文献分享 Vol. 2｜叙事传染理论

Zhao et al., 2024 | New Media & Society

概要

核心概念

这篇论文基于社会传染理论将社交媒体上用户的故事讲述这一行为的传播理论化为「叙事传染」，揭开了数字故事讲述的涟漪效应。作者认为，用户在社交媒体上特定社区内的故事讲述行为能够影响和传递到其他用户，使其他用户也通过故事讲述进行回应，这种「叙事性」的传递是叙事传染的核心内容。此前基于观察数据的有关叙事的传播和影响的研究往往仅从内容层面研究叙事的传播和效果，但往往忽略了叙事这一行为本身的效果。「叙事传染」这一概念很巧妙地体现了作为一种「仪式」的叙事是如何产生影响的，叙事性的传递也是一种仪式的传递，通过故事讲述也能够激励其他人进行故事讲述。特别是，作者通过观察数据为「叙事性」进行了比较恰当的量化，将这一过程展现了出来，这也为之后围绕其他主题的「叙事性」的计算叙事研究提供了很好的例子以及更宽广的想象空间。

叙事传染理论

社会传染理论

社会传染是指一个人或群体通过社交网络影响另一个人的情绪、态度或行为的过程 (Burt, 1987, 1992)。社会传染是一种社会影响，其中接受者并不感知发送者的有意影响尝试 (Levy & Nail, 1993)。根据 Burt(1992)，社会传染作为扩散和创新的关键机制，解释了新观念的早期采用者如何影响较慢采纳者。

理论框架

叙事传染 (Narrative contagion) 被定义为一个人或组织分享的故事促使他人分享他们的故事的过程。与叙事说服不同，叙事传染发生在接收者不感知发送者有意图尝试影响的情况下 (Levy and Nail, 1993)。叙事传染也不同于叙事扩散，后者主要关注同一个故事的传播 (Harber and Cohen, 2005)。相反，叙事传染强调叙事性的传播 (spread of narrativily)，即在线社区用户之间一系列叙事主题的传播。

借鉴社会传染文献 (Barsade, 2002, Barsade et al., 2018; Levy and Nail, 1993)，社交媒体上的叙事传染可归因于两个核心机制：情感机制和认知机制。

首先，社交媒体用户从发送者信息中的多模态元素推断情感线索，如负面词汇、表情符号和笑脸，并以相应的情绪作出反应。鉴于他们的归属感和认同感 (Zhao et al., 2015)，这种情感推断倾向在连接在线癌症社区的用户中可能更为明显。Hancock et al. (2008) 发现，实验中被负面情绪激发的参与者更频繁地使用表达这些情绪的词汇，并在即时通讯平台与伙伴交流时反应较慢。由于在线互动中的文本和视觉线索使社交媒体用户能够辨别情绪，用户会模仿这些情感表达，并通过分享自己充满情感色彩的故事来提供反馈。

此外，社交媒体用户可以将自己的经历和情绪与故事中的角色或事件进行比较，然后根据情境的适当性做出回应 (Barsade et al., 2018)。在在线癌症社区的背景下，作为群体内成员的用户彼此感知相似性或认同感，导致情感趋同 (Elfenbein, 2014)，这很可能通过讲述自己的故事或提供情感支持表现出来。同样，根据社会学习理论 (Bandura & Walters, 1977），个体通过观察和模仿其他用户的行为参与社会传染，因为观察他人执行某种行为会降低对该行为的感知约束。

研究假设

H1: 帖子叙事状态 (post narrative status) 与用户在社交媒体上的回应中的 (a) 叙事性 (narrativity) 和 (b) 情感支持 (emotional support) 呈正相关。

H2: 情绪唤起 (emotional arousal) 与用户在社交媒体上的回应中的 (a) 叙事性和 (b) 情感支持呈正相关。

H3: 请求讲故事 (request for storytelling) 与用户在社交媒体上的回应中的叙事性呈正相关。

H4: 回复层面的叙事性与 (a) 帖子叙事状态和 (b) 评论层面的叙事性呈正相关。

RQ1: 帖子主题如何与用户回复中的 (a) 叙事性和 (b) 情感支持相关？

RQ2: 在叙事帖子中，叙事结构（情节复杂性、初始情节和闪回）如何影响用户回复中的 (a) 叙事性和 (b) 情感支持？

数据和方法

数据

我们通过对在线出版物（例如 Canadian Cancer Survivor Network, n.d.; Huizen, 2019）进行全面审查，编制了一份致力于乳腺癌的非营利组织名单。我们审查了关注一般乳腺癌的组织的 Facebook 页面，而非特定亚型。由此，我们确定了拥有最多 Facebook 粉丝的前五个组织。我们使用 Facebook 的社交媒体分析软件 CrowdTangle 下载了这些组织从 2016 年 1 月 1 日至 2021 年 2 月 20 日期间发布的共计 8580 条 Facebook 帖子。随后，我们聚焦于这些帖子中总互动数（情感反应、点赞、评论和分享之和）排名前 10% 的帖子（N = 858），并使用 GitHub 上的开源工具 Facebook Scraper 获取了相应的用户反馈，包括评论和回复（N = 107,458）。这使我们能够优先考虑互动最高的帖子，确保评论和回复数据集具备较强的代表性和分析价值。

为了获得平衡的用户回复数据集，我们从每个帖子中抽取了 100 条评论和 50 条回复。如果某个帖子评论少于 100 条或回复少于 50 条，我们则保留所有可用的回复。去除缺失数据后，我们的最终数据集包括 849 条 Facebook 帖子、47,291 条评论和 14,466 条回复。

