舆论极化研究综述*

吴 越 李发根

(1.电子科技大学 计算机科学与工程学院 成都 611730；2.西华大学 计算机与软件工程学院 成都 610039)

0 引 言

舆论极化是把人们分成两个在某个话题上观点完全相反的群体的行为[1]。随着媒体智能化技术的快速发展，协同过滤推荐算法被广泛应用于信息传播，由此产生的“过滤气泡”加大了个体偏见、群体偏见和系统偏差，进而加速了舆论极化现象的扩散[2-3]。舆论极化现象已经被证实在欧美、中东到中亚的多个国家涌现[4]，并且如石油泄漏一般在越来越广泛的社会议题中蔓延[5]。舆论极化现象的恶化不仅加剧了政治、宗教或意识形态派别之间的对立[4]，而且使得人们越来越难以在重大社会议题上形成主流价值判断，这与中国“让主旋律更加响亮”的基本方针背道而驰。因此，亟需对舆论极化现象的本质特征、深层动因、研究方法和应对机制进行系统性研究。

通过检索中国知网、谷歌学术数据库和百度搜索，对现有文献进行统计分析。关键词包括“舆论”“舆论极化”“群体极化”“过滤气泡”“network public opinion”“opinion polarization”“filter bubble”。依据被引用次数及对舆论极化的研究深度筛选出67篇文献。通过对这些文献进行归纳总结，探寻舆论极化的国内外研究现状，并试图提出未来研究的方向和思路，以期为其他研究者提供参考。

1 舆论极化的概念

国内外文献对于舆论极化概念的解释存在差异，下面从舆论极化的定义和特征两个方面对相关文献进行比较分析。

1.1舆论极化的定义

1.1.1 理解分歧 目前，舆论极化的定义还没有统一定论，对于舆论极化概念的理解，国内外研究表现出了明显差异。通过中国知网知识平台，以“舆论and极化”为篇名关键词进行检索所得到的结果中，“群体极化”主题占比超过2/3。国内学者普遍将舆论极化和群体极化两个概念联合使用，探讨舆论中的群体极化现象，其中的群体极化指的是团体成员一开始即有某些偏向，在商议后，人们朝偏向的方向继续移动，最后形成极端的观点[6]。反观以“public opinion”和“polarization”为关键词在谷歌学术引擎中搜索的外文文献，其主题却是与政治两极化紧密相联的观点两极分化，这与群体极化研究的侧重点完全不同。

1.1.2 本意探究 本文认为对于舆论极化概念的核心在于极化，对于舆论极化的理解还应该回归到极化最初的定义。极化原本是一个物理概念，指事物在一定条件下发生两极分化的现象。常见的极化现象包括电极极化、光子极化、分子极化等[7]。为了与极化最初的概念相统一，本文查阅了相关文献，并最终采用了牛津词典对舆论极化的解释。在牛津词典中，舆论极化(Opinion and argument polarization)被解释为是一种将人们分成两个在某个话题上观点完全相反的群体的行为[1]，从这个解释可以看出，舆论极化是一种群体观点两极分化的现象。

1.2舆论极化的特征

1.2.1 结构特征 国内外学者对于舆论极化理解的最大分歧在于对其结构的认识不同。国内学者通常认为舆论极化的结构不固定，它既可以是一个群体中对某一议题的态度分化为对立的两方，也可以是这个群体对议题的态度完全倒向某一方[7]，还可以是群体观点极性的反转和两极振荡[8-9]。国外文献则普遍认为舆论极化的结构就是两极分化结构。从牛津词典对舆论极化的定义中不难看出，舆论极化最本质的特征是出现了对立观点的两极分化结构。本文以此为前提，来进行后续的研究。

1.2.2 议题特征 国外文献研究的舆论极化议题一般与政治分化相关联，而国内文献则更多涉及娱乐话题，主要原因是国情不同。以中美两国的舆论极化现象为例，一系列大数据研究已经表明，美国因政治两极化等原因，社会正在变得越来越两极分化[10-11]，随之产生的公众舆论也沿着政治路线急剧分化[12-13]，美国舆论极化不是像一道随着时间的推移越来越高的篱笆，而是像一场石油泄漏，从政治极化源头扩散到逐渐玷污越来越多以前“不关心政治”的态度、观点和偏好，蔓延到堕胎、枪支控制等各种社会议题中[5]。在中国，虽然不存在政治两极化问题，但舆论极化现象依然存在，主要集中表现于娱乐话题中。例如，以偶像聚集起来的粉丝社群会因偶像之间的资源争夺，引发饭圈互撕的舆论骂战[14]。此外，中国正处在社会转型时期，由社会矛盾议题引发的舆论极化现象也时常出现。

