标准化使离散情绪的强度在零均值附近波动，并以1标准偏差量表（接近标准正态分布）进行测量（Bollen等人，2011年）。因此，如果一篇文章的焦虑强度得分为0.0，那么它包含的焦虑表达（情绪词和相关程度词）将比我们样本中约50%的文章多；1.0意味着超过84%；2.0意味着超过97.5%，以此类推。为简洁起见，以下我们将标准化强度分数称为强度分数。6.模型6。1.情绪表达工具嵌入文章中的情绪表达强度得分可能是内容差异结果的内在因素。例如，关于自然灾害的文章通常可能包含更高程度的焦虑，并且往往被广泛分享。为了解决内生性问题，并检查情绪表达和信息差异之间的因果关系，我们采用了一种工具变量方法，常用于估计在线内容特征的影响（Devet al.2019）。在我们的模型中，我们使用了两组工具变量：当前出版商当前文章之前最新文章中嵌入的情绪表达的强度分数（即滞后的情绪表达强度分数）和其他出版商在与当前文章相同的时期发布的文章中嵌入的情绪表达的平均强度分数。工具变量估计器也能很好地校正测量误差（Wooldridge 2002）。我们的两组工具变量可用于进一步缓解情绪表达强度得分中的测量误差，尽管测量因素在我们的识别中不应是一个重要问题。

附录EC。2已经表明，该算法生成的测量值与人类编码人员开发的测量值在统计学上没有显著差异。鉴于测量误差不太可能是系统性的，我们可能会担心，同一出版商发布的最新文章和当前文章之间的时间差可能不够长，因此出版商在发布最新和当前文章时可能仍然面临相同的环境（作为模型识别中不可观察的混杂因素）。然而，我们发现，平均而言，出版商在发布其最新文章后的9.295天内不会发布新文章。因此，出版商在发布最新和最新文章时不太可能面临同样的环境。我们选择只使用最新文章的强度分数作为工具，而不使用更多历史文章的强度分数，因为如果时滞太长，历史文章和当前文章的强度分数之间的相关性将很弱，这可能会导致工具弱的问题。同期文章是指与当前文章相比，未提前或延迟发表超过七天的文章。Yu等人：在线内容中的情绪差异跨篇文章，焦点文章强度分数中的测量误差不太可能与我们的两组工具变量相关。由于这种正交性，测量结果不会对估计结果产生偏差（Wooldridge 2002，Chernozhukov等人，2018）。在第6.4节中，我们进行了弱仪器测试（Stock and Yogo 2005）和萨根测试（Sargan 1958），确认了我们仪器的有效性（即相关性和外源性）。此外，我们还实现了一个双机器学习框架（Chernozhukov等人。

2018）估计部分线性工具变量规格。该规范使我们能够利用机器学习技术控制协变量的非线性效应，并保持结果（即级联特征）和感兴趣变量（即情绪强度分数）之间的线性关系，以便于解释。接下来，我们介绍两组工具变量。滞后自变量通常用作经济和营销研究中的工具变量（Villas Boas and Winer，1999）。因此，我们提出了我们的第一组工具变量，滞后情绪表达强度分数，以解决可能的内生性问题。当前出版商发布的最新文章（即当前文章之前的文章）中嵌入的情感表达强度分数可以作为有效工具，因为它们最终与当前文章中的情感表达存在关联，因为出版商的运动状态可以从一种情况普遍延续到下一种情况（Lerner等人，2004年，2015年）。然而，滞后的情绪表达分数不能直接影响当前文章的差异。他们可能与当前文章的分歧相关的唯一方式是与当前文章中的情感表达相关。继Nevo（2000）和Hausman and Bresnahan（2008）之后，我们提出了第二组工具变量，即其他出版商并发文章的平均情绪表达强度分数。这组变量是有效的工具。一方面，它们往往与本文中的情绪表达相关，因为有充分的证据表明，在社交媒体中，由于情绪传染，个人的情绪表达往往是同步的（例如，Hat Fieldet等人1993年、Barsade 2002年、Del Vicario等人2016年）。

