多元主体视角下邻避事件微博辟谣效果评价

2022-08-09汪洋，唐圆

武汉理工大学学报（信息与管理工程版） 2022年3期

汪洋，唐圆

(武汉大学土木建筑工程学院，湖北武汉 430072)

随着中国城市化进程的稳步推进，对重大工程建设的需求与日俱增，而邻避类工程因其潜在的负外部影响常引发公众担忧和抵制，极易激化矛盾、引发社会冲突。以PX为代表的化工类邻避设施导致的社会冲突几乎伴随整个工业化过程，自2007年厦门PX事件起，已有8个城市在PX项目落地时遭到当地市民的反对而取消[1]。与此同时，由于社交媒体的发展使反PX项目的集体行动突破了原有物理空间的限制，谣言信息伴随着各种情绪在网络上发酵蔓延[2]，其广泛传播影响了公众对工程项目的正确认识，进而导致此类事件发展走向恶化，而通过社交媒体的辟谣行动可帮助公众填补对项目的认知鸿沟，有助于用户形成更加客观的社会风险感知。

社交媒体技术具有容量大、交互性特点，相比传统媒体更易导致不实信息的传播。在危机发展早期，大量不确定信息充斥网络空间，若对此类不实信息应对不当，可能会造成比冲突事件更严重的危害[3]。例如，福岛核电站事故后，关于日韩政府的谣言导致日本渔业产品在韩国的销售直线下降[4]。流行病期间，有关安全性的谣言导致疫苗被拒绝或延迟接种的现象时有发生[5]。鉴于谣言的危害性，不少学者依托社交媒体平台分析谣言的应对机制。针对公共卫生事件，姚艾昕等[6]通过微博和百度等官方辟谣平台获取新型冠状疫情流行事件中已被证实的谣言，结合马斯洛需求层次理论，对各阶段谣言主题分布特征进行描述以探究原因。王建华等[7]研究了微博和微信等多平台谣言传播的时间特征，强调社会化协同治理的重要性。在灾害事件研究方面，周高琴[8]基于扎根理论对多起恐慌性谣言的文本属性进行分析，考察其网络传播的主要影响因素。WANG等[9]研究自然灾害和人为灾害的在线谣言传播，运用内容分析方法将推特用户对谣言的反应进行分类。

网络谣言治理除通过国家现行法律法规对用户行为进行约束外，社交媒体用户通过发布和传播反谣言信息的辟谣机制亦发挥了巨大作用[10]，不少学者从信息传播效果、辟谣主体角色和辟谣效果等方面进行了探讨。在信息传播效果领域，宗乾进等[11]利用社会网络分析方法依据官方媒体用户的辟谣信息转发情况，揭示了辟谣信息的扩散机理；滕婕等[12]借鉴SEIR模型划分群体成员信息状态，引入个体的异质性，采用异质元胞自动机构建辟谣信息扩散模型。在辟谣主体参与领域，马宁等[13]构建了评价辟谣信息综合影响力的指标体系，从信息发布者的属性、影响力及信息传播者的影响力3个方面衡量用户的影响；贾若男等[14]通过构建主体关系网络识别辟谣过程中各类用户扮演的关键角色，分析辟谣信息在各主体间的扩散模式。在辟谣效果评价领域，李宗敏等[15]根据微博互动数和情感倾向建立辟谣效果指数，应用自然语言处理提取辟谣微博的文本特征，探究辟谣效果与微博内容的联系；熊炎[16]分析了辟谣信息的构成要素，分析信息来源、内容属性和情感属性等方面因素，从理论上阐明了辟谣的正确方式。

在已有研究基础上，基于多主体视角收集茂名PX事件中的微博数据，运用曲线拟合和内容分析等方法，探究社交媒体用户的辟谣行为效果。为政府相关部门引导社交媒体用户参与辟谣行为，强化邻避冲突期间的网络治理策略提供依据。

