网络内容传播中的情感

此外，正如我们在下一节中详细介绍的，带有厌恶表情的内容由年轻用户和有更多朋友的用户共享，这也可能使厌恶的效果变得异质，平均而言，大小和最大宽度的系数被解释为百分比，因为我们对两个因变量使用了对数变换，因为它们的分布是右偏的。1个单位的焦虑强度分数大致由24.43个焦虑单词组成，1个单位的愤怒强度分数大致由3.60个愤怒单词组成，1个单位的悲伤强度分数大致由2.59个悲伤单词组成。Yu等人：在线内容中的情绪差异表1主要结果：情绪表达深度大小readthsvvariableanger-0.060-0.049* -0.046* -0.037（0.045）（0.029）（0.026）（0.026）焦虑0.015** 0.010** 0.007** 0.009**（0.006）（0.004）（0.004）（0.003）悲伤-0.0627-0.082** -0.061** -0.050（0.054）（0.034）（0.031）（0.031）厌恶0.016 0.003 0.001 0.008（0.010）（0.006）（0.005）（0.006）积极情绪表达X X X X粒子水平特征X X发布者固定效应X X注：（1）显著水平：*p<0.05，**p<0.01，***p<0.001（2）鉴于大小和最大本影宽度的右偏分布，我们对这两个变量进行了对数变换。（3） 积极的情绪表达，如喜悦、爱、惊讶和暗示，都是受控的。（4） 所有文章级别的变量（即文章长度、文章中嵌入的图像和视频数量、文章是否在周末发布、评论数量和文章的主题分布）都是受控的。（5） SV表示结构病毒性。（6） 估计的标准误差。让它变得不重要。

此外，正如我们在稳健性检查中所详述的，当我们排除带有视频和少量文字的文章，并控制信息原创性时，厌恶的影响对级联深度和结构病毒性具有显著的正向影响。7.2. 负面情绪表达对Cascade人口统计学和社会关系的影响我们进一步调查了文章中嵌入的情绪表达对Cascade中所有用户的人口特征（即平均年龄、女性比例和网络程度）以及他们之间的社会关系（即弱关系比例）的影响，控制积极情绪表达的影响（详见附录EC.4.2）。结果见表2和图3。研究结果表明，所有四种负面情绪表达在影响Cascades的人口统计学和社会关系中都发挥着重要作用。之前的文献表明，年龄差异可能导致对不同情绪的不同态度。例如，年轻人可能更容易因幸灾乐祸而产生消极的低觉醒情绪，例如厌恶（Heath等人，2001）。与此同时，老年用户更容易受到消极的高唤醒情绪的影响，如愤怒和焦虑（Kensinger 2008）。因此，文章中的情感表达可能会影响级联中用户的年龄。通过分析，我们发现，内容中包含高度愤怒和焦虑表达的文章呈现出级联效应，涉及显著的老年人群（βAv erageange er=6.499，p<0.01；βAv erageanxiety=0.644，p<0.01）。相比之下，表达厌恶程度较高的文章会导致更年轻的人群参与级联反应（β平均年龄=-1.505，p<0.01）。

之前的研究表明，女性比男性更容易分享积极信息（Lin和Wang，2020年），因此，女性可能较少参与悲伤程度较高的文章。我们的研究结果Yu等人：在线内容中的情绪差异一致地表明，悲伤表达的程度对级联相关人群中女性的比例有显著的负面影响（βF女性比例ADNESS=-0.241，p<0.01）。然后，我们通过观察期内朋友的平均数量（Jackson 2008），探讨了情感表达如何影响级联中个体的网络程度。经验证据表明，网络程度较高的用户享有较高的社会地位和社会影响力。他们倾向于分享更多焦虑和更少愤怒的内容，以保持自己的地位和影响力，因为焦虑的表达与高认知能力和谨慎的形象有关（尹等人，2014年）。相比之下，愤怒的表达与缺乏自控能力、认知能力低下和非理性有关（肖等人，2018年）。此外，人们倾向于根据对社会比较的需要和幸灾乐祸的需要，将关于他人的故事与厌恶的经历联系起来（Heath et al.2001）。网络程度高的用户往往更善于交际，他们可能会分享这些故事来娱乐观众，树立幽默的形象，并保持社交关系。我们的研究结果表明，焦虑和厌恶的表达程度都会积极影响参与社区活动的用户的平均朋友数（βAv erageF riendnumberanxing=0.074，p<0.001；βAv erageF riendNumberdisg ust=0.171，p<0.001）。

