绪居于第一位情绪时,其所拥有的新闻热度是否高于其他情绪居第一位时所拥有的新闻热度.
(二)样本采集研究过程中,对新浪网"社会新闻"版块的具体取样和数据清洗、处理的方式如下.
首先,使用网络抓取软件,采集新浪"社会新闻"从2012年6月7日到2016年4月21日的所有新闻及其受众反馈信息.
在此期间共取得新浪链接58800条,成功采集58386条,414条未采集成功.
之所以选择2012年6月7日作为时间段的起点,是因为新浪社会新闻版块的所有新闻帖子一直回溯到该日期,所取样本的原网页中都有受众点选情绪、对不同情绪进行表达和投票的这一栏.
在此之前的网页没有该栏,因而无法研究受众的情绪反馈.
采集的具体内容包括每条新闻的新闻标题、新闻的标签词、原网页链接地址、新闻页面中受众评论区的链接地址、受众的评论条数、受众参与人数(受众评论区进行评论、对评论进行再评论、对评论进行点赞等行为的总人数)、表达情绪的人次(在情绪投票区,对不同情绪进行投票的总人次)等.
新闻页面中,受众可以在阅读新闻后进行情绪的投票,每次只能点选一种、一次情绪,可点选的六种情绪本期话题/大数据方法与传播学研究83国际新闻界2017.
04为:感动、震惊、搞笑、难过、新奇、愤怒.
在点选之前,受众看不到其他人的点选情况和该新闻所得到的情绪的总的分布情况,也即受众阅读新闻之后的对情绪的投票是相互独立的.
在采集过程中,由于新闻页面中情绪的点选是AJAX动态网页元素,不能直接呈现点选之后的结果,通常的网络爬虫手段难以顺利采集.
因此在采集过程中采用模拟手段,让采集工具模拟人工,点击其中的一种情绪,待出现投票结果后再采集.
在此过程中,让采集程序一律点击六种情绪的"感动"情绪,最后得到的数据结果中,对每条新闻的"感动"情绪点击数减1,总的情绪数也减去1,从而避免采集过程对结果的影响.
(三)数据处理抓取到的数据运用VBA进行清洗和必要的转换、处理.
其中,主要的需说明的数据指标如下:1.
每条新闻情绪反馈总数,由六种情绪各自所得的投票数,计算求和得到;情绪的数量也根据情绪所得的受众投票数来衡量.
2.
各种情绪的排序,根据一条新闻中,各种情绪所得投票数的差异排序得到,得票最多的情绪排第一,以此类推.
3.
每条新闻中六种情绪得票数的排序,如果在一条新闻中,得票数大于该情绪的有m种情绪,则把该情绪的排序标为m+1.
例如,如果愤怒与感动的得票相等,另四种情绪的得票数都比它们多,这两种并列为第5、6位的情绪,都由VBA处理模块自动标为第5位.
4.
排第n(1<=n<=3)的情绪所占比,根据统计所得的情绪的排名,取其情绪在该条新闻所占的比重.
5.
新闻的情绪强度,根据一条新闻所得到的情绪投票总数作为衡量指标.
6.
新闻的传播热度,根据一条新闻所得到的受众的评论条数、受众参与人数作为指标进行衡量.
得到的最终数据通过SPSS进行分析.
在SPSS中,对全部的58386条记录,剔除掉参与人数小于1的数据,确保每条记录具有有效的参与人数,剩下数据53556条;继而剔除情绪投票人数的总数小于20的新闻样本,因涉及到对情绪及其分布的统计,情绪数过少则其比例、分布等不具有足够的统计代表性.
剩余的样本共有36683条,对这些样本总各情绪的数量、比重、分布以及关联进行分析,考察其中的"情绪偏好"及其机制.
三、对子假设一(H1)的检验分析子假设一的内容是:新浪社会新闻中的愤怒情绪,具有比其他情绪更多的数量和更高的比重.
本H1子假设具体从以下方面得以论证和支撑:1.
所有新闻的情绪总本期话题/大数据方法与传播学研究84国际新闻界2017.
