摘要：在“大数据”不断深入传播学研究的今天，学界对于传播效果的测量仍然莫衷一是。

不少研究者采用的“点转评”指标难以反映真实的传播效果，传播效果的测量需要新的指标。本文借助社会网络分析的方法、概念，以“微博评论”的具体内容为研究对象，构建了以网络“规模”、“密度”、“相对度数中心度”为指标的传播效果测量模型，并使用该模型对人民网发布的四条宣传类微博的传播效果加以测量，验证了模型的科学性、可操作性。

关键词：传播效果 人民网 微博评论 社会网络

一、引言

尽管“大数据”已经成为传播学研究中的常客，目前的学界仍然缺少一套标准化的指标体系来测量“传播效果”。

以微博等新媒体为例，一方面，为了数据获取的便利性，大部分的研究都立足于点赞、转发、评论数等公开可见的原始数据，并没有根据传播目标来构建测量模型，因而其结果无法精确的反映传播效果（王秀丽，赵雯雯，袁天添，2017）；另一方面，测量指标各不相同必然导致传播效果的评估结果难以比较，容易产生“同条微博，效果不同”的尴尬局面，传播效果测量的科学性、可信度也就无从谈起。

针对这种情况，本研究试图借助社会网络分析的方法，从“受众评论”的具体内容入手，以期制定一套标准化的传播效果量化模型，并结合人民网的四条微博案例来检验模型的科学性和可操作性。

二、研究方案

（一）研究对象

本文的研究对象为人民网宣传类微博下的受众评论。

选取微博这一平台，主要是考虑其传播的公开性，facebook、微信等基于“好友”的传播较为私密，难以观察到评论的整体样貌，而开放了“评论”功能的微博便于研究者进行观察和数据收集。

选择“受众评论”的具体内容作为测量对象的原因有以下几点：

其一，评论可以体现某条微博、某个新闻事件的社会影响力以及与之相关的社会意见（彭兰，2008）。如果受众评论了某条微博，则可以说明这条微博使其参与到某个事件的讨论之中，换句话说，该条媒介内容使得某些社会意见得以形成，达到了一定的传播效果。

其二，综合以往学者的研究来看，传播效果的测量终究离不开“认知”、“态度”、“行为”的基本框架（vakratsas，Ambler，1999），而“评论”体现了受众的“认知”（参与评论的受众自然接触到了媒介内容），反映受众的“态度”（评论中的观点是受众态度的直观体现），继而影响受众的“行为”（评论涉及的主要是线上行为）。因此，抛开无法完全反映传播效果的“点、转、评”等具体数值，除去难以量化的“线下行为”，“评论”的主要内容是目前可以从新媒体平台获取到的便利样本，也是能够较为精确反映传播效果的研究对象。

从“人民网”微博入手首先考虑的是该微博账号的影响力。人民网1997年1月1日正式上线，是国际互联网上最大的综合性网络媒体之一，日常传播覆盖已超过1.3亿人次，网民遍布210多个国家和地区。转战微博等新媒体平台后，凭借其长期积累的影响力，“@人民网”迅速吸引巨量粉丝，从其官网公布的数据来看，截至2017年6月，人民网法人微博三大平台总粉丝数7916万，在所有网站官微账号中排名第一（人民网，2017）。研究该账号的传播效果能够反映我国主流媒体的传播水平，具有一定的代表性。

聚焦于宣传类微博主要是出于人民网自身的特殊性。作为“网上的人民日报”，除了向受众提供信息之外，人民网在网络舆论生态中还发挥着“领航者”、“排头兵”和“中流砥柱、定海神针”的作用（人民网，2017）。宣传类微博传播效果的好坏，直接关系到人民网能否在新媒体场域中发挥舆论引导作用，而传统的“点赞评”数据无法真实的反映其宣传的实际效果，因而采用新的指标来考察其传播效果是必要的。其次，宣传类微博的传播意图较容易把握，便于研究者判断受众观点是否符合宣传意图。

（二）研究方法

（1）社会网络分析法的运用

社会网络分析法（social network analysis，SNA）是对社会结构研究的拓展，其本质是一种研究行动者及其关系的社会学方法。其中，“网络”指的是节点及节点之间的关系构成的集合，而“社会网络”则是由作为节点的“社会行动者”（socila actor）或者界定为“能动者”（agent）及其间的关系构成的集合（刘军，2014）。社会网络分析中涉及的节点，可以是个体、公司、国家，也可以是事件、观点等抽象概念。本研究则是把参与评论的微博受众和他们的观点看作社会网络中的节点，某受众发表某种观点，则在该受众与该观点之间建立一次链接，以此构成受众评论内容的整体网络。

