社会化媒体信息再传播的影响因素：内容、信源与卷入度

付宏 罗湘莹 杜智涛 李辉

关键词：社会化媒体;信息;再传播;内容;信源;卷入度

社会化媒体时代，每个人都是一个微媒体，人人都是信息的接受者，也是信息存储、转化、传送和发布等各个环节的信息处理者，信息通过用户进行的再传播处理行为，成为社会主流的传播方式之一。再传播，是指信息在首次传播后，经由其他媒介或个体而进行的再次传播行为，再传播既是内容传播的动力，也是评判内容是否适用于用户的标准。无法获得再传播的内容，在社会化媒体时代是没有生命力的。由此，什么样的内容能获得再传播，成为各个领域的实践者和研究者关心的课题。随着社会化媒体应用的不断革新，用户处理社会化媒体内容的方式多种多样，包括点赞、评论、转发、关注、投诉、屏蔽、发弹幕等，借鉴邓卫华等[1]在研究口碑信息传播时提出的个体传播行为三层次的理念，本文将用户信息处理行为分为以下3种：从最初的信息浏览、关注、收藏、举报等低参与度的传播行为;到主动进行信息扩散的转发行为;再到用户深度参与、需要组织思路并发表观点的评论行为。伴随着用户参与程度的逐渐增加，信息处理行为的层级也逐级递增，进入再传播阶段。本文选取其中的转发和评论行为作为信息再传播的主要方式。評论与转发是集信息传递和关系建立为一体的人际传播。其中，转发是一种信息共享行为，可以起到发起讨论、塑造用户形象[2]、维护社会关系[3]等功能;而评论行为代表一种个人意见显性化的外在表达，以及交互反馈行为。从用户参与程度来看，评论比转发需要更高的参与度。本文借鉴精细加工可能性模型和使用与满足理论，期望通过建立结构方程模型探讨社会化媒体信息再传播的影响因素，并探讨卷入度在其中的调节作用。拟解决以下研究问题：①探析影响社会化媒体信息评论与转发的变量及其作用路径;②建构社会化媒体信息再传播影响机制的理论模型。

对以上问题的回答，有助于研究者在社会化媒体情境中洞悉用户的信息处理方式、探析信息再传播的影响变量，以及心理因素在其中的交互作用，基于此，本文结合整合研究模型和跨学科理论视角，从传播学和社会心理学视角出发，试图构建社会化媒体信息再传播的影响因素模型，同时探讨了卷入度的调节作用，为理解社会化媒体信息再传播提供实证基础，进而对过往的经典传播学和社会心理学理论做出新的探讨，寻求理论创新以及方法突破的可能。

1理论来源与研究设计

1.1理论来源

在解释用户态度和行为的改变、理解信息说服效果等研究中，精细加工可能性模型是经常被检视和援引的一种理论。详尽可能性模型（ElaborationLikelihoodModel，ELM），又称双路径模型，由心理学家CacioppoJT等[4]提出，该模型认为受众在信息处理过程中会遵循两条基本路径：中心路径和边缘路径。当用户具备较高的详尽可能性时，会采取中心路径对信息进行处理，此时用户的信息处理程度较高，说服效果主要取决于信息的论据质量或力度等内容因素;而当用户详尽可能性较低时，会采用边缘路径对信息进行处理，此时用户更大程度上会简单依赖一些信息的外部特征或启发式线索，如用户对信源的偏好或来源可信度等外围因素，对信息进行处理判断，从而形成态度的改变。

影响用户选择中心路径还是边缘路径的因素，通常取决于用户信息处理的动机和能力，这其中主要包括用户的先验知识（Prior-Knowledge）和卷入度。先验知识是个体在经验前所建构的思想、观念、知识等，先验知识从某种程度上影响人们对事物的认知，包括信任的产生、偏好的形成、行为的动因等。卷入度是指用户在信息处理过程中对信息主题的投入和参与程度。卷入度高则采用中心路径对信息进行精细化处理;反之，会依赖边缘路径对信息进行简单判断。从上述对ELM模型的梳理，本文将内容因素和信源因素作为再传播的影响因素，同时将卷入度作为影响因素纳入再传播行为模型，并认为卷入度会对用户信息处理起到调节作用。