04量中,愤怒情绪的数量是最多的;2.
每条新闻中各情绪所占的比重,愤怒情绪是最高的;3.
愤怒情绪在各条新闻中的情绪排名,排第一位的频次显著多于排其他位序(第二到第六)的频次;4.
是在各条新闻居于前两位的主导情绪中,愤怒情绪是最为主要的情绪.
(一)全部新闻中各种情绪总量的分布比例从六种情绪的分布来看,愤怒情绪所得到的投票数是最多的.
在36683个新闻样本中,平均每条新闻的愤怒得票总数为121.
09次,所有样本的愤怒投票总数为4441995次.
仅次于愤怒的搞笑情绪,其情绪总量为2496539次;而最低的新奇情绪,其在36683条新闻中的情绪总量仅有511388次.
从分布比例来看,在所有新闻中,愤怒情绪在六种情绪中占到了高达38.
94%的比重;其次是搞笑情绪,比重为21.
89%,而最低的四种情绪难过、震惊、感动、新奇,从高到低依次只有13.
98%、10.
97%、9.
73%以及4.
48%的比重.
对六种情绪,如假设它们发生的概率相等,经SPSS的卡方检验可知,其卡方值为5199127,自由度为5,P值为0.
000.
因此由检验结果,原假设不成立,也即不同类型的情绪,其发生的概率有显著的差异.
愤怒情绪在其中占的比重高达38.
94%,大大超过其他种类的情绪;而难过、震惊、感动、新奇四种情绪的比重之和仅为39.
16%,只比愤怒一种情绪所占的比重(38.
94%)略高0.
22%.
愤怒的"情绪偏好"在其中比较凸显.
(二)每条新闻中各情绪所占比例的平均值考察每条新闻的情绪反馈的得票总数,以及六种情绪分别在其中所占的比例,得到36683条新闻样本的平均值.
其中,愤怒在每条新闻样本中的占比,平均达35.
42%,其均值标准误为0.
0014;最低的新奇情绪只有平均5.
17%,其均值标准误为0.
0003;感动情绪的均值为10.
20%,均值标准误为0.
0011;震惊情绪的均值为10.
85%,标准误为0.
0005;搞笑情绪的均值为23.
52%,标准误为0.
0011;难过情绪的均值为14.
82%,标准误为0.
0009.
从比重分布来看,愤怒情绪平均占比远大于其他情绪,在各种情绪中具有突出地位.
(三)各种情绪得票数在每条新闻中的排序状况每种情绪在一条新闻样本中,根据其数量的高低,有从第一到第六的可能排序.
如果在所研究的对象中,具有明显的"愤怒偏好",那么应该能预期,愤怒出现为第一位的情绪是最有可能的情况.
对样本数据的检验,证实了这一点:在36683条新闻中,愤怒居第一位情绪的达到了17181条新闻,占到了总体的46.
8%,本期话题/大数据方法与传播学研究85国际新闻界2017.
04已经高达将近一半;愤怒居第二位情绪的达到了8625条新闻,占到了总体的23.
5%;愤怒居第一位或第二位情绪的新闻占到总新闻数的70.
3%.
愤怒居第三位情绪的为3962条,占总体的10.
8%;居第四位情绪的为2957条,占总体的8.
1%,愤怒居第五位情绪和居第六位情绪的新闻分别为2512条和1446条,占的比重分别为6.
8%和3.
9%.
这显示了,在所研究的新闻对象中,愤怒是最为主要的情绪偏向.
对六种情绪的位序状况的汇总比较,也支持了这一论断.
在36683条样本中,愤怒的平均位序是第2.
16位,比其他五种情绪的位序都更为靠前(位序值越小表明排序越靠前,也即在每条新闻中得到的投票点选次数越多).
其后五种情绪根据位序从前往后依次如下:搞笑为2.
51位;震惊为3.
24位;难过为3.
30位;感动为4.
48位;新奇为4.
55位.
根据标准误的情况,愤怒的排序比其他情绪显著地更为靠前.

(四)各新闻中前两位的主导情绪及其类型分布在各新闻中,不同情绪依次占据从第一和第六位的位序,这也代表着不同的重要性.
