网络内容传播中的情感

Berger and Milkman（2012）发现，情绪表达更积极、更具唤醒性的新闻更有可能被读者分享。然而，最近的心理学研究发现，具有类似配价和冲动的情绪会对人们的决策和判断产生不同的影响（Lerner等人，2015）。例如，愤怒和焦虑在效价和唤醒方面都相似，但嵌入在线评论中的焦虑比愤怒更容易产生帮助感（Yin等人，2014）。TheseYu等人：在线内容差异中的情绪发现表明，价和唤醒的维度不能完全解释情绪影响的变化（Plutchik 2001，Lerner等人，2015）。最近的研究使用离散情绪理论来测量在线内容中的情绪表达（例如，Malik and Hussain 2017，Yu等人2019，Nguyen等人2020）。离散情绪理论，维度情绪模型的竞争理论，确定了构成其他人类情绪的特定基本和独立运动，即离散情绪（Tomkins 1962，Plutchikand Kellerman 1980）。离散情感植根于人类进化，无论种族或文化差异如何，所有个体的表达和认知基本相同（Plutchik 2001）。该理论起源于19世纪末查尔斯达尔文的进化论，他认为某些基本情绪是由自然选择进化而来的。神经影像分析表明，这些离散的情绪与离散的神经信号和人脑的某些结构有关（Saarim–aki等人，2016）。之前的管理研究表明，在线口碑中的离散情感表达对感知的评论帮助（Yin等人，2014年，Malik和Hussain 2017年），消费者的购买决定和销售业绩（Yu等人，2017年）的预测能力大于其价值。

2019年），以及股市回报（Nguyen等人，2020年）。因此，离散情绪为理解在线内容差异中情绪表达的影响提供了一种手段。我们关注四种消极的离散情绪（即愤怒、焦虑、悲伤和厌恶），并控制四种积极的离散情绪（即爱、快乐、惊讶和暗示）。我们工作中使用的八种离散情绪是在线内容中最常见的情绪（全和任，2010年，于等人，2019年）。这些情绪也被认为是离散情绪研究中最基本的情绪（Tomkins 1962，Plutchik and Kellermann1980，Lerner et al.2004，2015，Yin et al.2014）。在线内容中的情感——嵌入内容中的情感表达在在线信息的社会传播中至关重要（Brady et al.2017、2019）。个人被激励分享充满情感的内容，以加强社会联系，协调行动，塑造人物形象，减少与情感相关的模糊感觉，并使他们的情感体验合理化（Berger and Milkman 2012）。然而，我们对情感表达如何影响大规模社交媒体网络中的一般在线内容差异的了解仍然有限。之前的研究主要集中在特定类型的在线内容上，比如《纽约时报》通过电子邮件（Berger and Milkman 2012）和政治（Stieglitz and Dang Xuan 2013）、道德化（Brady et al.2017、2019）或癌症相关（Wang and Lee 2020）推文分享的文章。相反，我们的样本是全面且具有代表性的（随机收集），涵盖各种主题，包括短文本（类似于推特）和长文章（类似于报纸和杂志文章）。Yu等人：在线内容中的情感差异在大量内容中检测情感表达是自然语言处理（NLP）的最新发展。

早期的研究依赖于小规模的实验室调查来测量厌恶（Heath等人，2001年）和觉醒（Berger and Milkman，2012年），这项研究因包含自我报告偏差而受到批评，并且容易出现测量误差。最近的研究使用预先定义的和独立于领域的情感词汇来检测内容中的情感词（Stieglitzand Dang Xuan 2013，Brady et al.2017，Wang and Lee 2020）。这些词汇不考虑情感表达的语境差异，只捕获了在线内容中情感词总量的一小部分（薛等人2014，尹等人2014，余等人2019）。我们的研究推进了在线内容中情感表达的测量，通过实施可扩展和领域自适应计算方法来检测内容中嵌入的情感表达（Song et al.2018，Yu et al.2019）。值得注意的是，我们的分析表明，预先定义的和独立于领域的情感词汇遗漏了我们抽样文章中58.4%的独特情感词（见附录EC.1）。内容的普遍受欢迎程度，例如一篇文章是否成为《纽约时报》最受欢迎的电子邮件列表（Berger and Milkman 2012）或转发次数（Stieglitz and Dang Xuan 2013，Brady et al.2017，2019，Wang and Lee 2020）的虚拟指标，是文献中最常用的在线内容差异衡量指标。然而，这些指标不足以描述大规模社交媒体网络中的信息差异。因此，我们使用了差异级联的多个方面：结构属性、人口统计学和社会关系，并从一个主要的社会媒体网络中收集了一个大规模的综合在线内容及其差异级联样本。