1.2.3 表达特征 国内外文献均指出，表达的非理性情绪化是舆论极化的一个典型特征。舆论极化是非理性、无意识的心理和行为机制的研究成果之一[15]。舆论极化的出现不单是相异观点的碰撞，更是由于个体之间的情绪互动引发了集体情绪的宏观涌现，进而导致意见的分化[16]，其中的非理性情绪不仅包含个体情绪，还包括社会情感和集体意志[17]。在后真相时代，非理性的情绪煽动往往取代了事实分析，从而进一步加剧了舆论极化。特朗普缺乏理性探讨的“推特治国”舆论传播就是一个典型事例[18]。

从现有文献可以看出，舆论极化的定义尚未达成统一共识，舆论极化的特征分析主要来自于国外文献，国内关于舆论极化特征的研究还比较少。总体上，以群体观点两极化为研究对象的舆论极化现象普遍呈现出结构两极分化，议题多元化和表达非理性情绪化的特点。

2 舆论极化的影响因素

舆论极化是社会各种偏差叠加的结果[3]，其中的偏差包括个体偏差、群体偏差和媒体偏差。

2.1个体偏差

2.1.1 初始偏见 舆论极化的基本前提是个体观点存在差异,这种差异甚至在舆论形成之前就已经存在,即初始偏见[19]。初始偏见是人们在特定问题讨论之前就客观存在的态度强弱，它在舆论极化中的作用甚至比媒体分裂还要重要[20]。

2.1.2 确认性偏差 确认性偏差是指一旦人们形成先验观点，就会有意识去寻找支持或者有利于证实自己观点的各种证据，有时为了进行观点的自我证明甚至会人为地扭曲新证据。确认偏差会导致对有偏见的消息选择和同化，增大观点偏差[21]。

2.1.3 嗜同性 嗜同性是指志同道合的个体之间存在更大的互动[22]，这在社交媒体上表现尤为明显，人们由于共同的个体偏见而聚集形成一个个嗜同性网络。在一个简单的嗜同性网络模型中，如果个体有足够的偏见，有偏见的观点形成过程就会导致两极分化[23]。

2.2群体偏差

2.2.1 群体标识 在群体聚集形成的过程中，始终有一种机制在起作用，这就是群体标识。在复杂适应性系统中，群体标识是为了聚集和边界生成而普遍存在的一个机制[24]。在舆论极化中，群体标识可以是相同政治主张的人群的旗帜，如民主党派和共和党派[5],可以是某个偶像的粉丝社群[14]，还可以是官或民，劳或资，医或患等群体标签。当群体标识存在二元对立关系时，对立群体就已经形成。

2.2.2 群内偏袒 群内偏袒是指偏袒群内成员而不是群外成员[25]。在两极分化和社交媒体的背景下，群内偏袒表现为以积极的态度支持和评价自己阵营的群体，同时拒绝来自其他意识形态的人的提议，从而产生回音室效应，让同质化观点进一步加强，对立观点之间的距离进一步增大[3]。在群内偏袒的作用下，舆论极化的程度会愈演愈烈。

2.2.3 群体极化 群体极化是指团体成员一开始即有某些偏向，在商议后，人们朝偏向的方向继续移动，最后形成极端的观点[6]。群体极化因素会促使两个观点偏向相反的群体在相互商议交流之后，形成两个极端对立的群体。这里的交流通常表现为互不买账的争辩式互动，相互抵触、互相抑制，对群体观点的二分化起到了至关重要的催化作用，最终造成交流双方水火不容的局面[26]。