排前三位的情绪中,第一位的情绪平均占比为56.
88%;第二位的情绪平均占比为20.
14%;第三位的情绪平均占比为10.
52%.
其中,前两位的情绪占到所有情绪的比重已达77.
02%,因此前两位的情绪基本能反应一条新闻的情绪导向.
对所有新闻样本前两位的情绪进行考察得出:在36683条样本中,有16798条样本其第一位情绪是愤怒,达45.
8%的比重;其中10264条新闻的第一位情绪是搞笑,这在六种情绪中是次高的,也只占到28%的比例;而难过、感动、震惊、新奇居第一位的新闻,分别只占到样本条数的11.
7%、9%、2.
9%、1%.
此处需说明,由于存在并列排序的情况,例如并列处于第一或第二的位置,因此本处的数据和上一节略有细微差异.
但这只是由于统计口径的不同,不影响分析的结果.
第二位的情绪也是一条新闻的主要情绪之一,比之除第一位之外的情绪,仍然更能反映该新闻的情绪倾向和受众反馈.
在36683条新闻样本中,8545条样本的第二位情绪是搞笑,占23.
3%,搞笑情绪居第二位的频次是所有样本中最多的;仅次于搞笑的是愤怒情绪,有7819条样本的第二位情绪是愤怒,占到了21.
3%.
其他情绪中,震惊占20.
1%,难过占18.
7%,新奇和感动分别仅占4.
3%和4.
0%.
剩余比重的新闻中,还有空缺情绪以及一种以上并列第二位的情绪,因此上述六种单独情绪所占比重的总和略小于1.
从第二位情绪来看,愤怒情绪依然是一种很主要的情绪.

从各条样本最后两位最不重要的情绪来看,愤怒在其中出现的频率很低.
其中,愤怒居于第五位情绪的,只有4.
5%的样本;新奇则是出现最多的,占到21%的样本.
愤怒居于第六位情绪的,只有3.
9%的样本;与之相较,感动和新奇分别高达本期话题/大数据方法与传播学研究86国际新闻界2017.
0432.
7%和24.
8%.
可见,愤怒情绪很少出现在最末位的、不重要的情绪位序中.

四、对子假设二(H2)的检验分析子假设二的内容是:新浪社会新闻中愤怒情绪居于主导情绪时,具有比其他情绪更好的集中性.
本H2子假设具体从以下方面加以支撑:1.
是当愤怒情绪居于第一位的主导情绪时,情绪具有较之其他情绪居第一位时,更明显的向第一位的愤怒情绪的集中性;2.
是当愤怒情绪居第二位的主导情绪时,较之其他情绪居第二位时,第一位情绪和第三位情绪有更明显向第二位情绪的集中性.
从而说明,愤怒情绪居于主导地位时,各情绪的分布具有朝向愤怒的更显著的集中性,也即具有对愤怒的"偏向"(Bias).
(一)不同情绪居第一位时情绪的集中性当不同的情绪居第一位情绪时,其在每条新闻样本的情绪反馈量中占的比重是不同的.
分析结果显示,当愤怒情绪为第一位情绪时,第一情绪在该样本的情绪反馈量中占比60.
42%,标准误为0.
0012,其所占比仅低于感动居第一位时的68.
76%,而高于其他另几种情绪.
这其中,另四种情绪分别居第一位时,对应的第一位情绪所占比从高到低依次为:难过,53.
41%;搞笑,52.
48%;新奇,40.
24%;震惊,39.
58%.
由于未通过方差同质性检验,不适合采用方差分析.
在此采用非参数检验:在kruskalwallis检验中,卡方值为4361.
039,自由度为5,渐进显著性为0.
000;在中值检验中,卡方值为2854.
136,自由度为5,渐进显著性为0.
000.
可以看到,不同情绪排第一时,其第一情绪所占的比重是具有显著差异的.
当不同的情绪居第一时,我们考察该条新闻样本中第一情绪和第二情绪所占比重的差,以及第一情绪和第三情绪所占比重的差,结果如下表所示.