另一方面，读者很难观察到出版商之间的情感互动。读者是否分享这篇文章的决定只取决于当前文章的内容（包括情感表达）。因此，我们认为，在某些极端情况下，通过其他测量错误得出的并发文章的平均情绪表达强度分数可能会上升，例如，当我们的词典无法捕捉到一个非常不常用的情绪词时，或者当在一个特殊语境中，情绪词的强度与我们的词典中的情绪词的强度相差很大时。但如果这些情况没有系统地发生，测量误差就不会影响我们的估计。事实上，不同出版商或同一出版商在不同时间点发布的微信文章包含了各种各样的主题和背景。因此，与这些话题和背景相关的情感表达是多种多样的。事实上，我们在样本中发现了至少28969个独特的情感词。因此，我们不期望在大量的文章中系统地包含与特定情绪表达相关的测量误差。相反，我们认为将测量误差假设为独立的交叉粒子是合理的。Yu等人：在线内容差异出版商的情绪不能直接影响当前出版商文章的差异结果。这组工具变量可能仅通过影响当前出版商在文章中的情感表达，与当前出版商文章的差异结果相关。6.2. 消极情绪表达对级联结构特性的影响我们采用部分线性工具变量方法来估计情绪表达对级联维度的影响。

模型如下所示：yij=β情绪j+g（articleij）+P publisheri+ij，（2a）emotionij=βzij+h（articleij）+ηij，（2b）zij=m（articleij）+uij，（2c）其中yijin表示第i个出版商出版的第j篇文章的四个级联结构属性之一，emotionij表示第i个出版商出版的第j篇文章的（离散）情绪强度分数，Articlei表示第i个出版商发布的jtharticle的文章级控制变量（即文章长度、嵌入文章的图像和视频数量、文章是否在周末发布、评论数量和文章的主题分布），P publisher表示出版商的固定影响，Zijin指出了我们纳入的工具变量（即，其他出版商同时发表的文章中的滞后情绪强度分数和平均情绪强度分数），这些变量只能通过改变第i出版商发表的第j篇文章中的情绪强度分数来影响级联的结构属性，这取决于文章特征。我们使用β捕捉情绪的影响，非线性函数GT捕捉文章特征如何影响级联维度，非线性函数hto捕捉文章特征如何影响情绪表达强度得分，非线性函数mto捕捉文章特征如何影响仪器变量。ij、ηij和uij是随机误差。zijcan只能通过一个有效的动作转移Yijt，以articleij为条件，但与ij。为了控制文章的特征，我们首先估计了潜在的狄利克莱分配（LDA）模型（Blei等人。

2003）基于所有抽样的文章，并通过30维向量控制文章的潜在主题分布（更多细节见附录EC.3和图EC.3.1）。我们还包括文章长度（对数转换的字符数）、文章中嵌入的图像和视频数量（媒体丰富度）、文章是否在周末发布（时间效应），以及模型中的评论数。为了捕捉可能对信息扩散产生影响的时不变因素，例如出版商特定的特征，我们将出版商固定的影响包括在内。Yu等人：在线内容中的情绪差异为了评估我们的部分线性工具变量方法，我们按照Chernozhukov等人（2018）开发的程序应用了双机学习框架。更具体地说，我们首先将等式2中的模型改写为以下残差形式：wij=βvij+P publisheri+ij，（3a）vij=βuij+ηij，（3b）wij=yij-k（articleij），vij=emotionij-l（articleij），uij=zij-m（第j条）。（3c）然后，双机器学习框架进行如下操作。首先，我们用^k、^l和^m估计方程3中描述的非线性函数k、l和mas，这相当于用机器学习技术预测yij、emotionij和zijusing。然而，天真地将机器学习模型训练为k、l和m，可能会导致有限样本估计的偏差非常大，因为估计值通常会小于1/√n收敛速度。Chernozhukov等人（2018年）得出的一个见解是，我们可以使用交叉拟合估计器来解决这个问题。特别是，我们在发布者级别对数据进行分组，并将数据分成大小均匀的折叠，其中包含不同的发布者。对于每个折叠d=1，2。。。，D、 我们在另一台计算机上运行机器学习模型-1数据折叠以估计函数k、l和m。

