当期荐读 2023年第2期 | 热点事件中社交媒体群体极化形成机理研究

图源 | Internet

彭国超　程　晓

中山大学信息管理学院，广州，510006

摘    要

通过对社交媒体群体极化现象的生成机理进行探究，以期为引导和规避社交媒体群体极化提供参考。本研究以社会燃烧理论为基础，通过对已有文献和所选案例的深入剖析，提炼出利益诉求、新闻叙述框架、意见领袖、首发媒体、议题类型、传播形式等六个解释变量，并利用清晰集定性比较分析方法对社交媒体群体极化的生成路径进行探究。研究发现，新闻叙述框架是社交媒体群体极化的必要条件，意见领袖是社交媒体群体极化的核心条件，二者作为“助燃剂”共同推动群体极化的生成；议题类型作为“点火温度”对社交媒体群体极化的生成有一定的调节作用；以图文形式传播的热点事件更容易在社交媒体上引起群体极化。

关键词

社交媒体　群体极化　定性比较分析　社会燃烧理论　网络空间治理

01

 引言

随着互联网技术的迅猛发展，社交媒体逐渐成为公众进行信息交流和互动的重要平台。近年来，微博、微信等社交平台极端言辞频现，由此引发的网络谣言、网络暴力等事件层出不穷，不仅对事件当事人造成了伤害，而且扰乱了网络秩序，甚至部分网络群体极化事件还可能发展为现实中的群体行动，对社会公共秩序产生严重影响。因此，探究社交媒体群体极化的生成机理、引导网络舆情的良性健康发展、规避网络群体极化的生成风险成为了当前网络空间治理的重要命题。

群体极化这一概念最早由Stoner^[1]提出，其相关的研究最早起源于社会心理学。国外相关研究主要通过实证研究检验社交媒体是否存在群体极化现象以及从心理学视角探究群体极化的成因。如Yardi等^[2]验证了社交媒体群体极化现象的存在；Spears等^[3]、Mcleod等^[4]探究了网络匿名性与群体极化现象间的关系；Kearney^[5]研究了Facebook上网络极化的变化；Sawicka^[6]讨论了社交媒体对群体极化的影响。国内关于网络群体极化的研究主要集中于对群体极化现象的特征、成因及其演化过程和发展机制等方面。如史波^[7]构建了网络群体极化的动力机制模型，对网络群体极化生成的动力机制进行了阐释；董玉芝^[8]探究了新媒体环境特征对群体极化现象生成的作用；也有学者对个案进行研究，探究群体极化的形成与消解^[9-10]。

已有研究对群体极化从各个层面进行了较多的探索，为本研究提供了坚实的理论基础，但相关研究多采用单案例分析或内容分析等定性方法开展研究，且主要针对单个影响因素进行论述，对社交媒体群体极化生成的系统性研究相对较少，对群体极化产生原因的认识深度和广度均有待加强。为了对社交媒体群体极化的生成机理有较为全面、深入的了解，本研究采用清晰集定性比较分析方法，探究社交媒体群体极化产生的影响因素及其交互关系、生成的组态路径，以期为社交媒体群体极化的规避和引导提供借鉴；通过对群体极化的生成机理进行更系统和深入的探究，以期为相关研究提供新的理论视角和参考。

02

理论基础

牛文元^[11]院士于2001年提出了社会燃烧理论，他将自然界中物质的燃烧过程用于分析社会学的相关问题。社会燃烧理论认为，现实世界中的物质燃烧现象是物理与化学反应共存的，在燃烧过程中涉及的主要因素包括燃烧物质、助燃剂和点火温度，物质的燃烧是三个因素共同作用的结果。采用类比的方法，在社会学的研究领域，可以将某一社会现象的产生视为物质的燃烧，而引起该现象的原因主要来源于社会，在生活中人们之间关系的不和谐以及人类与自然环境之间关系的不和谐都可以作为“燃烧物质”^[12]；社会媒体夸大性的报道是事件发展过程中导致人们对该社会现象产生误解或者社会心理放大的“助燃剂”^[12]；而“点火温度”指的是突然发生的与该社会现象相关的有重大社会影响的事件^[12]。目前该理论已被用于城市群公共危机形成机理^[13]、网络群体性事件^[14]、社会稳定预警系统^[11]等的研究中，并取得了一定的成果，已有相关研究为本研究将该理论应用于群体极化生成机理的研究给出了范本。

当现实社会中的矛盾在某一具体事件中得到体现时，往往能立刻激起公众的反响。而社交媒体使信息的传播更迅速和广泛，进而导致事件的迅速发酵和膨胀，公众的观点在经过分化聚合后甚至会形成舆论风暴，最终可能导致社交媒体群体极化的生成。基于社会燃烧理论，对社交媒体群体极化的原因进行类比：现实社会中的矛盾、不公等可类比为“燃烧物质”；对事件进行渲染、加速事件传播的因素可类比为“助燃剂”；能产生较大社会影响，致使舆情爆发的事件则为“点火温度”。在本研究中，笔者将从“燃烧物质”“助燃剂”和“点火温度”三个方面挖掘影响社交媒体群体极化的因素，对导致社交媒体群体极化的条件组合路径进行探究，深入分析社交媒体群体极化现象的形成机理。