我们通过四个维度来衡量差异级联的结构属性：大小（参与共享文章的用户总数）、深度（来自原始文章的最大共享跃点数量，其中一个跃点是新的唯一用户的共享行为）、最大宽度（在任何深度参与级联的最大用户数量），和结构病毒性（一个差异中所有节点对之间最短路径的平均长度）（Goel等人2015年，Vosoughi等人2018年）。我们进一步研究情感表达如何影响cascades的人口统计学和社会关系，这对于设计种子策略以最大限度地扩大社交网络中在线内容的差异至关重要。据我们所知，管理文献中很少有研究以实证的方式探讨这些关系，或提出整合的框架来理论化这些关系。根据社会心理学文献，只能做出间接预测（详见第3节）。级联的不同结构维度可以提供对社交网络中信息差异的理解和关键影响。大小是一篇文章的普遍受欢迎程度，但没有具体说明其差异结构。深度和最大宽度是梯级结构的标准汇总统计数据。从直觉上看，深度是一个级联的代，这表明Gingyu等人：在线内容中的情感差异信息可以从根节点达到的最大程度的联系。深度更高的信息更容易进入不同的社会群体。最大宽度提供了级联的“宽度”或“宽度”的直觉，这通常是广播结构的结果。“广泛”而非“深入”的级联意味着内容分布在同一个大型社会社区中。

结构病毒性量化了单一传播和病毒扩散之间的区别（Goel等人，2015年）。更高的结构病毒性表明，级联更多地由分散和点对点共享驱动，而不是由广播驱动。广播和病毒式传播是两种典型的替代方式，可以让信息接触到更多的受众（Van den Bulte等人，2018年）。层级结构可能会受到不同使用策略的影响，例如是否利用大众媒体和高中心度用户来播放内容或使用奖励来鼓励点对点差异。此外，如何在网络中推广文章或产品也与潜在的级联结构有关。最后，在现有文献中，情绪表达和在线内容差异之间的关系主要基于观察性研究，使用预测模型（Berger and Milkman 2012，Stieglitz and Dang Xuan 2013，Brady et al.2017，Wang and Lee 2020）和小规模实验室实验（Heath et al.2001，Berger and Milkman 2012）。尽管之前的观察研究控制了观察到的混杂因素，但它们可能无法确定原因；相反，主要是情感表达和网络内容差异之间的相关性。例如，伯杰和送奶工（Berger and Milkman，2012）研究了情绪表达与新闻文章是否通过电子邮件传播之间的相关性，并应用实验室实验来证实情绪与信息共享之间的因果关系。Brady等人（2017年）使用多水平回归模型调查推文中的道德情感词与转发次数之间的关联。Stieglitz和Dang Xuan（2013）以及Wang和Lee（2020）采用普通最小二乘回归模型预测情感表达转发的总数。

如果没有因果关系，遗漏的变量（如作者的固定效应、未观察到的内容特征）和情感内容中的测量误差都可能会使估计产生偏差。控制变量的影响也可能是非线性的，违反了模型的线性假设。此外，实验室研究因其自我报告偏差和缺乏外部有效性而受到批评。通过使用结合机器学习技术的半参数工具变量方法（Chen and Guestrin 2016，Chernozhukov et al.2018），我们的研究是第一个通过大规模和真实的在线内容样本来确定情感表达对在线内容差异的影响的研究。Yu等人：在线内容差异中的情绪3。理论：负面情绪表达对在线内容差异的影响尽管负面偏见理论预测，负面价值的推文比中性推文更容易被转发（Stieglitz和Dang Xuan，2013），但没有理论框架能够很好地解释不同负面离散情绪对在线内容差异的异质影响。在认知和决策过程中，不同的消极谨慎行为表现出不同的影响（如勒纳等人2004年、尹等人2014年、勒纳等人2015年、岳等人2019年）。因此，将每种离散的负面情绪对网络内容差异的影响分别进行理论化是至关重要的。

我们定制了情绪作为社会信息（EASI）框架（Van Kleef，2009年，2010年），这是一个综合框架，包括但不限于认知评估、方法回避动机、社会比较和情绪传染（本节稍后详述）的理论，以理论化每种类型的负面情绪表达如何以及为什么会影响在线内容差异，分别地社会心理学的三个理论框架相互关联。第一个是情绪传染理论（Hat Fiield等人，1993年，Barsade 2002年，Coviello等人，2014年，Kramer等人，2014年，Del Vicario等人，2016年）。该理论认为，作家的情绪状态可以通过自动模仿和同步作家的情绪，以一定的概率传递给读者。这种同步的情绪状态会导致读者在社交网络中传播内容。然而，这个框架不能完全解释情感表达对在线内容差异的影响。情绪传染不一定发生在内容消费的背景下（Heath等人，2001年，Wang和Lee，2020年）。例如，厌恶的表情可以让读者感到积极，因为他们能够幸灾乐祸（Heath等人，2001）。推文中嵌入的愤怒和恐惧的表达不会有效激发推文观众的类似情绪（Wang和Lee2020）。此外，情绪状态，如低觉醒状态，并不总是能激发读者与他人分享内容（Berger and Milkman 2012）。因此，情绪传染理论无法解释情绪表达对内容差异的影响。第二个相关框架是情绪和方法回避动机（参见Elliot et al.（2013）的综述），该框架认为一个人的方法回避动机受到另一个人情绪表达的影响。