当感动和愤怒情绪居第一时,其第一情绪和第二情绪所占比重的差,分别达到53.
01%和41.
01%;而当震惊或新奇情绪居第一时,第一情绪和第二情绪所占比重的差,分别只有14.
02%和14.
26%.
当感动或愤怒情绪居第一时,第一情绪和第三情绪所占比重的差,分别达到61.
71%和50.
62%;而当第一的情绪是震惊或新奇时,第一情绪和第三情绪所占比重的差,分别仅为23.
76%和23.
67%.
总体来看,愤怒居第一表二:不同情绪居第六位情绪时的样本占比空缺愤怒感动搞笑难过新奇震惊合计频率890214461201254133049098138036683百分比24.
33.
932.
71.
5924.
83.
8100本期话题/大数据方法与传播学研究87国际新闻界2017.
04位情绪时,第一位的最主导情绪和第二位、第三位情绪分别的落差,都大大高于搞笑、难过、新奇、震惊等其他情绪居于第一位情绪时的值,也大大超出总体的平均水平.
主导情绪不同时,其情绪的集中程度和偏向会有不同.
愤怒情绪为第一情绪时,情绪比较集中,各情绪体现出向愤怒情绪的"偏向",仅次于感动的集中程度.
但是感动类的新闻情绪很少,36098条所有有效新闻样本,只在3299篇新闻中为第一情绪.
而愤怒为第一情绪的新闻,在36098条所有有效新闻样本中高达16798条.
此外,如前文所述,在总体情绪中,感动在全部样本的情绪总量中占的比重是最低的,在每条新闻的各情绪占比中是倒数第二低的,在各情绪的平均位序中也是倒数第二低的.
鉴于感动情绪在总体情绪的偏好中处于很势微的状态,在此可以更清楚地看到,愤怒情绪居于第一位情绪时,样本情绪反馈的"愤怒"偏好,或者说朝向愤怒情绪的集中性.
(二)不同情绪居第二位时情绪的集中性全部样本中,第二位情绪平均占比20.
14%,为第三位情绪平均占比(10.
52%)的约两倍,是仅次于第一位情绪的重要情绪,也在较大程度上反映着一条新闻样表三:新闻样本中第一位情绪和第二位情绪所占比重的差以及第一位情绪和第三位情绪所占比重的差样本数(N)平均值标准差标准误均值的95%置信区间下限上限第一位和第二位情绪占比之差感动32990.
53010.
30300.
00530.
51980.
5405震惊10810.
14020.
11880.
00360.
13320.
1473搞笑102640.
31360.
21180.
00210.
30950.
3177难过43030.
30660.
22710.
00350.
29980.
3134新奇3530.
14260.
12670.
00670.
12930.
1558愤怒167980.
41010.
23620.
00180.
40660.
4137总数360980.
37060.
24570.
00130.
36810.
3732第一位和第三位情绪占比之差感动32990.
61710.
26110.
00450.
60820.
6260震惊10810.
23760.
12720.
00390.
23000.
2452搞笑102640.
41220.
18660.
00180.
40850.
4158难过43030.
41830.
20940.
00320.
41200.
4245新奇3530.
23670.
13840.
00740.
22230.
2512愤怒167980.
50620.
20240.
00160.
50310.
5092总数360980.
46840.
21700.
00110.
46620.
4707本期话题/大数据方法与传播学研究88国际新闻界2017.
04本的情绪导向.
根据对样本的考察,愤怒居于第二位情绪时,其第二位平均占比为23.
64%,是所有情绪中最高的,标准误为0.
0009.
低于愤怒情绪的另五种情绪,其第二位情绪的平均占比及其标准误,从高到低为依次为:感动,22.
49%,标准误0.
0024;搞笑,22.
06%,标准误0.
0864;难过,20.
2%,标准误0.
0933;新奇,17.
53%,标准误0.
0822;震惊,17.
15%,标准误0.
0009.
愤怒的第二位情绪占比均值,在95%的置信区间上,显著高于其他情绪.
而当愤怒情绪为第二位的主要情绪时,第一位情绪和第三位情绪也向第二位的愤怒情绪表现出更为明显的"转移"和偏向.