2.3媒体偏差

2.3.1 媒体观点 新闻媒体语调，尤其是负面的新闻媒体语调被证实会引发公众舆论的两极分化[10]。在注意力稀缺、流量至上的时代，不少网络媒体(如微信公众号、微博账号等)在呈现事件的时候，常常倾向于优先报道负面新闻，并有意突出二元对立的社会矛盾，强调矛盾的不可调和性，进一步助长了舆论极化的形成[16]。

2.3.2 社交媒体平台 近年来，Twitter、Facebook、微博、微信等社交媒体平台都被证实出现了大量舆论极化现象。关于社交媒体平台的使用与舆论极化是否存在关联以及关联是正向还是负向的问题，目前还没有统一定论。葛岩等人[27]指出社交媒体与舆论极化没有必然联系，只有在社会失稳和主流媒体信誉流失条件下，社交媒体对极化有明显助推作用 。沈郊等人[28]发现纯粹获取信息的使用与舆论极化呈正相关关系，而社交性的使用与舆论极化呈负相关关系。赵玉林等人[29]指出基于熟人关系、高同质化的微信圈群更容易引发群体极化。

2.3.3 媒体算法 目前主流的媒体算法，如新闻推荐、好友推荐仍然采用的是协同过滤算法[30]。协同过滤算法是利用某兴趣相投、拥有共同经验的群体喜好来推荐用户感兴趣的信息。一部分研究者认为这类协同过滤算法会产生过滤气泡，让用户只看到他们喜欢的信息，从而强化了他们的观点，引发舆论极化[2]。也有一些研究者持反对意见，认为这种观点并没有充分的经验证据证明[31]。

舆论极化的影响因素如图1所示，舆论形成之初，个体初始偏见和群体标识就已经形成，在确认偏差、嗜同性、群内偏袒、群体极化和媒体观点的共同影响下，加上媒体平台及算法的催化作用，便涌现出了舆论极化现象。就现有研究而言，心理学领域的个体及群体偏差研究非常丰富，其他相关领域的研究较少；此外，随着时代的发展，媒体对于舆论极化的催化作用究竟有多大，是一个难以准确量化的问题，有待深入探索。

3 舆论极化研究方法

舆论极化的研究方法可以分为两大类: 一类是采用定性研究方法进行理论方面的探讨；一类是采用定量研究方法，通过数据采集、量化和实验建模，为舆论极化分析和应对提供更为客观的依据。

3.1定性方法定性方法的舆论极化研究文献大都基于传播学视角。从宏观层面界定舆论极化的相关概念，阐释舆论极化发展的动力机制，并对如何应对舆论极化提出主观建议。具体包括详尽梳理从群体极化到公众极化的整个极化研究路线与方向变化[10]；探讨舆论极化中的非理性表达[15,17]；剖析社会热点话题、饭圈互撕舆论极化现象[6,14]；从宏观角度给出社会治理层面[6]、网络空间环境治理层面[14]的应对策略等。

3.2定量方法

3.2.1 数据来源 舆论极化研究数据主要来自于社会调查和社交网络平台。

a.社会调查。早期关于舆论极化的研究数据主要来自于社会调查数据，主要为对整个洲或国家的大范围调查，如面向欧洲[12]、美国[32-33]的宏观调查。调查时间普遍较长，许多有意义的调查持续追踪了20年以上[32-33]。调查目的通常与政治极化相关，例如分析共和党和民主党的意见分歧随时间的变化[33]，计算舆论分化与党派竞争之间的因果关系[34-35]，挖掘舆论极化与政府担保之间的关联关系[34]，探索政治极化是否向社会舆论极化蔓延[5]等。

b.社交网络平台。随着大数据技术的发展，社交网络平台大数据已成为当今舆论研究的主要数据来源。现有舆论极化研究文献涉及的社交网络平台包括Twitter[36-37]、Facebook[38]、新浪微博[39]等。从社交网络平台获取舆论极化数据，同样能够展现出舆论极化与政治分化之间的关联性[36-37]，而且还能体现如新媒体技术在内的其他因素对与舆论极化的影响[38-39]。与社会调查相比，从社交网络平台获取舆论极化数据大幅节省了人力和时间开销。

