网络内容传播中的情感

2022-4-24 11:33:46

我们进一步表明，具有不同程度负面情绪表达的文章往往会根据个人特征和社会关系进行不同程度的传播。我们的研究结果揭示了内容营销和监管，利用负面情绪表达。关键词：信息扩散、在线内容、情绪检测、社交网络、社交媒体1。情感通常用自然语言表达，并影响我们的日常交流。神经科学家发现，人类通常会特别关注情绪事件，并增强其记忆，从而激活后续行动（Dolan 2002）。Twitter、Facebook和微信等社交媒体促进了快速信息共享和大规模信息发布*这些作者对这项工作做出了同等贡献。+写信给谁。电子邮件：shanhh@hku.hkYu等：在线内容中的情绪差异。社交媒体网络中传输的在线信息，尤其是充满情感的内容，塑造了我们的思想和行为。具体而言，社交媒体上传播的情绪化内容影响了我们对道德、意识形态（Bradyet al.2017）、政治、恐怖主义（Vosoughi et al.2018）和金融投资（Bollen et al.2011、Nguyen et al.2020）等问题的看法。值得注意的是2019冠状病毒疾病的情绪表达与网络信息融合时，可能会对网络造成伤害，尤其是在COVID-19的情况下。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:33:52

因此，理解情感表达如何影响社交媒体网络中的在线内容差异是非常重要的。严格描述社交媒体网络中使用的在线内容差异的点对点传播过程，从而研究运动表达与扩散级联的结构、人口特征和社会联系之间的关系，在经验上是一个挑战。了解差异化过程的特征对于为内容提供商提供最大化在线内容传播的策略至关重要，例如通过播种不同的个体和网络结构元素，并利用不同的模型，如viralor广播（Goel et al.2015）。它还帮助社交媒体平台制定政策，监管负面情绪内容等不必要信息的传播。此外，内容的有效维度，如嵌入的情感表达，受到的关注远低于认知层面（Vosoughi et al.2018），这主要是因为难以检测情感表达，尤其是在大量内容中。之前的研究主要关注情绪对新闻或推特的普遍流行度的影响，并进行了二元透视（例如，Berger and Milkman 2012，Brady et al.2017）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:33:57

据我们所知，已有一些综合性实证调查研究了社交媒体网络中嵌入的情感表达与在线内容级联的结构、人口统计学和社会关系属性之间的关系。因此，我们进行了大规模的现场分析，以了解嵌入在线内容中的情绪表达，尤其是负面情绪表达，是否以及如何使用计算方法在大规模在线社交网络中导致差异模式。我们将社交网络理论和分析结合起来，重点关注中国最大的社交网站微信中387486篇在线文章及其差异级联的随机样本。我们严格量化和描述扩散级联的结构（即大小、深度、最大宽度和结构病毒性）特性。我们进一步分析了600多万独特个人在微信社交网络上传播这些文章的过程中所涉及的个人特征（即年龄、性别和网络程度）和社会关系（即强弱关系）。Yu等人：在线内容中的情绪差异我们关注四种消极的离散情绪：焦虑、悲伤、愤怒和厌恶，并采用离散情绪来描述复杂的情绪。根据离散情绪理论（Tomkins1962），有少数核心情绪构成其他情绪。例如，敬畏可能被视为焦虑和爱的混合体。一旦我们理解了离散的情绪，我们就可以理解更复杂的情绪（Tomkins 1962，Plutchik and Kellerman 1980，Lerner et al.2004，2015）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-4-24 11:34:03