此外，本文还借鉴了使用与满足理论。使用与满足理论（UsesandGratifications，U&G）由卡茨（KatzE）[5]提出，该理论认为受众是基于自身的需求和目标，主动地、而非被动地进行媒介接触行为，行为产生的满足度再影响下一次的媒介使用行为。互联网和社会化媒体满足研究，主要包括媒介内容带来的满足[6]，信息体验的趣味性、信息性、可靠性等[7]。本文认为任何内容处理行为，如评论和转发都只有在满足受众需求之后，才有可能发生再传播行为，综合以上相关研究，提出社会化媒体内容对用户的满足主要包括信息量、代入感与趣味性等因素。

1.2研究假设

1.2.1社会化媒体信息再传播：边缘路径与中心路径的影响

1）边缘路径

根据ELM模型可知，本文认为在边缘路径下，用户主要依赖信源因素进行信息处理。本文将信源因素细分为信源信任感和信源知名度两个方面。

一是信源信任感。信息来源的可信度早在说服传播中就已得到认证。HovlandCI等[8]通过实验研究，提出了来源的可信度是说服受众的先决条件，王晓光[9]通过实证研究发现，对信源的信任是影响微博用户信息传播的主要因素之一。基于上述分析，本文提出以下研究假设：

H1a：信源信任感对用户进行社会化媒体内容的评论行为有显著的正向影响。

H1b：信源信任感对用户进行社会化媒体内容的转发行为有显著的正向影响。

二是信源知名度。信源知名度具有保障和说服作用。SunT等[10]采用结构方程模型，证实了意见领袖的影响力越强，受众参与在线讨论和转发的频率越高。赖胜强[11]使用多元回归法，研究发现微博博主的名人特性，会显著影响用户的转发行为。由此提出研究假设：

H2a：社会化媒体内容信源的知名度与用户评论行为有显著的正向影响。

H2b：社会化媒体内容信源的知名度与用户转发行为有显著的正向影响。

2）中心路径

根据ELM模型可知，当用户采取中心路径对信息进行加工时，此时说服效果主要取决于信息的论据质量、说服效果等内容因素。综合使用与满足理论，本文将内容因素细化为信息量、代入感、趣味性等指标。

一是内容信息量。MadduxJE等[12]研究指出，不管信源专业性强弱，吸引力有无，支持性论据都能够提高说服效果。媒介丰富度理论也认为，各类媒体信息的丰富度会对用户的媒体选择和信息传播产生影响，衡量媒体丰富度的重要指标就是其所包涵的信息量[13]。陈卓[14]在构建微博转发影响因素指标体系时发现，用户微博的平均长度越长、带超链接比例越大，以及链接中所包含视频、活动、新闻、图片越丰富，则越会吸引其他用户转发。基于此，本文提出以下研究假设：

H3a：内容信息量与用户评论行为有显著的正向影响。

H3b：内容信息量与用户转发行为有显著的正向影响。

二是内容代入感。指在小说、影视作品或游戏中，读者、观众或玩家产生一种自己代替了小说或游戏中的人物而产生的一种身临其境的感觉[15]。“有限心智模型”（LimitedCapacityModelofMotiva？tedMediatedMessageProcessing）的提出者安妮·郎认为，强烈的代入感对其心智模型中的编码、存储、唤起3个子过程都有正面影响，会导致更强的内容记忆和理解[16]。刘行军等[17]基于使用与满足理论，构建了用户使用微博进行信息传播行为的理论模型，研究发现共享的情感连接和沉浸感，与用户发布微博的行为呈现正相关关系。基于上述分析，本文提出研究假设：

H4a：内容的代入感对用户评论行为有显著的正向影响。

H4b：内容的代入感对用户转发行为有显著的正向影响。

三是内容趣味性。冯陈玥通过因子分析，研究社会化媒体用户的使用动机，发现趣味性是很重要的一部分[18]。陈明亮等[19]根据传播说服理论，建构的网络环境下口碑再传播意愿影响因素模型的实证检验结果表明，口碑内容趣味性是决定网络口碑再传播意愿的关键因素。基于此，本文提出以下研究假设：

