弹幕视角下的网络热搜健康视频关注度与情感分析

王文韬，陈 千，张 肖，张 晨

0 引言

“互联网+”时代，网络成为用户获取健康知识的主要渠道之一，并对用户健康决策产生重大影响[1]。我国网络视频用户规模达9.27亿[2]，网络视频科普方式以视听结合的优势迅速走红[3]，用户可通过这种方式获取相关健康知识。在大数据、健康中国、5G等战略驱动下，网络健康视频制作产业迎来新风口，各大视频媒体借助网络平台发布健康视频吸引用户关注。而弹幕作为新兴互动技术，广受年轻群体喜爱，被频繁用于网络视频平台[4]。用户可通过滑动字幕，对视频内容进行实时评论、发布即时情感[5]，实现社交需求。当用户浏览、评论、点赞、分享健康视频时，可在一定程度上体现其对视频的关注度[6]。同时，各大社交平台均设置热搜板块，不同平台按照其权重指标呈现用户每日最为关注话题，“上热搜”已成为大众尤其是年轻用户判断话题关注度的重要指标之一[7]，可见网络健康热搜视频在一定程度上体现用户关注话题。由于弹幕文本及视频浏览数据包含用户观看量、点赞量、评论等能够披露用户关注度的信息，其中热搜视频浏览数据良好，相较于普通视频传播范围更广且弹幕数据较多，故本文通过梳理总结网络健康热搜弹幕数据中包含的评论、观看量、弹幕发送时间等数据，获知影响用户网络健康视频关注度的主要因素。此外，由于弹幕数据中包含大量用户信息行为，众多学者围绕弹幕网站展开研究，但当前对其研究主要聚焦弹幕行为、用户使用驱动因素等方面，较少从分析弹幕用户关注度影响因素的角度获知用户健康信息需求。因此，本文基于此视角，通过深入分析网络健康热搜视频弹幕数据，识别影响用户关注度因素，判断用户健康信息偏好类型，据此得出相关启示。

鉴于国内视频网站中，哔哩哔哩(bilibili，以下简称“B站”)是最早引入弹幕系统的视频网站之一，弹幕系统较完善，2020年活跃用户达2亿人，弹幕总量超过22亿[8]。因此，本文选取B站作为数据来源，利用python爬取B站全日排行榜中健康科普类热搜视频弹幕，采用LDA(Latent Dirichlet Allocation)主题模型和情感分析方法，获取弹幕数据中包含的用户关注热点及关注度与满意度间的潜在关联，分析影响用户关注度的主要因素，帮助视频媒体更具针对性地提供健康视频。同时B站主要受众群体多为数字原住民，该群体热衷新奇事物且接受能力强，但对健康知识了解不够全面、深入，应以其关注话题为源，切入健康知识普及，加强健康教育，提升健康素养，助力“健康中国”战略实施。

1 理论基础

1.1 弹幕文化及弹幕行为

弹幕(Danmaku)一词源于射击游戏，因大量评论在视频上滚动就像游戏中子弹布满屏幕一样，故而得名[9]。目前弹幕在各大主流视频网站中被广泛使用，相比点赞、评论、转发等方式，弹幕主要从视觉上给予用户颠覆性体验[10]，且“共时性”这一特点打破时间、空间的限制[11]，满足用户即时互动的社交需求，故弹幕被大众广泛接受。同时弹幕主要集中在视频页面的上下方，但当弹幕数量较多时，大量弹幕布满整个屏幕形成信息瀑布效应[12]，弹幕“刷屏”现象会吸引更多用户参与互动。可以说，在当前网络社交环境下，弹幕已成为用户所关注的重点部分[13]，是决定视频对用户吸引力的重要部分。

此外，弹幕视频在发展中逐渐形成其特有的弹幕文化，如语言缩写体系、弹幕补充视频内容再创作，用户通过弹幕分享观点与关注点，在实现群体间互动交流的同时，无形中也增加对这类交互方式的依赖性[14]。其独特的弹幕文化吸引大量用户在弹幕中表达观点、态度，弹幕交互行为在增加视频热度的同时，也提升了用户关注度。而热搜视频相较于其他视频传播范围更广、弹幕量较多、交互行为更为频繁，因此本文爬取B站健康热搜视频弹幕，并分析弹幕中所包含影响用户关注度的因素。