03

研究设计

3.1　研究方法

定性比较分析（QCA）是一种以案例分析为导向的方法，它通过案例资料与理论间的不断对话，从中小样本中提取出导致某一结果的因果关系。与以往着眼于单要素对结果的影响不同，QCA认为单个变量对结果的影响非常有限，某一现象的出现往往是多个因素组合共同导致的结果^[15]。QCA从组态视角出发，探究各因素间的非线性组合关系，为解释导致某一社会现象的复杂因果机制提供了有效的手段^[16]。定性比较分析包括清晰集定性比较分析（csQCA）、多值集定性比较分析（mvQCA）和模糊集定性比较分析（fsQCA）三种类型，其分别适用于对二分类变量、多分类变量和连续型变量数据进行处理^[17]。清晰集定性比较分析方法认为，集合间存在明显的界限，适用于处理条件变量与结果变量均为二分类变量的案例^[18]。由于本研究所选取的变量均有明确的赋值标准，可通过编码进行二分类赋值，因此，本研究将采用csQCA方法对社交媒体群体极化现象的形成机理进行探究。

3.2　案例选取

用于QCA研究的案例选取须遵循相似性、多样性原则，在充分保证案例同质性的同时，也应最大化地保证案例间的异质性^[19]。本研究案例的选取遵循以下标准：①保证本研究所选取案例总体的相似性，各案例应拥有类似的背景或共同的特征。本研究所选取的案例均在全国范围内引起了广泛的热议、在网络上产生了较大的影响，且事件发展过程中公众产生了较复杂的社会情绪。②保证案例的多样性，各案例间具有最大的异质性。在案例选取时尽量选取包含不同结果和条件的案例样本。③保证案例数据的完整性，选取在网络上讨论度较高，事件发展周期相关材料保存完整的案例。本研究通过蚁坊软件、知微事见、微博等平台选取了2016至2022年间的43个较为典型的社会热点事件作为案例样本，具体如表1所示。

表1  2016-2022年43个社会热点事件

3.3　变量提取与赋值

本研究基于社会燃烧理论，在对已有文献和43个热点事件进行深入研读和分析的基础上，从“燃烧物质”“助燃剂”和“点火温度”三个方面归纳总结了六个影响社交媒体群体极化的前因条件变量。舆情事件背后往往反映的是公众的利益诉求，本研究中将事件背后反映的利益诉求^[20]（INT）类比为“燃烧物质”；将具有煽动性、能够引起公众社会情绪的新闻叙述框架^[21]（NF）和意见领袖^[22]（OPL）类比为群体极化现象的“助燃剂”；将传播形式^[23]（CF）、首发媒体^[23]（NS）、议题类型^[24]（IT）等事件属性类比为“点火温度”。本文讨论的群体极化是指在舆情发展过程中公众对某一事件所表达的观点或态度呈现极端化，出现极端社会情绪的现象。本研究将极端社会情绪（ESE）作为结果变量，对社交媒体群体极化现象的生成机理进行探究，将事件发展过程中出现极端社会情绪的案例变量赋值为1，未出现极端社会情绪的案例变量赋值为0。

利益诉求是指公众通过合规渠道反映出的自身需求，热点新闻背后往往反映出公众的情感、经济和安全诉求^[23]。在本研究所选取的案例中，公众表达情感诉求的案例占比55.81%，表达经济和安全诉求的案例占比44.19%。因此，假设反映情感诉求的舆情事件更易激发极端社会情绪，将此类案例变量赋值为1，反映公众经济或安全诉求的案例变量赋值为0。

新闻叙述框架是指事件传播主体在对新闻进行处理时结合自己的立场所选择的一种叙事方式，包括责任框架、冲突框架、人类兴趣框架、经济后果框架和道德框架^[25]。新闻传播主体煽动性或戏谑性的叙事特点将助推群体情绪的产生，为群体极化提供温床^[26]。采取冲突框架的叙事方式往往能调动起强烈的社会情绪^[27]，因此，本研究将采用冲突叙事框架进行传播的案例变量赋值为1，采用非冲突叙事框架的案例变量赋值为0。

意见领袖是指网络声望较高，具有较强言语煽动能力和影响力的人群，其在网络空间中往往具有较高的话语权，是网络舆论形成的关键。意见领袖能促进舆情在网络上的传播，其情绪化的观点更容易通过情绪感染机制致使公众形成群体情绪，造成公众观点的极化甚至对立^[28-29]。因此本研究认为，意见领袖情绪化、煽动性的观点表达对群体极化的生成起到推波助澜的作用，将事件发展过程中存在意见领袖情绪化观点表达的案例变量赋值为1，不存在意见领袖情绪化观点表达的案例变量赋值为0。