1 数据来源与研究方法

1.1 案例选取与数据收集

2014年3月30日上午，广东省茂名市部分民众因当地拟建PX项目而表达反对意见，该事件迅速在网络空间引发激烈讨论。笔者选取新浪微博这一国内主流社交媒体平台，利用网络爬虫工具GooSeeker，选取关键词“PX项目”和“茂名PX项目”从新浪微博平台提取2014年3月27日—2014年4月27日所有原创微博和转发微博，并进行人工数据清洗，共获得原创微博5 658条。数据清洗过程包含剔除与事件无关的博文和进行转发微博的分类，其中转发并评论的归类于原创微博，仅转发不评论的博文删除以避免重复计数。为分析辟谣效果，对相关微博的互动数据进行处理。

(1)以人工编码形式筛选谣言与辟谣博文。根据已有文献，谣言被定义为与官方声明相矛盾或不完全基于事实的信息[3]，辟谣则指直接驳斥谣言和质疑谣言真实性的信息[17]。在保证编码者充分理解此定义的基础上，两名编码者独立参与编码的过程如下：①通过定性研究方法逐一审查所有博文，筛选出疑似符合谣言和辟谣定义的博文；②检验编码准确性，经比较与官方声明不一致的微博被确认为谣言，引用官方依据或者有助于降低谣言影响的可靠信息被确认为辟谣博文；③检验编码间的可靠性，根据Cohen’s Kappa系数值检验编码者信度达0.92，说明编码结果一致可靠，编码者间的分歧通过讨论解决。完成上述步骤后，共标记谣言博文334条，辟谣博文1 013条。

(2)抓取相关博文的互动数据。分别获取谣言和辟谣博文下的评论和转发情况，谣言数据库中含有相关互动数据的微博共75条，对评论和转发内容一致的博文进行去重处理后，得到评论和转发数据共210条。由于数据量的差异，针对辟谣博文互动数据，笔者选取了评论数排名前50的辟谣博文进行分析，共得到16 391条评论,如图 1所示。可知微博评论数排名前50的两项互动数据均接近90%，依据帕累托法则，可较好反映评论整体情况，属于重点关注对象。

图1 微博中辟谣信息转评情况

1.2 分析方法

采用内容分析法，通过演绎方式标注社交媒体用户及其采用的辟谣策略。根据已有研究，将用户划分为普通个人、精英、自媒体、组织、官方媒体和政府6类主体[18]。结合情境危机沟通理论，辟谣策略被划分为反驳、否认、攻击谣言来源、行动指南、讽刺和疑问6类[19]。其解释如下：①反驳指直接提供事实证据驳斥谣言，以及引用科学证据或权威报道来帮助科普；②否认指不加证明的表达自己对于谣言的不信任；③攻击谣言来源指对生产和传播谣言的人进行诋毁攻击，警告或者直接采取行动(如诉讼)去攻击造谣者；④行动指南指在证实谣言错误的基础上，通过呼吁大众回归理性来遏制谣言的传播；⑤讽刺指通过隐含的嘲笑对于他人支持和相信谣言的行为和信仰进行贬低；⑥疑问指对谣言的真实性产生质询。

辟谣策略的编码分类须保证所有辟谣博文均能被一致认定归类，经过下述3个步骤反复迭代以获取辟谣策略的分布：①根据已有研究获得辟谣策略分类标准和定义，对每条辟谣博文进行分类；②对于上一轮迭代无法归类的博文进行相似性检验，采用逻辑分组的方式归纳到新类别中；③检查该新类别与之前已存在的类别是否重合，若无重合则确认为新类别。辟谣策略编码过程与谣言和辟谣博文筛选类似，须向编码者充分解释，并核查编码信度。

采用量化分析方法，通过获取各类用户的发文数量，通过曲线拟合识别辟谣信息随时间发展趋势，在博文评论的情感分析基础上，判断各类用户辟谣效果。通过MATLAB软件中的曲线拟合工具箱(Curve-fitting Tool)实现曲线拟合，通过调整后R2值对比函数拟合效果，高斯函数被用来模拟用户发文数量变化，如公式(1)所示。