当第二位情绪是愤怒时,较之其他五种情绪:首先,第二位和第一位情绪占比的差距是最小的,仅有28.
18%,大大低于震惊、新奇等对应的落差;其次,第二位和第三位情绪占比的差距是最大的,高达12.
34%,显著高于其他几种情绪对应的落差.
此时,第二位情绪的重要性和集中性,表现的更为鲜明.
对不同情绪居第二位时上述三组变量(排第二的情绪占比,第一位和第二位的情绪占比之差,第二位和第三位的情绪占比之差)进行差异性的检验.
以上三组变量都未通过方差同质性检验;通过kruskalwallis检验和中值检验的非参数检验发现,不同情绪之间具有显著的差异,其检验结果分别如下:kruskalwaliis检验中,上述三组变量的卡方值分别为2555.
179、2175.
771、2296.
882,自由度都为5,显著性都为表四:各新闻中不同情绪居第二位时的情绪集中态势和偏向特征N均值标准差标准误均值的95%置信区间下限上限第一位和第二位情绪占比之差感动14610.
30700.
22880.
00600.
29530.
3188震惊73620.
44850.
24020.
00280.
44300.
4539搞笑85450.
32850.
23150.
00250.
32360.
3334难过68620.
39710.
25170.
00300.
39110.
4030新奇15860.
40600.
24750.
00620.
39380.
4182愤怒78190.
28180.
20520.
00230.
27720.
2863第二位和第三位情绪占比之差感动14610.
11290.
10090.
00260.
10770.
1181震惊73620.
06800.
05890.
00070.
06670.
0694搞笑85450.
11140.
08450.
00090.
10960.
1132难过68620.
10180.
08970.
00110.
09970.
1039新奇15860.
06420.
05980.
00150.
06130.
0672愤怒78190.
12340.
08810.
00100.
12150.
1254本期话题/大数据方法与传播学研究89国际新闻界2017.
040.
000,接近于0;中值检验中,上述三组变量的卡方值分别为1796.
815、1640.
656、1740.
273,自由度都为5,显著性都为0.
000,接近于0.
总体来看,愤怒情绪即使只是第二位情绪时,也依然表现出其集中度或对愤怒的偏好性:愤怒情绪具有很高的比重,和第一位情绪的差值是六种情绪中最低的,和第三位情绪的差值是六种情绪中最高的.
换而言之,对情绪的表达和传播不是分散的、均匀的,而是具有对"愤怒"的偏向性.
五、对子假设三(H3)的检验分析子假设三的内容是:新闻的情绪强度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性.
其中,新闻的情绪强度根据它所获得的情绪投票量和反馈频次来衡量.
不同的情绪对于新闻的情绪强度,具有不同的作用.
对于H3子假设,经过检验得到:新闻的情绪强度,与愤怒情绪的正相关性在六种情绪中是最强的.

具体的分析过程中,为了结论的保守和谨慎起见,对于前文所使用的已经清理过后的样本,加以进一步的清理:在已有样本的基础上剔除最高的5%和最低的5%的值.
也即,在已有的每条新闻情绪反馈量≥20次的基础上,经剔除首尾的极端值后,剩余的样本为情绪反馈量≥24次且≤1188次,共有32906个样本.
在此基础上,对各新闻样本的情绪投票总数以及六种情绪分别的投票反馈数,除以30取整,得到各值的转换值.
对转换之后的序数值进行spearman相关分析,得到结果如下:从相关分析可以看到,愤怒情绪的数量与各情绪总量之间的相关性,在六种情绪中是最高的,其相关系数为0.
655,在0.
01的水平(双侧)上显著相关.
其后,按相关系数的高低,依次为:震惊、难过、搞笑、新奇、感动.
新闻对受众引起的情绪反馈强度,和愤怒情绪关联是最大的,和感动情绪关联最小.
新闻的情绪强度越强,则它的愤怒情绪最有可能越强;新闻的愤怒情绪越高,则它越有可能带来更强的情绪反馈强度.