首发媒体是指首次将事件引入大众视野的传播来源，在对所选案例进行详细梳理的过程中发现，新闻来源主要包括网友爆料、传统媒体和网络媒体三大来源。其中，网友爆料是指舆情事件最初由事件当事人或网友借助社交媒体平台爆料，引起公众关注和热议。在本研究所选取的案例中这一类来源占比高达53.49%，如“河南周口婴儿丢失案”就是首先由网友在微博上爆料，且随着官方媒体对事件的报道，扩大了事件的影响力。同时，网络媒体爆料也是社会热点事件的一大新闻来源。在本研究所选取的案例中，由网络媒体爆料的事件占比20.93%，如“重庆公交坠江事件”由网络媒体的不实报道导致舆论迅速发酵。在本研究所选取的案例中，首先由传统媒体进行报道的案例占比25.58%，如“黑龙江女生弑母藏尸案”是由传统媒体首发报道并迅速发酵，之后在网络上引起了轩然大波。不同的新闻来源可能对舆情传播热度以及公众的情绪产生不同的影响，因此，本研究将新闻来源纳入条件变量进行验证。本研究将由网友爆料的案例变量赋值为1，由传统媒体或网络媒体首发的案例变量赋值为0^[23]。

本研究中的议题类型根据事件所涉议题的敏感性进行划分，包括敏感社会议题和非敏感社会议题。其中，敏感社会议题指涉及官民、警民、医患等社会关系的议题。此类议题更容易引发公众热议，触发网民情绪，导致负面情绪堆积，产生极端社会情绪^[30]。因此本研究认为，敏感社会议题更容易导致舆情传播过程中极端社会情绪的生成，将涉及社会敏感议题的案例变量赋值为1，非社会敏感议题的案例变量赋值为0。

传播形式是指事件在传播过程中的呈现方式，不同的传播形式会影响信息的转发量和讨论度等。为探究群体极化现象的生成与传播形式是否有关，本研究将传播形式作为前因条件变量之一进行研究，将热点事件的传播形式归纳为视频传播和图文传播两种类型。在本研究所选取的案例中，以图文形式传播的案例占比65.12%，以视频形式传播的案例占比34.88%，因此，将以图文传播的案例变量赋值为1，以视频传播的案例变量赋值为0。

本研究的编码赋值工作由包括作者在内的三名研究员完成，为提高编码的信度，三名研究员对编码规则进行协商后独立编码赋值，对于赋值存在分歧的变量，则在编码研究员间进行讨论直至达成共识。具体赋值规则如表2所示。

表2  变量复制规则及说明

04

数据分析

4.1　单一条件必要性检验

在完成变量编码赋值后，进行真值表分析之前需分析单个条件变量对结果变量的必要程度和解释力度，其主要通过一致性和覆盖率两个指标进行衡量^[31]。一致性是指某一条件或条件组合导致相同结果出现的案例占比，当某一条件变量的一致性指标大于0.8时，就认为该条件变量为结果变量发生的充分条件；当条件变量的一致性指标大于0.9时，则认为该条件变量为结果变量发生的必要条件^[15,32]。覆盖率是指某一条件变量或条件变量的组合对结果变量的解释程度，覆盖率指标的值越接近1，表明条件变量对结果变量的解释效果越好^[33]。本文利用fsQCA 3.0软件进行必要性检验和真值表分析，必要性检验结果如表3所示，“~”表示该条件不出现。

表3  单变量必要性检测

由表3中结果可以看出，新闻叙述框架的一致性为0.94，覆盖率高达77%，表明在社交媒体极端社会情绪生成的组合路径中通常包含新闻叙述框架这一条件变量，即舆情传播过程中媒体煽动性的冲突叙事框架是极端社会情绪生成的必要条件；意见领袖的一致性为0.83，覆盖率达到94%，表明意见领袖情绪化、煽动性观点表达是导致极端社会情绪生成的充分条件。其余因素一致性指标的值均小于0.8，表明这些指标并不能单独导致极端社会情绪的生成，而是以组合的形式发挥作用。导致社交媒体群体极化的各因素间并非以线性方式对结果产生影响，而是通过各因素间的因果组合路径对结果产生影响，因此，进行组态分析提取引起社交媒体群体极化的条件变量组合路径是必要的。

将结果变量设置为“~ ESE”进行单变量必要性检验，由表3结果可以看出，非意见领袖的一致性为0.96，覆盖率为89%，表明意见领袖非情绪化、非煽动性观点表达是阻碍极端社会情绪生成的必要条件；非新闻叙述框架的一致性为0.8，覆盖率为95%，表明非冲突叙述框架是非极端社会情绪生成的充分条件。