(1)

式中：n为曲线的峰值数量；qi为第i轮传播周期高峰信息量；tmaxi和ci分别为出现高峰信息量的时间和第i个峰值的斜率。

通过文本挖掘工具完成文本情感分析并人工复核完成对评论情感的量化处理。Rostcm6软件常被用来进行内容分析[20]，用以进行文本分词和情绪打分等情感极性判断，而情绪匹配由软件已建立的词库进行赋值[21]。此外，补充了邻避事件所需的专有名词并导入词典，以保证分词准确性，再进行人工检查确认情绪标注的准确性，避免因同一词汇在不同语境下的表达可能呈现不同情感倾向给情绪判定带来误差。利用该软件的“情感分析”板块完成情绪标注后，采用手工检查方式将谣言的转评情况及前50条辟谣的评论情况划分为支持、中立、反对3类，以量化评论中对辟谣博文的情绪态度。将3种评论立场分别赋值为1，0.5，0，计算出评论用户对每条辟谣博文的支持程度，并将同类别用户所发布辟谣博文被支持情况的平均值作为其辟谣效果。

2 结果分析

2.1 辟谣者组成及行动时间模式

为识别不同辟谣者在辟谣行动中所扮演的角色，进行用户标记和数据统计，原创辟谣微博中多元主体用户的组成如图2所示，普通个人和精英分别占比79%和7%，是辟谣行动的主力军，其参与辟谣的主动性较强；其次是自媒体和新闻机构，分别占比5%和4%；组织参与占3%，政府比例最小，仅占2%，参与网络辟谣自主性较低。

图2 辟谣者多元构成

为进一步调查辟谣者的行为特征和网络影响力，进行曲线拟合，4类主要辟谣者所发布博文的高斯模型拟合效果如表1所示，其Adj-R2均大于0.9，说明接受度较好。

表1 4类主要辟谣者所发布辟谣博文的高斯模型

4类主要辟谣者发布博文量(包含原创博文及其被转发情况)的时间变化趋势如图3所示。从时间次序看，普通个人最先开始辟谣，接着媒体用户(新闻机构和自媒体)参与到辟谣行动中，并带动更多用户参与。媒体用户虽然发表的原创微博相较普通个人少，但其获得的转发更多，发布的信息在网络上具有更大的曝光度。

图3 信息曝光量随时间的变化趋势

同时，辟谣者的行动主要集中在事件的前期和中期，线下和线上的辟谣相互联动和切换，使得各类用户的辟谣行为伴随事件热点而改变。3月31日，PX事件第二天，官方报告了相关处理结果，促成媒体用户发布辟谣信息的第一个高峰出现。3月30日—4月6日，PX词条保卫战的爆发引起网络热议，精英类的网络用户，相比普通个人具有某领域的专业优势，或具有相对优势的社会地位和社交媒体影响力，其发布的辟谣信息在这个阶段迎来了高度曝光，而自媒体(评论员、记者和新闻资讯平台等)倾向于发表个人观点或赢得关注的话语，也深度参与此阶段的网络辟谣。4月3日，相关部门举办了线下新闻发布会澄清项目的进展和相关信息，促使普通个人和精英的辟谣微博数迎来了高峰，而自媒体的辟谣微博数迎来拐点。新闻机构类用户(如传统官媒在微博上的官方账号)倾向于发布官方新闻，由图 3可知，其仅在事件的关键节点进行辟谣。

对比不同用户的辟谣行为特征发现，普通个人对此次事件非常关注，伴随着线下官方的辟谣，其在网络辟谣过程中具有较快的反应速度。与此同时，当讨论内容与自身专业领域相关时，精英的辟谣行动符合其职业特征，其参与网络辟谣的倾向较强，所发布的信息获得较大曝光[22]。而自媒体用户则更多捕捉网络辟谣话题变化，其发文具有较强影响力，可带动更多用户参与到辟谣行动中。此外，新闻机构的辟谣较为严谨，仅在官方报告后进行辟谣，体现了传统媒体对信息真实性的高标准，其更倾向于考察信息的真实有效性，而非一味追求社交媒体中的信息传播速度[23]。从时间线看，公众都关注新奇事物，并会随着事件发展转移注意力，后期的辟谣关注度呈明显下降趋势。