然而，表达愤怒的程度越高，平均会导致朋友数量越少（βAv erageF riendNumberang er=-0.784，p<0.001）。最后，我们调查了具有不同嵌入情感的文章是否通过不同的社会关系（即强或弱关系）传播。人们对与关系密切的朋友进行印象管理的积极性较低，因此，他们可能会更乐于与亲密的联系人分享内容和愤怒。此外，对焦虑表达的满足感被认为是更紧迫和有用的（尹等人，2014年）。因此，人们可能会与更重要的联系人（即关系密切的朋友）分享此类内容。我们的研究结果表明，具有更高程度的愤怒和焦虑表达的文章将导致参与级联的用户之间的弱联系比例降低（βW eakT ieP roportionang er=-0.227，p<0.05；βW峰值ieP比例焦虑=-0.037，p<0.001）。总之，这些结果与我们在第3.8节中的理论预测一致。稳健性检查一系列测试验证了我们的结果，并证实了它们的稳健性。首先，尽管情绪在文章内容中得到了表达和检测，但读者是否以及如何感受到这些情绪仍不确定。因此，我们分析了文章评论中表达的情感，以检验读者是如何接受表达的情感的。我们首先选择了表达极端情绪的文章。

特别是，对于四种负面情绪表达中的每一种，我们选择的文章中只有一种情绪表达强度得分高于1.96Yu等人：在线内容中的情绪影响表2情绪表达对人口统计和社会关系的影响储蓄年龄女性比例平均朋友弱关系比例变量6.499** -0.016-0.784*** -0.227*（2.677）（0.076）（0.116）（0.124）焦虑0.644** 0.014 0.074 *** -0.037***（0.326）（0.011）（0.017）（0.013）悲伤2.34-0.241** -0.0530.114（3.673）（0.111）（0.173）（0.172）厌恶-1.505** -0.02 0.171 *** 0.046（0.607）（0.018）（0.028）（0.031）积极情绪表达X文章级特征X发布者固定效应X图3消极情绪表达与级联人口统计学和社会关系之间的关系：（A）用户的平均年龄，（B）用户的女性比例，（C）用户的平均朋友数量，以及（D）级联中的弱用户比例。注：x轴显示模型系数的大小。y轴显示四种负面情绪表达。间隔中间的正方形代表平均值。虚线表示的间隔代表90%的置信区间。实线表示的间隔代表平均值加上或减去其标准偏差的1个单位。还有一些低于1.96。我们的研究结果表明，读者可以收到文章中表达的相同情绪，这与之前关于情绪传染的研究一致（例如，Hat Fifield等人1993年，Barsade 2002年）。我们的研究结果还表明，观众可能会有不同于内容中表达最多的情绪的其他情绪。这表明情绪传染并不是驱动观众情绪的唯一机制，这与EASI框架（Van Kleef 2009）一致。

第二，我们的样本包括只有几个词的文章，因为所有情绪表达强度得分都被标准化为z分数，阈值为1.96表示被选中的文章只有一个情绪强度得分，在统计上高于平均水平95%的文章，而其他情绪强度得分在统计学上并不显著高于平均文章。我们的结果表明，评论中表达最多的情绪与相关文章中表达最多的情绪一致（参见附录EC.5.1中的图EC.5.2）。例如，如果焦虑是一篇文章中表达最多的情绪，那么平均而言，焦虑将是文章中表达最多的情绪。Yu等人：在线内容中的情绪与视频不同。这些文章中的情感可能主要通过视频而不是文本来表达，尽管在大多数情况下，文本和视频中表达的情感是一致的。我们的情感分析方法专注于文本中的情感表达；因此，我们放弃了那些带有视频且长度小于90%的文章，并用这个新样本复制了我们的分析（见附录EC.5.2中的表EC.5.3）。结果与我们的主要结果在质量上是一致的。第三，信息新颖性是信息差异的一个有争议的影响因素（Berger and Milkman 2012，Vosoughi et al.2018），而新信息可能会伴随情感表达（例如惊讶、厌恶）出现（Vosoughi et al.2018）。我们在我们的主要模型中添加了文章原创性（微信平台的验证，表明文章是否原创），以控制信息的新颖性。我们使用adummy变量，如果文章是原创的，则将其编码为1，如果文章是复制的，则将其编码为0，并通过微信平台验证。

结果如表EC所示。5.4见附录EC。5.2，在控制文章原创性后，效果与之前的结果在质量上是一致的。最后，我们通过随机治疗分析实施了安慰剂测试，以进一步解决可能存在的虚假显著性问题。具体来说，我们将情绪向量随机分配到样本中的文章中。然后，我们用新的数据集估计了部分线性工具变量模型。我们重复了十次这个过程，所有结果都表明负面情绪表达的影响是不显著的，这让我们有信心证明我们估计的显著影响不是由大样本量驱动的。9.讨论我们的工作表明，嵌入在线内容中的负面情绪，尤其是焦虑、愤怒和悲伤，会导致不同的差异模式（即级联大小、深度、最大宽度和结构病毒性）。我们是第一批调查负面情绪表达对级联过程中涉及的个人特征（即年龄、性别和网络程度）和社会特征（即强弱）的影响的人之一。我们的研究结果表明，在网络内容中表达更多的负面情绪可能会导致级联中个人和社会成分的不同。我们的新发现不仅有助于了解内容营销和监管，还为社会心理学和社交网络领域的文献增添了新的内容。在方法上，我们通过大规模观察数据，因果关系地确定了负面情绪表达对在线内容差异的影响，与以往基于预测模型的研究不同（Berger and Milkman 2012，Stieglitz and Dang Xuan 2013，Brady et al.2017），不幸的是，由于时间复杂性和大样本量，我们无法在有限的时间内获得分布。

