文献分享 Vol. 7｜跨平台的解释性极化

Social Media + Society
论文信息

概要

本期介绍的是一篇发表在 Social Media + Society 的研究，题为 Interpretative Polarization across Platforms: How Political Disagreement Develops Over Time on Facebook, Twitter, and WhatsApp。这项研究的独特之处在于，它不仅比较了不同社交媒体平台的政治讨论如何演变，还提出了一个新的概念区分——立场性极化（positional polarization）与解释性极化（interpretative polarization）。与传统研究主要关注人们在政治议题上的立场分布不同，这篇文章强调：极化不仅表现在人们”站在哪一边”，还表现在他们”如何理解和诠释同一个事件”。不同群体即便面对相同事实，也可能因为依赖的解释框架不同而产生不可调和的分歧。

另外，与此同时，作者还强调了进行跨平台比较的重要性。作者提供了一个以规范、内容和政治对话可供性为核心的跨平台的极化分析框架，认为这些差异会深刻影响政治讨论的展开方式。通过同时观察多个平台上的极化过程，研究不仅能够揭示极化的共性机制，还能展现不同平台如何以各自独特的逻辑塑造政治分歧。这种比较视角有助于我们跳出单一平台的局限，更全面地理解数字环境中政治极化的动态。

研究问题

不同社交媒体平台的规范、内容与功能，如何塑造政治极化的动态过程？立场性和解释性的极化如何随着时间在不同社交媒体平台上展开？

数据

研究团队以以色列社会一桩极具争议的事件为案例：2016 年，以色列士兵 Elor Azaria 当街射杀一名已被制服的巴勒斯坦袭击者，引发长达 16 个月的社会大辩论。研究者收集了近 25 万条社交媒体文本，包括：

发现

  1. 立场性极化与解释性极化紧密相连。
  2. 极化从一开始就存在，并未显著加深。
  3. 不同平台的极化动态有所不同。

立场性极化与解释性极化

大多数关于极化的经典研究主要关注某一政治议题上的立场或态度的静态分布，通常通过偏好呈现双峰分布来衡量极化程度（Abramowitz, 2015; DiMaggio et al., 1996）。我们将这种聚焦于人们在特定政治议题上立场的极化称为立场性极化（positional polarization）。值得注意的是，立场性极化意味着极端立场之间是不可调和的，满足一方必然会令另一方受挫（Fiorina & Abrams, 2008; Lelkes, 2016）。然而，如果将极化视为一个动态过程，那么研究的重点就不应只放在某一时点的状态，而应考察随时间推移偏好如何从中间逐渐走向极端。目前，真正的历时性研究仍然相对稀缺（Stroud, 2010 是其中一个例外）。

此外，也只有少量研究明确探讨过政治极化作为动态过程的解释机制。政治传播领域的框架研究表明：同一议题在不同语境下的解读方式，会引导人们依据不同的考量标准进行评价，从而得出不同的立场（Chong, 1996; Stroud & Curry, 2015）。例如，一名政治告密者被理解为”勇敢的吹哨人”，还是”危害国家安全的人”，可能会直接影响人们对其行为的态度。

当然，人们通常能够处理多种框架，并从多个角度来评估一个问题。然而，当相互竞争的群体完全依赖对立的框架，并且拒绝（或忽视）对方所依据的考量时，就会得出截然相反的解释，从而巩固彼此不可调和的立场。这一过程即为解释性极化（interpretative polarization）：社会中的不同群体对同一议题作出截然不同的语境化解读（Baden, 2015）。解释性极化意味着，一方所依赖的框架会被另一方视为站不住脚、不恰当或不合法（Shmueli et al., 2006）。在解释性极化高度显著时，不同群体对同一议题的理解方式差异如此之大，以至于几乎不可能展开有意义的对话。

然而，当群体间能够共享某些框架或考量，或至少承认彼此的解释具有一定合理性时，解释性极化可能会得到缓和（Chong, 1996; Risse, 2002）。与此同时，解释性极化也可能会强化立场性极化：当不同的解释使得某一阵营的立场难以在不贬低对方的前提下被采纳时，极化就会进一步加剧（Baden & David, 2018; Hyde & Bineham, 2000）。既有研究表明，议题解释方式的鲜明对立是导致立场性极化的重要驱动力（Hetherington & Weiler, 2015; Shmueli et al., 2006）。本研究延续了这一思路，进一步探讨解释性极化（即议题被理解的语境）与立场性极化（即政治议题上的立场）之间的关系，并关注这种关系在不同社交媒体平台上的差异化表现。

跨平台的极化分析框架

规范（Norms）

塑造极化动态的一个重要因素是社交使用习惯——哪些群体倾向于使用某个平台，以及人们如何看待该平台，特别是它是否被视为一个适合进行政治讨论的空间（Mor 等, 2015; Thorson 等, 2014）。在以色列，WhatsApp 是最受欢迎的通信应用，大约 91% 的成年人使用它（”Bezeq Internet Report,” 2019）。与其他具有集体主义文化取向的国家类似（如阿根廷，Boczkowski 等, 2018），以色列人热衷于使用 WhatsApp 群组，这些群体既包括亲密朋友的私人聊天，也包括大规模的专业讨论群。本研究关注的是记者类的 WhatsApp 群组，政治兴趣浓厚的个体会在其中进行政治讨论（Kligler-Vilenchik, 2019; Kligler-Vilenchik & Tenenboim, 2020; Yarchi 等, 2020）。Facebook 在以色列通常被视为”主流”社交媒体，最受成年人欢迎（”Bezeq Internet Report,” 2019）。它既是个人、社区和兴趣网络的平台，在公共页面和讨论中也呈现出更为激进的一面，常常用于政治身份的形成和影响更广泛的公共辩论（Ben-David & Matamoros Fernandez, 2016）。与美国等国家不同，在以色列，Twitter 主要由政治精英、记者和活动人士使用，用于专业沟通和公开竞选。因此，鉴于其公共性质和用户构成，以色列的 Twitter 通常被认为是讨论政治议题的合适场所。