估计的函数用^k表示(-d（i）），^l(-d（i））和^m(-d（i）），其中d（i）∈ {1,2，…，D}表示包含第i个出版商的折叠，以及-d（i）表示我们在训练机器学习模型并生成第i个发布者的预测值时排除了折叠d（i）。然后我们估算了残差^wij=yij-^k(-d（i）条，^vij=情感-^l(-d（i））（第ij条），以及^uij=zij- ^m(-d（i）条。在我们的模型中，我们选择XGBoost作为机器学习算法，该算法通常被认为是许多机器学习任务的最先进算法，并已被数据科学家和研究人员广泛采用（Chen和Guestrin，2016）。按照Chernozhukov等人（2018年）的做法，我们选择D=10。最后，我们通过对估计的残差进行两阶段最小二乘（2SLS）回归来估计β。具体而言，我们首先回归^vijon^uij，并获得预测值^vpredij。然后，我们通过回归^wijon^vpredijj和控制出版商固定效应来估计β。6.3. 负面情绪表达对级联的人口统计学和社会关系的影响基于主模型，我们进一步研究了负面情绪表达对级联中所有用户的人口统计学（即年龄、性别和网络程度）以及他们之间的社会关系的影响。正如我们在第7.2节中详细介绍的，我们测试了消极情绪表达对平均年龄、性别构成、年龄和性别的影响，平均网络度（由用户的平均网络度衡量）我们还使用20倍交叉拟合估计器运行了相同的模型，结果是一致的。Yu等人：在线内容中的情绪影响图2文章级联中嵌入的四种消极情绪表达的影响（A）深度，（B）大小，（C）最大宽度，（D）结构病毒性。注：x轴显示模型系数的大小。

y轴显示四种负面情绪表达。区间中间的平方代表平均值。虚线覆盖的区间代表90%的置信区间。实线覆盖的区间代表平均值加上或减去其标准偏差的1个单位。朋友的平均数量）和社会关系（以弱关系的比例衡量）分别参与级联。我们使用相同的部分线性工具变量方法进行分析，其中，本分析中的益进方程2显示了用户人口统计数据及其与第i出版社发布的第j篇文章相关的社会关系。与我们分析负面情绪表达对级联结构特性的影响类似，我们还控制了文章中嵌入的正面情绪表达。6.4. 仪器变量测试为了解决我们对仪器有效性的担忧，我们实施了弱仪器测试（Stock and Yogo 2005）和萨根测试（Sargan 1958），以检查仪器的强度和外源性。弱仪器测试中F统计量的p值均小于0。001，这表明我们所有的仪器都是强大的仪器。此外，Sargan检验中J统计量的p值均大于0.950，这表明我们不能否认我们的工具变量（即其他出版商同时发表的文章的滞后情绪强度得分和平均情绪表达强度得分）是外生的假设。7.结果7。1.

负面情绪表达对cascade结构属性的影响我们采用部分线性工具变量方法来研究嵌入内容中的负面情绪表达与Yu等人的结构属性之间的关系：在线内容中的情绪差异文章的级联，遵循上一节详述的双机器学习框架。结果如表1和图2所示。如第3节所述，我们关注四种消极情绪表达（即愤怒、焦虑、厌恶和悲伤）的影响，并控制积极情绪表达的影响（详情见附录EC.4.1）。图2显示了三种消极情绪表达（即愤怒、焦虑和悲伤）在文章差异中起着重要作用。内容展中包含更高程度愤怒和悲伤的文章的预期级联大小显著降低（β大小=-0.049，p<0.05；β尺寸稳定性=-0.082，p<0.01），宽度（β宽度=-0.046，p<0.05；β宽度adness=-0.061，p<0.01）。相比之下，焦虑程度较高的人会导致预期级联深度（βdepthanxiety=0.015，p<0.01）、大小（βsizeanxiety=0.010，p<0.01）、宽度（βbreadhanxiety=0.007，p<0.01）和结构病毒性（βsvanxiety=0.009，p<0.01）显著增加。然而，厌恶对任何层面都没有显著影响。这些结果表明，焦虑强度分数增加1个单位（1个标准差）平均可导致大小增加1%，宽度增加0.7%，a0。深度增加了015个单位，结构病毒性增加了0.009个单位（这表明CASCADE包含更多的点对点共享和更少的广播结构）。

