徐翔|社交网络意见领袖“标准化”效应与路径——基于新浪微博的用户样本分析

CSSCI来源期刊  中文核心期刊  中国人文社会科学核心期刊 

作者简介 

●徐翔，同济大学艺术与传媒学院教授，同济大学中国特色社会主义理论研究中心特约研究员

原文刊登于《华中科技大学学报（社科版）》2023年第二期第108至第118页

社交网络意见领袖“标准化”效应与路径

——基于新浪微博的用户样本分析

摘要

 Abstract

当前在社会化媒体与自媒体“人人时代”强势崛起、网络海量信息过载、用户生产内容多样化、网络“巴尔干化”盛行背景下，对社交网络内容生产中的意见领袖是否趋于相似化乃至“标准化”的问题，学界缺乏足够理论关注和系统实证。结合新浪微博样本，本文使用潜在语义分析和用户相似度计算、统计检验、路径分析等方法，探讨社交网络意见领袖“标准化”现象与路径。新浪微博用户随着意见领袖程度提高、粉丝规模增大，表现出去独特性的“全局标准化”，以及与之关联的“趋顶标准化”和“邻域标准化”演变。这几种“标准化”不是相互独立或冲突的，而是有着内在作用结构、同步性过程。高影响力的意见领袖用户并非彼此分化，而是加强着社交网络共同体的内容封闭性，显现出在“个体信息茧房”之外存在尚深思不足的“社会信息茧房”风险，在社交网络多样化、高可达度的公共领域中潜藏着走向趋同的异化逻辑。

关键词

Key words

社交网络; 意见领袖; 标准化; 内容相似度; 潜在语义分析

一、问题提出

微博等社交网络带来“人人时代”“参与文化”的信息传播范式，塑造着多种个体和多样声音的“众声喧哗”，也使得学界对于社交网络用户是否变得相似化乃至“标准化”的问题缺乏足够理论关注和现实聚焦。高意见领袖程度的用户彼此内容间存在着肉眼可见的差异性，但这些内容碎片化和差异性背后是否潜藏更深层次的用户相似性？在网络信息过载、用户多元自主的社会化媒体语境下，用户面临着从信息生产的开放性和多样性转向趋同的“信息异化”风险及其社会文化后果。

对“标准化”的概念而言，“标准”与“标准化”包含着局部各要素的趋同性和同一性，伴随着人类社会发展的各个阶段，其基础的内涵涉及测量工具、生产模板的标准化、工业时代零部件标准化和生产流水线等。托夫勒把“标准化”列为现代社会六大特征的首位，强调它“不仅仅把可口可乐瓶、电灯泡、汽车变速器予以标准化，还把同样的原则应用到许多其他事情上”。对于文化标准化和“文化工业”，法兰克福学派批判指出，在规模化、商业化的文化生产和流通中文化逐渐同一化、非个性化。现代化流水线上生产出了标准化电影和流行音乐等文化产品，它们看上去都是很“个别的样子”,但实际上毫无个性可言，于是一种“伪个性主义”便产生了。这些“标准化”的理论背景为本研究提供了基础，但是社交网络用户“标准化”问题得到的认可与重视仍然不足。本文研究的社交网络意见领袖“标准化”在最核心层面上指的是：意见领袖用户在内容特征上越来越消减异质性和差异性，越来越成为社交网络“芸芸众生”中相似化、去独特性的个体，进而产生一系列社会文化效应与后果。

意见领袖在内容生产中的“标准化”现象主要包含如下内涵。其一，单个用户和全体范围用户、“芸芸众生”呈现相似化的态势，而不是“人以类聚”或“同声相应、同气相求”的局部范围的相似；个体变为“泯然众人矣”的、缺乏独特性的个体。其二，发生“标准化”的基本单位是作为用户的“个体”，而不是个体所发的零星的帖子，但前者是后者特征的总体反映。其三，用户的意见领袖程度是关系到“标准化”程度的重要因素，越是高意见领袖程度的用户就越是被打磨为缺乏特异性的个体。