手动内容分析

我们进行了手动内容分析以确定帖子的叙事状态。根据叙事的定义，如果帖子文本中包含至少一个经历过某些事件的角色， 则该帖子被编码为叙事 (Bilandzic and Busselle, 2013)。两位专家编码员对所有帖子的叙事状态进行了标注,总体一致率超过 0.9。

如果帖子被识别为叙事，我们进一步通过识别文本中的事件序列来分析其叙事结构。根据癌症控制连续体（National Cancer Institute, 2020），我们编码了五类叙事事件：(a) 预防与风险因素，(b) 检测、筛查或诊断，(c) 治疗过程（例如接受静脉化疗）及其效果（例如秃头），(d) 治疗里程碑与完成（例如敲响化疗铃），以及 (e) 生存阶段，包括康复、复发、死亡和慈善活动。

三位编码员经过四轮培训后，对 60 条样本达成一致性评估（ICR, n = 60）。在各类叙事事件的编码中，Krippendorff’s alpha 值介于 0.77 至 1.00 之间，表明编码一致性良好。

计算内容分析

我们采用提示工程的方法，在零样本分类设置下调用 OpenAI 的 GPT-3 和 GPT-4 模型，以识别叙事相关构建。为了确保自动化测量的有效性与可靠性，我们遵循了 Ziems 等人（2024）提出的提示工程最佳实践，例如在上下文之后给出明确指令，以引导模型生成预期输出。在叙事理论和小样本专家编码结果的基础上，我们经过两轮讨论，对提示词进行了迭代优化（n = 50）。

在确定预测准确率最高的提示词后（详见附录表 A1），我们使用两个通过随机抽样获得的数据集进行了验证：10% 的帖子（n = 86）以及 150 条评论/回复。这些数据集由两位专家编码员独立标注，用于计算自动化预测与人工编码之间的一致性（ICR）。为确保对照一致，人工编码员在编码时也参考了提示词内容。在帖子分析中，Krippendorff’s alpha 在”情绪唤起”维度为 0.80，在”讲故事请求”维度为 0.87；在评论/回复分析中，”叙事性”维度的 alpha 值为 0.80，”情感支持”维度为 0.69。验证完成后，我们扩大样本规模，采用最终确定的提示词进行预测。

变量测量

• 叙事性 (narrativity)。根据叙事的定义 (Bilandzic and Busselle, 2013)，用户回复中的叙事水平是基于文本讲述某人经历或行为的程度进行测量的，采用 3 分制，其中 1 表示低（无经历或行为），2 表示中等（有一定经历或行为），3 表示高叙事性（详细的经历和行为）。为了计算对每个帖子的回复（包含评论和回复）中的叙事性，这些回复级别的叙事评分被取平均值。

• 情感支持 (emotional support)。用户回复中情感支持的存在通过文本是否显示出对人（例如癌症幸存者）或问题（例如倡议）的情感支持，如鼓励的话语、祈祷、祝福、关心、同情或感激来衡量。回复层面的情感支持以二元方式编码（1=存在，0=不存在）。为了计算对每个帖子的回复中的情感支持，我们计算了提供情感支持 的回复频率。

• 叙事状态 (narrative status)。叙事状态通过帖子是否属于叙事来衡量。49.00%的帖子被归类为叙事，剩余 51.00% 被归类为非叙事。

• 讲故事的请求 (request for storytelling)。讲故事请求的存在是基于帖子是否要求用户讲述或分享他们自己的故事、经历或想法来衡量的。

• 情感唤醒 (emotional arousal)。情绪唤醒衡量帖子中情绪的强度或激活水平，采用二元尺度，从 0（低唤醒）到 1（高唤醒）。

• 帖子主题 (post topic)。使用词嵌入和 K-means 聚类获得 4 个主题。

• 叙事结构 (narrative structure)。叙事复杂性通过所有叙事帖子中的叙事事件总数来衡量 (M = 1.57, SD = 0.73)。在叙事帖子包含多个事件的情况下 (n = 173)，我们还记录了帖子中最初位置发生的叙事事件。倒叙 (24.28%) 采用二元方法记录，指示在帖子中按时间顺序发生在另一事件之后的叙事事件是否在该事件之前叙述。

• 控制变量。控制变量包括发布时收到的点赞数、组织、信息生动性和文本长度 (Zhao et al., 2022)。

结果

表1

主要发现

表 1 中的回归结果表明，帖子的叙事状态和情绪唤起正向影响了情感支持；讲故事请求正向影响了叙事性和情感支持。

但是，和假设不同，帖子的叙事状态负向影响了（包含评论和回复的）叙事性。作者对此的解释是，「现有的组织‐公众关系可能混淆了叙事帖子与用户讲故事之间的关系。虽然叙事可以增强感知的组织真实性，但只有在建立了良好的组织‐公众关系时，才可能促使用户讲故事」。

之后，作者进一步区分了评论和回复中的叙事性，叙事传染的证据变得更加明显。

图1

图 1 显示，帖子叙事状态 (b = 0.24, SE = 0.04, p < .001) 和评论层级叙事性 (b = 0.18, SE = 0.04, p < .001) 对回复层级叙事性均有正向直接影响。这支持了 H4a 和 H4b。进一步对总效应、直接效应和间接效应的检验显示，帖子叙事状态对回复层级叙事性有显著的正向总效应 (b = 0.17, SE = 0.04, p < .001)，通过评论层级叙事性有轻微的负向间接效应 (ab = –0.06, SE = 0.02, p < .001)。

文献来源

Zhao, X., Ma, Z., & Ma, R. (2024). Analyzing narrative contagion through digital storytelling in social media conversations: An AI-powered computational approach. new media & society, 14614448241285445.

原文链接： https://journals.sagepub.com/doi/10.1177/14614448241285445