经验证据还表明，离散情绪相对独立，比配价（即正负极性）或觉醒（也称“激活”或“强度”，即一个人因无经验而获得能量的程度）更能描述人类情绪（勒纳等人2004年，尹等人2017年，余等人2019年）。为了准确检测样本文章内容中各种离散情感的表达，我们使用最先进的词汇生成方法（薛等人2014，余等人2019）构建了一个新的领域特定和最新的情感词汇，并用人类注释对其进行验证。带有负面情绪表达的网络内容的大量传播可能会产生深远的影响。消极偏见理论认为，与积极内容相比，消极情绪内容对个人认知和内容消费行为的影响更为显著（Stieglitz and Dang Xuan 2013，Hennig Thurau et al.2015）。此外，由于负面情绪表达的内容渗透到社交媒体中，并显著影响公众的意见和情绪（Heath等人，2001），导致了问题的后果，因此监管大量负面情绪表达的内容至关重要。了解负面情绪表达对网络内容差异的影响和机制，将为制定适当的政策提供重要的见解。管理研究中的社会心理学理论和实证工作一致发现，人们倾向于用积极的情绪表达分享内容，因为积极的内容对发送者有积极的影响，而接收者则喜欢消费这种内容（例如，见Heath等人（2001）和Berger and Milkman（2012）的文献综述）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-4-24 11:34:09

然而，负面离散情绪表达对内容差异的影响仍不清楚。研究人员试图从唤醒的角度理解负面情绪表达的影响，但实验室研究得出了相互矛盾的结果。特别是，一些实验室研究表明，高唤醒负面情绪表达（愤怒和焦虑）会导致在线新闻文章迅速传播（Berger and Milkman 2012）。其他研究表明，我们使用八种离散的情绪来描述复杂的情绪：惊讶、喜悦、期待、爱、焦虑、悲伤、愤怒和厌恶。正如全和任（2010）所发现的，这八种离散的情绪是中国最常见的语言，涵盖了我们语境中最常见的情绪。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 Kellerman 1980，Lerner et al.20042015，Yin et al.2014）。例如，有充分的证据表明，媒体可能会引发非理性的愤怒和恐惧，从而将法律和公共政策向琐碎但情绪化的问题倾斜，远离合法但情绪化程度较低的担忧（Bailis and MacCouncon1996，Edelman et al.1992）。Yu等人：在线内容中的情绪差异表达低唤醒负面情绪（厌恶）有助于城市居民等内容在社交网络中的使用，而高唤醒情绪表达（愤怒和恐惧）则会对差异产生负面影响（Heath等人，2001）。我们采用部分线性工具变量方法，使用双机器学习框架（Chernozhukov等人，2018年），以确定负面情绪表达对在线内容差异的影响。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-4-24 11:34:15

该框架不仅使我们能够通过整合机器学习技术，全面控制可观察出版商和文章级特征可能产生的非线性影响，还能够有效地解决不可观察因素引起的情感表达的内生性问题。我们发现，焦虑的表达对网络内容差异的影响最大，而愤怒和悲伤的表达则会对差异产生影响。更具体地说，嵌入内容中的焦虑表达显著增加了所有级联维度，包括深度、大小、广度和结构病毒性。相比之下，愤怒和悲伤的表达显著降低了级联的大小和广度，并对级联深度和结构病毒性有显著影响。然而，厌恶的表达对级联深度、大小、宽度或结构病毒性没有显著影响。我们进一步分析了参与级联过程的600多万人的人口特征（即年龄、性别和网络程度）以及他们之间的社会联系（即弱和强）。我们发现，根据参与级联的用户的人口统计和网络特征，所有四种类型的负面情绪表达在影响级联过程中都发挥着重要作用。首先，年龄较大的用户会分享大量表达愤怒和焦虑的文章，而年轻用户则会分享更多表达厌恶的文章。其次，社交程度较高的用户（在本地社交网络中有更多的朋友）会传播更多表达焦虑和厌恶的文章，而表达愤怒的文章则会被社交程度较低的用户（朋友较少）传播。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-4-24 11:34:21

