Spreading pattern of government social media in public health emergencies
-
摘要: 利用突发公共卫生事件期间政务社交媒体的传播数据，从传播拓扑结构模式与用户传播行为时间模式两个角度建立指标，分析政务社交媒体的传播模式. 研究结果表明，突发公共卫生事件期间，广播模式主导政务社交媒体的传播，但传播效果与传播网络拓扑结构无显著关联；政务社交媒体内容情感会影响传播网络拓扑结构，但其引发的受众情感对传播网络拓扑结构无影响；政务社交媒体转发数变化过程大致符合幂律分布；情感因素对政务社交媒体受众传播行为产生的影响效果不显著.
-
关键词:
- 政务社交媒体 /
- 突发公共卫生事件 /
- 病毒模式 /
- 广播模式 /
- 用户传播行为时间模式
Abstract: Based on the real spreading data of government social media during public health emergency, the spreading pattern of government social media were analyzed from propagation topology model and user behavior temporal pattern. The results show that during public health emergency, broadcast model dominates the spreading of government social media, but there is no significant correlation between the propagation effect and the diffusion network topology; the content emotion of government social media can affect the spreading network topology structure, while the audience emotion caused by it has no effect on the topology model; the change of repost amount in social media roughly conforms to the power-law distribution; the effect on the user repost behavior caused by emotion factors in government social media is not significant. -
突发公共卫生事件中，不实信息造成的恐慌情绪会与疾病一起快速传播[1]，其造成的社会危害甚至超过疾病本身[2]. Michele等[3]认为，在突发公共卫生事件中人们会主动寻求相关信息，从而提升相对应的知识水平，而政务社交媒体无疑会受到用户的大量关注，此时政府部门也获得快速传播信息的能力[4]. 如何充分利用政务社交媒体的传播优势，提升传播效果，具有研究意义及社会治理的参考价值.
研究传播模式可以较好地反映出传播过程[5]，并随着网络的发展做出相应改进[6]. 借助社交媒体真实数据，能够从传播拓扑结构方面总结信息传播规律[7]，发现无法观察到的生成机制引起的传播结构的特征变化[8]. 而传播拓扑结构特征由用户传播行为决定，可以从用户传播行为时间角度弥补拓扑结构模式仅包含静态特点的不足.
本研究聚焦突发公共卫生事件期间政务社交媒体传播模式，用真实的政务社交媒体数据，从拓扑结构模式与用户传播行为时间模式两个维度，定量研究传播模式、传播效果、情感因素间的关系，提出优化政务社交媒体在突发公共卫生事件中传播效果的改进思路. 目前利用传播模式分析政务社交媒体特点的研究较少，本研究希望在分析并提出传播效果优化建议的同时，提供一种对政务社交媒体传播的观察方法.
1. 传播模式研究
1.1 拓扑结构模式
拓扑结构模式是将用户关系提炼成静态网络拓扑结构. 结合拓扑结构，Goel等[8]将病毒模式定义为信息在人与人之间的长链传播，将广播模式定义为信息由源头直接传递给大部分信息受众的星型结构. Liang[9]在此基础上发现传播模式影响受众群体的构成.
虽然大规模的信息传播往往被当作病毒模式的结果，但Liang等[10]研究发现，广播模式主导Twitter中埃博拉信息的传播. 根据传播模式的不同，Domingos等[11]发现存在最佳个体集可实现传播效果最大化. 因此，可以根据传播拓扑结构模式选择相应的传播策略，扩大信息影响[12].
1.2 用户传播行为时间模式
拓扑结构模式是对信息传播模式的静态体现，但学者研究发现，传播过程的动态时效特性会影响信息传播[13]：Lambiotte等[14]发现时效异质性会影响传播动力学行为；Perra等[15]发现时效网络上阈值显著不同于静态网络，需要通过用户传播行为时间模式来考察传播过程的动态特点.
传播动力学是时间模式研究的典型代表之一[16]，多采用流行病传播模型[17-18]，但其存在时间尺度与实际情况分离情况，从而影响结论的可靠性[19]. 对此，常用幂律分布假设作为个体交互行为间隔时间的先验分布[20-22]. 本研究借助真实的社交媒体数据考察幂律分布假设，在明确时间尺度的基础上，详细分析信息传播网络中用户传播行为的时间模式.