4.2　组态路径分析

本文利用fsQCA 3.0软件构建真值表，对社交媒体极端社会情绪生成的组态路径进行分析。在进行真值表检验时，将案例数阈值设置为1，一致性阈值设置为0.8^[34]，最终得到复杂解、中间解和简约解三种类型的解。由于中间解只纳入符合理论方向预期的逻辑余项，且复杂度适中，因此，本文选取中间解的条件组合路径，并结合简约解确定组合路径的核心条件^[35]，对社交媒体极端社会情绪生成的组态路径进行分析，最终得到五条社交媒体极端社会情绪生成的组态路径，可解释94%的热点事件中社交媒体极端社会情绪生成机理，组态路径结果如表4所示。

表4  社交媒体极端社会情绪生成路径组合表

由表4中结果可知，新闻叙述框架同时出现在五条路径中，冲突叙事框架再次被证明为社交媒体群体极化生成的必要条件；意见领袖情绪化观点表达虽然不是社交媒体群体极化生成的必要条件，但其作为核心条件出现在了覆盖率较高的三条路径中，表明意见领袖的情绪化观点表达对社交媒体群体极化的生成起到关键的推动作用。五条组合路径的一致性均为1，表明五条组合路径均具有较高的必要性解释力度。下面对五条组合路径进行具体分析。

路径C1新闻叙述框架*意见领袖*议题类型*首发媒体：这一路径是社交媒体群体极化生成的核心路径，原始覆盖率为39%，表明当舆情事件由网友爆料、媒体在传播过程中采用具有煽动性的冲突叙事框架且事件涉及社会敏感议题并有意见领袖发表极具情绪化的观点时，更容易引起群体极化。其中，新闻叙述框架和意见领袖作为社交媒体群体极化生成的“助燃剂”，在这一路径中起到核心作用，与作为“点火温度”的议题类型和首发媒体共同推动社交媒体群体极化的生成。这一路径显示，在自媒体盛行的时代，网民的言论自由逐渐凸显，对于涉及社会敏感议题的事件，网友爆料也可能在网络上引起广泛关注，导致舆论高涨；社交媒体中的自媒体用户素质参差不齐，一些媒体为了抢新闻、抢流量、吸引公众眼球，通常会采用激化利益双方矛盾冲突的标题，并在信息加工过程中夹带激发受众情绪的主观观点，带动公众情绪；意见领袖作为信息传播网络中的关键节点，其情绪化的观点表达则易引发公众情绪爆点，最终导致社交媒体群体极化的形成。如“红黄蓝幼儿园虐童案”较好地体现了该路径的要素构成。该事件由于涉及幼儿教育和安全这一敏感社会议题，在网友爆料后迅速在网络上引起极大的反响，媒体在事件报道过程中刻意弱化事件的严重性，引起公众极大的不满，同时在事件发展过程中多位意见领袖情绪化观点的表达带起了整个舆论的强震，最终将舆情发展推向高潮，形成群体极化。

路径C2利益诉求*新闻叙述框架*意见领袖*传播形式：这一路径组合涵盖了“燃烧物质”“助燃剂”和“点火温度”三方面的前因条件变量，表明媒体采用冲突叙事框架对事件进行报道、信息传播过程中存在意见领袖的情绪化观点表达、以图文形式传播且反映公众情感诉求的舆情事件容易导致社交媒体群体极化现象。如“王凤雅事件”正是因为部分自媒体在事件传播过程中采用冲突叙事框架，将公众目光聚焦到家属“诈捐”“弃疗”等话题上，恶意揣测家属“重男轻女”，同时一些意见领袖也出面引导公众舆论，导致舆论在社交媒体上迅速蔓延，引爆公众负面情绪，造成群体极化。

路径C3 ~利益诉求*新闻叙述框架*意见领袖*~议题类型*~首发媒体：在这一路径中，作为“助燃剂”的冲突叙事框架和意见领袖情绪化观点表达仍共同对社交媒体群体极化的生成起到推波助澜的作用。由媒体首次报道且涉及公众经济或人身安全的事件，即使事件议题并非敏感社会议题，仍能在媒体和意见领袖的助力下引发舆论热潮，甚至产生群体极化。如“重庆公交坠江事件”，这一事件由于与公众的人身安全密切相关，且部分媒体为了吸引公众眼球，对未经核实的新闻进行报道，在标题中突出“女司机逆行”为事故的原因，突出“女司机”与“公交坠江”间的矛盾冲突，同时意见领袖也通过转发未经核实的虚假消息对公众舆论进行引导，加之公众对“女司机”的刻板印象，最终导致网络上瞬间掀起了批判女司机的一边倒的舆论倾向，造成社交媒体群体极化。

路径C4利益诉求*新闻叙述框架*~议题类型*~首发媒体*传播形式：这一路径表明，由媒体首次报道、以图文形式传播、反映公众情感诉求、媒体在信息加工过程中采用冲突叙事框架的事件，即使事件并未涉及敏感社会议题，也有可能发生群体极化。新闻叙述框架、利益诉求和传播形式分别作为“助燃剂”“燃烧物质”和“点火温度”在这一路径中发挥核心作用，共同导致社交媒体群体极化的生成。如“江歌案”，虽然这一事件并未涉及社会敏感议题，但其却挑战了伦理道德，激起了公众惩恶扬善的正义感。同时在事件发展过程中，部分媒体为了吸引流量，采用煽动性较强的言辞对事件进行报道，且表达了明显的负面情绪，因此，公众的负面情绪在社交媒体迅速发酵，导致群体极化现象。