3.2.2 量化指标 由于舆论极化的研究对象是公众对于话题的意见、态度和情绪集合，因此，大多数舆论极化的衡量标准都建立在量化观点分布的思想基础上[3]。其中，最简单和常使用的指标是计算网络中群体观点距离中立观点的平均偏差[40]。在平均偏差指标的基础上，Bramson等人[41]将重点放在一维分布的标准化信念度量上(想法、观点、态度等)，使用持有特定信念的个体数量的直方图来表示舆论极化，并围绕扩散、色散、覆盖、区域化、社区分裂、形状明显性、群散度、群体共识、大小群体奇偶校验总结了9种舆论极化测度指标，这些指标从不同角度全面量化了舆论极化现象。

3.2.3 研究方法 面向舆论极化的研究方法主要分为统计分析、干预实验和仿真实验3大类。

a.统计分析。统计分析是社会学领域研究舆论极化的主要方法，不仅可以直观地揭示舆论极化范围、规模、程度随时间的变化规律[32-33]，而且能够客观地解析不同影响因素与舆论极化发展之间的相互关系[12,35]。

b.干预实验。针对舆论极化的干预实验是通过一定干预措施，使群体观点发生改变，从而判定极化原因或考核干预效果的实验。具体地，有面对面和在线干预实验来检测协商规范的引入是否能够缓解群体分化[42]；有浏览器部件干预实验来衡量偏见的显示对于对立信息接收的影响[43]；有可视化界面干预实验来计算反向内容所产生的负面情绪效应[44]。干预实验通常能揭示事物发展的本质规律，但由于舆论干预实验的成本较高，所以相关研究很少。

c.仿真实验。舆论极化仿真实验是在计算机上用仿真软件模拟现实舆论极化的过程，通过控制参数变量观察舆论极化效果，从而解释舆论极化形成原因的实验。仿真实验是复杂系统领域研究舆论极化的主要方法，经典的模型包括有界置信模型[45-46]、Friedkin-Johnsen模型[47]、Axelrod模型[48]等。有界置信模型模型认为，两个相互交流的个体观点差超过某个置信度时，个体观点将保持不变[45]或会朝相反方向偏移[46]，由此形成观点的多极或两极分化。Friedkin-Johnsen模型引入了固执己见的概念，将个体观点更新规则设计为其所有邻居节点的凸组合与其坚持初始观点的加权平均，当两个对立观点群体的固执程度都比较大时，便会涌现舆论极化。Axelrod模型原本是一种文化传播模型，模型认为个体只向他们享有相同文化特征的个体学习，享有的文化特征越多，学习程度就越大，直到他们都具有相同的文化。模型通过文化学习机制，产生了文化相变，同一区域文化相同，不同区域文化具有完全不同的特征。该模型的动力学机制、宏观涌现过程与舆论极化具有较大的相似性。现有的许多舆论极化模型都是在经典模型的基础上融入新的舆论极化因子，例如增加情感[16,49]、网络结构[50]、确认偏差[51]、激进主义个体因素[52]等。

相较而言，采用定性方法取得的研究成果有助于把握舆论极化产生的深层原因，也能为政府应对网络舆论极化提供导向性建议。但由于这类研究的主观性较强，因此，难以精准刻画舆论极化现象的发展规律，所提出的舆论极化消解策略距离实际落地也存在一定距离。定量方法，如统计分析、干预实验和仿真实验，能够为舆论极化的分析和应对提供更为客观的依据，但难以生成具有普适性的指导建议。最好的是能够将两类方法相结合。就现有文献来看，中文文献多为定性方法，外文文献则以定量方法为主。

4 舆论极化消解策略

舆论极化消解策略可分为硬策略和软策略两大类。硬策略是指出台相关的法律法规，并利用强硬技术手段对网络舆论实施强制管理，软策略是指潜移默化地对网民观点进行引导[53]，两者均可达到或部分实现舆论极化消解的目的。

4.1硬策略早期的舆论管理主要采用的是硬性策略。例如，通过对有极化倾向的舆论信息关键词进行提取，设置关键词过滤功能，禁止网络舆论极化信息的出现。现今，当舆论极化现象非常严重时，管理部门也会采取一些硬性策略。2021年8月27日，中央网信办秘书局发布了《关于进一步加强“饭圈”乱象治理的通知》，指出严禁呈现互撕信息，对于“饭圈”粉丝互撕谩骂、拉踩引战、造谣攻击等各类有害信息应及时发现清理，从严处置违法违规账号，对发现不及时、管理不到位的网站平台从重处罚。这些硬性手段都能在一定程度上有效防止舆情升温发酵，缓解舆论极化现象[54]。