2. 数据来源及分析方法
2.1 数据来源
本研究选取2020年1月23日至2020年2月14日期间排名前三的外宣类政务微博有关突发公共卫生事件的内容，共计17085条微博，包括内容、转发数、点赞数、评论数，以及转发数超过平均值的传播结构数据. 为保证传播结构的完整性，去除存在15%及以上转发关系缺失的政务微博，获得312037条转发记录.
此段时间内的传播数据极为特殊：一方面，几乎所有用户均在家中，处于一种基本无干扰的状态，可以看作用户群体行为的自然基准；另一方面，突发公共卫生事件涉及整个传播体系中所有用户，整个政务社交媒体中的用户都可以作为研究对象. 因此，基于数据的研究结果具有一定的学术参考价值.
建立传播病毒化程度模型，用户行为时间指数、社交媒体内容传播影响力评价模型，分别刻画政务社交媒体的传播模式及传播效果. 从传播模式自身，传播模式与传播效果的关联及传播模式的引发因素三方面展开研究.
2.2 传播病毒化程度
传播病毒化程度是从拓扑结构角度量化传播模式的传播作用. 根据传播拓扑结构模式特点，能够提出优化传播效果的措施；根据转发关系发生的顺序重构信息传播网络. 用信息级联的概念来描述社交媒体的传播拓扑结构特征，如图1所示. 用级联大小、级联规模、级联深度反映政务微博的信息传播模式.
级联大小
${{C}_{\rm{z}}}$ ，即转发者数量，反映社交媒体内容的传播范围. 图1中，A为信源节点，即社交媒体的某一条推送；B1~D1均为转发者节点，它们分别从各自对应的前驱节点处转发了此内容. 图1中级联大小${{C}_{\rm{z}}}$ 为6.级联规模
${C_{\rm{s}}}$ ，为一级转发者数量${C_{{\rm{s}}1}}$ 与级联大小$C{}_{{{\rm{z}}}}$ 的比值，即一级转发者在全体转发者中的占比，一定程度上表明社交媒体广播模式的传播作用. 在图1中Cs约为33.33%.级联深度
$C_{\rm{d}}^{}$ ，为连通路中离信源最远的节点到信源的路径长度，一定程度上反映政务社交媒体中病毒模式的传播作用. 图1中A~D1的路径长度为3.虽然上述信息级联指标能反映社交媒体的传播拓扑结构模式，但是级联指标只能片面反映传播拓扑结构的特点. 参照文献[8]建立传播病毒化程度指标，用转发节点间平均路径长度
${D_{\rm{r}}}$ 同时体现传播广播模式和病毒模式的作用程度，表达式为Dr=1N(N−1)∑i∑jdij (1) 式中：
${d_{ij}}$ 为转发节点$i$ 与转发节点$j$ 之间的最短距离；$N$ 为转发节点数量. 若转发节点间的平均距离越长，则传播过程中病毒模式的作用越强；若转发节点间平均距离越短，则传播过程中广播模式的作用越强.由于转发节点间平均距离直接代表节点间的距离，不能在一个标准化的数量区间中体现传播的拓扑结构模式，需要标准化转发者平均距离形成传播病毒化程度
${D_N}$ ，计算式为DN=Dr−DminDmax−Dmin (2) 式中：
${D_{\min }}$ 为转发节点间可能存在的最小平均最短路径长度. 当转发网络为以信息源为中心的星型结构时，转发节点间平均最短路径长度最小，长度为2.${D_{\max }}$ 为转发节点间可能存在的最大平均最短路径长度. 当所有转发节点为一条没有分支的长链时，转发节点之间的平均最短路径长度达到最大值，即传播病毒化程度达到最大，计算式为Dmax=n−1∑n=112(n−1)(n−1+1)12N(N−1)=n−1∑n=1(n−1)nN(N−1) (3) 2.3 用户传播行为时间模式
用户传播行为时间模式指用户接收到社交媒体信息后转发行为发生的时间模式，体现社交媒体中信息传播的速度、规模等重要演化规律，是对拓扑结构模式在时间维度上的补充.