二、研究回顾与研究假设

社交网络意见领袖用户“标准化”现象和概念尚未完全明确提出，对于意见领袖是趋同化还是多样化也还存在明显分歧。首先，意见领袖的内容特征是多样的还是相似的？较多的调研认为，意见领袖分布在多种领域，其内容主题是分化和差异化的，但是这些研究未把意见领袖用户进行意见领袖程度高低的划分。关键在于，这种多样分布的程度是否会随着意见领袖程度的提高而不断减少？这不是一个静态描述问题，而是一个动态趋势问题，但不区分“意见领袖”程度则难以有效描绘其动态趋势。其次，意见领袖具有有限的类型是否等于其标准化？一部分观点强调意见领袖有限的类型化，这些考察为探究用户类型有限分布提供了有益借鉴。但用户存在特征和类型的偏倚并不等于用户的“标准化”：一方面，类型的偏倚是对某些局部类型的侧重，不直接等于提升了与“全体用户”“芸芸众生”的平均相似度；另一方面，在任何一个社会文化系统中，无论该系统如何偏向于某些局部主题，如偏向于娱乐或宗教，都和该系统中个体之间的高差异性并不矛盾。

虽然用户在信息生产中所产生的内容相似性、用户同质化等现象已经受到一些学者的关注，但后者仍然缺乏对社交网络用户“标准化”现象本质的充分挖掘。结合对研究的回顾，本文提出假设（见后文假设S1、S2、S3、S4）的主要考虑如下。

其一，社交网络意见领袖之间较之非意见领袖之间具有更强的内容相似性。一些反对“标准化”观点的重要依据之一，是实际调研显示意见领袖有可能处于多种细分领域。但是这种静态划分忽略了用户具有意见领袖程度高低的区分，简单地通过划一道门槛提取所谓的“意见领袖”，难以考察随着意见领袖程度从低到高的过程中会显现出用户的差异性/趋同性的何种变化态势。对包含2950万条推文的数据集进行的一个分析发现，在内容属性方面，名人、精英用户比普通用户表现出更大的同质性。Peres等将公众人物传播分为两个维度——普适性(universality)和媒介兼容性(media compatibility)，研究了61位全球领导人在推特账户和新闻文章中发出的30多万条信息，显示出领导人在话题混合和代词使用等方面的高度普适性。一份研究根据用户的发帖行为把SNS用户分为最活跃、最不活跃和中度活跃的发帖者，发现活跃的发帖者表现出发帖行为趋同的特点。尽管意见领袖之间仍然不可避免地存在差异，但是较之非意见领袖或者低程度意见领袖之间的程度更弱。这一方面对后文S3形成一定支持，另一方面反映出更深层次的意见领袖趋同化态势。总体上，这些研究仍然比较零星，对意见领袖的“标准化”缺乏系统的测量，只是探讨意见领袖是否存在着比较强的相似性，而对于这种相似性如何随着意见领袖程度变化仍缺乏足够检视。

其二，社交网络平台塑造的意见领袖趋同。社交网络用户对于有影响力的用户或成功“样板”的模仿与学习加强了意见领袖的趋同性。尽管媒体内容生产者具有很大的自主空间，但是趋同被作为一种效益高的战略，以促进低成本和有高传播效率的新闻生产。Zeng和Wei对Flickr中的用户产生内容（UGC）进行分析发现，地位较低的用户倾向于上传与地位较高的联系人更相似的照片，并提出“学习”是对上传照片中的趋同现象的一个可能解释。Masson建立的动态模型假定用户只会发布其认为可能非常受欢迎的内容，证明了发帖行为的收敛性。这些使得具有高效益、高欢迎度的用户减少内容生产的任意性、异质性，增强内容在有限边界内的聚集与收敛。这些研究对于后文S2形成一定程度的支持。与此同时，一方面，用户趋同于高影响力用户的程度与自身的影响力程度之间存在何种关系还缺乏明确检视；另一方面，这种相似会带来怎样更进一步的“标准化”后果也还缺乏提炼。