路径C5 ~利益诉求*新闻叙述框架*议题类型*~首发媒体*传播形式：该路径表示，由媒体首次报道、以图文形式传播、反映公众经济或安全诉求、媒体在信息加工过程中采用冲突叙事框架、涉及敏感社会议题的事件，较易在社交媒体中引发群体极化现象。作为“助燃剂”的新闻叙述框架和作为“点火温度”的议题类型在这一路径中起到核心条件作用。如“长春长生疫苗事件”由于涉及到医疗安全这一社会敏感议题，突破道德底线，同时部分媒体在对事件进行报道时采用具有讽刺性的标题和话语表述，扩大了公众的负面情绪，形成了社交媒体的舆论风暴和极端社会情绪。

将结果变量设置为“~群体极化”，得到社交媒体非极端社会情绪生成组合路径如表5所示。由表5可知，社交媒体非极端社会情绪生成的路径有七条，总覆盖率为1，即这七条路径解释了100%的社交媒体非极端社会情绪生成现象。由研究结果可知，社交媒体非极端社会情绪生成的组合路径存在多条，且各路径的覆盖率存在较大的差异，覆盖率越大表明该路径的解释力度越强^[36]。为了确保结论具有实质性的解释力，以下仅着重对覆盖率大于0.2的前四条组态结果进行分析^[37]。结合前文单一条件必要性检验结果和组态路径分析结果可以发现，意见领袖非情绪化观点表达是社交媒体非极端社会情绪生成的必要条件；非冲突叙事框架出现在了前三条组合路径中，是社交媒体非极端社会情绪生成的核心条件。

表5  社交媒体非极端社会情绪生成路径组合表

路径G1表示对于不涉及社会敏感议题、媒体在新闻报道过程中采用非冲突叙事框架、不存在意见领袖情绪化观点表达情况、反映了公众情感诉求的事件，在舆情发展过程中不会产生群体极化；路径G2表示由媒体首次曝光、通过图文形式传播的事件，由于媒体在报道过程中并未采用冲突叙事框架突出矛盾，且整个事件发展过程中缺乏意见领袖对公众情绪的引导，因此，这一类事件也不会导致社交媒体群体极化现象的发生；路径G3表示由网友爆料并以视频形式在社交媒体中传播的事件，虽然会引起较高的舆情热度，但同样由于媒体在报道过程中的理性叙事以及意见领袖的缺失，这一类事件在社交媒体中也不易导致群体极化；路径G4显示对于不涉及社会敏感议题、反映公众经济或安全诉求、以图文形式传播的事件，只要意见领袖在事件发展过程中不进行情绪化观点表达对公众情绪进行煽动和引导，这一类事件也不会在社交媒体上产生群体极化现象。

通过对社交媒体非极端社会情绪生成覆盖率较高的前四条路径进行详细剖析可以发现，新闻叙述框架和意见领袖在社交媒体非极端社会情绪生成的路径组合中均以反值出现，且非冲突叙事框架是前三条组合路径的核心条件，意见领袖非情绪化观点表达更是社交媒体非极端社会情绪生成的必要条件。这一结论也再一次从侧面印证了本研究对社交媒体极端社会情绪生成路径进行分析得出的“冲突叙事框架和意见领袖情绪化观点表达对社交媒体极端社会情绪的生成起到关键助推作用”这一观点。

05

结论与启示

5.1　研究结论

本研究利用清晰集定性比较分析方法结合43个热点事件案例，识别了社交媒体群体极化生成和非群体极化生成的必要条件和条件组合路径，通过对研究结果进行综合分析，得出以下结论：

（1）作为“助燃剂”的新闻叙述框架和意见领袖对热点事件中社交媒体群体极化的生成起到关键的决定性作用，推动社交媒体群体极化的生成。从社交媒体群体极化生成的前三条覆盖率较高的组合路径可以看出，冲突叙事框架和意见领袖在三条路径中均有出现，是社交媒体群体极化生成的核心条件；冲突叙事更是社交媒体群体极化生成的必要条件，出现在每一条社交媒体群体极化生成的路径中，足以说明在舆情事件发展过程中“助燃剂”对群体极化生成起到较强的促进作用。这一研究结论也再次印证了陆学莉^[21]、辛文娟等^[22]的观点。新闻叙述框架和意见领袖在社交媒体群体极化生成路径中基本上是同向存在，且在社交媒体群体极化生成的组合路径中均以正值出现，在社交媒体非群体极化的生成路径中均以反值出现，表明“助燃剂”对社交媒体群体极化的生成起到决定性作用，冲突叙事框架和意见领袖情绪化观点表达共同推动社交媒体群体极化的形成。在事件爆发初期，一些媒体为了赚取点击量，博取群众眼球，通常会采取突出利益双方矛盾的叙事框架，且在事件传播过程中，意见领袖的情绪化和煽动性观点表达会影响公众情绪，甚至改变舆论走向，造成群体极化。如“重庆公交坠江”事件中正是因为媒体为了抢新闻，在报道过程中有失客观，塑造“女司机逆行”与公交车坠江之间的冲突关系，同时意见领袖也对未经核实的消息进行转载，对舆论进行引导，导致民众将怒火投向了女司机，造成群体极化现象的发生。而“江苏一医院69人感染丙肝”“北大医院医生被打”等事件虽然涉及到医疗安全、医患关系这一类敏感话题，但由于在事件发展过程中报道主要由官方权威媒体主导，以客观报道事故原因及事件进展为主，且整个过程中无意见领袖参与，虽然事件在网络上也引起了激烈的讨论，但并未出现群体极化现象。