借助改进的SI模型研究政务社交媒体用户传播行为时间模式. 假设用户信任政务社交媒体发布的官方信息，并且在接收其他信息后，不改变对待官方信息的态度. 在此假设条件下，将传统SI模型中的固定数值传播率改为随时间变化的函数，表示政务社交媒体中官方信息的时效性，随着时间推移，用户对官方信息的关注快速减弱. 模型中用户分为两种状态：未知者(未收到官方信息)与已知者(收到官方信息). 政务社交媒体官方信息传播模型为
{dSdt=−β(t)SIdIdt=β(t)SI (4) 式中：
$S$ 为未知者在总体中的占比；$I$ 为已知者在总体中的占比；$\beta (t)$ 为传播率随时间变化的表达式，且它们的关系式为S+I=1 (5) β(t)=β(t−1)+Δt (6) 式中：
$\Delta t$ 为传播率$\beta (t)$ 的变化量，即转发者变化量与原有转发者数量之比，且$t \in [1, + \infty )$ .假设H1：转发者变化量服从幂律分布. 那么转发者变化量可由
$G(t) = b{x^a} + 1$ 表示，同时转发者数量计算式为∫t0G(t)dt=ba+1×ta+1+t (7) 从而获得
$\beta (t)$ 的递推关系式为β(t)=β(t−1)+bta+1+1ba+1ta+1+t (8) 式中：t为用户转发行为与社交媒体发布的时间间隔，h，且
$t \in [1, + \infty )$ .2.4 传播影响力评价
调整文献[23]中p指数微博传播力评价方法，使其适用于评价一条社交媒体内容的传播影响力. 该评价体系由转发指数Pr、点赞指数Pa、评论指数Pc三者共同构成综合指数P.
转发指数Pr反映推送内容对用户转发行为的影响力. 同时，需要排除粉丝数量对政务社交媒体传播评价指标的影响，计算式为
Pr=3√N2rNf (9) 式中：
${N_{\rm{r}}}$ 为转发数；${N_{\rm{f}}}$ 为对应政务社交媒体账号的粉丝数量.点赞指数Pa反映推送内容对于用户点赞行为的影响力，一定程度上能够反映出用户的情感共鸣程度，计算式为
Pa=3√N2aNf (10) 式中：
${N_{\rm{a}}}$ 为点赞人数.评论指数Pc反映推送内容对用户评论行为的影响力，计算式为
Pc=3√N2cNf (11) 式中：
${N_{\rm{c}}}$ 为评论人数.不同推送的转发、点赞、评论指数对传播效果的表现存在差异，不适合直接表示传播力. 所以选取3种指数的平均值作为综合指数，综合反映传播影响力，公式为
P=Pa+Pc+Pr3 (12) 3. 结果与分析
3.1 传播影响力与拓扑结构模式
政务社交媒体中，级联规模的平均值和中位数都较高，传播深度一般只有2，可见广播模式主导政务社交媒体的传播，见表1.
表 1 传播拓扑结构模式表Table 1. Topological pattern table of diffusion平均值 中位数 标准差 ${C_{\rm{s}}}$ 79.91% 86.00% 21.11% ${C_{\rm{d}}}$ 2.96 2 1.66 ${D_{\rm{r} } }$ 2.42 2.26 0.52 ${D_{\rm{N}}}$ $ 9.37 \times {10^{ - 6}}$ $ 2.69 \times {10^{ - 6}}$ $ 1.54 \times {10^{ - 5}}$ 在此基础上，考虑到各指标间可能存在的非线性关系，采用斯皮尔曼相关系数考察传播网络级联指标、传播病毒化程度与传播影响力之间的相关性.
传播病毒化程度与级联深度为非常弱的负相关（斯皮尔曼相关系数为−0.083，p<0.05）. 这是由于传播拓扑结构中转发节点间的最大距离
$D_{\max}$ 随着转发数量的增多快速增长，从而减小${D_{\rm{N}}}$ 值. 这表明病毒模式在政务微博传播过程中作用小，级联深度没有触发大规模传播.传播病毒化程度与传播影响力评价综合指数的斯皮尔曼相关系数为−0.46（p<0.001），说明影响力较大的政务内容的传播都是用户从信息源直接获取并转发的，几乎不涉及用户间的大规模传播. 这表明突发公共卫生事件期间，用户主动关注官方信息可增强广播模式的传播效果.