其三，社交网络受众与注意力市场增强高影响力用户的内容同化。Xu等指出，为了获取吸引力，相似风格、类型的意见领袖会进行用户喜好点靠拢。Goes等发现社交网络UGC中意见追随者的存在和强度可能影响意见领袖的行为。翟秀凤指出，用户的内容生产受到以召回率为目标的推荐算法影响，带来内容选题、类型和风格的系统化倾向，促使内容生产活动变得愈加标准化。Tavana指出，那些具有与社交网络的标准用户高度相似的偏好的用户会在互动申请中获得较高的接受率。这些研究展示出意见领袖的多样性受到外部作用力的影响，促动具有相似化内容模式与信息特征的用户形成，对于后文S1加强支持。同时，这些研究对意见领袖需加强程度上的区分，对意见领袖程度与其趋同程度之间的关系需进行更为精细的检验。

其四，社交网络意见领袖内容跨主题性传播所增强的公共性相似，而非特异性分化。社交网络意见领袖的“多态性”与跨圈层性，使得意见领袖具有与全局多样用户更强的普遍相似度，而非局限于垂直主题或细分领域。对于意见领袖“单态性/多态性”而言，前者指在单一领域具有影响力，后者指在多种领域和多个主题具有影响力。尽管一些观点仍强调社交网络意见领袖的单态性，但是近年来有实证分析支持其多态性。用户的跨圈层使得不同领域的用户呈现出更多的融合后趋同现象。Scepanovic等对Twitter量化语义同质性的分析显示，在交流网络中具有“多元同质性”的个体可能成为其所在社区内的意见领袖。意见领袖参与内容的主题数增多时，跨圈层的传播影响力也具有增大趋势，使得意见领袖并非囿于少数有限的内容主题。汤景泰、陈秋怡、高敬文对于“进博会”在Twitter平台的传播数据以子群为单位进行分析，指出子群成员的内容主题多样性越多,越具有跨圈层传播的能力。Kang等通过测量主题相似性来对在线社区进行分析，指出具有社会影响力的用户对多主题的信息感兴趣。虽然不排除社交网络意见领袖来源于多个领域，但是这些用户往往生产跨领域的内容；这既增强了不同领域的意见领袖之间“跨界”的融合相似性，也增强了意见领袖内容的公共性以及与大众内容的覆盖与重合，并加强对于后文S1的支持。

其五，意见领袖作用下社交网络用户意见趋同的演化机理。社交网络系统的观念动力学研究分析了高影响力用户在意见趋同、共识收敛的作用。Wei和Meng关注社交平台“超级影响者”所引发的意见扭曲，仿真结果显示，几乎所有节点均向“超级影响力”的观点价值观靠拢，以达成共识。结合Deffuant模型的研究指出，观点领袖、意见领袖有利于统一意见的形成。张亚楠、何建佳提出关系HK模型，强调不同的观点领袖之间的高关系度有助于系统观点最终达成共识。这些分析显现出以意见领袖为趋同核心的全局“标准化”的可能性。意见领袖用户在引领用户全局趋同的过程和机制中具有关键性作用，使得全局用户朝向意见领袖的意见状态或均值发生收敛和同化，加强对后文S2的支持。

其六，意见领袖扩散自身内容特征，增强其他用户朝向对意见领袖内容的同化程度。高影响力的意见领袖对其他用户产生的意见同化效果，促成意见领袖和其他用户具有更高的相似度。“影响力扩散模型”(IDM)通过对博主内容评论及转发的语义相似度进行分析，反映意见领袖在内容上向其他用户的扩散力和扩散深度。高剂斌、贾贞等提出模拟个体观念演化驱动群体行为的模型，网络中“超级节点”对达成观念共识和形成全局群体行为具有明显牵引作用。李根强、方从慧运用计算实验法分析意见领袖对网络集群行为主体观点演化的作用，分散的群体观点最终朝向意见领袖所持的观点逐渐偏移。有研究者使用Twitter数据分析意见领袖产生的内容级联，指出具有较大网络的生产者贡献的内容扩散更有可能被相似内容的扩散所放大，并对其他内容的扩散产生抑制。其中，意见领袖对其他用户的内容扩散级联形成“挤占”。意见领袖的内容同化能力使得更大范围的用户围绕高程度意见领袖的趋同化成为可能，这对后文S3形成支持。当社交网络中充斥着“人人都有麦克风”的话语时，意见领袖加强用户间的同化及扩散，使得意见领袖更多地呈现出独特性的消减而非增强。