第三，表达愤怒和焦虑的文章更多地通过紧密联系传播。理论和经验证据表明，弱联系和更大网络程度的个体促进了网络分化（Granovetter 1977，Banerjee et al.2013）。这种理解，加上我们的发现，可以解释愤怒表达的负面影响。愤怒表达往往会在关系密切的人和朋友较少的用户之间产生差异，从而抑制内容传播。最后，女性比男性更少地参与到悲伤表达更多的文章中。我们的工作做出了几项新颖的贡献。首先，它补充了关于社交媒体网络中在线内容的对等传播及其经济和社会影响的新兴文献（如Goel等人2015年、Vosoughi等人2018年）。我们的研究是及时的，并且说明了这一不断扩大的研究领域。特别是，我们的研究提供了一些第一次大规模的综合经验分析，例如：在线内容中的情绪差异，提供了负面情绪表达如何影响在线信息差异的证据。其次，我们精确地测量了大量在线文章的级联结构特性。我们的工作超越了内容共享的二元视角（Berger and Milkman 2012），并证明了各种离散负面情绪的表达会导致不同的级联结构和过程。第三，我们是最早发现内容中的运动表达与级联参与者个体特征之间关系的人之一。Wethus不仅提供了新的实证证据和见解，还提供了在在线社交网络中促进或抑制内容差异的策略。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:34:27

第四，利用半参数工具变量方法，我们基于大规模观测数据进行因果推断，不同于以往基于预测模型（Berger and Milkman 2012，Stieglitz and Dang Xuan 2013，Brady et al.2017，Wang and Lee 2020）或小规模实验室实验（Heath et al.2001，Berger and Milkman 2012）的研究。最后，现有的情绪和网络内容差异理论（Berger and Milkman 2012，Stieglitz and Dang Xuan 2013，Hennig Thurau et al.2015）无法有效地从理论上解释我们结果中不同负面情绪表达的影响。因此，我们提出了一个定制的EASI框架（Van Kleef 2009），该框架结合了情绪传染理论（例如，Hat Fiield等人1993年、Barsade 2002年、Del Vicario等人2016年）、情绪诱导的方法回避动机（Elliotet等人2013年）、认知评估（Lerner等人2015年）和社会比较（Heath等人2001年），从而为文献做出了进一步贡献，社会心理学文献中关于情感表达的一些最重要的理论。2.文学2。1.离散情绪管理研究主要是由维度情绪理论（Russell 1980）推动的，该研究考察了嵌入在线内容中的情绪表达对用户行为的影响（例如，Hennig Thurau等人2015年、尹等人2017年、宋等人2019年），该理论解释了情绪使用维度的影响，如效价和唤醒。之前的研究表明，在线评论中的配价会影响个人对产品的评价和采用（Hennig Thurau等人，2015年），以及产品的总销售额（Song等人，2019年），而唤醒与评论的帮助性相关（Yin等人，2017年）。Stieglitz和Dang Xuan（2013）发现，与中性内容相比，正面和负面（价）推文的转发频率更高、速度更快。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-4-24 11:34:32

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:34:38

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:34:44

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-4-24 11:34:50

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:34:56

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:02

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:08

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。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-4-24 11:35:14

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）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:20

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）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:26

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）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:32

因此，厌恶的表达可能会对网络内容的差异产生积极影响。此外，嵌入在内容中的负面情绪表达也可能会影响个人特征和社会关系，从而影响文章的使用。老年用户更容易受到高唤醒和负面情绪表达的影响，如愤怒和焦虑（Kensinger，2008），这可能是由于年龄增长、健康状况恶化和缺乏成就感造成的“中年危机”（Wethington，2000年）。相比之下，年轻用户更有可能因为幸灾乐祸而喜欢阅读他人的厌恶故事（Heath et al.2001，Kensinger 2008）。女性比男性更倾向于分享积极的信息（林和王，2020年），因此，她们可能会在表达悲伤的内容中不太投入。拥有更多联系人的用户具有更高的网络中心性，这意味着更高的社会地位和社会影响力。他们的动机是获得表达更多焦虑和更少愤怒的内容，以保持自己的地位和影响力，焦虑的表达与高认知能力和谨慎的形象有关（Yinet al.2014），而愤怒的表达与缺乏自控能力、低认知能力和非理性有关（Xiao et al.2018）。此外，由于人们有消费故事的需求，“中年危机”也可能与悲伤或抑郁感有关。然而，中年用户可能会感到难以与他人分享带有悲伤表情的内容，因为这种行为可能会给人一种感觉，即用户处于劣势，需要帮助。事实上，研究发现，与年轻人相比，老年人寻求外部社会支持的可能性更小（Jiang等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:38