4.2软策略

4.2.1 主流媒体引导 通过主流媒体正向引导网络舆论是消解舆论极化的主要策略。主流媒体的语调与引导方式已经被证实与舆论极化具有密切关系[4]，有研究指出，主流媒体应通过加强网络传播能力建设、舆情矫正方式建设、舆情应对策略建设、传播艺术思维建设等方式，提升舆论引导力。在舆论极化发生之前，建立已发生的极化反应库，记录主要群体初始观点、互动关系等因素，为政府预测调控提供决策依据[55]。在舆论极化发生之时，通过说服个人(例如，通过教育、接触不同观点或激励措施)对有争议的问题采取更中立的立场，以此减少网络中两极分化的问题[40]。

4.2.2 信息均衡布局 舆论形成的基础是信息，信息偏差扩散也会引发舆论极化。因此，有研究者指出要减少舆论极化可能导致的消极后果，应提高网络信息质量，减少信息的不确定性[56]。当出现集体偏见的时候，可以设计不同的信息均衡策略：例如，通过可视化方式展示其偏见[43]；为理性的其他的声音创造新的舞台，形成新的舆论场[57]；创造“中间话题”，引导舆论朝中间话题发展[44]；设计“饮食均衡”的推荐算法[58]，通过差异化的内容推送让不同类型的新闻、其他形式内容展现在用户面前[59]；让机器写作渗透价值观念[56]等。通过不同方式实现信息均衡布局，构建理性多元求同存异的公共辩论空间，以达到舆论极化消解的目的[7]。

4.2.3 网络结构调整 近年来，一些研究者开始尝试通过调整网络拓扑结构来减弱舆论极化现象。其基本假设是认为将具有相反观点的用户连接起来可以减少两极分化[3]。在这个基本假设前提下，将舆论极化减少问题转换为该图上的边推荐问题[60]，通过计算一个使极化和分歧之和最小化的最优拓扑[61]，进而设计出一种基于最小外部干预原则的极化消解策略[62]。

相比较而言，硬策略的效果一般比较明显和及时，而软策略需要较长的时间才能验证其有效性。但是，网络舆论倡导的是自由、开放地发表言论，一味地封锁消息只能起到暂时缓解的作用，更重要的是引导网民朝理性辩论的方向发展。因此，应该构建一套以软策略为主、硬策略为辅的舆论消解策略体系。

5 结论与展望

舆论极化研究文献主要集中在舆论极化的概念、影响因素、研究方法以及舆论极化消解策略。然而，当前研究仍具有以下扩展空间:

5.1国内舆论极化现象有待全面研究舆论极化研究的主战场在美国，而国内对于舆论极化的研究尚处于初级阶段。在中国，舆论极化现象的范围、程度、形成速度随时间的变化规律还不清楚，舆论极化涉及的群体特征、议题特征和主体交流特征还未有研究，亟需一套定量研究方法对其展开全面系统的研究。

5.2媒体对舆论极化的作用还需进一步讨论媒体包括媒体观点、媒体平台和媒体技术对于舆论极化的影响目前还存在较大争议，需要从不同角度进行深入评估和全面解读。与此同时，可以将研究重心放在如何利用好媒体，尤其是智能媒体技术上。一方面，有意识地削弱媒体偏见，减少媒体负面语调，弱化媒体算法偏见；另一方面，通过智能媒体技术手段修正片面观点、打破圈层结构、对抗偏见算法，部分实现自动化舆论极化消解。

5.3舆论极化消解策略亟需系统性研究舆论极化研究的落脚点最终还应放在如何消除和缓解舆论两极分化上。然而，目前舆论极化消解策略的研究还比较零散，尚未有硬策略与软策略综合的完整体系。此外，策略的提出多基于主观建议，关于具体策略的适用环境、实施效果还未有分析。因此，亟需构建一套完整的舆论极化消解案例、理论、方法和技术体系，为舆论极化消解提供客观依据。