表五:各条新闻中情绪投票总数与各类型情绪投票数之间的相关系数相关系数感动震惊搞笑难过新奇愤怒Spearman的rho各情绪投票总数相关系数.
254**.
604**.
582**.
533**.
370**.
655**Sig.
(双侧)0.
0000.
0000.
0000.
0000.
0000.
000N329063290632906329063290632906**,在置信度(双测)为0.
01时,相关性是显著的.
本期话题/大数据方法与传播学研究90国际新闻界2017.
04六、对子假设四(H4)的检验分析子假设四的内容为:新闻的传播热度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性.
其中,传播热度用新闻得到的受众评论条数和参与人数进行衡量.
评论条数是新闻阅读者对该新闻的评论的总数;参与人数除了发评论的人数,还包括对评论进行点赞、回复等的参与者.
由于不同的情绪对于新闻的传播热度可能具有不同大小和程度的作用,对本H4子假设,经检验和分析得到:1.
愤怒情绪较其他情绪而言,它与新闻的评论数、参与人数之间的相关性是最大的;2.
愤怒情绪作为一条新闻的第一位情绪时,新闻的评论数和参与人数较其他情绪而言是最多的.
在具体分析过程中,本节依然采取与第五节同样的谨慎样本,用的是在已有样本的基础上剔除最高的5%和最低的5%的值之后,剩余的32906个样本.
其中,情绪投票总数、六种情绪分别的投票反馈频次以及评论条数、参与人数都除以30取整,得到转换之后的序数值.
(一)不同情绪对新闻传播热度的作用评论数、参与人数显示了新闻取得的受众反馈热度及其传播、扩散的热度.

经分析,评论数和参与人数,其spearman相关系数为0.
864,Sig(双侧)值低于0.
001,具有显著的相关性.
在各条新闻样本中,不同类型的情绪与评论规模、参与人数规模的相关性如下:从上表可以,可以看出,愤怒情绪与新闻热度的相关性是最强的,其次是震惊-搞笑-难过-新奇-感动.
新闻热度与感动情绪的相关系数很低,大大低于和愤怒情绪的相关系数.
表六:各条新闻评论数、参与人数与不同类型情绪的投票数之间的相关系数相关参数感动投票数震惊投票数搞笑投票数难过投票数新奇投票数愤怒投票数Spearman的rho评论数相关系数.
052**.
260**.
245**.
220**.
117**.
326**Sig.
(双侧).
0000.
0000.
0000.
0000.
0000.
000N329063290632906329063290632906参与人数相关系数.
078**.
321**.
310**.
282**.
156**.
439**Sig.
(双侧).
0000.
0000.
0000.
000.
0000.
000N329063290632906329063290632906**,在置信度(双测)为0.
01时,相关性是显著的.
本期话题/大数据方法与传播学研究91国际新闻界2017.
04(二)不同情绪居第一位的主导情绪时,新闻传播热度的差异以各新闻样本中反馈量排第一的情绪作为分组变量,考察不同情绪居于第一位时,其评论数和参与人数有无显著的差异.
经计算得到,当愤怒为第一位的主导情绪时,其新闻样本的评论条数和参与人数都是最多的,分别为233.
95条和3188.
47人.
搞笑情绪作为第一位情绪时,它所对应的新闻热度是次高的,评论数仅次于愤怒,为202.
21条;参与人数仅次于愤怒,为2584.
63人.
当新奇情绪作为第一位的主导情绪时,它所对应的新闻热度是最低的,评论条数评论仅有93.
78条,参与人数评论仅有844.
79人都大大低于愤怒情绪对应的值.
此外,除了愤怒情绪外,其他五种情绪对应的评论数和参与人数都低于总体平均值.
把排第一的情绪种类作为分组变量,对上述受众评论数、参与人数,采用kruskalwallis检验和中值检验进行非参数检验.
kruskalwallis检验中,评论数的卡方值为186.
832,自由度为5,渐进显著性为0.
000;参与人数的卡方值为526.
439,自由度为5,渐进显著性为0.
000.
中值检验中,自由度为5,评论数的卡方值为167.