2018).Yu等人：网络内容中的情绪差异关于其他人有令人厌恶的经历，由于幸灾乐祸和社会比较（Heath等人，2001），关系不好的朋友可能会分享这些故事，以加强彼此的社会关系。然而，人们不太愿意与关系密切的朋友一起管理印象，因此，他们可能更愿意与亲密的联系人分享愤怒的内容。人们还可能与更重要的联系人（即关系密切的朋友）分享表达焦虑的内容，这被认为是更紧迫和有价值的（尹等人，2014）。数据为了分析在线文章中的情感表达及其差异级联，我们首先随机抽样了10万个微信上的出版商，然后筛选出在我们观察期间（2018年8月31日至11月30日）发表文章少于10篇的非活跃出版商，然后抽样了38839家出版商。我们记录了观察期间每个出版商的平均关注人数（出版商的受欢迎程度）、出版商每天发布的平均文章数量（出版商的主动性）和出版商类型（即个人、媒体、企业、政府或其他组织）。对于这些出版商，我们随机选择了他们在研究期间发布的10%的文章，总共收集了387486篇在线文章进行分析。此随机样本代表微信上分发和使用的文章，涵盖政治、经济、商业、社会、体育和科技等多种主题。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-4-24 11:35:44

样本包括短文本（少于100个字符，类似于推文）和长文章（超过100000个字符，类似于报纸和杂志文章以及小说中的章节），平均文章长度为1164.60个字符，标准偏差为2060.98个字符。虽然微信平台主要发布文本，但它允许文章包含图像和视频。我们还记录了每篇文章中的图片数量和视频数量。共有6823576名独特的个人在微信上与他们的一级朋友（即，关系密切的联系人）或熟人（即，非一级朋友，关系不密切的联系人）分享了这些文章。我们收集了参与级联的所有用户的人口统计学（即年龄和性别）和网络特征（即网络程度）的数据，以及每个级联中每对发送者和接收者（无论他们是一级朋友）之间的联系强度。微信平台的一个特点是，共有350万活跃的出版商在微信平台上平均每天产生超过490万篇文章。获得政府许可发布报纸、广播和电视内容的组织。我们的结果对于排除主要包含视频但很少包含单词的文章的样本是稳健的，我们在稳健检查部分详细介绍了这些文章。熟人（弱联系）是非一级朋友，但在同一组聊天中。这种关系是一种“纽带”，因为它允许通过群聊进行信息交流。这被认为是“软弱的”，因为这些用户不是直接联系人，而且他们不太可能彼此熟悉。Yu等人：在线内容差异中的情绪4。1.映射CascadesOur dataset唯一地克服了在Twitterretweet级联映射中常见的级联映射问题。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:50