1.2 用户群体特征

弹幕网站受众者多为年轻用户，其中B站用户多为90后[15]，他们也被称为“数字原住民”(DigitalNatives)，即伴随网络技术成长且具备一定信息能力[16]的年轻群体。数字原住民敢于尝试新兴事物，乐于利用网络社交平台实现自我认同[17]，B站这类网络平台则较好地契合了其社交需求与信息需求，即便社交时间、空间不同，通过弹幕也能跨域即时互动。我国数字原住民中的一部分目前已成为各个领域骨干力量，该群体对网络健康视频采纳情况可一定程度上反映广大用户对社会化媒体现有关注度[18]，可以认为数字原住民对网络健康视频的浏览、发送弹幕、点赞、投币等行为能一定程度上反映该类群体的关注度。通过分析该群体关注网络健康视频的弹幕行为特征，得出影响其关注度的主要因素，以此改善视频内容提升用户满意度，促使网络健康视频被广泛接纳，加强健康知识教育，提升全民健康素养。

1.3 弹幕及用户关注度

B站这一网络视频平台，因其特色弹幕文化吸引大量数字原住民聚集，用户可利用弹幕分享观点并据此体现其对该话题的关注度。目前针对弹幕视频平台的研究主要集中在弹幕行为(如从众行为[13]、用户交互行为[19])、用户使用动机与意愿[20]、弹幕文化[21]等方面。弹幕视频平台蕴含大量用户行为信息、使用动机及驱动因素等信息，对弹幕进行深入分析可挖掘出其用户关注热点、情感态度等有价值的信息。有学者对弹幕进行情感分析，研判视频不同时间段用户情感走向，据此总结其弹幕行为特点[4]。还有学者对弹幕及视频字幕进行可视化分析，从情感的强度、种类分布、变化趋势这3个维度出发，判断用户情感特征与视频内容间的关联性[22]。

为从弹幕数据中获知影响用户对健康视频关注度因素，需聚类弹幕主题了解用户更为关注的话题，但主题聚类仅分析出主题间相关性[23]未能全面分析其他影响因素，因此需结合与研究主题更为适配的方法得出有效结论。而弹幕源数据中包含时间数据及用户情感，需从这些维度进行分析，以便得出更全面及更具说服力的结论。因此，本文利用LDA模型提取主题热点，并结合弹幕源数据中时间序列分析主题随时间变化的规律，再借助外部词典进行文本情感分析得出用户满意度，分析其关注度与满意度间潜在关系，判断用户满意度与其关注度间关联性。

2 研究方法与分析路径

B站健康类视频观看量、弹幕量等较为直观的浏览数据虽可在一定程度上体现用户关注度，但难以据此判断是否存在其他影响用户关注度因素，故需深入挖掘分析弹幕文本。本文爬取代表性更强且弹幕量较多的热搜视频弹幕，通过LDA主题模型，在此基础上进行主题演化分析与情感分析，挖掘视频主题、弹幕发送时间、用户满意度等非直观因素对用户关注度的影响，具体流程如图1所示。

图1 用户网络健康视频关注度分析流程

2.1 数据收集与预处理

选取B站网络健康热搜视频弹幕数据作为研究样本，通过python爬取弹幕数据，形成初始弹幕数据集。为实现后续主题聚类与情感分析，首先对收集到的弹幕数据进行预处理[24]，去除重复项、无效符号、表情和文本符号。然后，根据清洗后的弹幕数据集和分词结果构建分词词典并结合哈工大停用词表及自设停用词表，形成较为完善的停用词表提高分词准确率。最后加载用户词典，以jieba分词为基础[25]，同时自设停用词表，去除停用词。

2.2 弹幕源数据解析

从B站获取的弹幕源数据中，每条源数据包含8个参数[4]和其具体弹幕文本。弹幕源数据均以XML文本格式进行储存，以表1列举弹幕源数据所示，弹幕＜d＞内所包含8个参数与具体弹幕文本，P后以逗号分隔的八个参数每一项都有其特殊含义，包括弹幕格式、发送日期、发送者rowID等，以表1第一条弹幕为例解析其参数，具体说明见表2。