社交网络意见领袖的“标准化”仍是易被忽视的现象，需要明确凸显“标准化”探讨容易产生混淆的角度。首先，避免以切片代替演变、以现状代替趋势，而需从意见领袖程度高低的纵向变化中，增强对其趋同态势的认知。其次，避免根据意见领袖发布的帖子碎片化、千差万别的状况，而忽视这些帖子碎片在组合为整体之后的深层相似性。第三，避免用局部的“同质性”等同于全局的“标准化”。“标准化”强调的全局性趋同比中小尺度的兴趣圈层或亚文化、“文化部落主义”等局部同质化更为隐蔽，这恰是本研究着重的方面之一。

结合前述分析，本文首先明确提出具有基本性的假设（S1）：社交网络用户随着其意见领袖程度趋于提高，和全体用户在内容上的平均相似度也趋于升高，两者之间是显著的正相关关系。可将之简称为“全局标准化”。用户在被“标准化”雕琢力度还不够的时候会长相“奇葩”，但随着“标准化”程度加深就越来越增强和其他“芸芸众生”的相似度。此时的用户就像是长了一张“大众脸”，在更多其他用户那里都可以看到这个用户的影子。

如果S1成立，那么具有最高意见领袖程度的用户就会具有和某种“标准”最紧密的近似程度。这类似于全体用户在登山过程中，爬得最高的那批用户最能代表或“约等于”大家共同前进的方向；长得最像“标准螺丝钉”的用户虽并不等于社会“标准件”，但其他用户也会表现出朝这批最像“标准件”螺丝钉的趋同的态势。对此得到在（S1）基础上的第一个延伸性假设（S2）：社交网络用户随着意见领袖程度的增大，会表现出趋同于最高程度意见领袖用户的态势。将此简称为“趋顶标准化”。

结合S1和S2，具有相近意见领袖程度的用户的“标准化”程度是相近的，也即处于“标准化”蜕变过程中的相近阶段。意见领袖程度越高的用户朝某种社会模板趋近的程度越近，离散、随机的异质性越小，可预测性越高；反之，意见领袖程度越低的用户，异质性越大，随机性越大。由此可推测：意见领袖程度越高的用户之间相似度越高；而意见领袖程度越低的用户之间异质性的成分保留得越多，所以相互之间的差异越大。因此，由（S1）得到另一个延伸性假设（S3）：意见领袖程度越高的用户，和其意见领袖程度“相邻”用户之间的相似度就越高。将之简称为基于意见领袖程度的“邻域标准化”。

既然S2、S3和S1有关，并且其推断需要建基于S1，所以进一步假设（S4）：用户的全局标准化、趋顶标准化、邻域标准化这三种标准化方向和过程具有内在一致性，而非互不相干或互相冲突的过程。

将假设S1、S2、S3、S4的内涵与关系表示为右图（图1），这也是后文要进一步分析的三种“标准化”之间的同步化、整体化的结构关系。

三、研究设计与操作化

样本选自新浪微博。作为中国互联网具有代表性的社交媒体平台,新浪微博目前活跃用户数量超4亿，覆盖范围广。

使用python+selenium编写AJAX动态页面网络爬虫，通过多阶段抽样获取样本。首先从新浪微博首页47个内容版块中，每日早、晚各抓取1次，持续一个月共得到67362条样帖。对这些“种子”帖进行一轮“滚雪球”扩散，每条抓取不超过100条评论的评论者并去重。剔除抓取失败和重复用户后，从所获得的3501153位用户池中，随机提取总发博数大于500条的100000位用户，对用户逐一抓取帖子，成功得到87739位用户的发帖。每人按发布时间从近到远抓取最多4500条，这些帖子总数为131770017条。