此外，愤怒的1单位强度分数增加平均会导致大小减少4.9%，最大宽度减少4.6%，悲伤增加1单位会导致insize减少8.2%，最大宽度减少6.1%。这些结果与观察结果一致，即在我们的在线内容样本中，焦虑是表达最多的负面情绪，而愤怒和悲伤是表达最少的负面情绪（见图1（E））。平均而言，焦虑的强度得分为11。724，而愤怒和悲伤的强度得分分别为1.212和0.790。我们的结果与我们基于EASIframework（Van Kleef 2009）得出的理论预测一致，如第3节所示。研究结果并不支持觉醒增加社会传播的理论（Berger and Milkman 2012），因为我们证明了高觉醒情绪愤怒对级联的规模和广度有显著的负面影响。厌恶的影响是积极的，但并不显著，可能是因为厌恶的影响在不同类型的内容和用户群体中是异质的。具体而言，关于城市传说差异的研究表明，厌恶的影响是显著积极的（Heath等人，2001年），但对新闻文章的研究表明，这种影响并不显著（Berger and Milkman，2012年）。

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。

如果愤怒的满足感在关系牢固的人和朋友较少的老年人中传播，它的传播就会加强。此外，与高度网络化的用户一起广播内容可以用来传播表达更多焦虑和厌恶的在线内容。病毒式传播策略（例如，社交推荐）可以促进表达更多焦虑的内容的传播，因为表达更多焦虑的文章会导致级联的深度和结构病毒式传播。我们的研究并非没有局限性。首先，现有心理学研究尚未就人类的基本离散情绪类别达成一致（Plutchik和Kellerman1980，Lerner等人，2015）。虽然我们关注的是文献中明确的、通常在网络内容中表达的四种消极离散情绪，但未来的研究可能会调查其他离散情绪，例如蔑视、恐惧、羞耻和内疚，是否会影响信息级联过程，以及它们如何与社会或心理过程互动。其次，我们的模型遵循的研究（Berger and Milkman 2012，Nguyen et al.2020）假设离散情绪的影响是线性叠加的。未来的研究可以使用一种实验性的方法来操纵离散情绪的不同组合，并测试营销人员的互动，即使他们有自己的社交媒体账户（例如，官方账户），他们也可能没有足够的追随者。相反，营销人员通常不得不依靠流行出版商或关键意见领袖（KOL）来推广内容，并为此付费。然后，出版商或KOL将营销人员生成的内容传播给（全部或部分）其追随者，并在社交网络上传播这些内容。

事实上，这是出版商或KOL在微信等社交媒体平台上创收的最重要商业模式之一。Yu等人：在线内容差异中的情绪离散情绪对内容差异有影响。第三，我们没有探索不同时期内出版商的嵌套效应，因为我们的研究使用了标准的双向效应模型，以便在发现因果关系时更好地解释内生性问题。出版商时间嵌套效应在我们的固定效应模型中无法识别。未来的研究可以考察不同的出版商在不同的时间段内如何影响差异。第四，未来的研究可以检验内容差异中情绪的影响如何在不同的图片之间变化。了解这一点将为内容制作人提供一种在社交媒体上撰写和推广特定主题作品的方法。第五，我们选择在模型中不使用评论数据，因为它有局限性，不能有助于清晰的因果识别。未来的研究可以检验评论在内容差异中扮演的角色。第六，我们选择关注嵌入内容中的情感表达，而不是读者体验到的情感对内容差异的影响。这是因为，在我们的语境中，情感表达可以通过经验来衡量，对于能够决定内容中情感表达程度的作家来说，理解情感表达的影响是可行的，而读者体验到的情感是不可观察的，作家很难预测。未来的研究可以探索嵌入在线内容中的情感表达如何影响读者的情感状态。最后，实证研究中最先进的情感分析方法是从词汇层面进行的，我们的研究依赖于这项技术。