3.2 情感对拓扑结构模式的影响
通常认为社交媒体中，内容情感及其引发的受众情感在触发大规模传播过程中有重要作用，可借助情感极性衡量政务信息内容和受众评论的情感态度，计算情感极性与传播模式间的斯皮尔曼相关性，分析情感因素对传播模式的影响.
政务信息内容情感极性与传播节点间平均距离的斯皮尔曼相关系数为−0.12，受众情感极性与传播节点间平均距离的斯皮尔曼相关性也为−0.12，虽然两种情感与传播平均距离间的相关性相同，但从各自分布来看存在本质区别. 受众情感极性—转发节点平均距离散点如图2所示. 图中，用户情感反应的分布较为均匀，表明受众的情感反应基本不影响政务社交媒体传播模式.
图 2 受众情感极性-转发节点平均距离散点图Figure 2. Audience emotion polarity and average spreading distance plot政务信息内容情感—节点间平均距离散点图如图3所示. 图中显示出两级情绪分布较 密、中立情绪分布较为稀疏的特点. 用DBSCAN聚类分析验证分布特点发现散点分为4类，分别为：消极情绪0~0.2，中立偏消极情绪0.3~0.5，中立偏积极情绪0.5~0.8，积极情绪0.8~1.0. 其中，情绪越极端，传播距离远的可能性越大，受众异质性程度越高[24]. 可见政务社交媒体所发布的信息所蕴含的情感程度会影响政务社交媒体信息传播网络的拓扑结构模式，而官方信息引发的受众情感不会引起传播网络拓扑结构的显著变化.
3.3 用户传播行为时间模式对传播演化的影响
用户传播行为时间模式是用户接收到官方信息后传播行为在时间上的特征. 加总数据集中政务社交媒体信息发布后每小时的转发数量，并对每小时转发量变化的时间序列进行拟合. 结果发现政务社交媒体转发数的变化量在一定波动的基础上接近幂律分布，如图4所示. 其波动可能是由于用户生活的周期性节律及注意力递减图7等因素造成，所以假设H1具有一定合理性.
社交媒体用户的生活节律对政务社交媒体官方信息传播的影响主要有如下表现.
1) 政务社交媒体信息发布的时间分布与传播效果较好的政务微博发布时间分布如图5和图6所示. 两者存在较大差异，这表明政务微博传播效果受到与时间相关的因素影响.
图 6 传播效果较好的政务微博时间分布Figure 6. Time distribution of wide-spreading government microblog2) 与Golder等[25]在Twitter中发现人们情绪日常变化规律类似，用户转发行为的时间分布展现出社交媒体用户的生活节律与使用习惯，如图7所示. 用户转发行为在上午较为活跃，到下午和晚间逐渐递减，在此期间呈现规律性波动，周期约为5 h，与用户转发数变化量波动出现的时间吻合.
在假设H1背景下，利用改进的传染病模型观察传播者变化量幂律分布中，指数变化对政务社交媒体传播效果的影响. 将SI模型中各初始值设置为：
$S$ =0.999，$I$ =0.001，$\beta $ =0.7，式(8)中指数$a$ 为−1.5~−1.0，步长为0.1. 模拟仿真试验结果如图8所示. 结果表明，指数$a$ 越大，政务社交媒体中政务信息传播速度越快，用户传播热情衰减速度越慢，即SI模型中传播率$\beta $ 衰减速度越慢，说明指数$a$ 能够反映用户传播行为时间模式特点.3.4 情感对用户活动时间模式的影响
社交媒体中情感煽动性言论往往会引爆舆论，可能是社交媒体内容情感，也可能是受众情感，进而推动信息被大量传播. 为探究政务社交媒体中这两类情感因素对用户传播行为时间模式的影响，拟合各政务推送转发量变化的幂函数获得指数
$a$ ，构建政务社交媒体传播模式指标、传播影响力与传播者数量变化指数的斯皮尔曼相关性系数矩阵，如图9所示.由图可见：政务社交媒体内容情感与用户传播行为时间模式之间的斯皮尔曼相关性系数为0.058，表示政务社交媒体内容情感极性几乎不影响用户传播行为特点；受众情感与用户传播行为时间模式的相关性为0.053，说明受众情绪很少会加快政务社交媒体中官方信息的传播速度及热度持续时间；用户传播行为时间模式与政务社交媒体传播影响力的相关性为0.045，表明用户传播行为时间模式并不会强化传播影响力. 综上所述，通常情况下情感因素可能是引爆社交媒体舆论传播的重要因素，但在政务社交媒体传播场景下极少存在通过受众情感促进政务信息传播的情况，说明提升政务社交媒体传播效果的重点不在于提升情感共鸣.