H5a：内容的趣味性对用户评论行为有显著的正向影响。

H5b：内容的趣味性对用户转发行为有显著的正向影响。

1.2.2社会媒体信息再传播：卷入度的调节作用

卷入度是指个人基于其内在需要、价值观和兴趣，而感知到的与客体的关联性[20]。研究者们越发意识到，卷入度作为用户自主进行信息处理的状态，成为区别于客观的信源和内容特征的第三类影响用户信息行为的重要因素。由此，本文提出以下研究假设：

H6a：用户的卷入度对用户评论行为有显著的正向影响;

H6b：用户的卷入度对用户转发行为有显著的正向影响。

ELM模型指出，在高卷入度条件下，信息接收者仔细处理信息的动机较强，他将把思维的焦点放在说服性信息的内容上，信息内容本身将对接收者的态度产生更大的影响;在低卷入度条件下，相关动机较弱，而更可能去关注一些非核心因素，如信息来源可靠性等[21]。由此可知，卷入度是说服效应的一个重要调节变量。

在社会化媒体信息再传播行为中，预期卷入度也有类似的调节作用：即卷入度的高低，将会在信源与内容因素对用户评论、转发行为的影响中产生调节作用。由于以往相关研究已经证明，卷入度在信源信任感、内容趣味性这两个因素对评论、转发行为中有正向调节作用，同时也为了简化模型，本文对这两个因素不再做进一步研究。仅主要考察卷入度对信源知名度、内容信息量和内容代入感的调节作用。结合以上文献分析，本文提出以下研究假设：

H7a：信源知名度对用户评论行为会受到卷入度的反向调节作用;

H7b：信源知名度对用户转发行为会受到卷入度的反向调节作用。

H8a：内容信息量对用户评论行为会受到卷入度的正向调节作用;

H8b：內容信息量对用户转发行为会受到卷入度的正向调节作用。

H9a：内容代入感对用户评论行为会受到卷入度的正向调节作用;

H9b：内容代入感对用户转发行为会受到卷入度的正向调节作用。

1.3研究模型与理论假设

Delialiog？lu？等[22]研究了人口变量如性别、年龄和社会经济地位等，对于网络的使用广度和深度有着重要的影响。FulkJ[23]认为年龄、教育程度和性别等，会影响网络口碑信息的转发行为。因此，本文将性别、年龄、婚姻、教育程度、收入、居住地这几项，作为控制变量纳入模型。综合上述理论和研究假设，本文提出了社会化媒体信息再传播行为影响因素的研究模型及理论假设，如图1所示。

1.4测量变量

为了验证模型中潜变量的关系，需要确定潜变量的测量变量。本文在相关文献的基础上对各测量变量进行了归纳和修改，并适当增加了新的测量变量，采用五级量表形式，如表1所示。

2模型验证

2.1数据收集与描述性统计

研究数据采用配额抽样和简单随机抽样相结合的方法。在微信、微博、知乎等著名社会化媒体平台发放问卷800份，回收有效问卷592份，其中男、女性样本量（占比）分别为317（53？？5%）、275（46？？5%）;年龄分段为≤20岁、21～29岁、30～39岁、40～49岁、≥50岁，样本量（占比）分为83（14%）、205（34？？6%）、165（27？？9%）、81（13？？7%）、58（9？？8%）;已婚与单身样本量（占比）分别为291（49？？2%）与301（50？？8%）;教育程度分为初中、高中/中专/技校、大专、本科、研究生及以上，样本量（占比）分别为2（0？？3%）、17（2？？9%）、188（31？？8%）、318（53？？7%）、67（11？？3%）;月均收入分为<2000元、2000～2999元、3000～3999元、4000～4999元、5000～5999元、6000～6999元、7000～7999元、8000～8999元、≥9000元，样本量（占比）分别为67（11？？3%）、34（5？？7%）、24（4？？1%）、28（4？？7%）、66（11？？1%）、84（14？？2%）、128（21？？6%）、123（20？？8%）、38（6？？4%）;居住地区分为农村、乡镇、县级市/县城、地级市城区、省会城市、直辖市，样本量（占比）分别为12（2%）、32（5？？4%）、103（17？？4%）、92（15？？5%）、240（40？？5%）、113（19？？1%）。综合最终样本信息可见，样本分布相对均衡。相关数据分析采用SPSS，结构方程模型的构建采用Mplus软件。

