不同情绪对网络群体极化影响的实证研究

龚艳萍+马艳玲

内容摘要：为了研究网络群体中不同情绪对群体極化的影响，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日期间的41496825条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的41496825条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，个体对所处环境下的负性情绪信息是有着非一般的敏感性的，被称为情绪的负性偏向现象。即，相比于中性的与正性的，个体会优先对负性的刺激产生一种认知加工（Delplanque & Silvert.，2005；Huang & Luo.，2006；Yuan et al.，2007）。因为负向情绪被唤醒的时间比正向情绪短，也可以说，在一样的情境下，负向情绪首先会被激活。由此我们可以假设：

H3：在网络群体中，相比于正向情绪，负向情绪更容易引起网络群体极化。

愤怒、悲伤、焦虑与网络群体极化。结合Fleur J.M. Laros和Jan Benedict E.M.Steenkamp 于2005年提出的消费者情绪模型以及Ekman（1992）提出的最基本的消极情绪分类，本文主要研究愤怒、悲伤以及焦虑这三种负向情绪对网络群体极化的影响。Lemer&Keltner（2001）的以“亚洲疾病问题”作为实验情境的关于风险决策的实验发现，如果被试是带有愤怒情绪的，那么他更可能采用高风险的决策。Raghunathan等的研究表明，如果是在赌博情境中，与焦虑情绪的个体相比，悲伤情绪更愿意进行获益和风险都比较高的赌博游戏。虽然对于焦虑情绪的研究很多，但是很少有学者研究焦虑情绪与群体极化之间的关系。Raghunathan研究了被试在赌博中的冒险行为，结果表明悲伤情绪与中性情绪、焦虑情绪的被试不同，对于赢利和风险游戏有着低偏好。上述分析表明，焦虑情绪更倾向于风险规避行为，而悲伤会导致更多的寻求行为出现。和愤怒相比，悲伤和更低的唤醒状态有关（Zhu & Thagard.，2002），而愤怒有着更高的冒险性，愤怒更容易引起网络群体极化。因此本文假设：endprint

H4：在网络群体中，与悲伤情绪、焦虑情绪相比，愤怒情绪更容易引起网络群体极化。

数据分析与假设检验

（一）数据准备

数据选取。本研究选取“王宝强离婚事件”中王宝强发表的离婚声明一条新浪微博的评论为研究对象。使用python工具，抓取此微博评论的文本信息，时间是从2016年8月17日到2016年10月8日，一共抓取了41496825条评论，包括ID、评论时间及评论内容。

数据处理。本文数据处理参照Kelly Hewett et al.于2016年发表在Journal of Marketing上的关于品牌回声效应文章当中数据处理方式。首先对已经抓取的文本数据使用斯坦福大学分词系统（Stanford Word Segmenter）进行断词，然后导入以SC-LIWC（侦测率达82.94%）为词典的LIWC（语言探索与字词计数文本分析软件）进行分析。

变量选择。网络群体极化（Network Group polarization）参照霍凤宁（2015）测量网络群体极化的方法进行测量；正向情绪（positive）、负向情绪（negative）、愤怒情绪（anger）、悲伤情绪（sadness）以及焦虑情绪（anxiety）通过LIWC提取相应情绪词的占比进行测量。

（二）模型的建立、估计及结果分析

1.单位根检验。变量的平稳性决定了模型估计的可靠性，所以变量为平稳的时间序列可以直接构建无约束的VAR模型。所以，我们首先对时间序列进行单位根检验以检查其平稳性。由表1结果可见，群体极化因子、正向情绪、负向情绪、愤怒、悲伤、焦虑相应占比的原序列均通过了ADF单位根检验，为平稳序列。

为了检验假设H1-H3，需要建立以群体极化、正向情绪、负向情绪为变量的模型。首先在R语言中对最优的滞后阶数进行判断，得出各项标准皆选择p=1为最优的滞后阶数，因此我们建立VAR（1）模型。接下来通过vars包中的VAR函数建立所需模型，具体如下：