为了统一比较口径，对每个用户一律只在其2018年1月1日至2018年12月31日之间发布的帖子中随机抽取500条。删除粉丝规模不超过10个的用户，以及个人资料不完整或资料页缺失、主页关闭、抓取失败等用户，最终用于分析的用户为15296位。个人资料未能成功抓取的情况存在随机性，不影响分析结果。

这些最终有效样本用户（图2）中，粉丝规模（经以2为底的对数函数转换后）以中等偏低规模的用户居多，同时也包含极低粉丝规模或中/高粉丝规模用户；“关注他人数”以及“发微博数”经以2为底的对数函数转换后，大致呈现中间高、两头低的样态；用户帖子的平均热度较为符合幂律分布。样本分布有良好覆盖性。

用户的意见领袖程度（代称V0）。选择粉丝规模指标反映用户作为意见领袖的程度。用户的粉丝规模是具有“实现难度”的一个身份指标，比增加发帖量、刷经验值、关注他人等都更具区分度。粉丝规模的分布存在大量“长尾”,用户之间悬殊非常大，因此取以2为底的对数函数转换，即xnew=log2(x+1)。在数据预处理、特征工程中，会采用以常数e为底的自然对数函数或以2、10等其他数值为底的对数函数进行转换。采用自然对数函数便于求导。对于粉丝规模原始数据分别以常数e、以2为底的对数函数转换后的两个新数列，皮尔逊相关系数等于1（P<0.001,N=15296）；这两个转换后的数列和原数列之间的皮尔逊相关系数都等于0.493（P<0.001,N=15296），有效保留了原数据的信息。

（二）潜在语义分析方法与用户内容特征提取

对于每位用户及其500条帖子，首先由向量空间模型转为词频矩阵。其中，把单个用户的所有帖子{x1,x2,x3,…,x500}串接后视作一条长文本。词频矩阵的提取通过scikit-learn模块的CountVectorizer类和TfidfTransformer类进行。关键参数如下：最大文档频率（max_df)为0.2, 最低词频数（min_df）为30,只选取1元词。由TfidfTransformer将词频矩阵转换为TF-IDF的矩阵，并进行L1的规范化。最后筛选得到的词频矩阵中，包含103026个词的高维度，对这15296行×103026列的高维矩阵采取潜在语义分析（latent semantic analysis, LSA）的降维方法进行内容特征提取。

潜在语义分析(LSA)是一种文本降维和分布式语义表示方法。LSA利用奇异值分解将数万、数十万以上的高维、稀疏矩阵降到稠密、低维表示，有助于过滤掉过于琐碎的信息“噪音”，保留并精炼地表示用户的主要内容特征，并计算用户之间的内容相似度。

对15296行×103026列的矩阵，通过LSA降维到15296行×500列的矩阵（代称X500）。选择降到500维的原因如下：（1）500维处于误差 “拐点”，再增加维数对于保留信息的程度和效率已大幅放缓（图3）；（2）降到500维时，已达到0.84的解释方差比（explained_variance_ratio_）(表1)，对于全部原始信息也已进行足够充分的反映。

（三）用户内容相似度计算及其在本研究中的具体实施

任意两个用户m和n之间的内容相似度,用余弦相似度表示为:

R(m,n)的计算方法为:将两个用户m、n的内容分别转换得到两个向量,计算其夹角θ的余弦cos（θ）。该值范围在\[-1,1\],值越大表明这两个用户之间内容越相似。

在式（1）的基础上,任意一组用户G1(包含n1个用户)和另一组用户G2(包含n2个用户)的内容相似度，表示为:

式(2)在式(1)基础上采用衡量两组对象间平均距离所常用的“类平均法”(average group linkage)扩展得到。式（2）中的R(xi,xk)采取式（1）表示用户xi和xk的内容相似度。式（2）中，G1或G2都可以仅有一个用户,这种情况下也即式（1）成为式（2）中n1和n2分别等于1时的特例。式（2）主要用于某个用户和一批用户的平均相似度（计算S1、S2、S3时用）。

本研究中，设用户样本集合(N=15296)为G。对于用户“全局标准化”“趋顶标准化”“邻域标准化”，计算方式分别如下所述。

1.“全局标准化”的计算公式

由式（2）得到，任意一个用户Ui和全体用户G的平均相似度为H(Ui,G)。

在此基础上，某个层级的用户若表示为G1，则该层级用户的全局标准化程度为H(G1,G)，即为层级G1中每个用户全局标准化程度的平均值。

2.“趋顶标准化”的计算公式

结合S2，用“趋顶”和“离底”程度的综合指标来反映这种“趋顶标准化”的程度，即对某个用户，既要考察他长得像“顶部”高标准化“范本”的程度，也要考察他长得不像“底部”“奇葩螺丝钉”的程度。因此本文用“趋顶部用户”程度减去“趋底部用户”程度的差值表示用户的“趋顶标准化”程度。

如果S1成立，则推知，可采取用户的意见领袖程度（V0）来反映其标准化程度。把全体样本用户按照意见领袖程度划分为[很低，比较低，中等，比较高，很高]的五个相等人数的层级。其中，等级最高层用户表示为Gmax，等级最低层用户表示为Gmin。某一用户Ui与Gmax的相似度Smax= H(Ui,Gmax)，与最低层级Gmin的相似度Smin= H(Ui,Gmin)，则Ui趋顶标准化程度为前者减后者之差即Smax-Smin。

某个层级G1的“趋顶标准化”程度，为该层级中每个用户“趋顶标准化程度”的平均值。

3.“邻域标准化”的计算公式

将用户Ui的k个“意见领袖程度最近邻”用户表示为用户集合Gnear，则Ui的“邻域标准化”程度计算公式为H(Ui,Gnear)。其中，设k为10。

四、实证检验与分析

将微博用户样本按相同的顺序排列，分别得到以下四组变量：第一，逐个用户的粉丝规模形成数列Vf；第二，逐个用户的“全局标准化”程度形成数列Vglobal；第三，逐个用户的“趋顶标准化”程度形成数列Vmodel；第四，逐个用户的“邻域标准化”程度形成数列Vnear。则S1、S2、S3、S4检验方式如表2所示。

（一）关于“全局标准化”：S1

Vf和Vglobal的皮尔逊相关系数为0.18(P<0.001,N=15296)，斯皮尔曼相关系数为0.15(P<0.001,N=15296)，这说明用户个体的粉丝规模越大，则该用户的全局标准化程度也就相应越高，两者之间的线性正相关显著。

由于个体存在着过大扰动和“噪音”，将15296位个体按照粉丝规模从低到高划分为同等人数的50个“意见领袖层级”。结果发现，每个层级的平均粉丝规模越大，则该层级用户的全局标准化程度的平均值越大，两者之间的皮尔逊相关系数为0.95（P<0.001,N=50），斯皮尔曼相关系数为0.87（P<0.001,N=50）。可视化结果如图4所示，其中横轴是该层级用户的平均粉丝规模，纵轴是该层级用户的平均的“全局标准化”程度。

（二）关于“趋顶标准化”：S2

Vf和Vmodel的皮尔逊相关系数为0.35(P<0.001,N=15296),斯皮尔曼相关系数为0.36(P<0.001,N=15296)，说明用户个体的粉丝规模越大，则该用户的“趋顶、离底”相似度（趋顶标准化程度）也就相应越高，两者之间的线性正相关显著。

把15296位个体划分为同等人数的50个“意见领袖层级”，每个层级的平均意见领袖程度越大，则该层级用户的“趋顶标准化”程度的平均值越大，两者之间的皮尔逊相关系数为0.96（P<0.001,N=50），斯皮尔曼相关系数为0.97（P<0.001,N=50）。可视化结果如图5所示，其中纵轴是该层级用户的平均“趋顶标准化”程度。