表1 视频《近视手术会后悔吗？》部分弹幕

表2 以弹幕示例说明

B站设置热搜板块，以视频归属不同分区及全站范围分别进行排行，以便用户直观了解每一分区内其他用户广泛关注话题。视频质量(包括标题与封面)、账号权重问题(up主粉丝量)、用户浏览数据(播放量、点赞量等)等权重数据均对视频排名造成一定影响。当视频质量及数据达到排行榜权重指标时，视频播放页面会显示该视频全站排行榜实时最高名次。在排行榜且排名靠前的视频，当用户检索相关话题词时会优先推送或基于用户近期浏览内容被推送至首页[26]，可见视频浏览数据在一定程度上影响用户关注度。本文选取网络健康视频时，将其播放量、弹幕量及全站排行榜名次作为主要选择标准，认为该类视频时效性强、传播范围广且关注度更高，相较于浏览数据一般的视频更具代表性。此外，仅浏览弹幕视频未播放视频时，视频下方会显示其播放量与弹幕量，以其良好的浏览数据吸引用户观看。当播放视频时会显示全部用户浏览数据，主要位于其播放窗口上下方如投币数、全站排行榜名次、在线观看人数及up主(uploader即视频投稿者)粉丝数等，以便用户直观判断视频质量及关注度，具体如图2。

图2《近视手术会后悔吗？》视频播放页面截图

2.3 基于LDA模型弹幕主题提取

利用LDA模型对清洗后弹幕文本进行主题聚类，提取用户关注热点话题从而分析影响用户关注度因素。本文通过困惑度与主题相关性指标确定最佳主题数K，困惑度越小，主题数越多，话题与模型拟合度更高[27]，最小困惑度对应Topic数即最优主题数。困惑度计算公式如式(1)(2)。公式(1)中分母表示数据集中所有词之和或数据集总长度，其中p(w)指数据集中每个词出现概率，公式(2)是其具体计算公式。另外，p(z|d)表示一个文档中每个主题出现的概率，而p(w|z)表示词典中每一个词在某个主题下出现的概率。困惑度最小时，主题数与话题内容拟合度更高。

2.4 主题时间演化分析

主题时间演化即弹幕主题关注度随时间变化的过程。为分析弹幕随时间变化及时间因素对用户关注度影响度，利用主题词与弹幕源数据中发送时间搭建主题时间演化模型，首先解析弹幕源数据中的弹幕发送时间Unix格式时间戳，然后按弹幕发送时间将主题词文档划分时间片，最后根据时间轴中主题词数分布情况分析其演化过程。

2.5 文本情感分析

文本情感分析是指对可体现用户情感态度的文本进行分析及挖掘的过程，主要利用已有词典和计算机方法分析主观性文本情感[28]。为获取弹幕文本中用户观点及喜好，本文选取目前通用词典，在知网Hownet词典基础上，结合大连理工大学中文情感词汇本体库、清华大学TSING词典，分析弹幕文本中用户情感，根据其情感值得出用户对健康热搜视频满意度。

2.6“关注度—满意度”框架

为获知用户关注度与满意度间的潜在关联，将体现用户关注度的主题词、反映用户满意度的情感得分相结合，构建用户弹幕文本“关注度-满意度”分析模型。横轴与纵轴分别为用户满意度、关注度，以此将用户关注健康类视频主题分为4类。总结不同满意度、关注度下主题特征，分析用户满意度对关注度的影响，帮助视频媒体改进视频内容及呈现形式，选取大众更为关注的话题制作科普视频，满足用户需求前提下更好地提供健康类知识。

3 数据分析

3.1 弹幕数据收集与预处理

B站视频在发布时需要选择投稿分区与视频分类标签，因此以“健康”“疾病”“医学小常识”“医学知识”等话题词作为关键词进行检索，从普适性角度出发，分别选取知识分区内科学科普板块下弹幕数量及播放量排名前三的热搜视频(部分重叠视频合并处理后共选取10个健康视频)，通过python爬取视频弹幕，共计获得72，940条弹幕，删去重复、无效信息、表情符号后有效弹幕文本共33，653条。针对清洗后弹幕文本，设立较全面的用户词典及停用词表，对文本进行分词处理及去除停用词，并将处理后实验文本词频匹配关注度等级，为后续关注度研究所用。

3.2 用户健康视频弹幕中关注热点主题提取

采用LDA主题模型对清洗后弹幕文本进行主题聚类，设置模型主题数为100、超参数为0.0001、最小错误率为0.01、迭代次数为50、每个主题下主题词为2000。随着主题词数不断增加，困惑度先下降再上升，如图3所示，在主题词数约为9时达到最小值、困惑度最低时，话题与模型拟合度最佳，因此最佳主题词K为9。