社会网络分析的工具很多，本研究将运用Ucinet来分析数据，同时使用NodeXL软件进行数据的可视化呈现。

（2）测量指标选取

①规模（Size）

社会网络的规模（Size）指的是网络中包含的全部行动者的数目（刘军，2014）。就本研究而言，网络的规模指的就是某条微博下发表评论的受众人数。需要注意的是，网络规模不等同于评论总数，它计算的是实际参与讨论的人数，重复发表相同观点的受众，在社会网络中只会被记录一次，因而“规模”这一指标实际上可以衡量传播效果在“认知”层面的作用，同时也可在一定程度上避免水军刷屏的干扰。

②密度（Density）

“密度”这一概念描述的是社会网络中各个点之间的总体关联程度，各个点之间越联络，网络的密度就越大（John Scott，2016）。已有的研究已经证明，网络的密度越大，其对行动者的态度、行为等产生的影响就越大。联系紧密的网络不仅为其中的个体提供各种社会资源，同时也成为限制其发展的重要力量（刘军，2014）。

从本研究的视角来看，受众通过发表各种观点联结成网络，网络的密度越大，则说明受众围绕该微博的讨论越相关、越紧密，其传播效果也就相对越好。

③相对度数中心度（NrmDegree）

度数中心度（degree）分为绝对度数中心度和相对度数中心度（NrmDegree）两种。社会网络中某点的绝对中心度指的就是与该点直接相连的其他点的个数（刘军，2014）。度数中心度在一定程度上可以表示该点的影响力大小，也可以衡量该点对其他点的平均影响力（吴信东，李毅，李磊，2014），如果该点度数较高，则说明该点居于网络的核心，拥有权力，作用很大。但是，不同规模的社会网络之间点的度数中心度无法比较，故Freeman（1979）提出了相对度数中心度的概念，实质是点的绝对中心度与图中点的最大可能的度数之比。

在本研究中，受众按照观点差异被分为几个群体，每种观点的相对度数中心度反映的就是该观点在整个网络中的重要程度，如果和传播者观点相似的观点在网络中处于核心地位，那么该微博就达成了良好的传播效果。

（3）构建测量模型

本文所构建的传播效果测量模型分为三个步骤：数据收集、软件运算、结果阐释。具体模型如图1所示：

①数据收集：明确传播意图，收集评论

任何一条媒介内容的传播都有其意图，即使是标榜客观中立的新闻报道也难以彻底回避倾向性、目的性。从某种程度上说，某条微博的传播意图能否实现可以说是传播效果优劣的直观体现。本研究采用人工识别的方式确定传播意图，由研究者记录，以便进行接下来的分析运算。

②软件运算：构建2-模网络，运用Ucinet/NodeXL软件

模（mode）是社会网络分析中的概念，“模”指的是行动者的集合，“模数”指的是社会行动者集合类型的数目。（刘军，2009）。按照模数的不同，社会网络又可分为1-模和2-模网。由一个行动者集合内部各个行动者之间的关系构成的网络叫做1-模网络（one-mode network），而由一类行动者集合与另一类行动者集合之间关系构成的网络叫做2-模网络（two-mode network）。（刘军，2014）

本研究构建的是2-模网络，由若干受众以及发表的不同观点的评论共同构成。首先需要将全部评论中的观点进行分类，出于准确的考虑，研究采用人工归纳的方式。

第二步需要采集社会网络分析软件能够识别的“关系”数据。如表1所示，受众1发表的评论属于观点1，则在观点1与受众1的交叉方框内记为1，其他各项记为0；受众2既发表了观点2，又发表或参与了观点5的讨论，则在观点2和观点5的方框内标注1，其余各项记为0，以此类推，得到整条微博评论的“受众-观点”矩阵，置入Ucinet或NodeXL软件生成“受众-观点”网络。

③结果阐释

研究将借助Ucinet软件进行具体运算，得出网络的规模（Size）、密度（Density），各观点的相对度数中心度（NrmDegree）值，它们从三个不同的维度，共同构成了“传播效果值”，三个指数相对较高，则说明该条微博的传播效果相对较好。继而运用NodeXL软件进行网络可视化操作，阐释研究结果。

分享让更多人看到