2.2数据信度与效度

量表的信度和效度，使用主成分分析和验证性因素分析（CFA）来检验。KMO值为0？？854，表明该数据适合作因子分析[49]。如表2所示，所有的指标均加载于预期的因子上，因子载荷均远高于交叉载荷，说明有较好的聚合效度和区分效度[48]。Cronbach？？sa系数和CR（CompositeReliability）均大于0？？75，这显示出在信度上有较为满意的表现[49]，如表3所示。

聚合效度（ConvergentValidity）通过检验指标载荷和AVE（TheAverageVarianceExtracted）来验证。如表3所示，AVE值均大于0？？5，达到了相关要求[48]。所有指标的标准化载荷具有较强的显著性（小于0？？001），本文中所使用的量表具有良好聚合效度[48]。

通过比较AVE的平方根与各潜变量的相关系数来检验区分效度（DiscriminantValidity），表2中对角线即为AVE的平方根，非对角线上的即为潜变量相关系数，前者均大于后者，可以判断具有较好的区分效度。

运用Harman单因素方法检验共同方法偏差（CommonMethodBias），对所有变量进行探索性因素分析，未旋转的因子解中，抽取出8个因子，最大的因子解释了28？？7%的方差，说明共同方法偏差并不明显。另外，根据Liang等提出的方法来进一步验证共同方法偏差[48]，结果显示变量载荷显著，而共同方法因子载荷不显著，由此可以看出本文不涉及共同方法偏差问题。

另外，进行多重共线性分析，如表3所示，方差膨胀因子（VIF）的值都在10以下，说明多重共线性问题不存在。

2.3构建结构方程模型

按照理论模型构建结构方程验证模型。首先，结构方程不考虑调节效应，由表5模型1可以看到，结构方程拟合较好。由表5可以看到，χ2/df=2？？49，CFI、TLI均大于0？？9，模型拟合可以接受;SRMR=0？？07，小于0？？08，顯示模型拟合较好;RMSEA=0？？05，说明模型拟合较好;总体上看来，结构方程模型1拟合较好。

本文进一步研究卷入度这个潜变量的调节效应。实际上对于调节效应的分析，是社会科学研究的重要议题，是理论发展精确化的重要途径。当不考虑测量误差时，通常使用多层次回归模型来检验交互效应，由于在传统回归模型中没有考虑到指标测量误差，通常会扭曲参数估计结构[49-50]。而结构方程内在分析测量误差时存在诸多优势，因此，本文在结构方程模型内考察潜变量交互效应，对构建潜变量调节模型存在显著优势。

本文通过乘积指标法（ProductIndicatorAp？proach）来构造乘积项，即交互效应潜变量的指标，采用外生潜变量的配对相乘后的乘积项作为其指标，即用具有调节作用的潜变量的各个测量指标，与其有交叉关系的潜变量的各测量指标，进行配对相乘后的乘积项作为其指标。指标配对按照因子载荷的大小进行，即两个潜变量中因子载荷最大的两个指标，相乘得到新指标，因子载荷最小两个指标，相乘得到新指标。结果如表5模型2所示。

图2为考虑了卷入度的交互作用的模型的标准化路径系数，共18个假设中12个假设得到了验证，控制变量对因变量的影响也发生了部分变化。

3讨论与启示

本文根据问卷调查的数据，在控制用户的人口统计学变量后，探讨了社会化媒体信息再传播行为的影响因素。研究发现，除了信源知名度、内容信息量对转发行为影响不显著之外，社会化媒体信源知名度、信任感，内容的信息量、代入感和趣味性以及用户的卷入度等因素，均对信息的评论行为起到重要的作用。同时，信源知名度对用户转发的影响受到卷入度的负向调节。这在某种程度上揭示了社会化媒体信息再传播的底层逻辑。

3.1内容因素比信源因素对评论的影响更大，内容因素中信息量的影响最大

根据模型1结果，可以看出信源因素、内容因素和卷入度等，对评论行为均有显著的正向影响，假设H1a、H2a、H3a、H4a、H5a、H6a均得到验证。内容因素的3个指标对评论行为的影响最大，其次是卷入度指标。与前二者相比，信源因素的影响最小。内容因素中的信息量、代入感和趣味性对评论的影响数值分别为0？？258、0？？197、0？？192，远比信源因素中的信任感（0？？098）、知名度（0？？128）要高。