例如，个人倾向于避免他人表达针对自己的愤怒（Adams等人，2006）。然而，从理论上讲，直接应用这个框架来理论化情感表达对在线文章的社会传播的影响尚不清楚（Elliot et al.2013）。尤其是，作家的愤怒通常是针对特定事件而非读者表达的，因此，读者不太可能感到威胁并产生回避倾向。Yu等人：在线内容差异中的情绪我们的理论发展基于第三个框架，即作为社会信息的情绪理论（Van Kleef，2009，2010），这是一个广泛接受的关于情绪表达在社会互动中的作用的理论，可以结合其他两个框架。根据theEASI框架，作家的情感表达可以通过两种机制影响读者的行为，即推理过程和有效反应（Van Kleef 2009）。尤其是，读者倾向于根据作者的情感表达对内容和作者进行认知推断（Keltner和Haidt，1999）。这种认知推理可能会导致作者或内容产生回避倾向，这符合Elliot等人（2013）的理论。此外，作者的情感表达可以引起读者的有效反应（Clark and Taraban 1991）。具体而言，这种有效反应可以通过两种机制诱导。首先是情绪传染。正如我们稍后详述的那样，我们在数据中发现了情绪传染的证据。读者在评论中表达的情感往往与作者在文章中表达的情感相同。其次，一个人的情绪表达可能会影响其他人对焦点人物的印象和个人喜好（Van Kleef 2009）。

例如，有一个领导者的员工往往对领导者有负面印象（Van Kleef 2010）。读者的推理和随后的有效反应会影响他们的分享行为。基于EASI框架，我们讨论了每种负面情绪对读者推理过程和反应的影响，以及对内容差异的影响。愤怒愤怒的表达往往会让读者感觉到作者的认知能力较低（尹等人，2014年），理性程度较低（肖等人，2018年），因此内容可能不可信或没有帮助。这种看法可能会进一步导致读者对作者产生回避倾向（Van Kleef 2009），包括不私下分享内容。其次，读者倾向于不分享愤怒的内容，以避免被朋友认为认知能力低或理性水平低。至于有效反应，当遇到愤怒的表情时，可能会对作者或内容产生负面印象和负面情绪（Van Kleef 2010），从而降低分享的意愿。因此，愤怒的表情可能会对网络内容产生负面影响。焦虑与愤怒不同的是，焦虑表达的推理过程使读者认为作者具有高度的认知能力，并且谨慎理性（Yinet et al.2014），因此认为内容有用且可信。因此，读者可以进一步受益于分享这些内容，从而使他或她自己被朋友视为谨慎、理性和乐于助人的人。就有效反应而言，由于焦虑是一种具有传染性的情绪（Heath等人，2001年），焦虑的表达可以迅速将这种焦虑传播给读者（Hat Fieldet等人，1993年）。

读者可能会被焦虑感所激活，并形成强烈的倾向，希望阅读内容以寻求建议、释放情绪负担并获得社会支持（Rim’eYu等人：《在线内容中的情绪差异2009》）。这个过程也被称为“避免方法”倾向（Elliot et al.2013），人们通过寻求社会支持来避免持续的个人压力。因此，焦虑的表达可能会积极影响网络内容的差异。悲伤当面对另一个人的悲伤时，一个人可能会推断另一个人面临损失，并且应对潜力很低（Van Kleef 2010）。读者不会公开分享内容，以避免披露对方的损失，加剧悲伤，并保护自己的隐私（Finkenauer 1998）。就有效反应而言，悲伤的表达可以通过情绪传染让读者感到悲伤或沮丧。低觉醒会降低采取行动的倾向（Lerner等人，2015），包括降低内容共享意愿（Berger and Milkman，2012）。相反，读者会分配更多的时间和精力来提供帮助或安慰。因此，悲伤的表达可能会对在线内容的差异产生负面影响。厌恶通过社会比较，读者可以从厌恶的表情中推断，他们的处境比文章中描述的感到厌恶的人要好（Heath等人，2001年）。关于有效反应，当听到他人表达厌恶时，人们会因出游而感到积极和活跃（Heath等人，2001年，Berger and Milkman 2012年）。因此，读者倾向于用厌恶的表情分享内容，因为消费这些东西对读者和他们的朋友都产生了积极的效用（Heath等人，2001年）。