图3 不同主题数下困惑度值

结合最佳主题词数，筛选对视频内容描述价值最高的主题词作为关键主题词，再将每个话题下视频内容及其关键词(积极词/消极词各2个)进行汇总，详见表3。

表3 弹幕文本主题词/主题词主要描述内容

通过弹幕词频与其描述内容相结合的方法对视频主题进行归纳总结。以Topic4为例，弹幕文本主要对近视成因、近视手术流程及适合手术人群进行介绍，简单介绍近视成因、每一种近视手术操作原理及生活中如何保护眼睛等知识。8个Topic所涵盖视频内容具体如表3所示。9个主题中仅Topic3、Topic5与时事话题相关，其他话题均与生活息息相关，且都围绕用户自身健康问题出发，以某一话题为切入点科普健康知识。用户高度关注以生活习惯类为话题的健康科普视频。由于用户在健康信息素养与医学专业人士存在一定差距，而这类贴近生活的健康知识科普视频更易于用户理解，因此受到的关注度较大。同时，该类健康科普视频也会涉及医学专业知识，部分具备一定专业素养的视频制作者通过将自身隐性知识以口语化表述方式进行阐述，使得专业知识通俗易懂，特别是涉及较为抽象的概念时，制作者会利用视频生动直观的优势在视频中插入图画、动画等帮助用户理解。可见，内容详实度、风格趣味度、制作精良度等因素也会影响用户对健康视频的关注。相关视频媒体不仅要围绕用户相对更为关注的生活类健康知识进行科普，也应围绕医学专业知识如预防流行疾病、重大疾病自检自查，参照健康热搜视频的方法，将用户鲜少接触、了解的专业知识融入科普视频制作，加强用户健康知识教育，提升全民健康素养。

3.3 健康类视频弹幕主题演化分析

根据梳理总结后LDA主题归属文档，将弹幕主题进行归类，以主题词及其文本中弹幕实时发送日期所属时间粒度为横轴，各个主题词占比为纵轴，得出各主题弹幕量随时间变化情况及各话题词占比情况，如图4所示。由图4可知，各主题词总弹幕量随着时间的变化而逐年增加，近两年用户对健康视频关注度大幅提升，由于2021年仅有第一季度数据，因此较前一年稍有下降，但按此趋势可合理推测各话题词总体仍会呈上升趋势。2020年突发新冠肺炎事件，用户居家隔离上网时长增加，因此，这一年主题词数相较于前两年陡增。如Topic6(如何去黑头)围绕某一针对性较强的话题展开，最初主动关注该类话题为爱美或注重护肤的群体，但受疫情影响，用户信息偶遇几率增加[29]，对该话题感兴趣却未主动关注以及无意关注却因网站推送而观看的用户，以此为契机关注该类话题，使得这类仅被部分群体关注的话题得到广泛关注，视频观看量、点赞量等浏览数据也随之增加。当视频质量及浏览数据达到全站排行榜权重后，根据B站推送机制，用户浏览首页或检索相关话题时，会优先推送该视频，更多用户可能会被其良好浏览数据或大量弹幕交互吸引并参与互动。而Topic5(预防新冠肺炎)之所以备受关注，是因为其为现下热议话题，用户更趋向于主动关注该话题及相关视频。Topic4(近视手术)、Topic7(熬夜猝死)、Topic8(无糖饮料)这三类话题弹幕量逐年增加，此三类话题与当下年轻人生活及消费习惯密切习惯，可见健康视频关注度也受外界因素影响。如Topic4，随着近视手术技术不断成熟，大量年轻用户乐于尝试近视手术但又存在一定疑虑，因此主动搜寻该类健康知识以帮助决定是否进行近视手术。当前社会环境不断变革，医疗技术不断完善，消费产品迭代更新，大众生活习惯及消费意识也随之转变，由于数字原住民对新兴事物接受能力较强，故相较于其他群体更加关注新兴技术、产品等话题。相关视频媒体可针对当下流行或新兴事物所涉及的健康知识进行科普，引导用户树立理性消费观，避免用户受误导盲目从众，培养用户健康生活理念。