与公开的转发行为相比，评论行为显得更为私密。因为评论是某一具体话题下的意见汇集与观点交锋，是阅读同一话题的网民之间的交流与讨论，并不在好友圈中公开展示，故并不涉及网络社交圈的自我呈现和印象管理。因为转发是一种社交化的行为，而评论的目的更是个人意见表达与情绪抒发，很多时候来源于有感而发的冲动，所以基于这种心理，信源的影响力就被大大削弱了。由此可见，内容本身的感染力更能引发用户情绪和公共讨论，具体为：首先，内容因素中信息量对评论影响最大，信息量丰富、有价值、表述严谨的内容，一般对现象的阐述会更深入而全面，使用户在对现象有更多了解的基础上，调动大脑的注意力、想象力和各种感觉积极地信息处理，并结合自身的认知、经历形成反馈，进而激发用户情绪，形成讨论氛围;其次，是代入感，其最大特点是使用户与内容产生情感共鸣，在感同身受的基础上有感而发，产生评论;最后，是趣味性，阅读富有趣味性的内容能够使用户享受到愉快的体验，并引发互动和交流意愿。关于趣味性的结论和已有的很多研究结果相呼应，毕竟内容的趣味性、娱乐性本就是用户选择社会化媒体的主要原因之一，这点不再赘述。

这一结论为社会化媒体内容的设置提供了一些参考。在社会化媒体语境下，“内容为王”愈发凸显。尤其是从评论数指标而言，传播的信息能否引发公共讨论、增强观点互动、形成社会话题，主要取决于内容本身而非信源。虽然社会化媒体时代常被认为是碎片化传播的时代，导致长内容的接受度降低。但从本文结果发现，内容信息量对评论有显著的促进作用，这里的信息量不单单指的是内容篇幅，还包括报道形式的丰富性、内容的价值性和论述的严谨性等。结合现在微信公众号等内容媒体的运营现状看，的确存在内容篇幅逐渐由短变长，信息的丰富度不断提高的趋势，信息量大的文章，也确实容易获得更多评论与互动。此外，内容生产者在丰富内容信息量的同时，还要注重内容表达技巧，积极运用短视频、直播等不同技术手段，增强内容的代入感，并促进内容风格的文学化、趣味性转化。

3.2对转发影响最大的是信源因素中的信任感，其次是内容因素中的趣味性

从表5模型1可以看到，除了信息量对转发的影响不显著之外，其余5个自变量对转发行为的影响均呈现显著的正向影响。即除假设H3b未得到验证之外，假设H1b、H2b、H4b、H5b、H6b均得到验证。此外，由表5可知，不论模型1还是模型2，对转发行为的最大影响因素都是信源的信任感，其次是内容的趣味性，最后是内容的卷入度。

首先，用户转发时会更关注信源的信任感，避免转发不实信息有损个人形象。主要原因有二：一方面，基于信息传播视角，转发行为是公开化的信息传播活动，随着我国互联网规制的加强和网络空间综合治理体系的建立，用户在互联网上的信息传播行为被纳入行政监管的范围，因此，随着网络监管的收紧，用户在转发时，会更加关注信源的真实性，使得信源的信任感成为影响用户转发的最关键因素;另一方面，基于个人视角，转发是个人意见显性化的外在表达，与评论相比，转发并不只是简单的情感流露和观点交流，其受印象管理、自我呈現和社交互动目的等的影响更强，对用户建立个人形象、维护社交关系、积累社会资本等具有重要作用。

其次，内容的趣味性对用户转发行为影响较大。内容的趣味性能增强用户的分享意愿，快乐的共享也是社交应有之义。另外从印象管理的角度看，转发趣味性的内容也有助于用户在网络上塑造幽默、有趣的正面形象。

最后，卷入度对用户转发行为的影响也具有较强的显著性。说明获取用户更多时间、精力等注意力资源的内容，更易获得用户转发，这与经济学中人们一般对沉没成本不舍，更愿意将资源投放到已经付出过的对象而非其他对象的原理一致。