内容（Contents）

除了受众的不同，不同社交媒体平台在政治内容的发布程度和传播可见性上也存在差异。众所周知，Facebook 依赖强大的算法来推送个性化新闻源，主要由用户的强关系网络生成。这意味着 Facebook 上的政治讨论往往发生在意见相近的朋友之间（Vraga 等, 2015），并且算法进一步倾向于展示相似观点（Settle, 2018）。在 Twitter 上，所有内容都是公开可见的，信息流取决于用户的关注对象，同时用户还可以通过话题标签检索内容，从而接触到多样化的政治观点。WhatsApp 的内容则由群组成员决定，群体可能具有不同程度的政治异质性。本研究所分析的 WhatsApp 群体在政治立场上相对异质（Kligler-Vilenchik, 2019）。

政治对话的可供性（Affordances for Political Talk）

借鉴 Gibson (1986) 的”可供性”概念，我们将其理解为环境为个体提供的可能性（既可能是积极的，也可能是消极的）。基于 Evans 等 (2017)，我们认为技术的可供性超越了设计特征，而是源于技术设计与用户选择之间的互动。在这里，我们从两个主要维度比较三大平台的可供性：连结性（connectivity）和表达性（expressivity）。

在连结性方面，Facebook 基于”好友确认”的关系结构，使互动主要发生在强关系之间，但用户也可以单向关注公共主页。Twitter 的特点是非对称关系，不需要被关注者确认即可建立连接，这使得用户更容易突破既有关系网络，形成更为多样化的社交链条。WhatsApp 上，用户可以自主选择加入的群组，但对群体构成几乎没有控制力。整体上，Facebook 更可能让用户与持相似立场者互动；Twitter 网络则相对多元；而 WhatsApp 群组则可能暴露用户于多种不同的声音。

在表达性方面，Twitter 的字数限制使得用户倾向于简短地表态或反驳，并依赖链接来提供更多信息，讨论因此较为碎片化。相比之下，Facebook 的多媒体和评论串功能支持更复杂的表达和深入的讨论。WhatsApp 的顺序式结构则鼓励持续对话，但强调的是近乎同步的互动，过往消息很快会被淹没。

数据和方法

数据

研究团队以以色列社会一桩极具争议的事件为案例：2016 年，以色列士兵 Elor Azaria 当街射杀一名已被制服的巴勒斯坦袭击者，引发长达 16 个月的社会大辩论。

本研究的样本共包含 29,250 条推文及 61,772 条评论、6,508 条 Facebook 帖子及 145,542 条评论，以及 6,245 条 WhatsApp 消息。整体语料接近 25 万条，内容形式从最短仅一个词的 WhatsApp 消息，到 140 字符的推文，再到更为详尽的 Facebook 帖子不等。

为了考察这一争议随时间的演变，研究团队将数据划分为四个阶段：

图1：四个阶段中社交媒体上相关帖子数量的变化情况

方法：混合内容分析

研究团队采用了一种他们称之为 混合内容分析（Hybrid Content Analysis）的方法。这是一种结合计算和人工的创新方式：先用算法识别文本中的重复模式，再由人工对这些模式进行分类。具体来说，作者使用结构主题模型（STM）将每条社交媒体帖子建模为若干”主题”的组合，并根据不同平台的语料来比较这些主题的分布情况。经过多轮模型评估和人工验证，他们最终选择了 100 个主题 的方案，以保证结果的可解释性。

在人工编码环节，研究者根据一份编码手册，将每个主题归类为不同立场（支持、反对、模棱两可、中立/无关），并进一步划分为七个解释领域：事件本身、军队、法律程序、政治、媒体、社会、其他。研究还对文本的情绪表达进行了强度（是否情绪化）和倾向（积极、中立、负面）的标注。两位熟悉以色列语境的母语研究者完成了编码，结果的信度非常高（Krippendorff’s α = 0.88）。

最后，作者将人工编码结果与算法输出结合，自动化地对每条帖子进行分类，并检验了这一方法的准确性（精确率和召回率均为 0.89），还在不同平台上重复分析以确保稳健性（Holsti 系数 0.80）。这种”算法 + 人工”的混合策略既保证了大规模数据分析的效率，又兼顾了语境化解读的准确性。

结果

1️⃣ 立场性极化与解释性极化紧密相连

支持 Azaria 的群体主要通过”社会团结”和”军事职责”的框架理解事件；反对者则聚焦于”射杀本身”，视其为违法与不道德的行为。双方几乎没有共享的解释框架，唯一的交集是围绕”法律诉讼”的讨论，但即便如此，两方对法律结果的理解也完全对立。

图2：立场性极化与解释性极化的关系
图3：不同解释框架的分布

2️⃣ 极化从一开始就存在，并未显著加深

研究发现，这场公共争论从一开始就是高度极化的，而不是随着时间逐渐走向两极化。换言之，极化并非”逐渐生成”，而是”立刻存在”。

图4：极化程度随时间的变化

3️⃣ 不同平台的极化动态有所不同

图5：不同平台的极化动态比较

原文信息

文献来源： Kligler-Vilenchik, N., Baden, C., & Yarchi, M. (2020). Interpretative polarization across platforms: How political disagreement develops over time on Facebook, Twitter, and WhatsApp. Social Media+ Society, 6(3), 2056305120944393.

原文链接： 请点击左下方【阅读原文】