上述只是分别选取了顶部1/5、底部1/5的用户进行分析，为了更完整地反映“趋顶离底”的现象，在顶部、底部各选取1，11，21，…，7641人的规模，计算结果显示：无论取何种人数规模，P值全部小于0.001；人数规模在1和11时，皮尔逊相关系数的值分别是0.18和0.28；而人数规模为21人及更大时，皮尔逊相关系数就迅速上升到0.31~0.34，并一直保持在这个区间。这说明，用户的“趋顶标准化”不仅显著而且较为稳定，不会因顶部、底部计算的人数规模变化而发生明显异常。

（三）关于“邻域标准化”：S3

Vf和Vnear的皮尔逊相关系数为0.46(P<0.001,N=15296),斯皮尔曼相关系数为0.29(P<0.001,N=15296)，说明用户个体的粉丝规模越大，则邻域标准化程度也就相应越高，两者之间的线性正相关显著。

把个体划分为同等人数的50个“意见领袖层级”，层级的平均意见领袖程度越大，则该层级内用户平均邻域标准化程度越高，两者之间的皮尔逊相关系数为0.94（P<0.001,N=50），斯皮尔曼相关系数为0.82（P<0.001,N=50）。可视化结果如图6所示，其中纵轴是层级的平均“邻域标准化”程度。

（四）全局标准化、趋顶标准化、邻域标准化的统一性：S4

1.检验a

用户的全局标准化程度（Vglobal）、趋顶标准化程度（Vmodel）、邻域标准化程度（Vnear）这三者存在着两两之间的显著正相关（表3）:

2.检验b

对于Vf和Vglobal、Vmodel、Vnear全部经正态转换，然后计算得到四者的克朗巴哈（Cronbach） α系数值为0.804，是比较高的值。克朗巴哈 α系数值如果大于0.6，通常可接受，达到0.8甚至0.9，则结果很理想。

同时，四者中若删除Vf指标，则剩下三者的克朗巴哈 α系数值从0.804上升到0.872，说明粉丝规模和其他三者的统一性程度要略低，但总体上还是基本统一的。再结合前文所显示的Vf都存在和Vglobal、Vmodel、Vnear显著正相关，所以把Vf保留在“统一”的同步过程中是可接受且合理的。删减三种标准化的任何一个变量，都会导致克朗巴哈 α系数值从0.804下降到0.672~0.754。“全局标准化”“趋顶标准化”“邻域标准化”是统一和同步的整体过程，而且筛减其中任何一个都会对它们的统一性造成削弱。

五、微博意见领袖“标准化”作用结构的路径分析

如何在整体化框架下理解“标准化”路径和结构？本文要研究的是对S1、S2、S3、S4的整体逻辑关系进行验证（图1），而不是另起炉灶构建新模型。

把Vf和Vglobal、Vmodel、Vnear全部通过Blom公式转换，以满足对于变量的正态性要求。数据读入AMOS 21.0，进行路径分析，该模型的拟合判断指数见表4。

本模型的评价指标中，包括绝对拟合指数和增值拟合指数，前者是度量模型对样本数据中各种关系的解释程度，后者是与基线模型的比较。这些指标涉及RMR、RMSEA、CFI等常用的大部分重要指标。表4显示，除RMSEA不太符合要求之外，其他指标都表现良好。RMR作为关键指标之一，表现良好。GFI、AGFI早期使用较多，这两项值在本文中都符合标准。CFI指标能敏感地反映误设模型的变化，在本文中也符合适配要求。即使是RMSEA指标，也只是比0.08稍大，而该指标通常大于0.1表示模型品质不佳，因此该指标仍然在可接受范围内。总体来看，本研究基于S1、S2、S3、S4的模型具有可接受的良好拟合度。