转发级联基本上是基于时间和关系推断的（Shi等人，2014年，Vosoughi等人，2018年）。然而，我们的环境使我们能够通过记录分享文章的所有个人的确切帐户ID，以及他们从谁那里获得对文章的访问权，以及每次分享的时间，精确地对样本中每篇文章的影响级联进行分类。当一篇文章被发布到出版商的关注者那里，然后他们在当地的社交网络上分享文章时，文章级联就开始了。在每一篇文章末尾的用户都是那些分享了这篇文章的人，在接下来的一周里，没有人再分享这篇文章。在微信上，如果一篇文章在接下来的七天内没有被任何人再次分享，那么该文章不可能再次被分享（概率小于1%）。图EC。5.1在我们的示例中显示了一个大型文章级联的示例。4.2. 测量级联如第2.2节所述，我们通过四个维度测量级联：大小、深度、最大带宽和结构病毒性（Goel et al.2015，Vosoughi et al.2018）。这四个度量是级联过程的形状和动态的成功表示。具体而言，结构病毒性定义为asn（n-1） Pni=1Pnj=1dij，其中n表示参与级联的个体数量，Dijr表示个体i和个体j之间的最短距离。如果级联大小相同，较高的结构病毒性表明级联更多地由分散和对等共享驱动，而不是通过广播。图1（A-D）描述了我们样本中文章的级联大小、深度、最大宽度和结构病毒性的经验分布，并指出，在每个级联维度中，大部分文章都表现出较高的值。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:35:55

为了了解这些级联维数之间的关系，我们给出了相关矩阵（表EC.5.1）。我们发现级联的大小和最大宽度（0.974）之间存在密切关系，因为41%的文章级联以第一级结束。另一个强相关性是级联的深度和结构病毒性之间的相关性（0.921）。为了解释这种相关性，首先，结构病毒性是级联中每对节点之间的平均最短距离。其次，深度越大，表明叶栅对应的图的直径越大（因为叶栅深度比叶栅直径小）。因此，我们可以预期更大的直径与级联中每对节点之间的平均最短距离正相关。此外，由于级联的深度和大小之间正相关，结构病毒性也正相关。当发送者向接收者发送文章时，文章的链接（包括文章标题和简短描述）会显示给接收者。这种共享行为记录在平台的数据库中。当接收者打开链接并再次分享文章时，我们会对发送者和接收者的ID进行分类。Yu等人：在线内容差异中的情绪配置图1级联量表的互补累积分布函数（CCDF）和平均文章中四种负面情绪表达的强度水平。注：（A-D）级联大小、深度、最大宽度和结构病毒性的CCDF。CCDF是累积分布函数（CDF）的补充。以级联大小为例：对于x轴上给定级别的级联大小，CCDF的相应值显示级联大小高于或等于该级别的物品的分数。（E）一篇普通文章中四种消极情绪表达的紧张程度。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-4-24 11:36:01

这些值直接取自我们的情绪检测分析，尚未标准化为标准分布（以便我们可以比较不同类型情绪的平均值）。这四种情绪的所有对之间的差异在统计学上都是显著的（ps<0.001）。具有瀑布的大小和最大宽度。尽管相关性相对较高，但将所有维度作为我们的结果变量也并非无关紧要，因为不同维度不仅对差异的理解有着不同的含义，情绪也可能对这些相关维度产生不同的影响，我们将在后面详述。5.情感表达的检测我们通过采用最先进的词汇生成方法来检测单词级的情感表达（薛等人，2014年，于等人，2019年）。具体而言，我们基于一个包含16017个独特情感词（Quan and Ren 2010）和800万个单词嵌入向量（Song et al.2018）的通用情感词典，构建了一个新的领域特定且最新的情感词典。我们构建新词汇主要有两个原因。首先，在中文博客（Quan and Ren 2010）中使用情感表达构建的通用词汇可能会遗漏特定领域的情感表达。微信文章中的情感表达可能与中文日志中的情感表达非常不同。第二，情绪表达是随时间而变化的。《通用词典》建立于2008年，它忽略了在接下来的十年中产生的新的情感表达方式。根据现有文献（尹等人2014年、布雷迪等人2017年、余等人2019年），我们在单词层面而不是在文档层面检测情感表达。随着时间的推移，情绪是内在的、主观的、动态的。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:36:07