（2）作为“点火温度”的各因素是影响社交媒体群体极化生成的变动因素，需与作为“助燃剂”和“燃烧物质”的因素结合，共同促使社交媒体群体极化的生成。从社交媒体群体极化生成的各组合路径可以看出，作为“点火温度”的议题类型、首发媒体和传播形式通常为变动组合推动群体极化现象的发生，且议题类型在非群体极化生成路径中多以反值出现。虽然敏感社会议题并不是导致社交媒体群体极化的决定性因素，但议题类型对社交媒体群体极化的生成起到一定的调节作用。有研究指出，议题是群体极化的重要驱动因素，群体极化的形成是“议题刺激—用户反应—群体交流—群体极化”的过程，若某一议题具有引发公众情绪的爆点，则能迅速在社交媒体上传播，加速群体极化^[34]，这一结论仅在本研究结果的路径C1和路径C5上得到了较好的体现，其余三条路径并不支持这一观点，导致这一结果的可能原因是已有研究在对群体极化的形成机理进行研究时将议题类型从多因素环境中抽离进行单独分析，忽略了多因素的协同作用，从而导致与本文的研究结论出现偏差。

（3）以图文形式传播的舆情事件更容易引起群体极化。以图文形式传播的事件相较于视频往往承载了新闻传播者更多的情感和主观情绪，通常更具有煽动性。如“黑龙江女生弑母藏尸案”，媒体在报道过程中采用煽情化的叙事方式，且在传播过程中出现了媒体报道标签化和主观化等特点，导致网民凭借报道信息以及个人主观认知对这起事件进行“合理想象”，在媒体引导下网民间产生强烈情感碰撞，放大情绪感染力，最终导致群体极化。

5.2　启示

网络技术的高速发展为人们参与信息的发布和传播提供了契机，但是这其中的大部分人只是扮演着“看客”的角色，很少参与信息的发布和讨论，占据话语权的往往是意见领袖或者网络媒体，其发表的言论和看法会在很大程度上影响人们对社会事件的看法和认知。当舆情发生时，在网络中发声的主流媒体和意见领袖虽然规模较小，但是其影响力巨大，甚至在社会事件的发展过程中占有主导地位，影响群体极化事件的发展进程与方向。

媒体作为社会事件的传播主体之一，是公众情绪与社会舆论的扩散地，在公共事件传播过程中承担了重要的社会责任。因此，媒体在报道各类公共事件的过程中必须基于事实，保持客观与公正的态度，确保所提供信息的真实性、专业性和全面性，避免带有偏见色彩或标签化的报道。在整个事件的发展过程中，媒体应及时引导公众理性思考和正确表达，不断提高自身职业素养及社会责任感，在公共事件发展过程中起到更好的舆论引导作用。与此同时，媒体应建立“把关人”制度并贯彻落实，对虚假信息进行严格监管，避免易引起网络群体极化的话题在网络中肆意传播，引导舆论健康发展。此外，媒体应把握议程设置权，通过合理的议程设置正确引导舆论走向，主动掌握议题设置权和概念定义权，以此吸引公众注意力并引导公众理性思考问题本质，最大限度地避免误导信息及谣言的传播。

意见领袖作为网络舆论中的关键性角色，拥有较大的话语辐射力及社会影响力，对引导网络舆论走向起到了重要作用。意见领袖在公共事件发展过程中既可能成为网络群体极化的推动者，也有可能担任积极的消解力量。政府在治理网络舆情过程中应认识到意见领袖的重要性并充分发挥意见领袖的积极作用，进一步加强对意见领袖的引导，培养具有高尚道德品质与良好法律意识的意见领袖，通过意见领袖强化与公众的交流合作，及时引导公众理性表达。同时，要通过意见领袖这一“关键群体”来转移公众对热点话题的关注度，尽可能化解公众的消极情绪及舆论风暴，最大程度地避免出现网络群体极化现象，营造良好的网络舆情环境。除此之外，意见领袖应注重强化自身的媒体素养与责任感，在发表言论过程中避免带入个人情绪和偏见，推动网络舆论向正面发展，提高自身辨别是非的能力，及时向公众提供真实信息，在网络舆论“一边倒”的情况下将自身不同观点有效输出至公众，引导公众辩证思考。