另外值得关注的是，表5中模型1和模型2都显示，信息量对转发的影响并不显著，即假设H3b未能得到验证。这与评论行为的影响结果正好相反，在评论行为中内容信息量的影响最大。这一结果符合“第一人效果”假说。AtwoodLE[51]在1994年的研究中指出，“当受众接触到符合社会期待、能够引起正面情感的信息时，受众倾向于认为自己受媒介信息的影响大于其他人”。由此可知，用户在接受社会化媒体信息时，会倾向于认为自己能够较好地处理并吸收信息量丰富的内容，而其他人在屏读时代和互联网碎片化的传播语境下，不喜欢阅读信息量大的内容。

因此，在设计社会化媒体内容时，如果要增加评论数，应注重提升内容的信息量;如果要提高内容的转发量，则需要在信源的信任感上下功夫。而提升内容的趣味性，对于评论和转发都非常重要。

3.3卷入度对知名度影响转发起到反向调节作用，对其他潜变量影响作用的调节作用不明显

由表5可知，“卷入度×知名度”对转发的影响为-0？？309？？？，并且根据模型1可知，知名度对转发行为的影响是显著的，在模型2中经过卷入度的调节后就变得不显著了，可见卷入度对知名度影响转发起到了反向调节作用，H7b得到验证。而“卷入度×知名度”对评论行为的影响并不显著，因此，H7a未能得到验证。此外，“卷入度×信息量”“卷入度×代入感”对评论、转发行为的影响均不显著，因此，H8a、H8b、H9a、H9b均未得到验证。

根据ELM模型，当用户对内容的卷入度低时，用户由于缺乏深入思考和加工信息的动机，会选择边缘路径来处理信息。这时候会更多地参考信息的外在因素，如信源的知名度因素。而在高卷入度情境下，用户会投入更多的时间、精力对信息内容进行处理和精细加工，这时候更多关注的是信息的内在因素，信息的来源等非核心因素的重要性程度就被消解了。因此卷入度越高，知名度对用户转发行为的影响越小，由此可解释，卷入度对知名度影响转发起到反向调节作用。而评论本身受内容因素的影响较大，信源因素的影响程度相对内容因素较低。因此，卷入度的调节作用不明显。

由表5还可见，年龄和婚姻情况对评论有反向作用，教育程度对评论有正向影响作用。即年龄越大的用户评论越少，未婚的比已婚的更倾向于进行评论，教育程度越高的人，越容易对社会化媒体内容进行转发和评论，这与原有的研究和一般认知相符合。此外，性别、收入对评论和转发影响不显著。居住地对转发有反向影响（在不考虑卷入度的情况下），即越是城市的人越不倾向于转发，越是乡镇的人越容易转发，这或许是由于城市居民相对于乡镇居民而言，信息获取量更大，对信息的新鲜感变弱，因此转发行为更少。

4结语

本文将社会化媒体信息再传播细化为评论和转发行为，从信源、内容和卷入度三方面，考量了影响用户对社会化媒体信息再传播的因素，通过结构方程模型设计的交互模型验证了卷入度这个潜变量的调节效应。通过对结果的综合分析可见，除了内容的信息量对用户转发行为影响不显著之外，其他的影响均显著，卷入度也发挥了调节作用，但是调节项并不多。内容因素比信源因素对用户的评论行为影响更大，用户的转发行为受信源信任感影响最大，其次是内容的趣味性，卷入度反向调节知名度对用户转发行为的影响。本文模型的构建及所得到的相关结论，为社会化媒体信息的再传播行为研究提供了重要的理论借鉴。

本文在方法和设计上还存在不足：一是对社会化媒体信息再传播行为的影响因素考虑不够全面，不能排除其他潜在影响因素，如平台和社群特性、用户的性格特征和动机等。二是没有考虑到卷入度对信任感、趣味性这两个因素的调节作用，一方面是因为既有研究已经对其进行了探讨;另一方面是考虑到模型过于复杂，数据难以处理，但这些调节作用也是需要进一步讨论的。三是目前已有研究证明“卷入度”的广泛调节作用，但本文中卷入度只对知名度影响用户转发有显著调节作用，对其他影响的调节作用并不明显，其原因需要进一步验证说明。