模型的标准化路径系数见表5，全部显著。粉丝规模作用于三种标准化的路径系数并不是很高，但依然显著。而三种标准化本身的相互联系很紧密，全局标准化对于趋顶标准化、邻域标准化的作用很明显，一部分路径系数达到0.78的较高值。“全局标准化”（S1）能把趋顶标准化、邻域标准化作用（S2、S3）“捏合”到一起，显现出“全局标准化”的重要性。路径分析进一步显示了用户粉丝规模和三种标准化之间的作用，以及三种标准化内部的统一性。

六、结论

当前在社会化媒体时代强势崛起、网络海量信息过载、用户内容多样化背景下，研究社交网络内容生产中的用户“标准化”问题具有重要意义与现实性，但理论重视与实证检验尚不充分，甚至容易产生“意见领袖是趋于多样化、细分化”之类的误解。本文实证研究社交网络“文化工业”和“流水线机器”下用户独特性削磨、社会“标准件”程度深化的现象与机理，检视用户在碎片化表层之下容易被遮蔽的深层趋同性。

本研究阐明了“标准化”的内涵，提出用户随着意见领袖程度升高而趋向于全体用户的“平均化的贴近”，明确提炼出“全局标准化”的假设。这和微博中各种高程度意见领袖的专门化、在各自垂直领域内的差异化，直观上是“不相符”的。那些最高意见领袖程度和“高处不胜寒”的用户，反而是最趋近于“众生”、最少“个性化”的标准用户。作为话语精英的意见领袖，不是远离这种“芸芸众生”化的“平均人”，相反，他们越是精英却越是大众化和越是成为去异质化的“平均人”；普通的“芸芸众生”用户反而保留着自身的各种差异性和特殊性，像是未被足够打磨的配件。引领社交网络用户“标准化”的并非看似“群氓”的底部大众，而是处于顶部、具有高意见领袖程度的用户。

在“全局标准化”的基本路径上进一步提出与之存在紧密联系的“趋顶标准化”和“邻域标准化”，梳理了三种标准化路径的内在关系，分别检验了S1（全局标准化）、S2（趋顶标准化）、S3（邻域标准化），并进一步确证这三种标准化是方向一致、步调协同的。这三者的统一有一定程度的“反直观性”。例如，用户内容在趋向最高层“大咖”的过程中，似乎会越来越“精英化”和远离“下里巴人”，但结果却变得和“芸芸众生”越来越相像；用户在越来越趋向于“远处”头部用户的同时，恰恰也是越来越贴近于近处的“邻域”用户的过程。这三种看似不协调但实际却一致的过程，显示“标准化”把不同现象予以统一的深层运行机理。 

“文化工业”不仅存在于法兰克福学派对文化内容的批判中，也延展于社交媒体“机器”对主体的再生产中。在看似“人人都有麦克风”的自主中，生产着越来越趋同于“芸芸众生”的“平均人”。微博空间中“意见领袖层级”随着意见领袖程度的提高而不断封闭、窄化，众多“高意见领袖程度”的用户群体反而加强着社会共同体的同质性。极端情况下，自主、多样化的媒介社会中潜藏着消解异质性、“反交往理性”的反向逻辑。社交网络用户的过度“标准化”塑形，潜藏着多样性的文化生态消减风险、自主性的网络社会异化风险、可达性的公共领域反公共化风险、集中式的信息社会操控风险。

需要强调的是，相关分析只能检验相关性，而不能检验因果性，因而本研究只能把假设的结论限定在变量之间的“相关性”，而不能随意扩展到因果性。无论是全局标准化、趋顶标准化还是邻域标准化，以及三者以全局标准化为关键环节的路径结构，其假设的检验都只是描绘用户随着影响力提升而出现的几种趋同效应及其内部作用路径。出现这些“标准化”效应的更为根本的原因仍有待进一步检验，意见领袖为何“标准化”的更为根本的驱动机理仍需更深入细致的分析。

注：封面图片源于vcg.com

华中大社科学报

欢迎您的关注

点“阅读原文”了解更多