960,渐进显著性为0.
000;参与人数的卡方值为372.
105,渐进显著性为0.
000.
检验结果显示,不同的情绪居第一位时,其所属新闻的热度有显著的差异.
因此,不同情绪对于新闻热度的作用是不同的.
愤怒情绪在其中具有比其他情绪更大的和更为主要的作用.

七、结语研究通过对新浪网社会新闻数万条样本的抓取和分析,考察了其中的"情绪偏好".
在所考察的媒介样本中,存在着显著的"愤怒"偏好,其效应与特征主要有:(一)新浪社会新闻中的愤怒情绪,具有比其他情绪更多的数量和更高的比重:一是所有新闻的情绪总量中,愤怒情绪的数量是最多的;二是对情绪投票人数表七:不同情绪居第一位情绪时新闻的平均评论数和平均参与人数排第一的情绪种类编码评论数参与人数感动157.
481815.
26震惊193.
821809.
41搞笑202.
212584.
63难过194.
872077.
08新奇93.
78844.
79愤怒233.
953188.
47总计210.
432688.
48报靠均值本期话题/大数据方法与传播学研究92国际新闻界2017.
04的总数不小于20的新闻样本中各情绪所占的比重计算平均值,愤怒情绪是最高的;三是愤怒情绪在各条新闻中的情绪排名,排第一位的频次显著多于排其他位序的频次;四是在各条新闻居于前两位的主导情绪中,愤怒情绪是最为主要的情绪.

(二)新浪社会新闻中愤怒情绪居于主导情绪时,各情绪的分布具有朝向愤怒的更显著的集中性,也即具有对愤怒的"偏向":当愤怒较之其他情绪居于第一位的主导情绪时,第一位情绪是最集中的,和其他情绪反馈量的差异也是最大的;当愤怒情绪只居第二位的次主导情绪时,第一位情绪和第三位情绪也有最为明显的向第二位情绪的集中性.
(三)新闻的情绪强度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性:六种情绪中,愤怒情绪的反馈量与新闻的情绪强度之间的相关系数是最高的.
(四)新闻的传播热度与愤怒情绪之间,存在着较之其他情绪更紧密的正相关性:六种情绪中,愤怒情绪较其他情绪而言,与新闻的评论数、参与人数之间的相关系数是最高的;愤怒情绪作为一条新闻的第一位情绪时,新闻的评论数和参与人数较其他情绪而言是最多的.
由于研究条件和研究篇幅,本文的局限之处主要如下:一是在取样方面,目前只是基于新浪网站的一个栏目近几年样本的分析.
后续应加强对社会新闻之外其他版块的研究,在网络平台上增加对其他大型网站如腾讯、网易等的研究,在时间跨度上也应尽可能扩展到近几年之外的更广范围.
本研究的观点本身来源于对多个网站实际观察基础,在所选案例中也得到了充分支持,但结论的可推广性仍需更多样的样本.
二是文中对情绪的分类,目前只按照网站本身提供的分类,这虽然在考察受众的情绪反馈方面提供了很大便利,但是情绪具有很多的类型和系统,这也有待采取更多的情绪分类模式以寻找更为匹配和恰当的媒介情绪偏好模式.
三是受众的情绪反馈并不一定等于新闻自身的情绪倾向,尽管两者可能具有比较强的相关性,但需避免以前者直接替代后者,本文的结论也都谨慎地针对和建立于网络受众的情绪反馈的偏好和特征基础上.
四是本文未回答不同媒介间(如新旧媒体、中外媒体)等可能存在的"情绪偏好"差异,而只是对一个样本的检验.
不同媒体间的比较分析仍是需继续探讨挖掘的课题.
基于对新浪网社会新闻所实证分析的"情绪偏好"特征和模式,其多方面的意蕴内涵仍有待加强挖掘和深化思考.
其一,情绪偏好与"沉默的螺旋".
对于舆论的形成和演化,需要注意"沉默的螺旋"中特定的情绪偏好.
以往的研究中,往往注重沉默螺旋作为一种舆论机制的普遍性,而易于忽视它的条件和倾向性.