此外，对于作者来说，根据单词级情感而非文章级情感的影响来采取行动也不那么模棱两可。然而，大规模的文章级情绪分析是未来自然语言过程研究要解决的一个重要问题。参考亚当斯·RB，安巴迪N，麦克雷中国，克莱克·R（2006）情绪表达预测接近回避行为。动机与情感30（2）：177-186。Bailis DS，MacCoun RJ（1996）《以媒体为导向评估责任风险：侵权诉讼媒体报道的内容分析》。法律与人类行为20（4）：419-429。班纳吉A，钱德拉塞哈尔股份有限公司，杜弗勒，密苏里州杰克逊（2013）小额融资的差异。科学341（6144）：1236498。我们没有在文章差异中探讨情绪和主题的交互影响，因为在我们的上下文中，有几个主题标签的文章没有一个明确的分类。首先，注释是按顺序生成的。之后产生的评论可能会受到之前产生的评论的影响。随后产生的评论也可能是内容差异结果的内在因素。例如，人们可能会对广泛传播的内容提供更多评论。此外，在我们的环境中，虽然我们可以从公司的数据库中观察到所有评论，但并非所有评论都对读者可见。作者通常只选择很少的评论，并将其呈现给读者。这种自我选择机制使得识别评论如何影响内容差异变得很有挑战性。Yu等人：《在线内容差异中的情绪》Barsade SG（2002）《涟漪效应：情绪传染及其对群体行为的影响》。行政科学季刊47（4）：644-675。Berger J，Milkman KL（2012）是什么让在线内容成为病毒？市场研究杂志49（2）：192-205。Blei DM，Ng AY，Jordan MI（2003年）潜在dirichlet分配。

机器学习研究杂志3（1月）：993-1022。Bollen J，Mao H，Zeng X（2011）推特情绪预测股市。计算科学杂志2（1）：1-8。Brady WJ、Wills JA、Burkart D、Jost JT、Van Bavel JJ（2019）政治领导人在社交媒体上使用道德化内容的差异中存在意识形态不对称。实验心理学杂志：总则148（10）：1802。Brady WJ、Wills JA、Jost JT、Tucker JA、Van Bavel JJ（2017）情感塑造了社交网络中道德化内容的差异。美国国家科学院院刊114（28）：7313-7318。陈婷，Guestrin C（2016）Xgboost：一个可扩展的树推进系统。第22届acm SIGKDD知识发现和数据挖掘国际会议记录，785-794。Chernozhukov V，Chetverikov D，Demirer M，Du fl o E，Hansen C，Newey W，Robins J（2018）治疗和结构参数的双/debiasedmachine学习。Clark MS，Taraban C（1991）在社区和交流关系中对情绪的反应和表达意愿。实验社会心理学杂志27（4）：324-336。Coviello L、Sohn Y、Kramer AD、Marlow C、Franceschetti M、Christakis NA、Fowler JH（2014）在大规模社交网络中检测情绪传染。PloS one 9（3）：e90315。Del Vicario M、Vivaldo G、Bessi A、Zollo F、Scala A、Caldarelli G、Quattrociocchi W（2016）Echo chambers：facebook上的情绪传染和群体分化。科学报告6（1）：1-12。Dev H，Karahalios K，Sundaram H（2019）量化在线平台中的选民偏见：一种工具变量方法。ACM关于人机交互的会议记录3（CSCW）：1-27。Dolan RJ（2002）情绪、认知和行为。科学298（5596）：1191-1194。Edelman LB，Abraham SE，Erlanger HS（1992）法律的专业建设：不当解雇的严重威胁。

法律与社会评论47-83。Elliot AJ，Eder AB，Harmon Jones E（2013）方法——回避动机和情绪：趋同和分歧。情绪回顾5（3）：308-311。Finkenauer C（1998）秘密：类型、决定因素、函数和结果。未发表的博士论文，卢旺达大学路易威纳大学，卢旺拉诺伊，比利时。Goel S，Anderson A，Hofman J，Watts DJ（2015）在线扩散的结构病毒性。管理Sci62（1）：180–196。Granovetter MS（1977）弱联系的力量。社交网络，347-367（爱思唯尔）。Hat Field E，Cacioppo JT，Rapson RL（1993）情绪传染。心理科学的当前方向2（3）：96-100。Hausman JA，Bresnahan TF（2008）5。完全竞争和不完全竞争下新产品的估价（芝加哥大学出版社）。Yu等人：《网络内容差异中的情感》希思·C、贝尔·C、斯特恩伯格·E（2001）《模因中的情感选择：城市传奇的案例》。《个性和社会心理学杂志》81（6）：1028。Hennig Thurau T，Wiertz C，Feldhaus F（2015）推特重要吗？微博Mouth对消费者新电影接受度的影响。市场科学院学报43（3）：375–394。Jackson MO（2008）《社会与经济网络》，第3卷（普林斯顿大学出版社）。姜丽，Drolet A，Kim HS（2018）《寻求年龄和社会支持：理解感知社会成本对他人的作用》。《个性与社会心理学公报》44（7）：1104-1116。Keltner D，Haidt J（1999）情绪在四个分析层次上的社会功能。认知与情感13（5）：505-521。Kenea（2008）唤起性和非唤起性情绪词记忆的年龄差异。《老年学杂志》B辑：心理科学和社会科学63（1）：第13-18页。Kramer AD，Guillory JE，Hancock JT（2014）社交网络大规模情绪传染的实验证据。