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

分析上述结果可以得到以下结论：群体极化的滞后项对其本身有着重要的促进作用，即群体极化具有时间传导性，如果前一天的极化影响较大，则后一天有较大可能性产生与前一天同样大的极化影响；正向情绪与负向情绪均对极化影响具有促进作用，并且负向情绪的影响更显著，这一点我们在接下来的脉冲响应函数中可以更直观看到。

2.脉冲响应函数分析。脉冲响应函数是用来检验内生变量之间动态相互关系的，或者说在一个单位的干扰或冲击的影响下，由于VAR模型中不要求扰动之间的相互独立，从而产生在整个稳定的系统之内进行传递而带来对该变量及其它变量的影响。为了验证假设H1-H3，分别考虑正向情绪、负向情绪一个标准差信息下的脉冲对群体极化的动态影响（见图 1）。

总的来看，在 30 期（以天为单位）的反应期内，一个单位正向情绪和负向情绪的冲击分别对网络群体极化的影响均是正的，因而可以证明假设H1和H2。具体来看，正向情绪和负向情绪的冲击影响使极化影响均在第3期左右达到最大，并且负向情绪所导致的变动幅度明显大于正向情绪（从而验证了H3），群体极化在达到最高点后均缓慢下降，在冲击后的14期后基本趋于原水平，说明极化影响在受到情绪异常变动后需要较长时间才能消除影响。

同样地，为了验证假设H4，针对群体极化、焦虑、愤怒和悲伤建立VAR模型（在选择滞后阶数的过程中，HQ、SC判断标准得到的结果为p=1，而AIC准则结果为p=6，考虑到模型的简洁性我们只考虑VAR（1）模型），相应的脉冲响应函数见图2所示。

从图2中可以得到以下结论：群体极化一个单位的冲击会对其自身之后的值产生相当大的正向影响，但影响减小速度很快；焦虑、愤怒、悲伤均会对群体极化产生正的影响，并且极化影响均在第2天或者第3天达到最大，其中愤怒产生的影响最大（从而验证了假设H4）；三种情绪冲击产生的影响大概在第10期趋近于0。

结论与研究意义

之前对群体极化的研究主要是通过线下问卷调查或者是实验法来进行研究，而本文主要研究的是网络中的群体极化，考虑到内生性的问题，我们使用自向量回归模型来分析不同的情绪对网络群体极化的影响。本文的主要结论有两点：正向情绪和负向情绪都会正向影响网络群体极化，但是与正向情绪相比，负向情绪占比越大，越容易引起网络群体极化；与悲伤情绪、焦虑情绪相比，愤怒情绪占比越大，越容易引起网络群体极化。

根据实证结论，对企业正确处理公关危机以及政府正确处理舆论舆情提供决策建议：对于政府而言，当发生威胁社会国家安全等事件时候，政府应尽快采取措施平息群众对事件的愤怒等情绪，避免网络群体极化的形成，从而避免导致的负面影响，政府对媒体应该起到应有的监管作用，与媒体方面加强沟通，及时察觉民众的愤怒等负向情绪，并设法引导平复。对于企业而言，民众对企业行为所产生的正面或者负面看法都很容易产生极化影响，所以当企业察觉公关危机但是还没有形成网络群体极化的时候，就应该率先采取行动，抚平民众的愤怒等情绪，对于正向情绪积极引导，避免负向情绪导致的网络群体极化，变危机为转机，提升企业形象。

参考文献：

1.霍凤宁.网络群体极化的判定、测量与干预策略研究[J].电子政务，2015（10）

2.程晓煜.基于VAR模型的贸易增长与跨境电子商务关系实证研究[J].商业经济研究，2016（12）

3.辛文娟，赖涵.群体极化视域下网络舆情的演化机制研究——以微博网民讨论“浙江温岭杀医案”为例[J].情报杂志，2015（2）

4.钟毅平，范伟，蔡荣华，谭千保，肖丽辉，占友龙，罗西，秦敏辉.正性情绪诱导下的自我参照加工：来自ERPs的证据[J].心理学报，2014（3）

5.陈启强.基于情绪知识的微博网络营销策略分析[J].商業经济研究，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