4. 结论与探讨
本研究以政务微博为例，用政务社交媒体中突发公共卫生事件的真实传播数据，研究突发公共卫生事件背景下政务社交媒体的传播模式、传播效果及情感因素，得到如下结论.
1) 政务社交媒体传播网络以广播模式为主，其中传播效果与传播网络拓扑结构模式不存在必然联系. 根据该特点，政务社交媒体为优化传播效果需要与多位意见领袖合作，扩大官方信息的传播范围. 同时，需要与具有强大带动力的组织合作，进一步增加信息受众的群体异质性，在最短时间内将重要信息传递给最广泛的人群.
2) 政务社交媒体内容情感会影响信息传播网络的拓扑结构模式，而受众情感不会引起传播网络拓扑结构的显著变化，这说明决定政务社交媒体中官方信息传播结构的是官方信息内容本身所表达的情感态度，而不是信息引发的受众情感. 消极情感内容和积极情感内容都有更深的级联深度，因此也会有更高的受众群体异质性. 在实际情况中，具有消极情感的官方信息舆论事态发展更不稳定，需要政府部门借助政务社交媒体收集民众反馈，及时进行舆论引导，不仅需要迎合受众的信息需求，还要不断调整发布内容的情感极性，直至舆论热度退去.
3) 政务社交媒体内容转发数变化量大致符合幂律分布，受用户日常生活节律以及用户注意力递减的影响，且用户传播行为时间模式及传播速度很少受政务社交媒体情感因素的影响. 在信息时效性允许的范围内，政务社交媒体发布重要信息的最佳时间为上午7时至10时，能确保最多的用户在短时间内关注到政务社交媒体中的重要信息. 平衡用户一天中分配在政务社交媒体上的注意力特点与信息时效性演变的规律，最大化政务社交媒体上官方信息的传播效果.
上述研究对于突发公共卫生事件期间的政务社交媒体传播策略制定提供一定的参考，也为观察社交媒体的传播模式提供了一种思路. 但是，不同事件中政务社交媒体传播模式可能有所不同，且影响因素不仅限于本研究中所指，还有诸如内容主题、互动程度等因素，有待结合这些因素继续深入研究.
-
图 2 受众情感极性-转发节点平均距离散点图
Figure 2. Audience emotion polarity and average spreading distance plot
图 6 传播效果较好的政务微博时间分布
Figure 6. Time distribution of wide-spreading government microblog
表 1 传播拓扑结构模式表
Table 1. Topological pattern table of diffusion
平均值 中位数 标准差 ${C_{\rm{s}}}$ 79.91% 86.00% 21.11% ${C_{\rm{d}}}$ 2.96 2 1.66 ${D_{\rm{r} } }$ 2.42 2.26 0.52 ${D_{\rm{N}}}$ $ 9.37 \times {10^{ - 6}}$ $ 2.69 \times {10^{ - 6}}$ $ 1.54 \times {10^{ - 5}}$ 
下载: 导出CSV
-
[1] LARSON H J. The biggest pandemic risk? Viral misinformation[J] . Nature,2018,562(7727):309. doi: 10.1038/d41586-018-07034-4 [2] WILSON M E, CHEN L H. Travelers give wings to novel coronavirus (2019-nCoV)[J]. Journal of travel medicine, 2020, 1/2/3. DOI: 10.1093/jtm/taaa015. [3] Tizzoni M, PANISSON A, PAOLOTTI D, et al. The impact of news exposure on collective attention in the United States during the 2016 Zika epidemic[J]. PLOS Computational Biology 2020. DOI: https://doi.org/10.1101/346411. [4] KAVANAUGH A L, FOX E A, SHEETZ S D, et al. Social media use by government: From the routine to the critical[J] . Government Information Quarterly,2012,29(4):480 − 491. doi: 10.1016/j.giq.2012.06.002 [5] 史亚光, 袁毅. 基于社交网络的信息传播模式探微[J] . 图书馆论坛,2009(6):220 − 223. [6] 孟庆兰. 网络信息传播模式研究[J] . 图书馆学刊,2008(1):133 − 138. doi: 10.3969/j.issn.1002-1884.2008.01.051 [7] 易成岐, 鲍媛媛, 薛一波, 等. 新浪微博的大规模信息传播规律研究[J] . 计算机科学与探索,2013(6):551 − 561. doi: 10.3778/j.issn.1673-9418.1212005 [8] GOEL S, ANDERSON A, HOFMAN J, et al. The structural virality of online diffusion[J] . Management Science,2016,62(1):180 − 196. [9] LIANG H. Broadcast versus viral spreading: The structure of diffusion cascades and selective sharing on social media[J] . Journal of Communication,2018,68(3):525 − 546. doi: 10.1093/joc/jqy006 [10] LIANG H, FUNG I C H, TSE Z T H, et al. How did Ebola information spread on twitter: Broadcasting or viral spreading?