美国国家科学院院刊111（24）：8788-8790。Lerner JS，Li Y，Valdesolo P，Kassam KS（2015）情绪与决策。心理学年度回顾66:799–823。Lerner JS，Small DA，Loewenstein G（2004）心弦和钱包：情绪对经济决策的影响。心理科学15（5）：337-341。Lin X，Wang X（2020）研究了人们在社交网站上信息共享决策中的性别差异。国际信息管理杂志50:45–56。Malik M，Hussain A（2017）将产品评论的有用性作为一种离散的积极和消极情绪的函数。计算机与人类行为73:290–302。Mikolov T，Chen K，Corrado G，Dean J（2013）向量空间中单词表示的有效估计。arXiv预印本arXiv:1301.3781。Nevo A（2000）不同产品的合并：即食谷物行业的案例。经济学杂志395-421。Nguyen H，Calantone R，Krishnan R（2020）社交媒体情感口碑对机构投资者决策和企业价值的影响。管理Sci 66（2）：887–910。Plutchik R（2001）《情绪的本质：人类情绪有着深刻的进化根源，这一事实可以解释其复杂性，并为临床实践提供工具。美国科学家89（4）：344-350。Plutchik R，Kellerman H（1980）情绪、理论、研究和经验（学术出版社）。权C，任F（2010）一个用于中文情感表达分析的博客情感语料库。计算机语音与语言24（4）：726-749。Rim’e B（2009）情绪引发情绪的社会分享：理论与实证综述。情绪回顾1（1）：60-85。Russell JA（1980）一个影响的循环模型。

人格与社会心理学杂志39（6）：1161。Saarim–aki H，Gotsopoulos A，J–askel–ainen IP，Lampinen J，Vuilleumier P，Hari R，Sams M，Nummenma L（2016）基本情绪的离散神经信号。大脑皮质26（6）：2563-2573。Yu等人：《在线内容差异中的情绪》Sargan JD（1958）使用工具变量估计经济关系。计量经济学26（3）：393-415，ISSN 00129682，14680262。施Z，芮H，Whinston AB（2014）社交广播环境中的内容共享：来自Twitter的证据。MIS季刊38（1）：123–142。Song T，Huang J，Tan Y，Yu Y（2019）使用用户和营销人员生成的内容进行票房收入预测：微博和第三方平台之间的差异。信息系统研究30（1）：191-203。宋宇，史S，李杰，张H（2018）定向跳跃语法：明确区分左右语境的前词嵌入。计算语言学协会北美分会2018年会议记录：人类语言技术，第2卷（短文），175-180。Stieglitz S，Dang Xuan L（2013）社交媒体中的情绪和信息差异微博的情绪和分享行为。管理信息系统杂志29（4）：217-248。Stock J，Yogo M（2005）线性IV回归中的弱仪器测试，80–108（纽约：剑桥大学出版社）。孙C，邱X，徐Y，黄X（2019）如何定义文本分类的调谐伯特？中国计算语言学全国会议，194-206（斯普林格）。Tomkins SS（1962）《影响意象意识：第一卷：积极影响》，第一卷（斯普林格出版公司）。Van den Bulte C，Bayer E，Skiera B，Schmitt P（2018）客户推荐计划如何将社会资本转化为经济资本。