我们在双机器学习框架中使用的XGBoost算法的时间复杂度为O（Kdxlog n）（这里xdenotes表示训练数据中非缺失项的数量，d表示树的最大深度，K表示树的总数）。根据经验，我们每轮需要一周以上的时间，因此，我们无法重复数千次才能得到分布。Yu等人：《在线内容差异中的情绪》和《Lee 2020》或小型实验室实验（Heath等人，2001年，Berger和Milkman，2012年）。我们的方法通过工具变量解决了不可观测因素引起的内生性问题，并使用机器学习技术灵活地控制了可观测因素的潜在非线性影响。由于我们随机选择了大规模和全面的样本，我们的结果比以前的研究（如实验室实验）具有更高的普遍性。我们实现了一种先进的、可扩展的、领域自适应的方法，以准确检测海量在线内容中的运动表达。我们也是第一批精确测量级联结构以及级联中涉及的人口统计和社会关系的公司之一。理论上，我们提出了一个定制的EASI框架（Van Kleef 2009），从理论上解释负面情绪表达对在线内容社会传播的影响。文献中占主导地位的理论，如唤醒驱动的社会传播（Berger and Milkman 2012）和消极偏见理论（Stieglitz and Dang Xuan 2013，Hennig Thurau et al.2015），无法有效解释消极情绪表达对信息扩散的异质性影响。我们定制的EASI框架结合了情绪传染理论（例如，Hat field et al.1993，Barsade 2002，Del Vicario et al.2016），情绪诱导方法回避动机（Elliot et al。

认知评估（Lerner等人2015）和社会比较（Heath等人2001）是社会心理学文献中关于情绪表达的一些最重要理论，并将它们与信息扩散过程和结果联系起来。我们强调了推动情感表达对内容差异产生影响的两个关键过程，即认知推理和有效反应。这个框架使我们能够深刻地解释负面情绪表达的影响。此外，我们的工作为内容制作人、平台经理和营销人员等从业者提供了宝贵的见解。首先，内容制作人可以依靠嵌入内容中的负面情绪来促进或抑制在线信息的社会传播，如新闻文章、产品广告和竞选活动。例如，他们可以通过添加焦虑的表达来扩大他们在社交媒体网络上的广告传播。相比之下，悲伤和愤怒不应该在社交网络传播的内容中过度表达。第二，为了减少负面情绪内容，平台管理者应该特别关注焦虑，而不是其他负面情绪。焦虑内容的传播范围更广、病毒性更强，这表明在线社区（尤其是有密切联系的老年用户的社区）更容易受到焦虑内容的影响，并对其做出反应。这一理论认为，高觉醒的负面情绪表达（愤怒和焦虑）会导致网络内容迅速传播（Berger and Milkman 2012）。

我们发现，尽管焦虑对扩散的影响是积极的（与Berger和Milkman（2012）的预测一致），但愤怒的表达降低了病毒性。Yu等人：在线内容中的情绪有所不同。我们观察到，社交媒体上充斥着更多表达焦虑的信息，比如关于新病毒突变和大流行发展的内容。第三，我们的研究结果揭示了营销人员在社交网络中通过不同的负面情绪表达来推广在线信息的策略。营销人员不一定在社交媒体上有很多粉丝。为了传播内容，营销人员通常需要选择正确的出版商或关键意见领袖（KOL），然后在从出版商或KOL获得初始用户群后，应用广播和病毒式传播策略来推广内容（例如广告、选举）。具体而言，我们的研究结果可以为将负面情绪表达的内容与用户特征（个人特征和社会关系）相匹配提供指导，以增加社交媒体网络中至少两个方面的内容差异。首先，我们可以帮助选择合适的种子，比如出版商和KOL的特点，它们提供了传播内容的初始用户池，以及它们特定的追随者，在网络中通过社交传递负面情绪表达的内容。其次，我们的发现还建议在目标用户（如粉丝）中应用适当的策略，如广播和病毒式传播策略，以最大限度地扩大差异。例如，内容提供商可以利用焦虑的表达方式，同时将有更多朋友，尤其是亲密朋友（关系密切）的老年用户作为种子，在社交网络中推广信息。