图4 主题-时间演化分析

3.4 弹幕文本主题情感分析

以知网Hownet词典为主要词典，结合大连理工大学中文情感词汇本体库、清华大学TSING词典，构建较为全面的情感词典，对清洗后弹幕文本进行情感分析。弹幕文本涉及大量网络用语，但在划分词频匹配关注度时，发现这些网络用语均不表达实质意义且其表达情感对本研究影响不大，因此本文未针对网络用语建立情感词表。基于情感词典进行文本情感分析具体结果如图5。可以看出，不同主题的健康视频，用户情感并不相同，整体以积极词居多，但也存在消极词。随着时间推移，用户对视频关注度逐年递增，与视频内容及已有弹幕间交互行为也逐渐增加。虽存在一定的消极情感，但并不代表用户对视频内容满意度不高。正因为用户与视频内容及已有弹幕交互行为增加，用户更易与其产生共鸣，针对视频所科普及弹幕补充的知识表达强烈的个人情感及观点，如Topic2、Topic7，视频主要介绍抽烟及熬夜对身体的危害，用户知晓这类生活习惯并不健康，但深入了解其危害后所发送的弹幕带有更强烈负面情感，如“抽烟得肺癌？”“害怕熬夜猝死”。

图5 弹幕文本情感分析

依据归类后主题词文档画出文本积极词云与消极词云，见图6。“抽烟”在积极词词云中出现频率较高，因抽烟这一行为十分常见，大量用户对此行为多有不满，以身边人或自身遭遇与视频内容、弹幕互动，赞同抽烟有害身体健康这一观点的同时，并愿将该视频分享给身边烟民。从消极词词云中可知，主要消极词并非负面情感词语，但与视频内容高度相关，因视频科普的健康知识涵盖这些行为对健康的危害，故用户在深入了解这些行为对健康造成负面影响后，结合视频内容及已有弹幕发表自身看法，从而流露出“害怕”“恐怖”等消极情感。可见，部分用户共情能力较强，易受视频及弹幕内容影响，视频媒体可针对此特性结合弹幕互动方式制作健康知识科普视频，吸引用户关注，在科普健康知识的同时，传达正确生活理念，加强用户健康知识教育，改变用户生活习惯，提升健康素养。

图6 积极词词云(左)与消极词词云(右)

3.5 用户关注度-满意度框架

为搭建用户“关注度-满意度”框架，本文将所有话题词包含的词频进行分类，依据词频与视频内容相关程度，将关注度分为高中低三类。高度关注主要包括针对视频整体内容发表具体看法、补充视频内容等类型的弹幕；中度关注包括针对视频某一内容或弹幕发表自身相关经历或感受等类型的弹幕；低关注度则是没有具体意义，仅是活跃气氛或与其他弹幕互动的弹幕。将分类后的关注度与弹幕词频进行匹配，得出弹幕具体关注值。以关注值为纵轴、情感值作为横轴，搭建“关注度-满意度”框架，如图7所示。

图7 关注度—满意度分析

第一象限即“高关注度—高满意度”，包括Topic1(突发性死亡)、Topic2(抽烟)、Topic5(预防新冠肺炎)、Topic7(熬夜猝死)。用户对于以具体介绍“某一生活习惯对于身体的影响”为话题的视频高度关注，并对其内容满意度高。可见，视频媒体可选择某一生活习惯为主题，科普其具体负面影响，促进用户杜绝或减少该类生活习惯。

第二象限即“高关注度—低满意度”，包括Topic3(美国肺炎)。Topic3主要科普美国曾爆发的肺炎，该话题为时事话题用户十分关注，其内容也易引发用户热议，表达强烈爱国主义情感。但由于主题特殊性，用户情感多为消极情感、故满意度不高。围绕该类时事热点话题所涉及健康知识制作相关科普视频，可加深用户记忆。

第三象限即“低关注度—低满意度”，包括Topic0(打呼噜)、Topic8(无糖饮料)。该类话题科普的生活习惯对人体健康危害性不大，视频娱乐性较强，故关注度不如其他视频，满意度较低。相关公众号及个人博主等可以制作该类话题吸引用户关注，利用其话题性，增加用户黏性，从而促使用户关注其他话题的健康类科普视频。