[J] . BMC Public Health,2019, 19(1):438. doi: 10.1186/s12889-019-6747-8 [11] DOMINGOS P, RICHARDSON M. Mining the network value of customers[C]//Proceedings of the Seventh International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2001. [12] VALENTE W T. Mass-media-generated interpersonal communication as sources of information about family planning[J] . Journal of Health Communication,1996,1(3):247 − 265. doi: 10.1080/108107396128040 [13] MORO E, MIRITELLO G, LARA R. Dynamical strength of social ties in information spreading[J] . Physical Review E,2011,83(4):045102. [14] LAMBIOTTE R, TABOURIER L, DELVENNE J C. Burstiness and spreading on temporal networks[J] . European Physical Journal B,2013,86(7):320. doi: 10.1140/epjb/e2013-40456-9 [15] PERRA N, GONALVES B, PASTOR-SATORRAS R, et al. Activity driven modeling of time varying networks[J] . Scientific Reports,2012,2:469. doi: 10.1038/srep00469 [16] MIN B, GOH KI, VAZQUEZ A. Spreading dynamics following bursty human activity patterns[J] . Physical Review E,2011,83(3):036102. [17] 魏静, 黄阳江豪, 林萍, 等. 基于改进SIR模型的微博网络舆情传播研究[J] . 情报科学,2019(6):16 − 22. [18] 陈波, 于泠, 刘君亭, 等. 泛在媒体环境下的网络舆情传播控制模型[J] . 系统工程理论与实践,2011(11):2140 − 2150. doi: 10.12011/1000-6788(2011)11-2140 [19] 李靖, 李聪, 李翔. 人类时效交互网络的建模与传播研究综述[J] . 复杂系统与复杂性科学,2019(3):1 − 21. [20] ECKMANN J P, MOSES E, SERGI D. Entropy of dialogues creates coherent structures in e-mail traffic[J] . Proceedings of the National Academy of Sciences of the United States of America,2004,101(40):14333 − 14337. doi: 10.1073/pnas.0405728101 [21] KARSAI M, KASKI K, KERTSZ J. Correlated dynamics in egocentric communication networks[J] . PLOS One,2012,7(7):40612. doi: 10.1371/journal.pone.0040612 [22] CATTUTO C, VAN DEN BROECK W, BARRAT A, et al. Dynamics of person-to-person interactions from distributed RFID sensor networks[J] . PLOS One,2010,5(7):1 − 9. doi: 10.1371/journal.pone.0011596 [23] 王林, 朱文静, 潘陈益, 等. 基于p指数的微博传播力评价方法及效果探究: 以我国34省、直辖市旅游政务官方微博为例[J] . 情报科学,2018(4):38 − 44. [24] WENG L L, MENCZER F, AHN Y Y. Vitality prediction and community structure in social networks[J] . Scient ific Reports,2013, 3(8):618. [25] GOLDER S A, MACY M W. Diurnal and seasonal mood vary with work, sleep, and daylength across diverse cultures[J] . Science,2011,333(6051):1878 − 1881. doi: 10.1126/science.1202775 -
下载:
下载:
点击查看大图
计量
- 文章访问数: 494
- HTML全文浏览量: 416
- PDF下载量: 188
- 被引次数: 0