网络群体极化现象频繁发生，绝大部分是由我国网民媒介素养参差不齐所引起的。因此，在言论自由的互联网平台上，需要加强民众媒介素养的培养，以此消除网络消极情绪的极化。这就要求公众在网络平台上保持理性，不能借助“言论自由”的名义在网络上肆意发布不实信息，也不人云亦云成为消极情绪与错误观点扩散的幕后推手。同时，公众在面对网络平台层出不穷的虚假信息的情况下，要具备理性思考和分辨虚实信息的能力。除此之外，公众要合理有效地利用自身话语权，传播积极情绪与正向言论，共同营造健康良好的网络舆情环境。

06

总结与展望

本研究基于社会燃烧理论，在对已有相关研究文献和43个典型案例进行梳理的基础上，从“燃烧物质”“助燃剂”和“点火温度”三个方面提取出六个解释变量，构建了热点事件中社交媒体群体极化影响因素分析框架，运用清晰集定性比较分析方法对热点事件下社交媒体群体极化的生成机理进行了探究，得到五条社交媒体极端社会情绪生成的条件组合路径和七条社交媒体非极端社会情绪生成的条件组合路径。研究发现，冲突叙事框架是社交媒体群体极化生成的必要条件，意见领袖情绪化观点表达是社交媒体群体极化生成的核心条件，两者作为社交媒体群体极化生成的“助燃剂”对群体极化现象的生成起到关键的决定性作用；议题类型虽然不是导致社交媒体群体极化的关键因素，但其对社交媒体群体极化的生成起到一定的调节作用；以图文形式传播的舆情事件更容易激起公众情绪导致群体极化。

不同于以往利用单案例分析和内容分析方法对群体极化机理进行分析，本研究首次将社会燃烧理论应用于社交媒体群体极化生成的机理研究，并利用清晰集定性比较分析方法对社交媒体群体极化的生成机理进行探究，深入研究了各条件变量导致社交媒体群体极化的因果组合路径，分析了各影响因素间的相互作用机制，为群体极化的相关研究提供了新的探索视角。本研究结论可为舆情事件中群体极化现象的治理提供借鉴和参考。

本研究也存在一定的局限性。社交媒体群体极化是较复杂的社会现象，受到多方面因素的影响，而本研究仅基于社会燃烧理论纳入了相关的六个条件变量对其生成机理进行探究；同时，在案例选取过程中虽严格遵循定性比较分析案例选取的原则，但难免存在一定的主观性和视野性偏差，可能影响研究结果的普适性，后期可纳入更多的案例以增强研究结果的适用性。

参考文献

[1]　Stoner J A F. A comparison of individual and group decisions involving risk[D]. Cambridge: Massachusetts Institute of Technology, 1961.

[2]　Yardi S, Boyd D. Dynamic debates: An analysis of group polarization over time on twitter[J]. Bulletin of Science, Technology & Society, 2010,30(5):316-327.

[3]　Spears R, Lea M, Lee S. De-individuation and group polarization in computer-mediated communication[J]. British Journal of Social Psychology, 1990, 29(2): 121-134.

[4]　Mcleod P L, Baron R S, Marti M W, et al. The eyes have it: Minority influence in face-to-face and computer-mediated group discussion[J]. Journal of Applied Psychology, 1997, 82(5): 706-718.

[5]　Kearney M W. Analyzing change in network polarization[J]. New Media & Society, 2019, 21(6): 1380-1402.

[6]　Sawicka Z. How Facebook polarizes public debate in Poland-Polish filter bubble[J]. Social Communication, 2019, 5(2): 45-52.

[7]　史波．网络舆情群体极化的动力机制与调控策略研究[J]．情报杂志，2010，29(7)：50-53，69．

[8]　董玉芝．新媒体视域下网络群体极化的成因及对策[J]．新闻大学，2014(3)：113-119．

[9]　辛文娟．微博中群体极化的呈现方式及动力机制探析——基于“武大赏樱门票涨价”事件的内容分析[J]．新闻界，2014(3)：2-6．

[10]王田．从群体特征看网络群体极化的形成与消解——以新浪微博“东莞挺住”事件为例[J]．电子政务，2017(5)：61-74．

[11]牛文元．社会物理学与中国社会稳定预警系统[J]．中国科学院院刊，2001(1)：15-20．

[12]单飞跃，高景芳．群体性事件成因的社会物理学解释——社会燃烧理论的引入[J]．上海财经大学学报，2010，12(6)：26-33．

[13]于丽英，蒋宗彩．基于复杂系统观的城市群公共危机形成机理研究[J]．系统科学学报，2013，21(3)：62-65．

[14]张佳慧，陈强．社会燃烧理论视角下网络群体性事件发生的研究[J]．电子政务，2012(7)：63-67．

[15]Ragin C C. Redesigning social inquiry: Fuzzy set and beyond[M]. Chicago: University of Chicago Press,2008: 36-49.