第四象限即“低关注度—高满意度”，包括Topic6(去黑头)。该类视频可能仅特定健康知识需求群体主动关注，故关注度不高。可见，健康类科普视频不仅可以科普身体健康知识，还可以选择科普皮肤护理、口腔保健等特定健康知识。相关企业可针对用户需求，设立上述健康知识专栏或公众号，吸引用户关注。

4 结论

本文基于B站健康热搜视频弹幕数据，对网络健康视频关注度的影响因素进行了探讨，对弹幕文本主题进行主题聚类与情感分析，得出以下结论。

(1)用户关注话题广泛且更愿观看浏览数据良好的视频。结合视频内容、浏览数据及主题聚类结果可知，B站用户关注话题多样化且兴趣范围广泛。与其他群体不同，B站用户观看健康视频并不以寻医问诊为需求导向，故选择视频时并不局限于了解某一特定疾病知识，更愿选择内容详实、表述生动幽默易理解的健康视频，并乐于发送弹幕进行互动，在了解知识的同时实现其社交需求。由于数字原住民本就对新鲜事物感兴趣，新颖的话题或视频中新兴的弹幕文化会吸引其关注。可见，提供科普健康知识服务的专业软件或平台可考虑借鉴B站交互模式满足年轻一代用户群体需求，在科普知识的同时实现其社交需求，顺应其猎奇心理，更好地为年轻群体提供更为全面的健康知识。

(2)网络健康视频用户关注度逐年增加。通过主题演化分析可知，用户对健康类视频关注度随时间变化逐年递增。随着B站不断发展转型，不仅是二次元文化爱好者，越来越多的用户开始利用B站了解知识，其中热点话题更易引起用户广泛关注，由于互联网用户普遍存在从众心理[13]，针对热点问题制作健康视频传播效果更为明显。利用这一特点，官方媒体及品牌账号等可以结合时下热点话题展开知识科普或形象推广。此外，数字原住民是B站主要用户群体，部分用户仍未成年，对其中信息及情感难以把控，视频制作者应保持客观立场，帮助年轻用户树立正确的世界观、人生观、价值观，传递积极生活态度，培养健康生活习惯。

(3)用户关注度易受视频内容及弹幕文化影响。结合主题聚类与文本情感分析可知，科普某一生活习惯负面影响的视频，用户流露出的消极情感与视频内容走向一致，大量弹幕会重复视频某一句话或某一弹幕以表达其态度及情感。如Topic7(熬夜)用户在深入了解相关健康知识后决定改变这一习惯，大量“刷屏”今后不再过度熬夜或做到早睡早起等。可见，该群体易与媒介文本及他人产生共鸣，其观点与态度也易受外界影响而产生转变。全媒体时代，年轻用户已成为视频媒体主要受众群体[30]，各大视频媒体可针对年轻群体行为偏好并结合其关注热点话题制作视频，科普健康知识如医学常识、自救知识、养生知识等，以其喜爱的弹幕视频方式呈现，加深用户记忆以实现教育目的。

(4)用户关注度受满意度影响。通过匹配“关注度—满意度”发现，高关注度用户更关注视频内容，中关注度用户倾向于表达个人观点，而低关注度用户可能因偶遇信息多在和弹幕互动，可见，话题更贴近生活的健康类热搜视频用户对其关注度与满意均较高，因此视频媒体可选择该类话题制作健康科普视频，以常见生活现象科普健康知识、倡导健康生活理念。而娱乐性为主的视频如Topic8(无糖饮料)，虽用户关注度及满意度相较于其他Topic不高，但其本身为热搜视频拥有一定关注度，且为年轻群体兴趣较高话题，故视频媒体可适当制作娱乐为主的健康视频，吸引用户关注，增加用户粘性，以其乐于关注的话题切入健康知识，帮助用户改善生活方式，培养健康生活习惯。

5 结语

“健康中国”战略不断推进，5G技术日趋成熟，网络视频正逐渐成为用户获取健康知识主要途径。本文通过对网络健康热搜视频弹幕文本进行主题聚类及情感分析，探究影响用户对网络健康视频关注度因素，为视频媒体精准选取用户关注的健康类话题提供参考，以期更好地加深用户对健康知识的了解，倡导健康生活理念，助力“健康中国”战略发展。在研究时发现，B站独特的弹幕文化格外吸引数字原住民，该类群体活跃在弹幕视频平台且行为偏好明显，后续研究可在细化其群体特征基础上进行深入探究。