例如,极端民族主义、分裂主义等激进、"愤怒"的政治意见相比较于理性、温和的意见,是否更易"螺旋化"成为公共政治空间中主要的舆论皮肤其二,从"议程设本期话题/大数据方法与传播学研究93国际新闻界2017.
04置"到"情绪设置".
议程设置理论指出,媒介不能决定人们怎么想,但是决定人们想什么方面却很成功.
就媒介的情绪偏好而言,我们可以关注网络等媒介中的"情绪设置"效果及其机制.
特定类型的情绪在特定媒介中更易发酵和扩散,具有更高的传播速度或范围.
媒介或许不能决定人们怎么想,但或许可以在相当程度上引导他们以什么样的情绪想.
"情绪设置"和"议程设置"的共同之处在于,从关注内容效果到关注形式效果,它们的效果都不在于影响受众具体如何想、如何说,而在于这些想和说的形式.
其三,情绪传播的实践策略.
本文的分析显示出,不同情绪与样本的传播效果之间的关联是有差异的.
寻求"感动"、"猎奇"、"泪点"等的传播策略在相当多的条件下,并不是最理想的.
为了达到高传播效果,需要针对不同媒介采取最为恰当的情绪传播模式与机制,这也是媒介"情绪偏好"需继续挖掘和探究的路向.
(责任编辑:李艳艳)引用文献[Reference]保罗艾克曼(2008).
《情绪的解析》(杨旭译).
海口:南海出版社.
[Ekman,P.
(2008).
EmotionsRevealed(Trans.
).
Haikou:NanHaiPublishingCo.
]陈飞鲸(2013).
从网民的非理性表现看我国媒介素养教育问题.
《传播与版权》,(5),88-89.

[Chen,Feijing(2013).
OntheproblemofmedialiteracyeducationinChinafromthenonrationalrepresentionofinternetusers.
ChuanBoYuBanQuan,(5),88-89.
]哈罗德英尼斯(2003).
《传播的偏向》(何道宽译).
北京:中国人民大学出版社.

[Innis,H.
(2003).
TheBiasofCommunication(Trans.
).
Beijing:ChinaRenminUniversityPress(Originalworkpublished1984).
]赖胜强,唐雪梅(2016).
信息情绪性对网络谣言传播的影响研究.
《情报杂志》,35(1),116-121.

[Lai,Shengqiang&Tang,Xuemei(2016).
Ontheimpactofemotionalinformationononlinerumorspread.
JournalofIntelligence,35(1),116-121.
]刘丛,谢耘耕,万旋傲(2015).
微博情绪与微博传播力的关系研究——基于24起公共事件相关微博的实证分析.
《新闻与传播研究》,(9),92-106.
[Liu,Cong,Xie,Yungen&Wan,Aoxuan(2015).
Astudyontherelationshipbetweenmicro-blog'semotionandmicro-blog'scommunicationpower——anempiricalanalysisbasedonmicro-blogrelatedto24publicevents.
Journalism&Communication,(9),92-106.
]孟昭兰(2005).
《情绪心理学》.
北京:北京大学出版社.
[MengZhaolan(2005).
Emotionalpsychology.
Beijing:PekingUniversityPress.
]许莹(2013).
网络群体传播中反向社会情绪的放大效应及其疏导.
《中州学刊》,(6),174-176.

[Xu,Ying(2013).
Theamplificationeffectandguidanceofreversalsocialemotioninthe本期话题/大数据方法与传播学研究94国际新闻界2017.
04communicationofnetworkgroup.
AcademicJournalofZhongzhou,(6),174-176.
]隋岩,李燕(2012).
论群体传播时代个人情绪的社会化传播.
《现代传播(中国传媒大学学报)》,34(12),10-15.
[Sui,Yan&Li,Yan(2012).
Onsocialtransmissionofpersonalemotionintheageofmasscommunication.
ModernCommunicationJournalofCommunicationUniversityofChina,34(12),10-15.
]周杨,张会平(2012).
基于群体分类的微博用户公共情绪偏好实证研究.
《情报探索》,(11),4-6.