很难就文档级情绪表达注释（Quan和Ren 2010）达成一致，这阻碍了对文档的培训。Yu等人：在线内容中的情绪使用不同级别的监督学习模型。但是，从word级别开始可以减轻文档级别的歧义。此外，尽管NLP的研究已经开始探索文档级分析，但大多数最先进的模型的长度限制只有几百个字符（Sun等人，2019年），这与在线文章的长度不兼容。我们首先使用现有的情感词汇Ren CECps（Quan and Ren 2010）作为基本词汇。词典中的每个单词都映射到一个八维向量vi=（Ii，Ii，…，Ii），其中iik∈[0,1]是手动注释的，表示wi表达的第k种离散情绪的强度。其次，我们检索包含单词语义信息的单词向量。Vector一词可以通过统计语言建模（例如Mikolov等人（2013）的Word2Vec）得出。我们使用Song等人（2018）的DPRE训练词向量，他们为800多万个常见汉语单词和短语提供了200维词向量。这些词向量在最新、大规模和高质量的中文在线内容上进行了预训练，并通过各种NLPTask进行了验证（Song等人，2018年）。然后，两个单词之间的相似性可以通过两个对应单词向量的相似性来衡量（Mikolov等人，2013）。第三，我们遵循薛等人（2014年）和余等人（2019年）提出的方法，将基本词汇扩展到特定领域和最新词汇。对于基本词汇中的每个情感词，我们使用800万个词向量来挖掘语义相似的词作为潜在的情感词。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-4-24 11:36:14

对于每个潜在情感词，我们使用基本词汇中语义上最接近的词来确定它是否是一个情感词，以及八种离散情感的强度。第四，我们将新挖掘的情感词与基本词汇中的词相结合，形成一个扩展词汇。然后，我们将扩展词库视为一个新的“基本词库”，用于重复第三步，直到组合词库中的总词数收敛（更多细节见附录EC.1）。经过这一过程，共发现16921个新词，扩展词典共包含28969个新词。这一结果证实了构建特定领域词汇的必要性，如果不构建特定领域词汇，58.4%的独特情感词（28969个词中有16921个）将被忽略，也就是说，如果只使用基本词汇。五名评分员被招募来为八种离散的情绪注释新挖掘的单词的情绪强度。算法生成的结果与评分员生成的结果在统计学上没有显著差异，这证实了我们新词汇的有效性（见附录EC.2）。直觉上，即使是对人类来说，要准确地指定愤怒的单一值来描述《哈姆雷特》中包含了多少愤怒，以及对《李尔王》来说，愤怒的值是否应该高于《哈姆雷特》，也是一个挑战。例如，BERT的长度限制为512个字符（Sun等人，2019年）。由于自然语言的复杂性，长文档将给具有数百万个参数的模型带来极大困难。我们样本的文章长度为1164.60个字符，标准偏差为2060.98个字符。有些文章可以超过100000个字符。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-4-24 11:36:20

这显然超出了最先进的文档级方法所能处理的范围。余阿纳尔：情感内容在网络内容中，我们总结了情感词在文章中，并考虑损坏和程度词（IFAN）与这些情感词。根据文档级情感表达空间模型（Quan and Ren 2010），我们将每一篇在线文章映射为一个八维向量。向量的每个元素表示文章d中表达的相应离散情绪的情绪强度：d=（e，…，ek，…，e），其中ek由文章中包含的情绪、否定和程度词决定。否定词和程度词在汉语中经常使用，因此有助于准确分析情绪（权和任2010）。我们采用了由中国科学院开发的汉语心理分析系统TextMind提供的否定词词典。这本词典包含31个常用的否定词。我们使用了Ren CECps提供的60度单词作为我们的度单词词典，并注释了它们的度值。例如，汉语中“最大”一词的度值标注为1.5，而“种类”一词的度值标注为0.8。我们使用一个向前滑动的窗口（窗口大小设置为三个单词）来捕获这些否定词和程度词。如果我们的算法在文章中找到一个情感词，它会在情感词之前检查三个词，并捕获这三个词中出现的任何否定词和程度词。我们选择三个作为滑动窗口的大小，因为在汉语中，否定词和程度词通常在相应的情感词之前的三个词之内。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