2.2 谣言与辟谣信息的互动评估

微博的辟谣信息包括直接在谣言下进行反驳和发表原创辟谣微博两类。针对第一类，通过对谣言的转发和评论分析用户态度。对谣言的评论中标记支持谣言共109条，反驳谣言56条，中立45条，而统计单条谣言微博下的情况，支持谣言数比反驳谣言数多35条，而反驳数仅比支持谣言数多12条。总体上看，对谣言内容表示支持的内容较多，在谣言微博下进行辟谣的内容较少，可见针对谣言直接辟谣效果并不理想。谣言博文用户的态度分布和成员组成如图4所示。可知，普通个人所发布涉及谣言的博文下对其谣言内容表示支持比例较多，精英所发布涉及谣言的微博文本下反驳的比例略多于支持，而自媒体下的评论支持谣言和反驳比例几乎持平。同时，从与谣言微博互动的数据来看，对谣言微博进行评论转发的用户几乎全为普通个人，而这类用户同样对谣言表示支持的更多。进一步统计直接驳斥谣言的用户行为特征，策略分布如表2所示。结合图4和表2可知，辟谣行为主体全为普通个人，辟谣行为中“讽刺”占比最高，“行动指南”次之，“反驳”使用较少。

由此可见，谣言微博下虽有普通个人通过评论去积极反驳，但纠正谣言并非易事，较多的谣言微博，特别是普通个人所发布的，获得了更多支持和信任。这是由于社交媒体的弱连接性，普通个人的互动更多基于共同兴趣和话题，因此会导致对于博主发布内容更多的信任[2]。与此同时，对比3类用户所发布谣言博文下用户的态度分布，普通个人在解读与之身份不同的精英和自媒体用户所发布的涉及谣言的博文中，可以看到其对于谣言仍旧有辨别能力，反驳谣言的数量与相信谣言数持平甚至略高，陌生网络下的评论态度似乎更理性客观。此外，普通个人常采用“讽刺”策略，即通过嘲笑他人纠正谣言，并不能达到理想的辟谣目的；而“反驳”和“行动指南”这两类辟谣策略是通过提供可靠证据来纠正谣言，表现出良好的控制和减轻谣言的效果[24]。但在事件中，由个人用户所发出的“行动指南”未获得普遍信任，而“反驳”策略使用的较少，导致纠正谣言时缺乏足够证据，加之不适当“讽刺”产生了逆火效应[25]，第一类辟谣方式并未取得理想效果。

第二类辟谣方式是通过发表原创微博来打击谣言，通过对原创辟谣微博下的评论态度划分，各类主体的辟谣受支持程度如表3所示。热评中普通个人和精英占比较低，但辟谣效果最佳，其评论支持度分别达93%和84%。同时，虽然新闻机构和自媒体占比较高，其博文受支持的程度却较低。此外，组织所发布的辟谣博文也呈现较多的支持立场，说明其说服力较强。

表3 第二类辟谣者的人员组成及所发布辟谣微博受支持程度

由此可见，普通个人和精英在社交媒体上的对话模式更易被接受。霍尔模式认为制码者(辟谣者)与解码者(评论者)的对等关系会影响受众的理解程度，普通个人的语言习惯与评论者类似，而精英成长于普通用户群体之中，但更具号召力，沟通对话成功率较大。其次，组织在此类辟谣行动中占比较少，但其作用效果仅次于个人和精英。有学者指出层级适当者是信度较高的辟谣来源之一，可靠信源对于用户判断信息真实与否举足轻重，这可以解释该类用户辟谣的支持度较高的原因。总体上，政府的谣言治理集中在线下，体现了其在网络谣言治理的改善空间。