市场研究杂志55（1）：132-146。Van Kleef GA（2009）情绪如何调节社会生活：情绪作为社会信息（easi）模型。心理科学的当前方向18（3）：184-188。Van Kleef GA（2010）将情绪视为社会信息的新兴观点。社会和人格心理学课程4（5）：331-343。Villas Boas JM，Winer（1999）品牌选择模型的内生性。管理Sci 45（10）：1324–1338。Vosoughi S，Roy D，Aral S（2018）真假新闻在网上的传播。科学359（6380）：1146-1151。王X，Lee EW（2020）负面情绪影响癌症推文的传播：走向综合社会网络——文本分析方法。互联网研究。Wethington E（2000）期待压力：美国人与“中年危机”。动机和情绪24（2）：85-103。Wooldridge JM（2002）横截面和面板数据的计量经济学分析。谷歌书店58（2）：752，ISSN 09331719。肖宇，张H，Cervone D（2018）《愤怒的社会功能：新产品评论的竞争调解模型》。《产品创新管理杂志》35（3）：367-388。薛B，傅C，邵斌Z（2014）基于Word2VEC的新浪微博情感计算与分类研究。2014年IEEE国际大数据大会，358–363（IEEE）。杨X，张Z，张Z，莫Y，李力，于力，朱平（2016）多语系词典的自动构建和全局优化。计算智能与神经科学2016。Yu等人：在线内容差异中的情绪D，Bond S，Zhang H（2014）焦虑还是愤怒？离散情绪对在线评论的帮助感知的影响。Mis季刊38（2）：539-560。尹D，邦德S，张H（2017）保持冷静或发泄：表达唤醒对消费者评论感知的非线性影响。

市场研究杂志54（3）：447-463。于毅，杨毅，黄杰，谭毅（2019）在线评论和产品销售中的情绪：统一经验和理论观点。可通过SSRN 3497884获得。作者电子伴侣：在线内容差异中的情感EC1在线内容差异中的情感附录C。1.构建特定领域和最新的情感词典方法需要现有的通用情感词典作为基本词典。Ren CECps是一个基于1487篇中文博客文本的情感词典（Quan and Ren 2010）。每个单词都有八种基本情绪类型（即惊讶、喜悦、期待、爱、焦虑、悲伤、愤怒和厌恶）。每个单词的每个情感类都会在0.0到1.0之间进行手动注释，表示该单词表达的情感强度。我们将八维情绪强度向量表示为vi={eij}N=8j=1。我们选择Ren CECps有以下三个原因。首先，正如全和任（2010）所指出的，这八种情绪最常在中文博客文本中表达；使用这些情绪可以减少情绪类别选择中的混乱。第二，文本是基于中文博客注释的。博客和微信文章是类似的中国在线内容。因此，我们认为Ren CECP比基于一般中文文本（如NTUSD、知网、DUT）的词汇更适合我们的语境。最后，对Ren CECP进行手动注释和统计验证（Quan和Ren 2010）。与自动构建的情感词汇（如Yang等人2016）相比，Ren-CECps的结果更精确、更可靠。我们从Ren CECps中获得了2048个情绪词及其强度，作为我们的基本情绪词汇。接下来，我们的方法需要包含语义信息的词向量。可以通过统计语言建模（例如。

Word2Vec由Mikolov等人（2013年）提出。我们使用了Song等人（2018）预先训练的词向量，他们为800多万个常见汉语单词和短语提供了200维词向量。这些词向量是在最新、大规模和高质量的中文在线内容上预先训练的（Song等人，2018年）。然后，两个词之间的相似性可以通过两个对应词向量的余弦相似性来衡量（Mikolov等人，2013）。我们遵循Yu等人（2019）提出的算法，将基本词汇（表示为L）扩展到特定领域的最新词汇。首先，我们随机将基本词汇l={（wi，vi）}Ni=1分为训练集（90%）和测试集（10%），即Lte和Lte。其次，我们在样本文章中构建了一组唯一的词，除了停止词。从W开始，我们有11名注释员参与了注释工作。根据全和任（2010）的说法，作者花了两个月的时间对注释员进行联合培训，并制作注释说明。作者还使用Kappa统计量来衡量11位注释者之间的成对一致性。该协议的Kappa系数是计算语言学界采用的一个统计数据，作为此类目的的标准衡量标准。情感词汇的一致性为0.785。鉴于此注释任务的复杂性，我们相信注释是可靠和有效的。有关更多详细信息，请参见Yu等人（2019）中的算法1、2和3。ec2作者电子伴侣：在线内容中的情感差异包含潜在情感词的子集P。具体来说，对于每个单词∈如果wii不在inLtr中，我们通过使用预先训练的词向量，得到语义上与wi最相似的M个词：{wi，j}Mj=1。根据薛等人（2014）和余等人（2019）的建议，M被选为100。如果存在j，那么wi，j∈Ltr、wi、jis被认为是一个潜在的情绪词（Xue等人。