The Influence of Interdependence in Networked Publics Spheres: How Community-Level Interactions Affect the Evolution of Topics in Online Discourse

网络公共领域中社区相互依赖性对话题影响的研究

网络公共领域的研究往往通过研究用户的互动来考察在线平台的结构。这些研究表明，当对话者形成同质的社区，通常与其他持相反意识形态的人没有什么联系时，用户的互动会导致网络巴尔干化。然而，本研究并没有假设社区是孤立的，而是考察了社区层面的互动，以揭示在线话语中的社区如何比以前的理论更相互依赖。具体来说，我们研究了这种互动如何影响源社区和目标社区中主题的演变。

1. 关于社区互动研究的阐释
   1. 社区互动相关概念的理解
      1. 公共话题
         1. 什么是公共话语
         2. 话语结构的概念和形成
         3. 公共话语和它产生的结构的关系
      2. 公共领域
         1. 公共领域概念及其特点
         2. 网络巴尔干化的含义及意义
         3. 巴尔干化下公共领域的相互影响
   2. 怎样研究社区互动对话题的影响
      1. 用什么数据研究
         1. 用twitter（用户量大）
         2. 选择公共话题（难民）
         3. 删除发Twitter数量小于等于十的用户（提高模型准确性）
      2. 用什么模型研究
         1. Louvain algorithm：定义社区
            • （社区内部权重之和越大，社区与外部连接权重越小，则模块度modularity value越大。模块度越大则分群质量越高）
         2. the PageRank values：社交网络链接分析
            • （向量pagerank越高说明该点链接越多）
         3. VADER：情感分析模型
            • （推文中每个词汇的情感倾向得分相加并标准化，即可得到推文的情感得分）
         4. document influence model（“DIM”）：量化每个社区对话题演化的影响
            • （每篇推文分配一个正态分布的影响力分数，从文本角度该影响力分数显示该推文对潜在主题的影响力）
         5. LDA：分析给定的一篇文章都有什么主题，每个主题出现的占比大小是多少
            • （一篇文章可以包含多个主题，所以会有主题分布概率，可以认为文章中的每个词都由其中的主题生成）
      3. 怎么观察数据结果
         • 社区1对社区2的影响，可以表示为某个主题下社区1在DIM中的得分与社区2在LDA的得分的乘积，再将所有主题求和。
         • 社区的情绪得分，即计算所有推文的情绪得分后，将提到不同社区用户的推文按源社区和目标社区进行分组，并计算所有社区的平均情绪得分。
         • 提到另一社区的比例，即单位时间内社区1中所有提到社区2的Twitter数除以单位时间内社区1中所有提到其它社区的Twitter数。
         • 稳定性得分，通过Louvain algorithm所定义的同一社区不同时间的两组数据点的并集重叠程度来体现一个社区的稳定性。
         • 社区规模，即单位时间内社区的用户数。
   3. 研究社区互动影响有何意义
      1. 社区之间的互动是之前研究中缺失的环节，将支离破碎的网络公共领域连接成一个连接的领域。
      2. 在社区之间，社区间的互动通过对同一主题的共同关注来连接社区。此外，中观层面的社区互动允许一个社区为另一个社区的讨论议题设定议程，并可能最终塑造公共话语。
2. 研究的四个假设以及研究结果
   1. 源社区规模对公共话题影响程度呈正相关。
      • 数据表明，在有成员将部分话题引导到其它社区时，源社区的规模对公共话题影响程度呈正相关。即当一个大型社区讨论某些主题，并且有成员将部分对话引导到规模较小的另一个社区时，源社区的主题可以在目标社区中设置讨论议程。
   2. 源社区稳定性对公共话题影响程度呈正相关。
      • 数据表明，源社区稳定性对公共话题影响程度呈正相关，但目标社区稳定性与对公共话题影响程度无关。即当源社区希望影响目标社区中的讨论主题时，它需要保持相对稳定。然而，反过来，当目标社区希望对源社区成员所讨论的内容产生持久影响时，它们不需要随着时间的推移保持相对稳定和一致。
   3. 源社区与目标社区互动内容的情绪积极性是否与目标社区话题变化产生显著影响。
      • 数据表明，源社区互动内容的情绪积极性与目标社区话题变化无法产生显著影响。即源社区和目标社区之间的正面或负面互动在影响话题变化方面没有明显差异。
   4. 源社区与目标社区互动频次是否与目标社区话题变化产生显著影响。
      • 数据表明，源社区的交互频次不会影响目标社区话题的变化，但从目标社区到源社区的交互频次对目标社区话题变化产生显著影响。
3. 研究总结
   • 一个社区影响另一个社区的话语话题，如果这个社区是一个大的社区，并且在一段时间内保持稳定，那么这个社区就有更好的机会。此外，当目标社区参与反馈时，它还可能影响源社区讨论的内容。
4. 本研究的局限
   • 当对大量数据进行聚合和处理时，在聚合的过程中可能会丢失个别案例的丰富性。
   • 社交媒体数据集无论多么庞大，也只能反映特定平台的用户群体。
5. 研究的未来应用
   • 沟通结构和内容本质上是相互交织和相互依赖的。
   • 社区层面的互动方式也阐明了新的研究可能性。社区结构和社区内互动模式可能揭示社区间社会影响发生的新机制。

Comments

课程很好，睡眠质量nice。

原文

Yang, A., Choi, I. M., Abeliuk, A., & Saffer, A. (2021). The Influence of Interdependence in Networked Publics Spheres: How Community-Level Interactions Affect the Evolution of Topics in Online Discourse. Journal of Computer-Mediated Communication.