[16]张明，杜运周．组织与管理研究中QCA方法的应用：定位、策略和方向[J]．管理学报，2019，16(9)：1312-1323．

[17]谭春辉，任季寒．虚拟学术社区中用户信息搜寻行为的影响因素组合研究——基于模糊集定性比较分析方法[J]．现代情报，2022，42(4)：39-51．

[18]周俊，王敏．网络流行语传播的微观影响机制研究——基于12例公共事件的清晰集定性比较分析[J]．国际新闻界，2016，38(4)：26-46.

[19]伯努瓦·里豪克斯，查尔斯C．拉金．QCA设计原理与应用：超越定性与定量研究的新方法[M]．杜运周，李永发等，译．北京：机械工业出版社，2017：18-19．

[20]彭国超，程晓．基于社会燃烧理论的反转新闻舆情热度生成机理研究[J/OL] ．情报科学[2022-09-25] ．http://kns.cnki.net/kcms/detail/22.1264.g2.20220531.0917.002.html.

[21]陆学莉．反转新闻的叙事框架和传播影响[J]．新闻记者，2016(10)：41-49．

[22]辛文娟，赖涵．群体极化视域下网络舆情的演化机制研究——以微博网民讨论“浙江温岭杀医案”为例[J]．情报杂志，2015，34(2)：47-52．

[23]曾祥敏，戴锦镕．新媒体语境下新闻反转、舆论生成机制和治理路径探究——基于2014—2020年典型反转新闻事件的定性比较分析(QCA)研究[J]．社会科学，2020(7)：168-184．

[24]卢智增，高翔．社交媒体平台群体极化的形成机理与引导策略研究[J]．情报理论与实践，2021，44(8)：51-58．

[25]Semetko H A, Valkenburg P M V. Framing European politics: A content analysis of press and television news[J]. Journal of Communication, 2000, 50(2): 93-109.

[26]王楠．网络舆情群体极化的形成机理与传播路径研究[J]．思想教育研究，2021(9)：99-103．

[27]廖梦夏．冲突叙事、纠偏干预与舆情反转结果——对43个媒介事件的模糊集定性比较分析[J]．现代传播(中国传媒大学学报)，2020，42(5)：51-56．

[28]吴华，于海英，闫冬．危机事件中意见领袖情绪框架对受众认知偏差的影响研究[J]．情报杂志，2022，41(7)：124-130，90．

[29]郑昌兴，苏新宁，刘喜文．突发事件网络舆情分析模型构建——基于利益相关者视阈[J]．情报杂志，2015，34(4)：71-75．

[30]郑宇．微博场域中公共危机事件传播的特征及其反思——以长生疫苗事件为例[D]．南京：南京师范大学，2019．

[31]池毛毛，杜运周，王伟军．组态视角与定性比较分析方法：图书情报学实证研究的新道路[J]．情报学报，2021，40(4)：424-434．

[32]李明，曹海军．信息生态视域下突发事件网络舆情生发机理研究——基于40起突发事件的清晰集定性比较分析[J]．情报科学，2020，38(3)：154-159，166．

[33]黄扬，李伟权．网络舆情下间断-均衡模型如何更好解释中国的政策变迁?——基于30个舆情案例的清晰集定性比较分析[J]．情报杂志，2019，38(3)：114-120，100．

[34]王丹，李柏洲．企业原始创新失败形成机制研究——基于25个案例的清晰集定性比较分析[J]．软科学，2021，35(4)：34-42．

[35]杜运周，贾良定．组态视角与定性比较分析(QCA)：管理学研究的一条新道路[J]．管理世界，2017(6)：155-167．

[36]张宏，范祎丽，李旭乐．基于模糊集定性比较分析的企业社会责任投资策略研究[J]．管理学报，2018，15(10)：1047-1055．

[37]杨波，谢乐．企业危机事件网络舆情传播态势生成机理研究——基于信息生态的多阶段fsQCA分析[J]．管理评论，2022，34(7)：339-352．

（收稿日期：2022-06-09）

作者简介

彭国超，博士，教授，博士生导师，研究方向为用户行为、智慧城市等；

程晓（通讯作者），博士生，研究方向为用户行为、网络舆情等，Email：[e-mail]。

* 原文载于《信息资源管理学报》2023年第2期，欢迎个人转发，公众号转载请联系后台。

* 引用格式

彭国超，程晓.热点事件中社交媒体群体极化形成机理研究[J].信息资源管理学报，2023,13(2):42-52.

往期 · 推荐

▲点击访问信息资源管理学报小程序

制版编辑 | 王伊杨

审核 | 于阿媛

长按识别二维码关注我们

信息资源管理学报

微信号

xxzyglxb

分享、在看与点赞

只要你点，我们就是朋友😊